Системный и бизнес-анализ

Финансовые данные в компании обычно уже есть: в 1С, в хранилище, витринах, аналитических кубах. Но в конце отчётного периода аналитики всё равно часто делают одно и то же: выгружают числа в Excel, собирают сводные таблицы, вручную считают отклонения и готовят презентации для руководства. В этой статье покажем, как перевести такой процесс в промышленный контур: создать OLAP-модель, вынести бизнес-логику в семантический слой и получать живые отчёты в Web, Excel и LibreOffice без ручного копипаста. Выгружать данные будем из 1С, но в виду большого количества способов это сделать мы коснёмся этой темы в следующей статье, а здесь сосредоточимся я на возможностях анализа данных.

Статья будет особенно полезна:

- BI-разработчикам;

- архитекторам данных;

- бизнес-аналитикам;

- финансистам;

- руководителям, которым важно быстро получать корректную управленческую отчётность.

В массовом сознании существует два популярных объяснения очевидной деградации веб-технологий. Конспирологическое — корпорации изначально хотели превратить пользователей в источник прибыли и потому сознательно построили системы манипуляции. Это неинтересно, это мы разбирать не будем. Техноутопическое (самое популярное) — сами технологии нейтральны, а все проблемы вызваны исключительно человеческой жадностью. Это тоже слишком просто — конечно, технологии не нейтральны, и тот же ChatGPT это не «просто инструмент» (так могут думать только технари, не читавшие Маклюэна, Мамфорда и вообще гуманитарную теорию про технологии).

Давайте попытаемся выяснить, как все было на самом деле и чем карта отличается от территории. И кто же виноват в том, что «теория мертвого интернета», некогда тоже конспирология, уже почти стала реальностью — когда боты читают статьи, написанные ботами, боты пишут комментарии под этими статьями, чтобы поднять их в выдаче для других ботов.

Модераторы A&PM EVENT 2026 участвуют не только в формировании программы конференции. Они готовят собственные практические форматы: доклады, деловые игры, воркшопы и мастер-классы. В этом году в центре внимания — инструменты аналитика, архитектура решений на 1С, управление проектами и командами, а также современные подходы к решению сложных профессиональных задач.

Рассказываем, с какими темами выступят модераторы и кому будет полезно их послушать...

Сегодня разберемся, что такое кросс-фильтрация в Apache Superset и какую неожиданную опасность она может нести.

В статье описан практический опыт интеграции ERP‑системы с 1С. В материале я рассказываю:
• почему мы выбрали микросервисную архитектуру
• зачем в одной интеграции использовали и GraphQL, и REST API
• как строили маппинг данных для разных конфигураций 1С
• как работает формат EnterpriseData и почему он сложный, но универсальный
• и на какие грабли мы наступали — чтобы вы на них не наступали.

Статья для тех, кто проектирует или сопровождает интеграции с 1С, ищет практические подходы и хочет избежать типичных ошибок.

Самые интересные новости финансов и технологий в России и мире за неделю: Куба встает на путь капитализма, Набиуллина вернулась и чуть-чуть снизила ставку, британцам делают интернет по паспорту, Илон Маск продолжает неистово богатеть и покупает Cursor в SpaceX, в слитой финотчетности OpenAI нашли рекордные убытки, а виртуальные очки от Snap поразили всех своей всратостью.

Систему менеджмента качества на предприятии часто воспринимают слишком узко: как набор обязательных процедур, журналов, форм, регламентов, протоколов, подписей и документов для аудита. В такой логике СМК существует рядом с реальной деятельностью предприятия: производство работает, склад принимает, закупки закупают, сервис обслуживает, ERP фиксирует документы, а система качества как будто отдельно ведёт свои формы и подтверждения.

Но у СМК есть гораздо более серьёзный потенциал. Она может быть не документальной надстройкой над предприятием, а живой инженерной моделью качества. Такой моделью, которая показывает, какие предметы качества регулируются, какие требования к ним предъявлены, какие процедуры должны быть выполнены, где в бизнес-процессах возникают события качества и какие доказательные записи подтверждают результат.

Проблема многих СМК не в том, что в них есть документы. Документы нужны. Проблема в другом: документы часто не соединены в предметную систему. Есть протокол, но не всегда видно, какой СМК-предмет он подтверждает. Есть журнал, но не всегда понятно, какое событие качества в нём зафиксировано. Есть процедура, но не всегда ясно, какая доказательная запись должна возникнуть после её выполнения. Есть архив, но не всегда понятно, какие требования реально закрыты, а какие только предполагаются закрытыми.

Именно здесь начинается предметно-ориентированный инженерный подход к СМК. Его суть в том, что система качества должна строиться не от папки документов, а от предметов качества, требований, единичных документированных процедур, событий качества, доказательных записей, реквизитов, статусов, маршрутов, приёмки и архива. То есть СМК должна отвечать не только на вопрос «какие документы у нас есть?», а на более строгий вопрос: какие предметы качества мы обязаны доказательно удерживать, какими событиями качества они подтверждаются и какие записи можно предъявить как доказательство?

В результате одного из множества обсуждений инфоповодов про поднятие цен на подписки и тредов связанных с экономикой моделей возник вопрос о цене токена:

Ниже какой цены токен в принципе не может стоить?

По идее в сухом остатке мы платим за амортизацию железа и электричество умноженное на время работы сервера и это, конечно же, не “реальная цена токена”, скорее нижняя граница, эдакий бэдрок, ниже которого токен физически не может стоить. Чтобы упростить расчёт решил не учитывать обучение моделей, зарплаты, аренду, маркетинг, юридические услуги и прочие прелести бизнеса.

Но давайте обо всём по порядку.

🕹️ Подключение бота к бирже за час, а не неделю

Подключение торгового бота к бирже обычно отлаживается так: пишешь адаптер, запускаешь live и ждёшь торгового сигнала, чтобы поймать баг — а сигнала может не быть сутками. А в алготрейдинге мы делаем именно так.

Статья содержит руководство, как оптимизировать временные затраты на отладку интеграции в биржу

Как устроен Data Mesh, какие требования подход предъявляет к бизнесу и почему большинству российских компаний сегодня зачастую важнее построить зрелое DWH, чем пытаться перейти к распределенной архитектуре данных

Хабр, Привет! Пожать заветную сотку, добрать белка, закрыть углеводное окно и просто попозировать после тяжелой потной тренировки — всё это не пустые значимые вещи для любого посетителя зала, который старается держать режим. Спортпит сейчас — это какая‑то генеративная машина по случайным наборам цифр (могут меняться в день по несколько раз). Уже устаёшь мониторить не только то, что показывает на весах, но и на маркетплейсах! Мне как человеку имеющему базовые знания в дате хочется понять почему и как этот беспредел работает. Есть ли в этих акциях хоть что‑то отдаленно походящее на правду и смысл в мониторинге? Постараюсь выяснить пошагово и понять как это всё безобразие работает и работает ли.

Привет, Хабр!

Меня зовут Софья Худякова, я руковожу отделом продуктовой аналитики в «Гарде». Занимаюсь аналитикой требований уже почти двадцать лет — сначала как специалист, теперь как руководитель отдела. За это время профессия изменилась настолько, что список компетенций, по которому я нанимаю людей сегодня, почти не похож на тот, с которым я начинала. В этой статье — не про хард-скиллы и технологии (об этом написано достаточно), а про то, как изменился образ мышления, который нужен современному аналитику.

Спойлер: архитектура AIналитика полностью переписана, теперь Платформу можно запускать практически под любым харнесом (OpenCode, Kodik, Codex, Claude Code), а также подключать любые LLM, включая локальные. Добавлено/в разработке много новых фич: многоагентная система, доска навигации и дашборд для тимлидов.

Пару месяцев назад я опубликовал на Хабре статью «Как я научил Claude Code работать бизнес-аналитиком по руководству BABOK. Вот что получилось». Коротко: я разработал AI Платформу AIналитик - ai-ассистента, который работает рядом с бизнес-аналитиком, как опытный коллега. Он знает методологию BABOK v3 и ведёт BA по проекту, может: спланировать, подготовить интервью, собрать требования, провести трассировку, приоритизировать, оценить риски и изменения. Покрыты все задачи пяти областей знаний, главы с 3 по 7, за исключением 8-ой.

Исходный код AIналитика v1 на Github. Канал с новостями проекта AI Платформа AIналитик.

Идея первой версии AIналитика умещалась в одно слово: рельсы. Бизнес-аналитик перемещается по проекту, как трамвай по рельсам. Платформа не даёт свернуть в сторону и начать творить отсебятину, пропустить шаг или забыть про дедлайны. Бизнес аналитик с Платфорой выполняет задачи так, как это рекомендует методология BABOK. Пользователь общается с Платфрмой человеческими словами, никаких специальных команд знать не надо. Платформа подсказывает следующий ход и берет на себя всю рутину.

Прошел очередной Летний аналитический фестиваль. В этом году он проходил в Иваново: в связи с тяжелой ситуацией на рынке ЛАФ вернулся из Подмосковья на ту площадку, на которой начинался в далеком 2010 году. И к тому же формату: суббота – в офисе Консультанта, вечером – переезд за город, на турбазу, там шашлыки и движуха, а в воскресенье – продолжение мастер-классов уже на турбазе. И громадная благодарность организаторам, что провели фестиваль! Было много нетворкинга и интересные доклады, два трека выступлений и два – мастер-классов. А относительно камерный формат, в котором было всего 120 человек, многие из которых были на фестивале многократно, создал прекрасную атмосферу. Обсуждения многих насущных тем продолжались практически всю ночь до утра. А началось это на препати, который был еще в пятницу вечером.

Обычный ответ LLM по сложной теме – часто мусор.

Не потому что модель тупая. Просто за один prompt не получаешь полноты ответа. Это быстрый ответ из головы модели: красиво, складно, иногда даже убедительно. Но если нужно реально разобраться в рынке, технологии, конкурентах, вакансиях, конференциях или любом другом you name it кейсе, почти всегда нужен не ответ, а небольшое исследование.

В сфере ИИ‑видеонаблюения сегодня есть выбор между двумя основными направлениями использования нейронных сетей: На базе ПК и Умные видеорегистраторы Non PC‑based.

Их возможности при тех же самых задачах уже сравнялись. А что по стоимости?

Вначале, наверное, каждый попадал в эту ловушку на собеседовании: кандидат открывает экран, уверенно запускает draw.io и бодро начинает рисовать. Бац — микросервисы! Бац — брокеры сообщений между ними! Redis-кеш сверху, базы данных снизу. Даже стрелки вызовов нарисованы в правильном стиле. Интервьюер кивает, видя техническую беглость. Кандидат чувствует уверенность, ждёт похвалы.

— Отлично, — говорит интервьюер, — а откуда берутся данные для этого отчёта? 

Кандидат на секунду замешкается. «Откуда?.. Ах да, из базы данных, наверное... или из очереди?..» Он смотрит на схему, где слева — пустое место перед микросервисами.

— И кто потребитель этого события? — продолжает интервьюер. — Кто его забирает и что делает с результатом?

Кандидат начинает водить курсором по доске draw.io, но схема рассыпается. Сквозного потока данных нет, потому что контекст не был зафиксирован с самого начала. Это не техническая ошибка, а фундаментальный пробел в системном мышлении.

Проблема не в отсутствии знаний, а в отсутствии целостной картины.

Большинство кандидатов (и не только на собеседованиях) сразу ныряет в глубину технологий, не очертив границы системы. Они рисуют внутреннюю механику бэкенда, не уточнив, откуда приходят входные данные и куда уходит результат. Это как строить фундамент, не зная размеров участка. Или как инженер, который начинает проектировать двигатель, не узнав, что это за транспорт и что он должен делать.

На собеседовании такая ошибка критична. Интервьюер видит технический кругозор, но не видит системного мышления. А ведь это именно то, что отличает senior-архитектора от middle, который умеет только пилить отдельные сервисы.

Подходя к офису ты думаешь, что сейчас придешь, нальешь себе кофе, поболтаешь с коллегами, откроешь таск-трекер и спокойно начнешь рабочий день. Инженеры GitHub 27 апреля 2026 года тоже так думали… И начали. А через пару часов поиск по репозиториям, issues и PR-ам начал отваливаться — до 65% запросов уходили в таймауты. Но самое странное: все дашборды были зелёными. CPU — в норме, память — в норме, 200 OK — летят. А пользователи обрывают линию техподдержки. Потому что метрики меряют техническое здоровье, а не бизнес-результат.

Привет, Хабр! На связи Олег Игнатов, Head of Product Analytics в Garage Eight. Сегодня хотел бы обсудить с вами продуктовых аналитиков, но не с точки зрения классических хард-скилов или A/B-тестов и моделей, которыми они занимаются. Посмотрим больше на саму роль аналитика и разберем, почему компаниям важно относиться к таким специалистам не как к сервисному персоналу, а как к равноценным партнерам.

Я хотела бы осветить тему «Быстрое погружение или как получить максимальную эффективность», поскольку в моей практике регулярно происходит взаимодействие с новыми сотрудниками — аналитиками, тестировщиками, техническими писателями, дизайнерами и, в частности, разработчиками. Помню, я всё хваталась за голову, когда в 4-й раз приходилось одно и тоже рассказывать про свои проекты новым аналитикам и тестировщикам. Вопрос оперативного погружения специалистов в проект и поставленные задачи представляется крайне актуальным и не только потому, что важно быстро получить результаты работы нового сотрудника, но, и чтобы сократить время наставника и остальной команды на погружение.

Давайте разберём, почему вопрос быстрого погружения аналитика в ИТ‑проекты сегодня стал по‑настоящему острым и стратегически значимым.