Системный и бизнес-анализ

Привет! Меня зовут Ася, я работаю руководителем сектора исследований пользовательского опыта в Navio — мы разрабатываем технологию автономного вождения для разных платформ: от легковых автомобилей и пассажирского транспорта до магистральных грузовиков.

У вас может возникнуть вопрос: зачем исследовать пользовательский опыт в продукте, цель которого — обеспечить движение без участия человека за рулём?

Но не все так просто.

Чтобы автоматизировать работу водителя, для начала нужно разобраться, из чего она состоит. Понять, как опытный водитель действует в тех или иных ситуациях, как оценивает риски, реагирует, на что в первую очередь обращает внимание, а также определить, какие еще функции он выполняет во время поездки.

Несколько лет назад мы провели исследование работы водителей грузовиков. Эта идея возникла благодаря другой, более локальной задаче — улучшения интерфейса планшета водителя-испытателя. В итоге результаты исследования помогли команде разработки дополнить и уточнить требования к нашему ИИ-водителю.

В этой статье я расскажу о том, как мы к этому пришли.

Как превратить личные эксперименты с ИИ в общую практику компании? Что поручить агенту, подключённому к базе 1С? Как руководителю поддерживать доверие и мотивацию команды? Эти вопросы вошли в программу «Открытого микрофона» на INFOSTART A&PM EVENT 2026.

В программе семь выступлений по 20 минут - о конкретных рабочих ситуациях, инструментах и проектном опыте.

Про data mapping простыми словами: что такое маппинг данных, как выглядит процесс, какие инструменты используют и кто занимается маппингом. Примеры для аналитиков, инженеров и продактов.

Считаю рейтинги цифровой зрелости российских промышленных компаний, и PLM-системы в эти разборы почти никогда не попадают - хотя для машиностроения это один из самых критичных слоёв софта. КАМАЗ в начале 2025 года заменил один из модулей зарубежного Teamcenter собственной платформой Kamotive. Разбираюсь, как устроен переход, что в нём почти наверняка прошло не гладко, и почему живых пользователей там уже больше 600.

Один и тот же набор из десяти заказов, а p90 получается от 3900 до 12 500 рублей. В ноутбуке аналитика одна цифра, на дашборде другая, и даже повторный запуск запроса иногда меняет результат. Причина может скрываться в самой функции расчёта перцентиля — разберёмся, как разные инструменты выбирают значения и какой метод использовать, чтобы метрики можно было сравнивать.

Есть в трейдинге фраза, после которой мне хочется открыть не терминал, а Python:
«Эта стратегия работает десятилетиями»

Хорошо. Десятилетия прошли. А прибыль-то осталась?

Есть такая работа — несколько лет подряд считать рейтинги российских промышленных компаний по открытым данным. В последний год я всё чаще вижу один и тот же тип кейса: у компании уходит вендор, а готового продукта на замену просто нет. С рецептурами масел у «Газпром нефти» было именно так — покупать было вообще не у кого, потому что такого продукта никогда не существовало. Разбираюсь, как компания построила свою нейросеть «Алхимик» и что это меняет для остальной отрасли.

Мы прошли долгий путь от пересылки ТЗ в Word по электронной почте до автоматической генерации документации нейросетями прямо из Merge Request разработчика. Зачастую это происходит вообще без участия аналитика вплоть до этапа итогового ревью. Но делает ли автоматизация нашу документацию лучше?

В этой статье я хочу оглянуться на эволюцию того, как мы вели проектную документацию, обсудить одну неочевидную проблему работы с ИИ, о которой мало кто задумывается, и показать, как с этим бороться. А в конце я поделюсь полезными материалами — примером репозитория документации для двух подходов (классический водопад с элементами канбана и чистый скрам) с готовым ИИ‑скиллом для анализа изменений в коде.

IT драма с элементами комедии

Фриланс манит свободой — к черту офис! Теперь ты сам себе начальник! Однако свобода эта обманчива. Вот вроде сидишь ты, работаешь дома, тебе тепло и сухо, и начальства над тобой нет, и никто не мешает, ты один... совсем один. И отвечаешь за все ты. А время уже далеко за полночь, А код выкидывает исключения, а Django ORM отказывается вывозить нагрузку, а все варианты архитектуры сулят скорее минусы, а таймер биржи неумолимо тикает. Тик‑тик‑тик... И нужно уже что‑то решать, но помочь некому — психов нет.

В цифровых продуктах даже мелочь — цвет кнопки, формулировка заголовка или порядок экранов — влияет на поведение пользователей. Чтобы не гадать, команды запускают A/B-тесты: сравнивают варианты и выбирают решение, подтверждённое данными. Сегодня мы разберём надёжные способы всё испортить.

Разработчик закончил фичу, код покрыт тестами, на стенде всё зелёное, на проде ничего не падает. Команда уже готова раскатить изменения на всех, но приходят аналитики и говорят: «Эксперимент невалиден, данные использовать нельзя». Звучит как бюрократия, пока не разберёшься в деталях.

Любой A/B-тест состоит из маршрутизации пользователей, логики входа в эксперимент, деления на группы, метрик и правил принятия решений. Ошибка на любом этапе превращает тест в генератор красивых, но бесполезных графиков.

Представим: в отчёт добавили новые регистрации, и общий D30 retention снизился с 20% до 10%. При этом ни один из пользователей, для которых D30 уже наступил, не изменил своё поведение. Ошибка может оказаться в знаменателе: туда попали люди, чей тридцатый день ещё впереди.

Разберём эту ситуацию на условных данных и воспроизведём расчёт в SQLite. Отдельно проверим три случая: пользователь вернулся, пользователь не вернулся и результат пока нельзя измерить.

Привет, Хабр. Меня зовут Любовь Вайгель. Я системный аналитик в СберЗдоровье — MedTech-компании №1 в России.

Во многих сценариях, сталкиваясь со снижением скорости ответа системы, компании приходят к необходимости внедрения кэша и довольно быстро реализуют кэширование на уровне технологий. Но правда в том, что кэширование, которое часто воспринимают как простой тактический приём для ускорения работы приложения, на практике может сильно изменить свойства системы: согласованность данных, поведение при сбоях, требования к актуальности и доступности информации. Поэтому для системного аналитика важно четко понимать, что мы кэшируем, зачем, на каких условиях и как это будет отражено в требованиях.

В этой статье я разберу пять неочевидных истин о кэшировании, которые часто остаются «за кадром», и покажу, как они влияют на работу системного аналитика.

Привет, Хабр! На связи Анна Куделина — заместитель технического директора РТЛабс по аналитике.

Пять лет назад я написала статью, как подготовиться к собеседованию на позицию системного аналитика. Она пользовалась большим спросом: 130 тысяч читателей и 263 сохранения, её публиковали в профессиональных сообществах. Мне потом написали несколько человек с отзывом о том, что статья помогла им стать аналитиком или перейти на новую ступень. Я сделала вывод, что формат передачи своего накопленного опыта по росту в карьере полезен, и решила сделать статью-продолжение.

За 6 лет в РТЛабс я прошла вертикальный путь от стартовой должности системного аналитика до руководителя аналитической функции всей компании. На этом пути менялись задачи, ответственность и способ думать. На своём опыте я теперь знаю, где именно спрятаны подводные камни, из-за которых люди застревают.

Если в первой статье речь шла о том, как аналитиком стать, то здесь — о том, что делать дальше.

Привет, Хабр! На связи системный аналитик Илья Глазунов и разработчик Кирилл Дунаев. Мы работаем с платформой аналитического карточного хранилища Т-Банка. Попутно открываем все новые грани одного из главных компонентов нашего детища — Apache Cassandra. 

Мы уже изучили тонну материалов, сами стали носителями знаний, делимся ими в команде и на Хабре. Но не перестаем натыкаться на интересные механики и особенности Cassandra, которые приходится разбирать по принципу «с миру по нитке». 

Та механика, о которой пойдет речь, могла проявиться только в системе со специфическим дизайном, предназначенной для очень конкретных задач, при значительной нагрузке на запись и высоком коэффициенте параллельности.

В статье разберем, почему утверждение «Cassandra — колоночная БД» частично верное. Приоткроем занавес, как база данных работает с мета-данными и объединением неизменяемых файлов при высокой пишущей нагрузке. А еще подискутируем на тему понятия атомарности операций во вселенной Apache Cassandra и разберемся, причем же тут UDT и frozen UDT. 

При замене промышленной информационной системы обычно проверяют, перенесены ли данные и работают ли функции. Сложнее понять, смогут ли подразделения после замены по-прежнему делать общую работу. Разбираю это на двух примерах из своей практики: замена ERP и ТОиР, где незаметные связи всплыли только при переходе, и согласование ремонтного графика АЭС с программой неразрушающего контроля, где сотни тысяч элементов металла нужно увязать с ремонтными окнами.

Привет, Хабр! Меня зовут Даниил Иванов, я руководитель группы аналитики в департаменте CRM&BPM в КОРУСе. Два года назад я уже писал статью, как применяю ИИ в работе аналитика.

Тогда это были первые эксперименты, теперь я стал руководителем, вместо отдельных чатов работаю с корпоративным ИИ‑продуктом, у которого есть единый контекст по проектам. И мои запросы к ИИ тоже изменились. В этой статье поделюсь, как изменилось мое восприятие ИИ за два года, что получилось систематизировать, где ИИ реально экономит время, а где пока упирается в ограничения. В конце — конструктор, где собрал свой опыт работы с LLM.

Привет, Хабр! Я построил простую экономико‑математическую модель жилищного бюджета домохозяйства, подставил в неё данные по Санкт‑Петербургу на 2026 год и прогнал несколько сценариев. Код выложил на GitHub, а здесь — результаты, графики и все входные данные, чтобы можно было воспроизвести.

GitHub: https://github.com/CheesePunk/Housing-Budget-Model

Бизнес-аналитик — один из немногих специалистов в IT-компании, которому одновременно звонят разработчик, продакт-менеджер, директор по продажам и заказчик. И все четверо хотят разного. Задача бизнес-аналитика — понять, что им нужно, как привести это к общему знаменателю и зафиксировать, чтобы команда могла работать.

Привет, Хабр! Меня зовут Егор Шлюпиков, и я работаю старшим бизнес-аналитиком в YADRO в большой команде, которая менеджерит IT-оборудование. Мы следим за парком готовой техники и комплектующих, нужных для работы сотрудников. Сколько нужно купить, что залежалось, что в ремонте и утилизации и так далее — плюс финансовая аналитика.

В статье расскажу, как мы собрали сервис, который снял с нас немалую часть рутины: каждое утро он без участия человека выпускает более десятка отчетов с выводами от нейросети. При этом ни одно число в отчете не проходит через модель — все считает код, а она только пишет текст. Раскрою, как мы к этому пришли, зачем понадобился Trino и что делать, когда нужных данных в учетной системе просто нет.

Я работаю в производстве печати и вышивки на одежде, и каждую осень у нас повторяется один и тот же спор: когда начинать готовиться к новогоднему сезону. Одни говорят, что заказы на подарки приходят в декабре, другие уверены, что всё решается в октябре. Спорить на ощущениях надоело, поэтому я собрал помесячную частоту запросов из Wordstat и посчитал, что там на самом деле происходит.

Ниже данные, код и результаты, а в конце отдельный раздел о том, где этот метод меня обманывал.