Визуализация данных *

Я — аналитик данных в команде BIGDATAHOUSE, и на всех проектах трансформацию данных реализую через dbt — де‑факто стандарт, в качестве BI в основном использую Superset.

Бизнес‑логика в таком стеке оказывается разбита по двум местам: одна её часть оседает в dbt, другая описывается в BI. Со временем эти две части неизбежно расходятся, и отследить такие расхождения становится всё сложнее.

Из профессионального интереса изучая альтернативные BI‑платформы, я наткнулся на Lightdash. Он обещает закрыть эту и ряд других проблем.

Привет, Хабр! Меня зовут Никита, я основатель и генеральный директор VSL-BI.

Недавно мы сделали проект для рекламного агентства, где вся аналитика была построена в BI Конструкторе Битрикс24. На его примере покажу, какие задачи инструмент действительно закрывает, где начинаются ограничения и кому его возможностей будет достаточно.

Я хотел добавить в пищевой дневник одно число: сколько разных растений человек съел за неделю. Четыре строки Kotlin — пока не выяснилось, что непонятно главное: что именно считать разным?

Помидор и черри — один продукт или два? Сырой и запечённый шпинат? Три грамма петрушки в борще?

Разбираю, как простой COUNT(DISTINCT food) превратился в три инструмента: недельный счётчик, карту пробелов из 14 направлений и рейтинг продуктов по 24 показателям. Внутри — исследования пищевого разнообразия, проверка устойчивости расчёта и три борща одинаковой массы, которые система видит совершенно по-разному.

Привет, это практика BI GlowByte. В прошлой статье мы говорили про новый продукт FanRuan Dora – дата-агентов поверх BI. Мы разобрали, как устроены агенты, какие роли они выполняют и с чего лучше начинать внедрение. В продолжение темы поговорим о требованиях к данным. Тема вполне актуальная и родилась не на пустом месте. Последние полгода заказчики нам стабильно задают один и тот же вопрос: «У нас есть BI, можно ли поставить сверху ИИ-агента, чтобы он сам отвечал на вопросы руководства?»

Да, это выполнимая задача, но для старта необходимо понимать, что из себя представляют ваши данные в BI.

Наш партнёр FanRuan привел хорошие примеры в статье Fast Answers Are Not Enough: Why Data Agents Need AI-Ready Data. Автор публикации Сабер Чен, AI Product Architect & CPO FanRuan, не так давно выступал на конференции GlowByte и рассказывал о развитии продуктов компании в эпоху искусственного интеллекта. В статье он сформулировал пять требований к данным, которые должны быть выполнены до того, как вы подключаете ИИ. Мы взяли эти тезисы и развернули их в практический чек-лист. Он отлично демонстрирует и подход GlowByte к проверке метрик.

За первые шесть месяцев 2026 года дефицит бюджета составил 5,7 трлн рублей при плане 3,8 трлн на весь год. То есть за полгода разрыв оказался в полтора раза больше годового плана.

Звучит как приговор — но абсолютные числа мало что значат без контекста. Я выгрузил данные за 20 лет, пересчитал всё в процентах от ВВП и сравнил с другими странами и другими кризисами.

Всем привет! На связи Александр Ларин, руководитель центра поддержки и обучения в GlowByte.

Компания GlowByte – официальный партнер FanRuan по внедрению FineBI в России. Мы внимательно изучаем новые продукты вендора и не могли пройти мимо свежего релиза – набора дата-агентов Dora, работающих поверх BI-среды: моделей данных, метрик и дашбордов.

Ниже делимся статьёй FanRuan (оригинал можно почитать по ссылке), в которой авторы отмечают, что BI – это всего лишь полдела: такие системы давно научились показывать проблему, но ее решением по-прежнему занимается аналитик вручную – ищет причину, сверяет системы, готовит отчёт. Как современные цифровые сотрудники, работающие поверх вашей BI-системы, могут автоматизировать эту цепочку от алерта до задачи, читайте в переводе статьи под катом.

В конце – наш взгляд со стороны практики: почему без порядка в метриках любой агент будет врать убедительно.

Всем привет! Меня зовут Аня Шатшнайдер, я старший BI-разработчик в команде антифрода Авито. Мы пользуемся сотнями ИИ-моделей, чтобы бороться с действиями недобросовестных пользователей. Но иногда модели работают не так эффективно, как следует. Поэтому моя команда решила найти аутсайдеров и передать их на доработку DS-инженерам. Расскажу, как мы пересматривали подход к оценке моделей.

Статья будет полезна аналитикам и DS, которые работают с несколькими ML-моделями в проде и хоть раз озадачились вопросом, как сравнивать их между собой.

Помесячный прогноз выручки стабильно недобирает, не скачет, а именно недобирает: факт всегда выше прогноза, из месяца в месяц, примерно в одну и ту же сторону.
Стабильное смещение — это уже не шум, это баг, поэтому я полезла в модель.
Модель прогноза выручки занижала цифры вдвое.
Ошибка была в одной строке – np.exp() вместо честного возврата из логарифмов.
Разбираю этот кейс и всё остальное, что аналитику нужно знать про логарифм: декомпозиция роста, эластичность, A/B-тесты и поправка Дуана.
С кодом и цифрами.

Что ценнее: купить готовый программный продукт, технологическое ядро или сразу получить собственный «завод» по выпуску ПО? Разбираемся, чем отличаются White Label и OEM, почему сегодня необязательно разрабатывать сложные технологии полностью с нуля и какие инженерные задачи скрываются за зрелой корпоративной платформой.

Посмотрим на автомобильную промышленность, где общие платформы, двигатели и другие комплектующие давно стали нормой, а затем разберемся, почему в мире корпоративного ПО работают те же самые принципы.

Привет, Хабр! Это GlowByte, мы занимаемся внедрением и миграцией BI‑платформ. В этом посте разбираем свежий кейс: как федеральная розничная сеть «Дикси» вместе с нами и вендором «ДатаМайнд» мигрирует аналитику с Power BI на Sigla Vision. Расскажем, как выбирали платформу, в каком порядке переносили 155 дашбордов и какие цифры получились к середине 2026 года.

Excel удобен не только тем, что показывает данные. В нём можно самостоятельно менять формулы, добавлять расчёты, перестраивать таблицы, фильтровать строки и проверять гипотезы. Поэтому, несмотря на большое количество специализированных систем, Excel продолжают использовать практически везде.

Когда я работал в крупном банке, среди руководителей периодически возникала идея запретить Excel. Предполагалось, что сотрудники должны работать только в корпоративных и специализированных приложениях.

Но сотрудники всё равно продолжали пользоваться Excel.

Причина довольно простая: корпоративные системы хорошо решают заранее предусмотренные задачи, а Excel позволяет быстро сделать то, чего в них нет. Построить дополнительный расчёт, проверить данные, объединить несколько выгрузок или посмотреть на показатель под другим углом.

При этом у Excel есть проблема, которая особенно заметна в момент, когда результат работы нужно показать другим людям.

Вложенный JSON-объект при импорте в таблицу расплющивался в колонку robot.point.x — и вся структура терялась безвозвратно. Разобрался, как сделать это осознанным выбором, а не побочным эффектом. Заодно переписал редактор сырого текста — теперь с подсветкой синтаксиса и поиском.

buildingSMART готовит новую версию открытого BIM-стандарта IFC5. Здесь, в отличие от монолитной ООП-иерархии (IFC2x3, IFC4), применяется компонентный ECS-подход (Entity Component System). То есть в IFC5 объект собирается из независимых частей (геометрия, материалы, свойства), которые можно комбинировать и пересобирать отдельно друг от друга. Разработка ведётся публично в репозитории buildingSMART/IFC5-development/ на GitHub, финальная спецификация пока не выпущена.

Однако ниже будет не про IFC5, а о том, что...

Первое профессиональное программное решение по спортивной аналитике, усиленное ИИ, мы с командой построили для экзотичного у нас крикета. Было это еще в 2017 году, и тогда решение выглядело каким-то космолетом.

Сейчас в 2026-м наш ИИ-аналитик на базе AI4BI "универсализировался", оброс возможностями по добавлению доменной экспертизы через RAG-базы знаний и сильным AI\ML плечом, развился до того, чтобы масштабироваться в сторону как классических видов спорта - футбола, хоккея, волейбола, баскетбола, бенди - под самые разные роли: тренер, скаут, спортивный аналитик, спортивный директор, владелец клуба, так и в сторону «гражданской» фитнес-аналитики. При этом уже не выглядит чем-то космическим - сейчас это доступный инструмент для спортивных организаций от профессиональных команд до фитнес-клубов.

Сегодня разберём 3 кейса, покрывающих 3 разных вида спорта и 3 роли, - и на каждом покажем, как это выглядит внутри AI4BI.

На дворе начало 80-х. Параллельно и следом за LANPAR были разработаны по меньшей мере еще три варианта компьютерного бюджетирования, причем его результаты можно было вывести на экран монитора в виде бухгалтерской таблицы, полюбоваться ей и потом распечатывать на принтере. Только эти бухгалтерские таблицы не были интерактивными, любой их пересчет, даже из-за исправления одной цифры, исполнялся заново после каждого изменения ввода или формул, и — главное — между компьютером и бухгалтером по-прежнему была целая цепочка посредников из программистов и операторов компьютера. Что сводило на нет всю скорость компьютерных вычислений, и чего не было, когда бухгалтер наедине со старым добрым настольным калькулятором сам потихоньку сводил дебет с кредитом.  

Кардинально изменить ситуацию можно было лишь одним способом — поставить перед бухгалтером на стол персональный компьютер, запрограммированный на выведение на экран бухгалтерской графики в виде таблиц и моментальный их автоматический перерасчет по заданным алгоритмам при исправлении в них любых цифр. Потенциально способные на это ПК появились во второй половине 70-х годов. А первым, кто смог заставить их это делать, был 27-летний студент Гарвардской школы бизнеса Даниэль Бриклин.

Все аналитика строят дашборды, но важно строить их так, чтобы пользователь понял его за несколько секунд и не тратил силы на поиск нужной информации.

Когда мы проектируем дашборды, мы работаем не только с данными, но и с особенностями человеческого восприятия. Именно поэтому хорошие интерфейсы редко появляются случайно, обычно за ними стоят вполне конкретные принципы.

В этой статье я расскажу о трех подходах, которыми пользуюсь практически в каждом дашборде:

Что если задать BI-системе вопрос, который выходит за рамки рутинной аналитики? Будет ли она также эффективна? Эта идея родилась из корпоративного шуточного спора: шутили над качествами сотрудника «Рака», а в статистику попали также и другие «носители» знака зодиака. 

Мы в Modus решили проверить закономерности на данных, так как это наш профессиональный рабочий инструмент и сфера интереса. Взяли статистику всех игроков Российской Премьер-Лиги, добавили знаки зодиака — и посмотрели, что получится. 

Спойлер: вышел настоящий дашборд и серьезный вывод о том, на что способен гибкий BI.

Вот подробная пошаговая инструкция.

Маппинг данных

1. Перейти на вкладку «Управление», выбрать «Определить наборы характеристик»

Здесь можно управлять ранее созданными наборами, либо создать новый.

Как красиво разложить граф из сотни связанных задач на экране: разбираем метод Сугиямы по фазам - от удаления циклов до маршрутизации рёбер в обход узлов.

Ключевой вехой в таймлайне электронных таблиц считается изобретение инженеров Рене Пардо и Реми Ландау «процесса и устройства (программы-компилятора), выполняемых на цифровом компьютере для преобразования исходной программы в объектную». Оба они были канадцами, детьми эмигрантов из Европы, оба получили магистерскую степень, то есть законченное высшее образование в Гарвардском университете в 1969 году и, вернувшись домой и устроившись там на работу в Bell Canada (дочка Bell System, а по сути — AT&T Corporation), разработали в том же году (по словам Пардо, за 6 недель) алгоритм автоматического вычисления естественного порядка в электронных таблицах, как это сейчас называют. Судя по дальнейшим событиям, главным в их дуэте, во всяком случае в администрировании их изобретением, был Рене Пардо. В 1970 году он учредил компанию LANPAR Ltd. (в дальнейшем LANPAR Technologies Inc.), и в августе того же 1970 года Пардо и Ландау подали заявку на свое изобретение в Ведомство США по патентам и товарным знакам, но как физические лица.