Системный и бизнес-анализ

Разбираемся зачем при внедрении заказных бизнес-приложений нужен этап моделирования бизнес-процессов. И можно ли обойтись без него.

Афанасий Фет написал импрессионистскую картину в стихах. Сможет ли цифровой анализ объективно подтвердить или опровергнуть этот миф?

Цифры обладают опасной аурой объективности. «Цифры не врут», — говорит нам внутренний голос. «Против математики не попрешь», — вторит ему здравый смысл. Но правда в том, что статистика — это не просто математика, это искусство интерпретации. И в умелых руках аналитика или маркетолога одни и те же сырые данные могут рассказать две совершенно разные истории.

Аналитик студии комплексной разработки цифровых решений CleverPumpkin Алёна Сорокина и эксперты брендов со зрелым data-driven подходом «М.Видео» и Unirest.tech (бренд Rostic's) разбирают, как использовать данные, чтобы управлять конверсией, минимизировать риски при релизах и масштабировать работающие решения для роста e-commerce продуктов. 

Вспомните, как вы онбордили аналитика: показывали данные, примеры рабочих SQL, неочевидные легаси и костыли — и через какое-то время он начинал перформить самостоятельно.

Чтобы научить AI-агента — нужно пройти ровно те же шаги, только вместо недель, на обучения потратятся часы, а в результате большая часть рутины аналитика будет автоматизирована.

В этой статье я расскажу, как я автоматизировал свой анализ данных, и дам пошаговую инструкцию, которую вы с легкостью сможете повторить это у себя в проекте.

Статья будет полезна как предпринимателям, которые хотят оптимизировать процессы, так и аналитикам, которые хотят прокачать себя. Погнали!

Самые интересные новости финансов и технологий в России и мире за неделю: ЦБ снизили ставку до 15,5%, штраф за кросс-дрессинг Губки Боба, безумные налоги с нереализованной прибыли в Нидерландах, столетние облигации от Google, Маск променял Марс на Луну, Claude от Anthropic участвовал в похищении Мадуро, а также «золотой» домен ai.сom за $70 млн.

⛔ Почему цена на рынке падает одной свечой

В 2026 году «купил и держал» это ставка на то, что выдержишь -40…-70% просадку без эмоционального или маржинального выхода. Рынок стал хрупким: каскады ликвидаций случаются несколько раз в год. Статичный холд больше не работает.

Разбираю математику падения

В идеальном мире продуктовый аналитик запускает тест и через три дня получает статзначимый результат. В реальности мы часто видим прогноз: «Для достижения мощности 80% вам нужно крутить этот тест 45 дней». Но математику можно «обмануть» (точнее — оптимизировать), не теряя в качестве выводов.

Каждый продуктовый аналитик или менеджер рано или поздно сталкивается с A/B-тестированием. На первый взгляд всё кажется простым: разделили трафик, показали разные кнопки, сравнили цифры. Но на практике 80% успеха теста закладывается ещё до его старта — на этапе дизайна.

В этой статье мы разберем, что такое «карточка теста», почему это не про картинки и какие 8 пунктов спасут ваш эксперимент от провала.

Доброго времени суток!

В прошлой(и первой на Хабре) статье, писал про серебро, его применение в промышленности, электронике, конечно же в ИИ, и вообще о том, почему цена на него вдруг так резко взлетела.

Заодно закрыл для себя таким образом, по крайней мере на ближайшее время, серию постов про серебро, которую начал ещё осенью прошлого года у себя в ТГ канале. Решил, что логично будет то же самое сделать и по золоту. О нём так же выходило несколько постов, но писал о нем больше со стороны инвестора.

Триггером послужил один пост в новостном канале, который перепечатали все кому не лень, вот текст:

В этом исследовании я проанализировал крупнейший немецкий сайт вакансий (более 600 000 объявлений), чтобы определить роли, в которых полностью или частично выполняются функции системного аналитика.

В статье рассмотрены названия позиций, требования работодателей, зарплаты, распределение по индустриям и топ работодателей в Германии. Результаты представлены в виде графиков и сопоставлены с данными по рынку США.

Продолжаю серию исследований зарубежных рынков труда, которую начал в прошлом году.

Для запуска А/В теста необходимым минимумом является фиксация ошибок первого и второго рода, расчет MDE (минимальный наблюдаемый эффект). Однако при расчете результатов теста далеко не всегда получается достичь MDE заданного размера, в таком случае статистическая значимость результатов не будет достигнута. Помимо этого даже при статистически значимом результате существует вероятность ошибки, при которой наши результаты являются выбросом или просто случайностью. Как быть в таком случае?

Всех приветствую! Меня зовут Павел, работаю в компании Lasmart. Одно из направлений деятельности всегда было внедрение и развитие DWH. В какой-то момент задумались о том, чтобы оптимизировать прежде всего свою работу в некоторых аспектах. И первым инструментом сделали генерацию бизнес-описания на основе AI. Назвали Datadesc (data + description). Об этом опыте и пойдет речь в этой статье.

«Внедрили агента — им никто не пользуется». «Сотрудники копируют ответы без проверки — пошли ошибки». «Потратили бюджет на пилот — эффект нулевой».
Знакомо? Исследование Сколково и Redmadrobot показывает: провалы AI-проектов — это не проблема технологии. Это проблема зрелости. Компании покупают трансформацию, когда готовы только к личной эффективности.
Разбираем модель трёх уровней, четыре причины разочарования и главный дефицит рынка — не ML-инженеры, а люди, умеющие ставить задачи.

Как культурная среда в компании влияет на принятие решений и зачем девелоперу внедрять процессную аналитику — обсудили на ежегодной открытой конференции Сбера по Process Mining. Николай Бажанов, руководитель отдела бизнес-процессов в Sminex, выступил в качестве спикера и принял участие в панельной дискуссии о новых возможностях, которые даёт ИИ.

Подход Sminex: здравый смысл важнее регламентов

Николай рассказал о культуре Sminex — основе для эффективного использования процессной аналитики. Цель её внедрения — получить объективную картину выполнения процессов в строительстве.

Хабр, привет! Я Саша Москвин, системный аналитик в Контуре. У меня всегда возникали сложности с поиском проблем, о которых я ничего не знал. Началось это ещё во время моей работы продуктовым экспертом, когда по KPI мы работали с бэклогом. Бэклог предполагал ведение задач, которые направлены на улучшение процессов в отделе продуктовых экспертов и клиентской поддержки. Но уже в первом квартале я выложил все задачи и проблемы, что у меня были в голове, а дальше бегал и в панике искал, что же ещё можно сделать. Но вскоре ведение бэклога из KPI экспертов исключили, и я выдохнул.

Привет! Меня зовут Черняховский Денис и я Data Engineer. Я достаточно подолжительное время работаю с данными и увлекаюсь математической статистикой. Совсем недавно решил поискать в интернете, как другие опытные дата инженеры исследуют качество данных при помощи статистики, и обнаружил, что никак ..... пум пум пум. А далее обнаружил, что проблема уходит корнями гораздо глубже, чем может показаться.

В этой статье я постараюсь рассказать:
- Почему дата инженерам необходимо использовать статистику и почему ни ее не используют
- Проведем тесты на реальных примерах данных
- Разберем проблему межпрофессионального разрыва компетенций между дата инженерами и аналитиками

Почему инженеру данных стоит использовать статистику?

Разберем, какой базовый набор проверок/валидаций использует типочный дата инженер, да и аналитик тоже:

Типичный чек-лист на проде:
- NOT NULL
- UNIQUE
- REFERENTIAL INTEGRITY
- row_count_today >= row_count_yesterday
- max(updated_at) >= now() – 1h
- revenue > 0

Это бинарные правила, либо сломалось, либо нет. Те же, кто работает с качеством данных, ежедневно сталкивается с проблемой, когда бинарные проверки не показывают проблем, но аналитики и заказчик прибегают с горящими глазами и кричат, что все сломано.

А статистика — это вероятностное мышление, статистика всегда покажет проблему и покажет ее первой, если данная проблема имеет место быть.

Почему инженеры не используют статистику в валидации данных?

Статистика «не орёт», когда что-то пошло не так
Пример:
- COUNT(*) = 0 АЛЕРТ
- mean + 3σ уехало «Ну… вроде странно, но не факт»
- В прод-эксплуатации любят чёткие сигналы, а не «подозрения».

Вы тратите 40 минут, чтобы написать душевное сопроводительное письмо. А на той стороне его читает робот-сортировщик и выкидывает вас в корзину за долю секунды. Добро пожаловать в 2026 год, где наем — это разговор двух языковых моделей. Рассказываю, как мы оказались в этом цирке и почему я перестраиваю свой сервис, чтобы в этой войне побеждали живые люди.

Есть такая пугающая теория — «Теория мёртвого интернета».

Она гласит, что большая часть сети — это боты, которые ставят лайки ботам, пишут комментарии ботам и показывают рекламу ботам. Людей там почти не осталось.

Поздравляю. В этом году эта теория официально победила на сайтах поиска работы.

Работа продуктового аналитика состоит не только в построении дашбордов и отслеживании метрик. Она подразумевает комплексную работу с данными, продуктовое мышление и бизнес-стратегию. В разных компаниях функциональность и набор инструментов таких специалистов могут отличаться, а путь в профессию у каждого уникальный.

Мы в Lamoda Tech решили сделать срез по рынку и провели исследование среди аналитиков топовых ИТ-компаний (по версии исследования Хабр и ЭКОПСИ). В опросе приняли участие 115 специалистов из электронной коммерции, сервисных IT-компаний, банковской сферы, образовательных технологий и развлечений, продуктов, путешествий и телекоммуникаций.

Так мы получили портрет продуктового аналитика — с основными задачами, метриками, критериями успеха в профессии. А чтобы сделать картину объемнее, попросили рассказать свои истории коллег из Lamoda Tech, Лемана Тех, Сетки (hh.ru) и Яндекс Практикума.

С результатами исследования вы можете ознакомиться здесь, а за развернутыми ответами следуйте под кат. Это может быть полезно начинающим специалистам и тем, кто планирует дальнейшее развитие в профессии.

В 2022-2024 годах российский IT-сектор был «тихой гаванью» и главным фаворитом рынка. Однако итоги 2025 года оказались холодным душем: доходность акций сектора составила минус 15,2%, что стало худшим результатом среди всех отраслей.

Парадокс в том, что компании продолжают рапортовать об успехах: «Диасофт» объявляет рекордные дивиденды, а Positive Technologies наращивает отгрузки на 45%. Почему при росте бизнеса капитализация падает, и что это значит для будущего индустрии?