Системный и бизнес-анализ

2026 год обещает стать переломным для промышленности. Индустрия 4.0 — это уже не красивые слайды, а реальность: заводы оцифровывают оборудование, внедряют цифровых двойников и начинают использовать AI не только для отчётов, но и для реального управления производством.

По данным Всемирного экономического форума, лишь ~30% компаний смогли масштабировать цифровые проекты — остальные застряли в бесконечных пилотах. Но именно те, кто сумел вырваться, сегодня показывают рост производительности и снижение затрат на двузначные проценты.

Привет, Хабр. В этой статье делюсь опытом повышения качества клиентских данных в онлайн-обучении и выводами, к которым я пришел по итогам.

На связи Андрей Рыжик, руководитель отдела BI-разработки компании «Белый код». Мой опыт показывает, что данные о поведении клиентов — кладезь инсайтов для бизнеса. Особенно это касается программ лояльности: без аналитики трудно понять, как гости пользуются вашими услугами, кто возвращается, а кто уходит навсегда. Сегодня расскажу, как всего за месяц мы разработали аналитическое приложение в Qlik Sense для крупного курорта (аквапарк + СПА, отель, рестораны) и какие возможности это открыло бизнесу.

Сегодня важный день. Возможно, вы только что выпустили на рынок новый продукт или услугу. Возможно, сегодня были опубликованы результаты опроса клиентов. Десятки тысяч комментариев, вопросов, отзывов, заявок в службу поддержки или каких-то еще текстовых документов заполонили вашу систему, и вашей команде необходимо всё это как можно скорее осмыслить и выявить ключевые паттерны и тренды, чтобы успеть эффективно использовать окно возможностей для принятия верных бизнес-решений. Но для этого кто-то должен структурировать полученный массив документов и перевести его в поддающуюся осмыслению форму. Эта задача решается путем выявления иерархической системы категорий, называемой таксономией, которая помогает структурировать основные темы, встреченные в массиве документов.

Используя традиционные методы, команде из нескольких аналитиков может потребоваться 3–4 недели на таксономизацию данных. За это время выявленные проблемы уже перезреют, возможности будут упущены, а критически важное окно для быстрого реагирования закроется. Конечно, вы можете использовать ранее заготовленную таксономию, но она будет охватывать только те категории, которые вы смогли предвидеть заранее.

Основанная на применении искусственного интеллекта (ИИ) технология Таксономия «Точно в Срок» (ТВС-таксономия) решает эту проблему. Вместо того, чтобы тратить недели на ручное создание категорий или пытаться рассортировать новые данные по заранее выбранным категориям, вам будет достаточно нажать кнопку «Старт», и пара ИИ-агентов проанализирует ваши данные и создаст новую пользовательскую таксономию менее чем за час. ТВС-таксономия, созданная на основе семантического анализа ваших данных прямо в день их получения, позволяет оперативно выявить все важные темы (категории), в том числе ранее неизвестные, и провести классификацию документов по этим категориям.

Отключение 3G — общемировой тренд: операторы в США, Европе и Азии тоже высвобождают частоты под более эффективные 4G и 5G.

Однако в России этот процесс имеет свои особенности. Здесь он идёт не только в русле технологического прогресса, но и накладывается на ужесточение правил и процедур вокруг интернета и мобильной связи. Если на Западе основной драйвер — экономика, то в российских реалиях архитектурные изменения сети чаще резонируют с задачами мониторинга и регуляторного контроля.

Каждый архитектор сталкивается с вечной дилеммой: как правильно документировать архитектуру, чтобы она была понятна людям и одновременно пригодна для автоматизации? Сегодня разберем три основных подхода и выясним, когда какой использовать.

Современная документация архитектуры должна решать множество задач одновременно. Она должна быть понятна разработчикам, архитекторам и бизнесу, поддерживать версионирование, интегрироваться в CI/CD процессы и оставаться актуальной.

Тренд на использование больших языковых моделей (LLM) не ослабевает, но облачные решения вроде ChatGPT или Gemini имеют ряд ограничений: зависимость от интернета, платные подписки и, что самое важное, конфиденциальность данных. Особенно остро последний вопрос стоит при работе с корпоративной или чувствительной информацией, которую нельзя загружать в чужие сервисы.

В этой статье я хочу поделиться опытом создания полностью локального AI-ассистента на основе Microsoft Phi-3-mini — компактной, но мощной модели, способной анализировать данные из CSV, JSON и TXT файлов. Весь проект представляет собой набор Python-скриптов с открытым исходным кодом, которые автоматизируют установку и предоставляют интуитивно понятный чат-интерфейс.

Почему Phi-3-mini?

Microsoft позиционирует семейство моделей Phi-3 как "достаточно маленькие" (Small Language Models), но при этом "достаточно умные". Phi-3-mini, обладая 3.8 миллиардами параметров, демонстрирует производительность, сопоставимую с моделями вроде Mixtral 8x7B и GPT-3.5, но в значительно меньшем размере. Это делает её идеальным кандидатом для локального запуска на потребительском железе.

Компактность: ~7-8 ГБ против десятков и сотен ГБ у более крупных моделей.

Эффективность: Оптимизирована для работы на GPU с ограниченными ресурсами.

Качество: Поддерживает контекст до 4K токенов и отлично справляется с логическими и аналитическими задачами, включая код.

Привет, меня зовут Ксюша Пешкина, я старший системный аналитик в Контуре. Объясняю на кетчупах 🥫🍅, как мы раньше в продукте гадали классифицировали существующие фичи по уровням (надо/не надо), а потом попробовали один крутецкий метод, который перевернул нам всё с ног на голову. 🙃 Рекомендую взять на заметку: это точно позволит вам взглянуть на ваши фичи глазами пользователей и обновить приоритезацию.

Что такое региональное ценообразование?

Цель каждого бизнеса — максимизация прибылей. Бизнес должен выставлять такую цену на свои продукты, чтобы получать наибольшую прибыль. Сделаешь цену слишком низкой — рискуешь потерять существенную часть прибыли. Слишком высокой — она будет неподъёмной для многих потенциальных покупателей. Для решения этой проблемы компании используют задачу фирмы по выбору оптимальной цены, то есть точки, где прибыль максимальна и есть баланс между ценой и спросом.

Мы знаем, что у многих бизнесов покупатели есть по всему миру. Для максимизации международных прибылей бизнесу необходимо регулировать цены в разных регионах в зависимости от покупательской способности каждой страны и других факторов (налогов, стоимости доставки и пошлин). Это крайне важно, потому что цена, доступная в одной стране, может быть слишком высокой в другой. Без учёта этих различий бизнес может продешевить или завысить цену; и то, и другое приводит к снижению прибылей.

У многих популярных онлайн-сервисов, в том числе Netflix, Spotify, HBO Max, Disney+, YouTube Premium, Steam и Epic Games Store, есть региональное ценообразование. В этой статье я проанализирую стратегию регионального ценообразования, используемую популярной шахматной онлайн-платформой Chess.com.

Привет! Сегодня расскажу про Discovery-процесс в команде. 

Discovery и Delivery процессы разделены.  В Discovery-команду могут входить продакт-лид, продакт-менеджеры, продакт-аналитики, бизнес-аналитики и UX-дизайнеры/проектировщики. Если же задачи технические, то подключаются тех/тим-лиды, архитекторы и другие технические специалисты.

Что такое Disco? Discovery в первую очередь отвечает на вопросы  и «Что делать?»  и «Надо ли вообще делать?». Delivery -  «Как делать?».

Discovery-команда занимается обоснованием и проработкой инициатив, которые затем попадают в продуктовый бэклог для последующей реализации в Delivery. 

Для запуска с нуля такой команды и их процессов мы используем следующий чек-лист:

Привет, Хабр! Меня зовут Алексей Грохотов, я разрабатываю продукт Сфера.Архитектура в ИТ‑холдинге Т1. Перед нашей командой стояла задача перенести документы из Orbus iServer в Сфера.Архитектуру. Iserver — это набор инструментов для описания, поддержки и трансформации архитектуры предприятия. Он в значительной степени интегрирован с Microsoft Office, например, все схемы в этом инструментарии создаются в Visio.

Я должен был проанализировать схемы Visio и извлечь необходимую информацию из этих документов. Объекты, соответствующие «прямоугольничкам и стрелочкам» Visio, уже хранились у нас в базе. Мне нужно было соотнести их с фигурами и стрелками схемы, записать для этих объектов геометрическое и текстовое содержание фигур, а также некоторые их специфические свойства. Ещё нужно было определить порты — «стыковочные места» по периметрам фигур, к которым присоединяются стрелки, а также найти надписи у стрелок и фигур. И после этого сохранить в базу данных всю найденную информацию.

Давайте честно: большинство советов про «ИИ для бизнеса» либо слишком общие, либо слишком технические, чтобы быть полезными. Пока мы готовили курс «AI for Process», я поговорил с десятками участников BPMInstitute.org — аналитиками, архитекторами и руководителями процессов, — которые уже экспериментировали с генеративным ИИ. Кто-то только начинал, кто-то копал глубоко, но все пытались сделать ИИ полезным в повседневной процессной работе.

Эти 10 техник стали лучшими. Если вы только начинаете, используйте этот список как трамплин. Каждая из них — это реальные уроки, реальная польза и понятный путь к тому, чтобы уже завтра работать умнее.

Это первая из запланированных статей по внедрению практики использования языка Archimate для различных ИТ-ролей. Конкретно этот материл будет полезен прежде всего бизнес-аналитикам для повышения уровня компетенций и дополнения используемых инструментов моделирования бизнес-процессов (подробней про апгрейд роли было здесь).

Меня зовут Анастасия Сабирова и я работаю аналитиком в MONS (входит в ГК «КОРУС Консалтинг»). В прошлой статье мы поговорили о сборе требований и даже составили список рекомендаций, которые должны сделать этот процесс наиболее эффективным. Сегодня же мы попробуем разобраться с приоритизацией требований и разберём алгоритм, который может помочь начинающим аналитикам в расстановке приоритетов.

Системный аналитик — это своего рода детектив в мире бизнеса: он собирает разрозненные требования, уточняет их, превращает в живые модели процессов, проверяет, что всё держится на прочном фундаменте, и постоянно находится на связи с заказчиками, разработчиками и дизайнерами. Сейчас к его «расследованиям» подключаются новые помощники – искусственный интеллект и машинное обучение. Они берут на себя скучные, повторяющиеся задачи, ускоряют анализ и даже способны самостоятельно создавать черновики проектных артефактов.

В этой статье я делюсь тем, как за последние полгода я превратила ИИ в своего партнёра по работе. Показала, как нейронные сети, большие языковые модели (LLM) и удобная инфраструктура MCP + IDE Cursor (или её аналоги) могут стать настоящими союзниками системного аналитика, облегчая рутину и открывая новые возможности для творчества.

Вчера закончил читать «Четвертую промышленную революцию» Клауса Шваба. Автор — достаточно известная фигура, в течение многих лет был председателем Всемирного экономического форума в Давосе*, то есть, того небезызвестного элитарного клуба, который многие считают теневым мировым правительством, и являющегося почти синонимом понятия «глобалисты».

Книгу условно можно разделить на две части. В первой Шваб анализирует тенденции развития общества и технологий, которые условно и обозначает термином, вынесенным в заглавие книги. А вторая часть состоит из прогнозов на ближайшие 10 лет, сделанных на основе экспертного опроса членов клуба, то есть самых влиятельных людей планеты.

Мне показался интересным тот факт, что, будучи написана в 2016 году, эта работа содержала прогнозы на 2025 год, то есть на настоящий период, и я решил посмотреть, что из данных прогнозов сбылось, а что нет. К своему большому удивлению, я обнаружил, что подавляющая часть предсказаний не исполнилась, либо исполнилась в малой степени.

— Например, 79% респондентов ожидали, что к 2025 году 10 процентов автомобилей в США будет управляться беспилотными системами. По факту — автопилоты контролируют статистически ничтожную долю рынка вождения, по большому счету так и не выйдя из этапа тестирования.

— Или же 82% опрошенных считали, что имплантируемые технологии («чипирование» и подобное) в 2025 году поступят в свободное обращение. По настоящему моменту — они не то чтобы не поступили в обращение, но и пока толком не разработаны.

Самые интересные новости финансов и технологий в России и мире за неделю: Deloitte потеряли полмиллиона баксов из-за глюков AI в отчете, секреты гипнотизирования нейросетей от Anthropic, новые рекорды для золота, в ЕС запретили веганские бургеры, взлом Asahi и Discord, а также доказательство инсайдер-трейдинга в Polymarket.

В статье Camunda показывает, как классическая оркестрация процессов и агентный ИИ наконец сходятся: агенты могут принимать решения, действовать автономно, учиться на прошлых кейсах — и при этом оставаться под управлением BPMN и корпоративных правил. Если вам интересно, как сделать ИИ-агентов частью серьёзных бизнес-процессов, а не игрушкой из лаборатории — этот обзор стоит прочитать.

SVG-меры в таблицах Power BI используются для создания компактных, интуитивно понятных и динамически изменяющихся визуальных элементов, которые значительно улучшают читаемость, контекст и эстетику отчета. Они позволяют выйти далеко за рамки стандартных возможностей условного форматирования, добавляя в таблицу гибкие и выразительные визуальные элементы, такие как мини-гистограммы, индикаторы прогресса или иконки состояния.

SVG-изображения вычисляются динамически с помощью DAX: каждая строка таблицы получает собственную визуализацию на основе контекста фильтров. Это делает SVG-подход гораздо более вариативным, чем статические картинки, загруженные вручную.

Далее — немного теории, а затем практический пример с разбором кода.

Бизнес-аналитику чаще внедряют в облаке или гибридной инфраструктуре. Но что делать, если по требованиям безопасности выход интернет недоступен, а BI‑система должна работать только внутри корпоративной сети?

Эта статья будет полезна архитекторам, DevOps‑инженерам и администраторам, которым нужно развернуть BI‑платформу в изолированной среде. На примере Modus BI мы разберём ключевые технические трудности и покажем решения, проверенные в реальных проектах.