Системный и бизнес-анализ

Всем привет! Меня зовут Татьяна, я — Expert/Tech Lead команды аналитики в ГНИВЦ.

Помню тот день, когда я сидела перед монитором в 10‑й час работы над постановкой и параллельно работала над планом развития в новой должности без  ощущения прогресса, без ощущения удовлетворения. В голове крутилась мысль: «Зачем я это делаю?» Я хотела достичь должности, о которой многие мечтают, но чувствовала себя выжатой, потерянной и неуверенной в себе.

Оказалось, мной долгое время руководили ожидания высокого дохода и престижа. Я гналась за «правильной» карьерой, пока не осознала: мои реальные цели — совсем иные. Это было как пробуждение: я поняла, что нужно «переоткрыть себя».

Сегодня я хочу поделиться своим опытом и инструментами, которые помогли мне найти новый путь — и, надеюсь, помогут вам.

Российские компании все активнее используют решения на базе 1С для автоматизации бухгалтерии, кадрового учета, логистики, продаж и других бизнес-процессов. На фоне изменений на рынке корпоративного программного обеспечения интерес к таким системам продолжает расти. Вместе с ним увеличивается и потребность в специалистах, которые умеют работать с 1С не только как пользователи, но и как участники внедрения, настройки и развития системы.

Одна из таких профессий - 1С-аналитик. Разбираем, чем занимается специалист, какие навыки нужны на старте и на какую зарплату можно ориентироваться....

Привет, Хабр!

Меня зовут Ксения Зайцева и я старший бизнес‑аналитик в компании «ДАР». Я хотела бы поделиться кейсом, который поможет начинающим тим‑лидам заранее предусмотреть аналитический тупик в стиле «вроде всё понятно, но что‑то не сходится».

В HR‑аналитике есть метрики, которые «должны считаться просто»: выбрать статус, взять дату, посчитать кандидатов. На практике такие истории иногда заканчиваются нулём, потом несколькими миллиардами, а потом неделей расследований — как вообще устроены данные и почему всё это работает.

Мы с таким встречались — дальше расскажу, где именно в нашем кейсе ломалась логика и как искать контрпримеры, когда цифры выглядят правдоподобно, но не сходятся.

Привет, Хабр! На связи системный аналитик Илья Глазунов и разработчик Захар Корсаков. Мы работаем с платформой карточного хранилища Т-Банка.

Когда данных становится много, а архитектура обязана оставаться простой, классические решения начинают упираться в ограничения стека. В нашем случае нужно было организовать асинхронную доставку событий из Cassandra, но без CDC, без отдельного брокера и без разрастания зоопарка технологий. Так мы пришли к Non-transactional Outbox — схеме, которая по духу напоминает Kafka Inside the Database, но живет в рамках наших ограничений и требований к отказоустойчивости.

В статье покажем, что такое Outbox, с чем его едят и как готовят. Расскажем допущения по реализации в нашем случае, вытекающие из отличий от классического паттерна Outbox. Обрисуем ту реализацию, которую сделали своими руками, и покажем бенчмарки нагрузочного тестирования. В конце поделимся списком вопросов, которые возникали чаще всего при обсуждении решения внутри банковского сообщества Apache Cassandra.

Работа с требованиями для системного аналитика порой очень напоминает токсичные отношения. Сначала задача вас просто привлекает и воодушевляет — идеей, ценностью или в целом новой предметной областью. Затем поглощает все внимание и полностью овладевает умом. Но со временем процесс начинает напоминать эмоциональные качели: правки, надежда на прояснение требований, новые правки, неверная оценка, уточнения... И по итогу оказывается, что вы уже терпеть не можете эти требования, но при этом и не закончить задачу тоже не можете. Знакомо?

Привет, Хабр! Меня зовут Александр Малышев, я лид системных аналитиков в МТС Cashback. Этот материал на Хабре для меня дебютный. В нем я рассмотрел одну из вечных дилемм — изменчивость требований, под не совсем обычным углом и в нетипичном для Хабра литературном стиле — как красивую и головокружительную love story системного аналитика и требований бизнеса. Если вдруг вам интересно почитать мои изыскания в формате рассказа — добро пожаловать. Прошу не судить строго, но буду рад конструктивной критике.

Привычная многим картина, когда бизнес «с полей» запрашивает дополнительную аналитику, менеджер идет выбивать ресурсы команды под задачу, аналитик вручную «перемалывает» данные и собирает обновленные дашборды…проходят недели, бюрократические жернова перемалывают прибыль, "гиря ударяется о пол" и бизнес в итоге принимает решение «на глазок».

С приходом AI в индустрию бизнес-аналитики забрезжила надежда, что эти темные времена останутся только в воспоминаниях тех, кто еще застал пейджер и охоту на мамонта.

В сегодняшней статье разберём, как на базе версии Apache Superset с поддержкой MCP и связки Foundation Models от Cloud.ru можно собрать рабочего AI-агента аналитика, который фразу «построй мне аналитику по продажам» за минуты превращает в полноценный дашборд с возможностью скейлинга в продакшене.

Привет, Хабр! Меня зовут Анна Пушкарева, я системный аналитик в компании «СИБИНТЕК‑СОФТ». Три года назад я перешла из разработки в аналитику и сейчас участвую в создании внутреннего сервиса для управления проектами — от первых требований до тестирования на реальных пользователях.

В этой статье я расскажу о профессии системного аналитика с практической точки зрения. Материал в первую очередь ориентирован на тех, кто работает или планирует работать в ИТ‑сфере, но будет полезен и аналитикам из других областей — многие подходы и принципы универсальны. Я поделюсь не только теорией, но и конкретными примерами из своего проекта, покажу, какие задачи реально приходится решать и с какими инструментами работать.

Искусственный интеллект уже перестал быть экспериментом для большинства компаний. Его используют в клиентской поддержке, обработке данных, поиске ошибок, подготовке текстов и автоматизации рутинных задач. На этом фоне все чаще возникает вопрос: если ИИ так быстро справляется с типовыми операциями, сможет ли он заменить специалистов – например, аналитика 1С?

Чтобы ответить на этот вопрос, нужно посмотреть, что именно делает аналитик при подготовке технического задания.

Системный аналитик пишет User Story, рисует BPMN, описывает API — а через месяц архитектор перекраивает всё, потому что «это не ложится на DDD». Знакомо?

В этой статье я показываю пошаговый маршрут, как аналитику самому спроектировать доменную модель и перенести её в Java‑код. Разбираю на реальном кейсе: Event Storming, выделение ограниченных контекстов, построение агрегатов с инвариантами и асинхронное взаимодействие через интеграционные события.

ИИ не заменит аналитика данных или специалиста по Data Science. Но он может сильно изменить их работу: ускорить и упростить процессы — или, при неправильном использовании, снизить качество результатов и отучить специалистов мыслить критически.

В Яндекс Практикуме прошёл вебинар «ИИ для аналитиков: как меняется профессия» — эксперты курса «Аналитик данных» и направления Data Science Александр Вальд и Евгений Арзамасцев рассказали, как нейросети помогают работать с данными, какими инструментами можно пользоваться и где без человека пока не справиться. Делимся самым интересным.

Сколько не оптимизируй бизнес-процессы, в них всегда остается какое-то узкое место, которое может застопорить всю работу. Знакомая ситуация? Но самое неприятное, что этот «засор» иногда очень сложно найти. В обновлении 1.9 платформы BPMSoft, о нем мы рассказывали вот тут, появилась тепловая карта бизнес-процессов (БП). Это инструмент визуальной аналитики, позволяющий оценивать эффективность исполнения БП с помощью цветовой индикации: от «холодного» к «горячему». С его помощью можно анализировать всю ветку процесса или его отдельные элементы за выбранный период – по среднему времени выполнения, количеству ошибок и нагрузке на конкретные узлы. Я, Павел Копельман, product owner направления BPMS в компании BPMSoft (ИТ-холдинг LANSOFT) расскажу о том, как эта технология работает и где может реально помочь.

Разработчики не экстрасенсы: как мы перестали приносить им туман вместо ТЗ

Кейс про вагоны, Claude и то, зачем аналитику иногда полезно «потрогать» будущую систему до разработки.

Рабочая история команды аналитиков о том, как бизнес-фраза превращается в инженерный материал.

Archi — это инструмент моделирования для ИТ‑архитекторов, который поддерживает нотацию ArchiMate. Если вы им пользуетесь, то наверняка знаете про плагин coArchi, который позволяет хранить модели в Git. Или вам попадался плагин для хранения моделей в базе данных. В общем мы решили сделать ещё один такой плагин для совместной работы над моделями.

Когда события называются как попало, обязательные поля живут «по возможности», а один клик превращается в пять лидов, аналитика быстро перестает быть инструментом управления и превращается в источник споров.

В статье разбираем, как спроектировать систему событий для воронки продаж: от понятной схемы именования и обязательных полей до защиты от дублей, фильтрации ботов и привязки событий к контексту сделки.

Всем привет! Меня зовут Владимир Зуев, я руководитель разработки JAVA-практики в компании Axenix. Сегодня я хочу представить новую часть из цикла статей о нотации ArchiMate. В этой части мы продолжим проектирование системы управления беспилотным грузовым автотранспортом для междугородних перевозок. Мы попытаемся получить ответ на главный вопрос – что же мы хотим получить? Для этого подробно разберем требования к системе, составим перечень прецедентов использования, а также сформируем техническое задание. Для решения всех задач будем использовать ИИ.

В этой статье разберём архитектуру полноценного фьючерсного сканера для биржи BingX, построенного на Python. Система анализирует десятки и сотни торговых инструментов в реальном времени, фильтрует активы по Open Interest и Funding Rate, рассчитывает технические индикаторы EMA и MACD, а затем формирует торговые сигналы на основе синхронизации нескольких независимых факторов.

Речь пойдёт не о полноценной архитектуре рыночного анализатора, пригодного для дальнейшего масштабирования: подключения Telegram-уведомлений, машинного обучения, кластерного анализа, order flow и полностью автоматической торговли через API.

Все файлы загружены на GITHUB. В статье описываю в основном логическую часть и ньюансы. Так что крайне советую к параллельному изучению самого скрипта и кода.

LEFT JOIN считается одной из самых безопасных конструкций в SQL — пока один фильтр в WHERE тихо не превращает его в INNER JOIN. Ошибка коварная: запрос выглядит абсолютно нормальным, результаты приходят, база не ругается, а часть строк уже исчезла.

В статье разбираем, почему это происходит, как NULL ломает ожидания и чем на самом деле отличаются условия в ON и WHERE.

Прошла 22 конференция AnalystDays. Я хочу с удовлетворением отменить, что организаторам удалось собрать вау-программу с замечательными выступлениями. Во всяком случае, такими оказались многие из выступлений, которые я слушал. При этом у меня не получилось попасть на мастер-классы Димы Безуглого, Анны Обуховой, которых я знаю как крутых спикеров, и, наверняка были другие качественные выступления, на которые я не попал. Как обычно, было много интересного нетворкинга, и поэтому в отчете – всего 7 выступлений, кроме моего. И, в отличие от других недавних конференций, я практически не был на выступлениях про ИИ – не потому, что их не было, просто я выбирал альтернативы.

Дальше – мои конспекты выступлений. Многие с дополнениями – ссылками на разные материалы прошлых лет, которые относятся к теме выступления. Думаю, они будут полезны и самим выступающим, и тем, кто заинтересуется темой.

Я впервые публикую мой конспект с конференции на habr. До этого они были на моем сайте. Хочу посмотреть на реакцию и понять, насколько это уместно здесь делать, так что к читателям – просьба реагировать.

Всем привет! Меня зовут Никита и я CEO компании VSL-BI. Мы занимаемся внедрением BI-аналитики.

К нам обратилась компания из сферы продажи стройматериалов. Они активно работали с рекламой в Яндекс Директ и Google Ads (клиент вел деятельность в Казахстане), следили за аналитикой сайта в Яндекс Метрике, в качестве CRM использовали Битрикс24.

В страховании сейчас распространенный сценарий: руководству приходит гениальная идея «внедрить AI», оно спускает его на функциональных директоров — «придумайте, что у вас автоматизировать». Директор идёт к ChatGPT, описывает процесс, получает уверенный ответ «вам подойдёт LLM-агент». Идёт к вендору — вендор приносит презентацию и ценник. Идёт к консультантам — те делают аудит и тоже находят, что предложить.

И ни один из этих советчиков не скажет «не делайте, не окупится». У LLM это встроено в обучение — она вежливая и полезная. У вендора это бизнес-модель. У консультанта это контракт.

Получается, что у руководителя функции — реальная проблема с реальными деньгами — нет источника совета, который умеет говорить нет.

Я сделала такой источник, или мне это только кажется (смайл). Это бесплатный диагностический сканер для функций страховой компании, без LLM в контуре обработки и без регистрации. Он принимает ответы пользователя про конкретный процесс и говорит, в какую зону этот процесс попадает — зелёную (делать), жёлтую (гибрид с человеком в петле) или красную (не автоматизировать, экономика не сходится) + предлагает релевантные решения.

С чего я вдруг такой альтруист — делать бесплатные инструменты? Конечно, у меня свой интерес, я готовлю образовательный курс для страховщиков, а умные маркетологи говорят, что сейчас без лидмагнита никуда. Дай человеку бесплатную ценность, и если окажется полезно, он придёт. Но мой корыстный интерес не отменяет того, что в сканер вложена двадцатилетняя экспертиза в страховых процессах и опыт аналитика. Это самостоятельный инструмент, которым можно пользоваться и на курс ко мне не идти и даже контакты не оставлять, PDF с результатами скачивается и без этого.

Так как я хотела сделать хорошо, то прежде чем сканер увидел первого пользователя, мне пришлось тестировать его трижды — каждый раз он на чём-то да выдавал фигню. Эту статью я пишу как раз про эти истории — что выдавал и как это чинила. Чтобы вы не набивали мои шишки. Предположу, что кейс будет полезен для того, кто строит диагностические инструменты, и для всех, кто этими инструментами пользуется.