Системный и бизнес-анализ

В этим летом мне исполнилось 32 года, а за плечами — диплом психолога, диплом теолога и свежая, июльская магистратура по педагогике. Я работал официантом, поваром, восемь лет был референтом, работал в магазине, администрировал доставку суши и был региональным менеджером в клининговой компании. А сейчас я учусь на аналитика данных и на системного аналитика, одновременно.

Если вы подумали «вечный студент» — я вас понимаю, сам так про себя так думал. Но именно поэтому мне есть что сказать про обучение — я видел его с обеих сторон. Учился я хорошо и плохо, доходил до конца и бросал, платил за курсы деньгами и, что дороже, временем. А ещё я успел поработать наставником и HR‑ом, то есть смотрел на чужие резюме теми же глазами, какими сейчас смотрят на моё.

Эта статья — не про то, что «образование важно» (спасибо, кэп). Она про то, почему одни и те же курсы для одних становятся трамплином, а для других — строчкой в резюме, которую рекрутёр пролистывает не моргнув. Здесь не будет мотивационных цитат, но будут цифры — в том числе мои собственные.

Webhook часто воспринимают как простой механизм доставки уведомлений: пришло событие — обработали — вернули 200. На практике именно в этом месте возникают проблемы с двойными начислениями, потерянными событиями и некорректными состояниями данных.

В статье разбираем, какие вопросы должен учитывать системный аналитик при описании требований к webhook‑интеграциям и почему надёжность начинается ещё на этапе проектирования.

Если метрика растёт — это точно улучшение? Разбираю кейс, где тренд выглядит убедительно, но оказывается артефактом структуры. Где ломается аналитика, если не учитывать контекст изменений, и как с этим работать.

В 19 лет закончил университет, в 22 года основал без опыта свой инвестфонд Situational Awareness, а к 24-м управлял в нем уже $45 млрд с доходностью под 250% годовых. Завидуете этому сыну маминой подруги? Ну, давайте я вам расскажу о том, как и почему он их вчера лишился, при чем тут слово «плечи» – и что отличает ветерана рынка от новичка…

Привет, меня зовут Юрий Черепов, я технический лидер системной аналитики в Альфа-Банке. Однажды на внутреннем «митапе» для аналитиков, где мы обсуждали, как AI применять в работе аналитика мне задали вопрос «Не делает ли AI людей «слабее»? Не приведёт ли использование AI к деградации профессиональных навыков? Мы ему всё делегируем и разучимся думать сами»

Вопрос хороший. Хочется разобраться, что происходит и в какое будущее всё движется. Но сначала я бы хотел окунуться в прошлое.

Когда вышел DuckDB 1.0, я написал статью Всё что нужно знать про DuckDB. Теперь вышел DuckLake v1.0 — LakeHouse-формат из той же экосистемы. Это отличный повод разобраться, как он устроен и как его можно использовать в production-сценариях.

В этой статье разберём, какую проблему решает DuckLake, чем его архитектура отличается от Apache Iceberg и как поднять DuckLake локально или в окружении, приближённом к production: PostgreSQL для каталога метаданных и S3/MinIO для файлов данных.

Большие наборы приемочных сценариев часто создают ложное ощущение контроля: тесты проходят, отчёты зелёные, но команда всё равно может пропустить важный переход в логике системы.

В статье разбираем, как превратить разрозненные сценарии в управляемую модель покрытия — через состояния, переходы и явные правила изменения системы. Такой подход помогает аналитикам находить пробелы ещё на этапе проектирования, а не после появления проблем в рабочей среде.

По запросу «Аналитик» на Хабр Карьере — более 400 вакансий, и среди них можно найти человека, который пишет SQL-запросы к базам данных, специалиста, который переводит бизнес-требования в техническое задание, и того, кто строит дашборды для финансового директора. Но это разные профессии с разными навыками и зарплатами.

За первое полугодие 2026 года, аналитические специальности — в топе-5 по зарплатам в IT, следует из данных свежего исследования Хабр Карьеры. Медиана варьируется от 160 до 240 тысяч рублей в месяц в зависимости от специализации.

🏆 Ищем Грааль на рынке криптовалют

Искал Грааль в крипте через TradingView Ideas: прошлые результаты авторов не предсказывают будущее, зато работает простой признак — лидеры мнений пишут, когда по монете ещё тихо

Статья представляет собой практическое руководство для ИИ агента как воспроизвести технологию

В англотвиттере уже несколько дней бушует скандал: опять всплыла история про то, как ведущие AI-компании массово скупают редкие бумажные книги для обогащения своих тренировочных датасетов. Сами книги при этом превращают в пепел – подробности ниже.

Привет, Хабр! Меня зовут Евгений, я ведущий разработчик отдела SAP разработки, и в зависимости от настроения надеваю маски Техлида или Архитектора.

Большинству из нас рано или поздно приходится сталкиваться с ситуацией, когда есть проблема, достаточно сложная и долгоиграющая. Неважно даже, техническая она или организационная.
Главное что ее не решить с наскока, более того, даже чтобы эту самую проблему сформулировать, нужно поговорить с людьми, посидеть, подумать, описать, и... повторить раз несколько.
А еще есть одна особенность, что бы вы не решили, обязательно через некоторое время придет человек с вопросом «А почему так? А зачем?» и совсем немного подумав, скажет «Да у вас лапки не из того места растут. Я могу лучше!». Пфф.
Так как с этим приходится жить, то я решил сформулировать буквами некоторые наблюдения\выводы о подобных ситуациях. В первую очередь для себя, но может и вы что то полезное найдете.

Интересно? Читайте статью под катом.

В интернете тысячи историй успеха. «Как я бросил универ и заработал свой первый миллион», «Мой путь от курьера до топ-менеджера», «Как я построил бизнес с нуля». Они такие правильные, вдохновляющие и... немного безжизненные. Герои этих постов всегда знают, чего хотят, идут к цели с каменным лицом и в конце непременно достигают успеха, направляя будущие поколения.

Именно поэтому я хочу показать более приземлённую версию успеха обычного человека, в которой запутавшийся новичок сможет себя найти. Без громких фраз про «предназначение» и «стратегическое планирование». Потому что мой профессиональный путь — это не чёткий план, а скорее коктейль из череды случайностей, упрямства и некоторого терпения.

Когда заказ, склад и оплата живут по разным правилам, сбой возникает на стыке систем — там, где нет владельца решения.

В статье — шесть шагов, которые помогают превратить разрозненные требования в управляемую архитектуру сквозного процесса.

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.

Открываешь вакансию аналитика в 2026 и видишь ML, LLM, дата-инженерию, облака и пятнадцать инструментов, а SQL с Excel где-то внизу, будто это само собой. Кажется, что профессия ушла далеко вперёд и, если ты только вкатываешься, ты опоздал на пять лет.
Я в аналитике с 2020 года и вижу оба конца отрезка: и с чего начинала сама, и с чем приходит новый поток. Так вот, если смотреть не на список требований, а на то, чем аналитик реально занят в течение дня, окажется, что поменялось куда меньше, чем обещано.
Делюсь мнением, что изменилось, а что раздулось только в описаниях вакансий, а что не сдвинулось с 2020 года вообще и по-прежнему отличает сильного аналитика от среднего.

Мне поручили доработать высоконагруженную подсистему аудита. Документации было много, специалистов тоже, но никто не мог описать систему целиком. Чтобы понять, что именно предстоит менять, пришлось восстанавливать архитектуру по репозиториям, Kafka, базам данных и фактическому поведению системы.

В сегодняшнем дайджесте мы собрали популярные решения в Базе знаний Инфостарт за последние 14 дней. Сообщество 1C активно скачивает обработки, ставит лайки и комментирует эти публикации. 

Если ваша работа связана с 1С, то эти статьи будут полезны для вас. Напишите в комментариях, какая из публикаций вызвала у вас интерес. 

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.

Привет, Хабр! Меня зовут Михаил Рязанский, я руководитель группы технической аналитики в Дзене. Группа включает в себя команды DWH, антифрода, аналитики модерации и ML‑аналитики. Вместе с Марком Хабаровым, лидом команды ML‑аналитики, мы расскажем про наш инструмент для анализа результатов А/Б‑тестов и про интеграцию в него LLM. Получилось интересно, местами — больно. Но обо всём по порядку. 

Меня зовут Ирина Гертовская. Много лет я проектирую, внедряю, развиваю и поддерживаю крупные ИТ-системы, анализировала, проектировала, разрабатывала, руководила командами аналитиков и разработчиков, руководила проектами.

Мой опыт показывает: внедрить систему иногда не проще, чем разработать. Часто учесть нужно больше, чем видится и значительно раньше самого периода внедрения. В этой статье с поделюсь таким опытом на примере небольшой доработки в эксплуатируемой ERP-системе крупной компании.