Matemarketing 2026 talk graph

11:00–11:35 · Атом · Радослав Нейчев

Рабочие сценарии без подписки на Claude Code, Codex и другие передовые решения. Какие задачи разрешимы прямо сейчас на полностью открытом стеке, а где сохраняются ограничения. Эксперименты с Goose, Qwen и DeepSeek

• AI & agents
• A/B & experiments
• Data engineering

11:40–12:10 · Атом · Александр Линников

Настройка обвязки и MCP-сервера для автоматизации рутины. Разбор ошибок масштабирования, эксплуатационные ограничения и задачи, где LLM категорически нельзя оставлять без проверки

• AI & agents
• BI & dashboards
• Data engineering
• HR & team
• Product & discovery

12:15–12:45 · Атом · Ирина Голощапова

Расскажу, как мы организуем end-to-end автоматизацию типовых data-задач: как меняется работа подразделений с появлением агентов и как удалось достичь ускорения на 73% на задачах, выполненных агентами. Отдельно обсудим, как посчитать value от AI-агентов и на чём фокусироваться на уровне организации, чтобы двигаться вперед в агентизации типовых процессов работы с данными.

• AI & agents
• BI & dashboards

12:50–13:20 · Атом · Александр Давыдов

Восемь шагов от аналитической задачи до принятого ответа агента с проверкой на разных этапах: передаваемость определяется не сложностью задачи, а тем, объявлены ли решения; незаписанное решение всё равно будет принято — слоем, витриной или моделью; приёмка зависит от образа результата, и у самой приёмки есть слепая зона.

• AI & agents
• Metrics
• BI & dashboards
• Product & discovery

13:25–13:55 · Атом · Никита Зеленский

Каким станет ближайшее будущее аналитиков, когда фабрики отчетов и инсайтов уже заслужили свою репутацию, аналитик перестал быть «узким горлышком», а объём контекста компании конечен для построения аналитической системы

• AI & agents
• Metrics
• Data engineering
• HR & team
• Product & discovery

10:20–10:55 · Архангельск · Анна Коковина

Превращаем цепочку аналитических действий в автоматизированный процесс: формирование запросов, анализ динамики и использование результатов для проверки продуктовых и маркетинговых гипотез. Как устроен многошаговый поисковый агент, который формирует запросы, изучает результаты, возвращается к поиску и собирает информацию из множества источников и как превратить типичный competitive research из ручного процесса в повторяемый агентский ресёрч.

• AI & agents
• Marketing & ads
• Product & discovery

11:00–11:35 · Архангельск · Артем Прокопенко

Система AI-агентов вокруг A/B-платформы и измерение её надёжности через benchmark на основе mutation testing: вносим контролируемые дефекты в кейсы с известным ответом и считаем mutation score, false positive rate и порог обнаружения. На этом полигоне сравниваем модели и архитектуры и определяем границы допуска где агентам уже можно доверять

• AI & agents
• Metrics
• Data engineering

12:15–12:45 · Архангельск · Екатерина Герасименко

Перенос работы из ручных передач и однотипной разработки в конфигурацию, генераторы и инструменты платформы. Это сокращает путь от описания источника до появления данных в платформе и позволяет масштабировать подключение типовых источников без пропорционального роста ручной работы.

• AI & agents
• Data engineering
• HR & team

12:50–13:20 · Архангельск · Фёдор Холькин

Решение задачи устранения хаоса в данных компании и создание корпоративного графа знаний Последовательность перехода от исправления конкретной аналитической проблемы к общему контексту для AI-инструментов. Доклад поможет оценить, какие знания нужно формализовать в своей компании, как проверять их качество и с какого рабочего процесса начинать внедрение.

• AI & agents
• HR & team

13:25–13:55 · Архангельск · Александр Барышников

Мы встроили в работу разговорного ИИ-помощника: сотрудник спрашивает о продажах обычными словами, текстом или голосом, и получает график или численный ответ. Права доступа наследуются из BI, ответ сверяется кодом, рядом с цифрой — её «паспорт» (период, фильтры, источник). На пойманном промахе модели покажу, как работает проверка, расскажу, что мы измеряем на пилоте и где бот ошибся. А дальше — о переходе к AI-native-аналитике: руководители сами работают с данными, их вопросы копятся в базу знаний, словарь метрик поддерживает бизнес, а аналитик становится архитектором системы, которая приносит гипотезы

• AI & agents
• Metrics
• BI & dashboards
• Data engineering
• Marketing & ads
• Product & discovery
• Security & privacy

14:00–14:30 · Архангельск · Павел Дубинин

Подключить LLM к базе — ещё не аналитика: агент не знает, откуда пришли данные, кто имеет к ним доступ и как посчитана метрика. Рассказываем, как встраивали ИИ в каждый шаг аналитического цикла (загрузку, SQL, оркестрацию, каталог, дашборды) и какой контекст ему для этого понадобился: автоматически собранные метаданные, lineage, права на уровне платформы. Разберём, где агент уже заменяет ручную работу, где ошибается и как проверить его ответ вплоть до исходной таблицы. Опыт DataLens Platform, самого крупного обновления DataLens: AI-first платформы, где к привычным дашбордам добавились lakehouse, оркестрация и каталог данных в едином интерфейсе

• AI & agents
• Metrics
• BI & dashboards
• Data engineering

12:15–13:20 · Кинетика · no speaker

Как пройти путь от сырых данных до ответа на вопрос о продукте — в одной платформе и с помощью ИИ? На мастер-классе разберём этот цикл на практическом примере: загрузим данные в Lakehouse, с помощью ИИ-агента подготовим SQL-запросы и настроим оркестрацию, организуем каталог данных и доступы, а затем соберём дашборд с Нейроаналитиком.

• AI & agents
• BI & dashboards
• Data engineering
• Product & discovery

13:25–14:30 · Кинетика · Александр Тихоиванов

AI-агенты позволяют аналитикам и менеджерам за минуты создавать интерактивные HTML-отчёты — гибкие, но не всегда надёжные. На примерах разных бизнес-юнитов Яндекса сравним HTML и классические дашборды, а также покажем, как SDK помогает совместить гибкость с управляемостью BI.

• AI & agents
• BI & dashboards

15:15–16:30 · Кинетика · Дарья Чиркина

Стандартные статистические тесты не работают для сложных продуктовых метрик (MAU, Retention, NPS, CTR) из-за их ratio-структуры и автокорреляции, а бутстрап требует слишком много времени. На воркшопе мы разберем создание полностью автономного пайплайна для оценки A/B-экспериментов на чистом SQL (Presto/Trino) без сторонних платформ. Участники получат готовый алгоритм и код: от настройки SRM-контроля и линеаризации метрик до расчета MDE с поправкой Бонферрони и получения итоговых p-value из сырых логов.

• AI & agents
• Metrics
• A/B & experiments
• Data engineering
• Retention & LTV
• Product & discovery

16:35–17:40 · Кинетика · Павел Злобин

Как агенты ведут Яндекс.Директ, генерируют контент и дизайн, строят аналитические дашборды и выполняют маркетинговые задачи по расписанию.

• AI & agents
• Metrics
• BI & dashboards
• Marketing & ads
• HR & team

11:00–12:10 · Кинетика · Денис Платонов, Александр Сорокин

Участники пройдут цикл от разметки действий пользователя, до формирования продуктовых гипотез и запуска АБ-теста на реальном ecom-клиенте платформы uxrocket.ru Участники также выполнят пост-анализ и научатся формировать гипотезы, которые в 3 раза чаще приводят к росту.

• Product & discovery

12:15–13:20 · Кинетика · Евгений Кузнецов

Превращаем AI из генератора кода в управляемого исполнителя, способного провести задачу от размытого бизнес-вопроса до проверяемого результата.

• AI & agents
• Metrics
• BI & dashboards
• Data engineering
• Marketing & ads
• HR & team
• Retention & LTV
• Product & discovery
• Security & privacy

13:25–14:30 · Кинетика · Сергей Кукуруз

Сборка агентских систем, выдающих результат стабильного качества. Инженерный разбор компонент и паттерны архитектуры ИИ-решений.

• AI & agents
• Product & discovery

15:15–16:00 · Кинетика · Виталий Шатилов

Участники мастер-класс узнают о комплексном подходе к обеспечению базовых принципов информационной безопасности собственных продуктов. Будут рассмотрены в том числе автосканирование по публичным базам уязвимостей, собственные «зеркала» с уже проверенными пакетами и другие инструменты. Слушатели получат чек-лист критически важных моментов, на которые необходимо обращать внимание при разработке продуктов агентами. Мастер-класс сопровождается большим набором кейсов и примеров.

• AI & agents
• Product & discovery
• Security & privacy

11:00–12:10 · Молекула · Валерий Бабушкин

Валерий Бабушкин, cтарший главный начальник BP.

12:15–13:20 · Молекула · Максим Стаценко

Как всей компании пройти путь от «AI, помоги написать SQL» до «AI, возьми задачу целиком»? Расскажу, какие технические решения мы для этого собирали в нашем направлении в Яндексе и как связали их в одну систему. В моем рассказе мы разберём три драйвера роста использования AI: Adoption - чтобы люди начали пользоваться AI. Как убрать все преграды и сделать AI в привычным рабочим инструментом. Harness - чтобы агент использовал внутренние инструменты. Как дать предсказателю следующего токена возможность использовать утилиты, которыми пользуются люди и обучить необходимым навыкам, а потом еще и проверить результат. Knowledge - чтобы агент понимал контекст вашего бизнеса. Как дать агенту информацию о данных, коде, документацию компании, чтобы меньше объяснять с нуля и не забить все окно контекста. Покажу, как устроена эта экосистема: от интерфейсов для работы с агентами до тестирования документации. В финале соберём всё на примере типовой задачи аналитика и вы сможете примерить эту архитектуру на свою команду и понять, каких компонентов вам пока не хватает.

• AI & agents
• Data engineering
• HR & team

13:25–14:30 · Молекула · Роман Бунин

Системный подход к оценке AI Adoption внутри большой компании: от архитектуры решения до детального разбора применяемых методов. Слушатели получат фреймворк для оценки эффективности AI-инициатив, позволяющий управлять процессом внедрения нейросетей на основе данных.

• AI & agents
• Metrics
• BI & dashboards

15:15–16:00 · Молекула · Тимур Мерлин

Поговорим о том, как сегодня добиться измеримого результата в областях где совсем недавно полагались "на веру", как выстроить AI-native фреймворк работы маркетинга и почему здесь нужна революция а не эволюция. Подробно расскажу о том, как выглядят конкретные примеры маркетинговых механизмов в Авито и поделюсь лайфхаками, которые приносят результаты.

• AI & agents
• Metrics
• Marketing & ads
• HR & team

16:00–16:30 · Молекула · Никита Гурьянов

Главный результат аналитики выражается не точностью цифр, а тем, какие решения компания принимает на их основе. Что делать, когда привычные продуктовые метрики перестали отражать долгосрочное здоровье продукта, а разные команды по-разному понимают, что именно считать успехом? Вы узнаете, как изменить подход к измерению продукта и повлиять на реальные бизнес-решения

• Metrics
• HR & team
• Product & discovery

16:35–17:05 · Молекула · Евгений Цапников

Трансформация вертикали data-аналитики в AI-native состояние. Слушатели узнают про «fast-track» для трансформации с целью радикального сокращение t2m-решения задач без потери в качестве. Подробно разберем целевую архитектура инфраструктуры для AI-native команды, компетенции, которые необходимы для успеха и то, как бороться с отторжением смены парадигмы командой

• AI & agents
• HR & team
• Product & discovery

17:10–17:40 · Молекула · Анна Бочканова, Максим Белоусов

Путь от идеи до запуска готовой функциональности в продакшен можно объединить в единый процесс, управляемый AI-агентами? Мы расскажем, как создали продукт для сквозной автоматизации разработки: от поступления фич-реквеста и проработки требований до реализации, тестирования и публикации готового решения. Наглядно покажем, как именно AI-агенты взаимодействуют друг с другом, берут на себя задачи на разных этапах разработки и помогают управлять всем процессом в единой системе. На примере нашего решения разберём, как меняется привычный процесс разработки, какую роль в нём играет человек и как перейти от отдельных AI-инструментов к полноценной агентной автоматизации

• AI & agents
• Product & discovery

12:15–13:20 · Физика · no speaker

- Какие границы между профессиями теряют смысл, а какие становятся особенно важными? - Где брать опыт и как учиться на протяжении карьеры? - Что проверять без AI, а что — обязательно с AI? Где важно самостоятельное владение методом, а где — способность получить и проверить результат с инструментами? - Какие форматы оценки стоит менять? Что теперь могут показать экзамен, домашнее задание, тестовое, портфолио и техническое собеседование? - Как проверять понимание и перенос навыка? Достаточно ли попросить объяснить решение, найти ошибку или адаптировать подход к новым условиям? - Как оценивать работу с AI? Какие признаки отличают сильного пользователя от человека, который принимает убедительный ответ без проверки? - Как проверять квалификацию действующих сотрудников? Что должно подтверждать готовность к большей ответственности или переходу в соседнюю роль? - Во что специалисту инвестировать своё время уже сейчас?

• AI & agents
• HR & team

13:25–14:30 · Физика · no speaker

С ростом команды пипл-менеджмент занимает всё больше времени и внимания руководителя. Найм, развитие сотрудников и организационные вопросы вытесняют проектный контекст — руководителю становится сложнее обсуждать задачи по существу и предлагать содержательные решения. Поговорим о том, как распределять ограниченное контекстное окно между людьми и проектами, какой уровень погружения действительно необходим и какие практики помогают сохранять понимание сути происходящего в команде. Ключевой тезис: ресурс руководителя ограничен не только временем, но и объёмом контекста, который он способен удерживать. Баланс между пипл-менеджментом и проектами достигается во многом за счёт управления собственным вниманием.

• HR & team

15:15–16:00 · Физика · Снежана Тихонова

Что мы делаем ценообразование на Авито более справедливым для селлера за счет оптимизации стоимости контакта.

16:00–16:30 · Физика · Константин Жучков, Дмитрий Охрименко

Мы распарсили «черный ящик» диалогов селлера с ассистентом, даже не используя LLM-судей. Нам удалось полноценно выстроить воронки выполнения рекомендаций и выделить основные пользовательские сценарии использования ассистента и измерить качество AI-ассистента.

• AI & agents

16:35–17:05 · Физика · Виктория Шумилова

Превратили массовые CRM-пуши в систему, которая автоматически подстраивает объём и состав аудитории под баланс спроса и предложения на платформе подработки. Разбираем путь от расчёта сегментов и приоритизации пользователей до проверки решения A/B‑тестом. В результате пользователи стали получать в шесть раз меньше пушей без снижения числа бронирований смен.

• Marketing & ads

17:10–17:40 · Физика · Артём Новиков

Кросс-категорийная монетизационная лента на главной - одна из самых денежных раскаток команды эффективности монетизации. Расскажу, как мы научились приводить качественный платный трафик с главной. Отдельно разберу главный урок для аналитики: почему в АБ-тестах, которые меняют ранжирование, поюзерный сплит завышает эффект на выручку в разы, как мы это отловили и измерили.

• HR & team

11:00–11:35 · Архангельск · Сергей Кноль

Спикер поделится sql-кодом, который позволяет проверить честность модели атрибуции на собственных данных, а так же быстрым маркером некорректной оценки источников в one-touch моделях. Слушатели получат переиспользуемый аналитический фреймворк для быстрой оцифровки проблем с one-touch атрибуцией, которая искажает реальный вклад рекламных каналов в B2B-продуктах и сервисах с длинным циклом сделки.

• Metrics
• Data engineering
• Marketing & ads
• HR & team
• Product & discovery

11:40–12:10 · Архангельск · Екатерина Владек

Трансформация сырых голосовых логов в структурированные датасеты с помощью нейросетей. Строим автоматическую транскрибацию, тегирование намерений и распознавание эмоций, чтобы превратить речь в данные, пригодные для количественного анализа

• AI & agents
• Metrics
• Data engineering
• Marketing & ads
• HR & team
• Product & discovery

12:15–12:45 · Архангельск · Алексей Бакшаев

Рассказываем про работающий процесс в закрытом контуре государственного банка. Собрали единую базу знаний о клиентах из всех доступных источников. На её основе автоматически формируется портрет клиента, а по портрету готовится предложение, актуальное именно для него. Весь путь от сбора данных до готового предложения у менеджера автоматизирован. Ценность кейса в том, что это работающий процесс в закрытом контуре государственного банка, а не эксперимент. Как собрать портрет клиента, которого у банка ещё нет: какие источники дали пользу, а какие оказались шумом.

• A/B & experiments

12:50–13:20 · Архангельск · Кирилл Соколов

Опыт принятия сложных решений для арбитража внутреннего трафика и принятия решений для максимизации ROI экосистемы.

• Retention & LTV

13:25–13:55 · Архангельск · Кирилл Зиняков

Разбор рабочей системы реалтайм-атрибуции, которую мы спроектировали, довели до боевой нагрузки и измерили сами с цифрами на каждом шаге: от 11 строк/с на стейджинге до ~26 тыс. событий/с в проде, с бенчмарками четырёх баз данных и стоимостью в рублях за миллион событий. Слушатели унесут не список технологий, а проверяемые правила выбора. Покажем не только результаты, но и собственные ошибки методики измерений

• Metrics
• Data engineering
• Marketing & ads

14:00–14:30 · Архангельск · Григорий Мельников

Кейсы обнаружения автоматизированного трафика и подходы к оценке качества фильтрации. многоуровневый анализ браузерного окружения, про отказ от блокировок по IP в пользу точечной фильтрации на уровне L7.

• Marketing & ads

10:20–10:55 · Физика · Андрей Королев

Качество клиентского сервиса — это управляемый экономический параметр, а не просто набор операционных SLA. В Т-Банке провели масштабный A/B-тест, отказавшись от единого стандарта поддержки: для разных сегментов применили режимы жесткой экономии (ECO, −30% костов) и премиального саппорта (CX+, +70% костов). Эксперимент доказал, что инвестиции в качество окупаются далеко за пределами контакт-центра: режим CX+ статистически значимо растит NPV, повышает утилизацию продуктов и даже снижает долю просрочек по кредитам. Разберем механику оценки через прокси-метрики LTV и покажем, как дифференцировать сервис, чтобы безопасно резать косты и максимизировать совокупную прибыль

• Metrics
• A/B & experiments
• Causal inference
• Retention & LTV
• Product & discovery
• Security & privacy

11:00–11:35 · Физика · Дмитрий Павлов

Имитационная модель системной динамики, откалиброванная под фактические бизнес-метрики, отвечающая на вопрос что будет с метриками если варьировать параметры бизнеса.

• Metrics
• A/B & experiments
• Marketing & ads
• HR & team
• Causal inference

11:40–12:10 · Физика · Курамагомед Алиев

Разделить селлеров на группы А и Б в нашем случае нельзя: это означало бы предоставление разным селлерам разных условий продвижения. Поэтому провести классический A/B-тест невозможно. Решением становится синтетический контроль: он позволяет оценивать эффект изменений без прямого разделения селлеров на тестовую и контрольную группы

• A/B & experiments
• Marketing & ads
• Causal inference
• Product & discovery

12:15–12:45 · Физика · Марк Хабаров, Мария Авдеева

Как глубокий анализ аудитории А/В-теста помогает находить неожиданные эффекты экспериментов, принимать более точные продуктовые решения, а также улучшать качество и точность рекомендаций.

• A/B & experiments
• Product & discovery

13:25–13:55 · Физика · Тимур Пыгамов, Максим Дянкин

Целостная модель интерференции (искажение результата из-за пересечения экспериментов) и оригинальный критерий оценки влияния одного эксперимента на другой и внутренний инструмент для оперативной проверки от команды ASL, развивающей внутреннюю АБ платформу Т-Банка.

• A/B & experiments
• Marketing & ads
• HR & team
• Product & discovery

14:00–14:30 · Физика · Анна Ставнийчук

Тональность отзыва, тема обращения, категория товара — ещё недавно всё это размечали вручную, теперь же — размечают языковые модели. Вместе с этим изменился статус чисел, которые на такой разметке считают. Метрика в дашборде и целевая метрика эксперимента больше не наблюдаются – они предсказываются. Можно ли считать статистику по метрике, которую проставила модель, и что с этой статистикой не так?

• AI & agents
• Metrics
• A/B & experiments
• BI & dashboards
• Data engineering
• Marketing & ads
• Product & discovery

15:15–16:00 · Атом · Максим Дубровин

Проверенная схема построения высоконагруженных пайплайнов для подготовки ML-датасетов, краулинга и ETL. Как закладывать бизнес-логику в модель данных, и почему отказ от потоковой агрегации глобальных состояний делает систему устойчивой

• AI & agents
• Metrics
• BI & dashboards
• Data engineering
• HR & team

16:00–16:30 · Атом · Михаил Рязанский

Превращаем data‑каталог из «реестра таблиц» во внутренний продукт уровня экосистемы, выстроить архитектурный каркас, а затем “зашить” в него логику, которая закрывает реальные пользовательские сценарии аналитиков, инженеров и владельцев данных.

• Data engineering
• Product & discovery

16:35–17:05 · Атом · Максим Кочетков

Контроль качества данных в bigtech-масштабе без ручной разметки и специфика подготовки медиа-источников. Архитектура пайплайна подготовки pretrain-корпуса и чеклист что отсекать, чтобы не сжигать дорогой compute на грязных данных

• Data engineering
• Product & discovery

17:10–17:40 · Атом · Иван Ворфоломеев

Разбираем архитектуру агентной системы: контракт задачи, управление агентами, данные и инструменты, расчёты и проверки. Покажу, как передаются задача, результаты расчётов и статусы проверок, когда нужна доработка и где решение принимает человек. На наших кейсах разберу неоднозначные метрики, связь качества модели с бизнес-KPI и влияние дрейфа. Проверки охватят данные, применимость метода, обоснованность выводов и устойчивость рекомендаций к допущениям: правила и пересчёт, поиск противоречий агентом, разбор специалистом. Покажу, как планируем применять архитектуру в платформе экспериментов и Data Science Альфа-Банка

• AI & agents
• Metrics
• A/B & experiments

17:45–18:15 · Атом · no speaker

Разбор отраслевой практики создания и использования LLM. Спикер делится «лестницей опций» и прозрачной сметой каждого сценария: использование моделей по API, запуск открытой модели на собственной инфраструктуре, адаптация под отдельную задачу или домен, центральная модель компании, собственный претрейн и разработка frontier-модели. Разбираем какие потребности закрывает каждый сценарий и какие требования действительно оправдывают переход к более сложному решению. Из чего складывается каждая смета и метод фазирования, который позволяет покупать пошаговые проверки гипотез с точками принятия решений.

• AI & agents
• Product & discovery

15:15–16:00 · Атом · no speaker

Дискуссия руководителей аналитики крупных технологических компаний о будущем функции: какие задачи будут уходить, какие зоны ответственности появятся и как к этим изменениям готовить команды.

• Marketing & ads
• HR & team
• Product & discovery

15:15–16:00 · Физика · Евгений Финогеев, Виктория Дочкина, Павел Криворучко, Роман Будылин

Руководители AI/ML-команд поделятся практическим опытом, инженерными компромиссами и подходами, которые используют в работе

• AI & agents
• Security & privacy

16:35–17:40 · Архангельск · Ирина Говорова, Михаил Понежда, Валентин Борисов

Представители крупных digital-продуктов поделятся реальными кейсами классификации и обогащения данных с помощью ML/LLM. Обсудим, как AI помогает автоматизировать бизнес-процессы в Trust & Safety, сокращать издержки и получать измеримый экономический эффект.

• AI & agents

16:35–17:40 · Физика · no speaker

За год замеры видимости брендов в ответах нейросетей прошли путь от эксперимента до строки в медиаплане. Но единой методологии пока нет: агентства, вендоры и инхаус-команды по-разному определяют упоминание, формируют выборку промптов, выбирают число прогонов и оценивают устойчивость результатов.

• AI & agents
• A/B & experiments
• Product & discovery

17:45–19:00 · Физика · no speaker

Мы привыкли проверять гипотезы и доверять данным. Но что, если сегодня нужно угадать не точный ответ, а тот, который выбрало большинство? Угадываем популярные ответы, разбираемся в болях индустрии и проверяем, насколько наши представления о пользователях совпадают с реальностью. Только логика, интуиция и коллективный разум.

• Product & discovery

10:20–10:55 · Молекула · Беслан Курашов

Методы работы с чувствительными данными: какие данные бывают, какие методы подходят для каждого случая, как подобрать правильный метод и где всё это может поломаться. Разбираемся, как (и что) не разрешать провайдерам делать со своими данными. Подробно поговорим о том, как использовать LLM в ситуациях, когда может быть задействовано много чувствительных данных и как при этом не допустить утечек, успокоить службу безопасности, релизнуть сервис и не разориться на железках. Слушатели получат ответы на вопросы: как эффективно использовать LLM, чтобы не обучать провайдера, не нарушать законы, не привлекать регуляторов и дружить со службой безопасности; что делать, если мы хотим крутить нейронки у себя (on-premise)? Как «манипулировать» данными с целью устранения чувствительности, но сохранения сути? Как сшить пайплайны под задачу, балансируя между приватностью и мощностью? Как создать «шоры» для LLM, чтобы не отдать управление пользователям?

• AI & agents
• Data engineering
• Security & privacy

11:00–11:35 · Молекула · Николай Голов

Риски современных законов о защите персональных данных (GDPR, 152 ФЗ, CCPA, PDPA, PDPL, DPDPA) в контексте использования внешних AI моделей. Насколько легально слать во внешние API AI сервисов персональные данные? Насколько реально защититься от рисков за счет обфускации отправляемых данных? Разбираем риски, возможности, и надежность такой защиты

• AI & agents

11:40–12:10 · Молекула · no speaker

Где персональные данные появляются в LLM-продукте? Чем различаются внешний API, российский посредник и самостоятельное размещение открытой модели. Как установить фактических получателей данных и страны обработки. Правовые основания обработки, локализация, уведомления по статьям 12 и 22, договоры и распределение ответственности. Какие сведения нужно получить от поставщика и что делать, если он не раскрывает необходимые условия. Что происходит с правовым статусом данных после удаления ФИО и телефонов. Как учитывать косвенную идентификацию, сохранённую таблицу соответствий и возможность восстановления сведений из контекста. Хранение запросов и ответов, использование данных для обучения, доступ сотрудников, привлечение других обработчиков, удаление информации и действия при инцидентах. Разборы типовых продуктовых сценариев и пограничных случаев (например, модель размещена внутри компании, но отдельные компоненты распознавание речи, получение эмбеддингов или журналирование — используют внешние сервисы. Как в этом случае оценить систему целиком)

• AI & agents
• Product & discovery

13:25–14:30 · Молекула · Александр Абрамов, Александр Маер

Внедрение ИИ не защищает от утечек, если ради скорости пользователь копирует в промпт всю коммерческую тайну и выдает приложению доступ ко всему диску. В докладе разбирается архитектура ограничения доступа ИИ-сервисов к корпоративным данным и два механизма уязвимостей: открытые логи провайдеров и передача скрытых инструкций в активные сессии. Спикеры покажут, как выстроить «зеленый коридор» для типовых задач, внедрить паспорта ИИ-решений и тестировать безопасность через симуляцию рабочих процессов.

• AI & agents
• Security & privacy

15:15–16:00 · Архангельск · Никита Егоров

Честно разберём, что на самом деле ценят на собеседованиях и как выделиться среди других кандидатов. Поговорим о зарплатах, странных требованиях компаний и мэтче с будущей командой. Выясним, где лучше расти как специалист, где идти за деньгами и что важнее при выборе оффера: должность, интересные задачи, люди или зарплата.

• HR & team
• Product & discovery

16:00–16:30 · Архангельск · Михаил Комаров

Оценка трендов навыков продуктовых аналитиков на основе анализ мировой и российской научной повестки. Представлены семантические карты, тренды, драйверы развития и барьеры. Слушатели познакомятся с изменениями в профессии продуктового аналитика (как меняется спрос на навыки и компетенции и какая и как происходит перефокусировка).

• Marketing & ads
• Product & discovery

16:35–17:05 · Архангельск · Камила Мухтарова

Как растить начинающих аналитиков, чтобы они быстрее становились самостоятельными, приносили пользу продукту и не теряли интерес к работе после испытательного срока. Поделюсь тем, как мы работаем с ошибками, вопросами, обратной связью и постепенно передаем ответственность. И поговорим о том, почему даже хорошо обученный джун может захотеть уйти

• AI & agents
• Data engineering
• HR & team
• Product & discovery

17:10–18:15 · Архангельск · Ольга Чумакина

Кандидат, прекрасно продал себя на собеседовании, но выяснилось, что что-то не то и его необходимо уволить. Что делать, если HR не соглашаются увольнять по результатам срока испытания, но быть заложником ситуации тоже не хочется.

• HR & team
• Security & privacy

15:15–16:00 · Молекула · Алексей Савватеев

Теория игр для аналитиков. В своей лекции, посвящённой теории игр, Алексей Савватеев доступно расскажет о концепции равновесия по Нэшу в теории игр и продемонстрирует на ряде примеров, как взаимодействие эгоистичных участников может приводить к общему проигрышу. Парадокс Брайеса, дилемма заключённых, трагедия общин — во всех этих ситуациях равновесная логика не гарантирует удовлетворительного результата с точки зрения глобальной пользы обществу. Особое внимание будет уделено тому, как изменение правил игр меняет поведениелюдей, что необходимо учитывать при конструировании мотивационных схем. Специальная математическая подготовка не потребуется,но готовность рассуждать пригодится.

17:45–19:00 · Молекула · Станислав Дробышевский

Как наш мозг создал знания и как на него влияет искусственная информационная среда, когда AI меняет культурную среду быстрее, чем биологию человека.

• AI & agents

14:00–14:30 · Атом · Денис Пехтерев

Как превратить работу с LLM в устойчивый метод управления и оптимизировать процесс принятия управленческих решений

• AI & agents

14:00–14:30 · Молекула · no speaker

10:20–10:55 · Атом · Галина Блонская

Новая модель данных позволяет сделать гибкое окно атрибуции, связать медийные показы с целями Метрики и событиями AppMetrica, добавить новые параметры и метрики качества трафика.

• Metrics
• Marketing & ads
• HR & team

11:00–11:35 · Атом · Олеся Норицына

Пошаговая инструкция по сборке Bayesian MMM для «флайтовых» размещений и чеклистом диагностики модели. Разбор работы с эффектом затухания памяти о рекламе (adstock) и убывающей отдачей от вложений (saturation)

• Metrics
• Marketing & ads

11:40–12:10 · Архангельск · Сергей Бажин

Рабочая связка open-source инструментов для агентского кодинга. Методология разработки OpenSpec и OpenSpec+. Превращаем хаотичную генерацию в предсказуемый и контролируемый инженерный процесс.

• AI & agents
• Product & discovery

11:40–12:10 · Атом · Максим Кочуров

Обсуждаем идентифицируемость, смещение и принятие решений в условиях неопределенности. Байесовская нелинейная эконометрика позволяет оценить причинно следственные связи и составление модели будет в теме нашего разговора: как составить модель таким образом, чтобы они действительно была не только интерпретируемой, но и идентифицируемой, как параметризовать модель, чтобы при оценке она не развалилась, а смещение было побеждено, как принимать решения в условиях неопределенности и чем нам поможет теория стохастической оптимизации.

• Causal inference

12:15–12:45 · Атом · Максим Калацкий

Когда утилизация на пике, вы не можете показать бизнесу кратный рост, а партнерам — дать нужные объёмы за счёт свободного трафика. Делимся методологией расчета утилизации, подходами к медиапланированию и способами охлаждения трафика.

• Marketing & ads

12:15–13:20 · Молекула · Алексей Лукацкий

Запретить ChatGPT проще, чем научиться с ним безопасно работать. Главный ИБ-евангелист Positive Technologies Алексей Лукацкий рассказывает, как российские компании выстраивают секьюрную работу с западными LLM. В рамках лекции разберем методы анонимизации данных, архитектуру AI-firewalls и главное — как продуктовому аналитику научиться договариваться с отделом кибербезопасности, чтобы любимая фраза «ИБ это не пропустит» стала началом продуктивного диалога, а не крестом на внедрении ИИ.

• AI & agents
• Product & discovery
• Security & privacy

12:50–13:20 · Атом · Максим Коматовский

Метрика, на которую бизнес хочет повлиять и метрика, на которую бизнес может повлиять произвольным воздействием - обычно разные метрики. Разбираем, как построить здоровое итерирование по продуктовым гипотезам с помощью графа метрик. Слушатели узнают, как извлечь больше информации из совокупности экспериментов - что дополнительно можно узнать о пользователях, если посмотреть на всю совокупность экспериментов, а также то, как измерять и декомпозировать эффект набора маркетинговых изменений на бизнес-метрику, когда ни один эксперимент в отдельности не даёт ответа.

• Metrics
• A/B & experiments
• Marketing & ads
• HR & team
• Product & discovery

12:50–13:20 · Физика · Андрей Романов

Специфика тестирования AI-копайлотов и других внутренних продуктов и процессов компании, чтобы точно ответить на вопрос «изменил ли новый инструмент работу сотрудников достаточно сильно, чтобы его было выгодно масштабировать».

• AI & agents
• Metrics
• A/B & experiments
• HR & team
• Causal inference
• Product & discovery

13:25–13:55 · Атом · Наталья Цветкова, Денис Гнатенко

Схема встраивания ИИ-агента в пайплайн обработки запросов с автоматическим контролем качества и важными точками проверки человеком. Разбираем архитектуру решения, логику автоматических тестов качества данных, типичные ошибки и эксплуатационные ограничения агента

• AI & agents
• Metrics
• Data engineering
• HR & team

16:35–17:40 · Молекула · no speaker

Подведение итогов, аналитика конференции, обсуждение новостей, планов на будущее, анонсы новых продуктов, благодарности и прочие важные приятные моменты. Во время закрытия состоится розыгрыш всех призов от Партнеров, стендистов и друзей конференции (участвуют только те, кто находится в зале)"

• Product & discovery

11:00–11:35 · Онлайн-зал №1 · Хамид Ибрагимов

Проектирование семантического слоя и процесс его интеграции с Looker. Рассмотрены эксплуатационные ограничения, неочевидные технические сложности и собственные ошибки.

• AI & agents
• Metrics
• BI & dashboards
• Data engineering
• HR & team

11:00–11:35 · Онлайн-зал №2 · Владислав Слесарев

Свой event stream вместо AppMetrica — и минимальные требования к событийным данным, чтобы LLM-агент начал отвечать на вопросы по данным без человека в цикле.

• AI & agents
• BI & dashboards
• Data engineering
• HR & team
• Product & discovery

11:00–11:35 · Онлайн-зал №3 · Анна Амброзевич

Подходы и методы анализа когорт, тарифов, стадий жизненного цикла, поведения, причин ухода и др.

• Metrics
• HR & team
• Retention & LTV
• Product & discovery

11:40–12:10 · Онлайн-зал №1 · Виктория Пролетарская

Сравним работу AI со схемой БД, данными, техническими метаданными и полноценным семантическим слоем.Разберём, какую часть бизнес-контекста AI способен восстановить из схемы и самих данных, а какую необходимо явно получить от компании, но при этом не превратить построение semantic layer в многолетний проект описания всей компании.

• AI & agents

11:40–12:10 · Онлайн-зал №2 · Сергей Клитный

Доклад посвящён разработке библиотеки Whydra для выявления причинно-следственных зависимостей, оптимизации алгоритмов Causal Discovery и оценке их точности и производительности. Рассматриваются практические кейсы применения библиотеки в банковской сфере: анализ влияния кредитных решений и маркетинговых кампаний на клиентские показатели, а также исследование связи между открытием новых бизнесов и их последующей выручкой/

• Metrics
• Marketing & ads
• Causal inference
• Product & discovery

11:40–12:10 · Онлайн-зал №3 · Мария Рымарь

Как антифрод-аналитика превращает поведенческие и контентные сигналы в продуктовые ограничения, как измеряется их эффективность и как оценивать качество детектора на исторических данных.

• Causal inference
• Product & discovery

12:15–12:45 · Онлайн-зал №1 · Николай Войтов

Кластеризуем десятки миллионов корзин и показываем, что вместо чётких миссий там континуум с якорями. Расскажем, как отделить цель заказа от размера чека и скидки, какие метрики качества считать до A/B и почему мы перешли от кластеров к матрице «повод × товарная группа»

• Metrics

12:15–12:45 · Онлайн-зал №2 · Александр Кореньков

Доклад о создании системы оценки эффективности рекламы на базе Marketing Mix Modeling. На примере подхода X5 Digital рассматриваем, как объединить рекламные и бизнес-данные, выбрать модель, оценить будущую кампанию и сравнить варианты распределения бюджета в одном сервисе. Подготовка данных, модель и пользовательский процесс работают вместе. Такой подход помогает последовательно оценивать и сравнивать медиапланы, сохраняя ограничения модели и ответственность человека за окончательное решение.

• Marketing & ads

12:15–12:45 · Онлайн-зал №3 · Григорий Засько, Николай Бондаренко

А/Б-платформа Т-Банка (Hippo) объединяет экспертизу в математике и работе с внутренними данными в единый отказоустойчивый конвейер. В Hippo внедрены Multi-CUPED (x2.2 ускорение), проверки корректности эксперимента, последовательные методы для раннего выявления сломанных экспериментов (x3.5 ускорения ценой 1% мощности). Разберем, как на практике найти баланс между adoption и качеством.

• A/B & experiments

12:50–13:20 · Онлайн-зал №1 · Андрей Кузнецов

Анализ транскриптов агентского цикла - ключевой навык для работы над качеством ИИ-продуктов. Собственные эвалы зачастую важнее публичных лидербордов: 10% прирост качества на state-of-the-art модели может вести к деградации пользовательского опыта. Слушатели узнают как применять LLM для решения сильно недетерминированных задач (в нашем случае это городская прогулка, но общие подходы - свой эвал, работа с транскриптами, файнтюнинг тулов, могут быть применимы где угодно) и научатся балансировать агентскую и детерминированную части продукта.

• AI & agents
• Product & discovery

12:50–13:20 · Онлайн-зал №3 · Ишан Гоэл

Делегирование аналитики ИИ не спасает от фундаментальных ошибок в статистике. Создатель стат-движка VWO Ишан Гоэл разбирает 5 главных ловушек интерпретации данных: от иллюзии средних значений до парадоксов А/В-тестирования и баланса ложноположительных ошибок. Вы узнаете, какие вопросы нужно задавать любому аналитическому отчету (сгенерированному человеком или нейросетью), чтобы не принять красиво оформленную, но математически неверную гипотезу за чистую монету.

• AI & agents
• Metrics
• BI & dashboards
• Product & discovery

13:25–13:55 · Онлайн-зал №1 · Эльвира Хайруллина

Ретроспективная оценка совокупного эффекта на продукт от серии последовательных экспериментов. Методы оценки накопительного эффекта и когда необходим контр-фактический сценарий.

• Metrics
• A/B & experiments
• Product & discovery

13:25–13:55 · Онлайн-зал №2 · Степан Медведев

Раскроем техническую сторону разработки системы сквозной ROAS-отчетности, в рамках которой связали расходы рекламных сетей, клики и доходы в единый контур, что позволило оптимизировать performance-бюджет на 30%, Отчет стал источником данных (Single Source of Truth) как для ручной оптимизации байерами, так и для автоматических агентов, частично управляющих кампаниями через API, что в итоге сократило время реакции на просадки с дней до пары часов

• AI & agents
• Marketing & ads
• HR & team

13:25–13:55 · Онлайн-зал №3 · Дмитрий Тамаров

Покажу, как построить маркетинговую AI-аналитику поверх того, что у вас уже работает, не ломая интеграции. Соберём звонки, сделки и веб-аналитику из телефонии, Битрикс24, Roistat, PostHog и Метрики в единый контур. Построим граф пути клиента в Neo4j: от первого клика до сделки. AI-агент обработает тысячи цепочек касаний и ответит на ключевой вопрос бизнеса: «На каких сегментах вы теряете деньги, а где реально зарабатываете?».

• AI & agents
• Metrics
• Marketing & ads

14:00–14:30 · Онлайн-зал №1 · Александр Бараков

Дашборды перестают быть чьей-то работой, а семантика и контекст ещё не стали чьей-то работой. Как BI в Авито прожил 2026 год в этом тумане: сертификация дата-контента, AI-готовность доменов, скиллы и базы знаний, пререквизиты AI-аналитика, решённые и нерешённые проблемы. Без историй успеха, но с психотерапевтическим эффектом

• AI & agents
• Metrics
• BI & dashboards
• Product & discovery