Andrew Chamberlain: Reimaginacija product analitike za AI-nativno okruženje

Andrew Chamberlain, PhD — ekonomista koji je gradio analitičke funkcije u nekoliko tehnoloških kompanija — objavio je ovaj tekst u januaru 2026. kao praktičan vodič za timove koji grade ili restrukturišu data funkcije u okruženju u kojem AI alati preuzimaju veći deo izvršnog rada. Centralni argument: vrednost analitike pomera se od brzine outputa ka kvalitetu prosuđivanja, a prakse zapošljavanja, izbor alata i struktura tima još nisu pratili tu promenu.

Šta se promenilo

Chamberlain primećuje da data scientists sada isporučuju otprilike dva do tri puta više rada nego pre pet godina, koristeći AI alate za kodiranje i analizu. Jedna posledica je slabljenje tradicionalnih signala pri zapošljavanju: SQL testovi mere nešto što je postalo osnova, a ne odlika, a procene koje cene veštinu kodiranja nad statističkim razmišljanjem selektuju pogrešne kompetencije.

Tradicionalne BI platforme — Tableau, Looker — sve češće se zamenjuju u brzorastućim timovima laganim open-source alatima u sprezi s AI asistentima. Praktična posledica: manji analitički tim s jakom metodološkom osnovom može nadmašiti veći tim sa slabijim statističkim instinktima, jer je brzina izvršavanja kompresovana, dok kvalitet onoga što se meri i interpretira i dalje zavisi od sposobnosti postavljanja pravih pitanja.

Model ugradjenog domenskog stručnjaka

Chamberlain preporučuje postavljanje jednog duboko specijalizovanog data scientist-a unutar svake product oblasti umesto vođenja centralizovanog analitičkog tima koji prima zahteve. Ugrađeni analitičar vremenom gradi product kontekst, smanjuje gubitak smisla pri prevodu — koji nastaje kada eksterni analitičar pokušava da interpretira podatke o ponašanju ne poznavajući specifičnosti proizvoda — i daje brže procene dvosmislenih signala upravo zato što već razume očekivane obrasce i izuzetke.

Centralizovani model, nasuprot tome, tendira ka analitičarima koji rotiraju između proizvoda, nikada ne akumuliraju dovoljno kontekstualnog znanja da uoče da li se metrika pomera iz smislenih ili artefaktnih razloga, i po defaultu primenjuju opšte okvire tamo gde je potrebna product-specifična interpretacija.

Fokus na metrikama

Članak preporučuje koncentrisanje na metriku zasnovanu na levku — stope konverzije, milestoni aktivacije i krivulje zadržavanja — umesto praćenja mnogih metrika aktivnosti koje nisu vezane za ishode. Obrazloženje: AI čini merenje više stvari jeftinim, što stvara pritisak ka više dashboard-a umesto boljih pitanja. Disciplina ograničavanja praćenih metrika forsira razgovor o tome šta je zaista važno pre nego što su podaci prikupljeni, a ne posle.

Preporuke za zapošljavanje

Što se zapošljavanja tiče, Chamberlain predlaže procenu uzročno-posledičnog razmišljanja i sposobnosti prepoznavanja confoundera — razume li kandidat kada je korelacija lažna — a ne brzinu pisanja koda. Preporučeni okvir za intervju: zna li kandidat koje pitanje da postavi i može li proveriti da li odgovor ima smisla kada ga dobije?

Ovaj tekst najrelevantniji je za product lidere koji uspostavljaju ili restrukturišu analitičke funkcije i žele okvir zasnovan na realnosti AI-ubrzanog izvršavanja, a ne na pretpostavkama koje zastarevaju.