Системный и бизнес-анализ

Представьте себе прораба на стройке — он хоть и не делает ничего руками, но должен разузнать пожелания клиентов, придумать, как их реализовать, и донести все аспекты будущих работ строителям. При разработке мобильных приложений работа системного аналитика выглядит схожим образом — он не пишет код и не рисует интерфейсы, но от того, насколько точно системный аналитик разработал свои «инструкции», во многом зависит конечный результат.

Меня зовут Мария Горгоц. Я старший системный аналитик в MedTech компании №1 в России — СберЗдоровье. В этой статье я расскажу о том, как у нас в компании выстроена работа системных аналитиков при проектировании новых фич для мобильного приложения.

Меня зовут Александр Демидов, я бизнес-аналитик в X5 Tech. В этой статье я постараюсь по существу рассказать как я полюбил создавать карты клиентского пути (CJM), что помогло мне делать их в 4 раза быстрее и почему искусственный интеллект настоящая палочка-выручалочка при верном подходе.

Работая аналитиком 1С уже не первый год, я всё больше прихожу к выводу: время — один из главных ресурсов. А значит, любые инструменты, которые помогают сэкономить его — на вес золота.

В этом посте поделюсь подборкой полезных обработок, скриптов и приёмов, которые выручают меня в ежедневной работе. Некоторые из них самописные, какие-то — популярные, но в связке дают отличный эффект.

Целевая аудитория — аналитики, которые не просто составляют ТЗ, но и погружаются в логику системы, отлаживают процессы, и работают с программистами на одном языке.

Система аналитики и презентации данных — мой проект, который я выполнял в рамках курсовых работ во время обучения в институте. Описал основные шаги, идеи и поделился своими успехами.

На связи Анна Астахова, директор по развитию ИТ-интегратор «Белый код». В этой статье расскажу, как можно адаптировать такой инструмент как BI под задачи конкретного бизнеса. Например, вы хотите видеть, сколько звонков совершают менеджеры по продажам, кто из них эффективнее. Внутри примеры таких задач с дашбордами.

Друзья, привет! Меня зовут Ларионов Александр. Я работаю системным аналитиком. Совместно с Лабораторией инноваций Московской биржи мы изучали вопрос применения AI в системном анализе.

Когда я впервые столкнулся с задачей внедрения AI-ассистентов в процессы работы системного аналитика, то отреагировал скептически. Поводов было немало: большинство материалов на эту тему представляли собой восторженные отзывы вроде «AI автоматизирует рутину» или «machine learning улучшает принятие решений». Однако, при ближайшем рассмотрении, эти фразы распадались на абстрактные утверждения. Попытки уточнить у авторов конкретные кейсы или сценарии применения их инструментов для системного анализа сводились к общим фразам: «Обучите модель на ваших данных — и она всё поймёт».

Скептицизма добавляло и то, что сама роль системного аналитика строится на работе в условиях высокой неопределенности. В этой специальности регулярно сталкиваются с неоднозначными требованиями, непонятной бизнес-логикой, конфликтующими приоритетами, быстро меняющимися требованиями. Это противоречит глубинному принципу современных AI-моделей — обучению на конкретных, четко структурированных данных. Машине сложно оперировать «чувством здравого смысла» или «интуитивным пониманием бизнес-процессов», которые так важны для аналитика.

Как же убедиться, что AI полезен для нашей профессии, когда в поиске реальных кейсов находишь информационный вакуум? Я решил переосмыслить подход и начать экспериментировать самостоятельно. За основу я взял самые распространённые задачи, с которыми сталкиваются системные аналитики, в том числе и мы в Лаборатории инноваций Московской биржи.

Привет Хабр! Меня зовут Татьяна Ошуркова, я системный аналитик и разработчик. Несмотря на то, что UML-диаграммы являются популярным и востребованным инструментом, не все системные аналитики используют его в своей работе. Одной из причин может быть непонимание пользы для требований и проработки задачи.

Скажу честно, что такое было и со мной, когда опыта у меня было немного. Сложностей в работе хватало и без дополнительных инструментов, которые требовали время на погружение. В этой статье я на практическом примере покажу, как проработать процесс с помощью моделирования на UML. Подробно посмотрим, как сделать это быстро, понятно, а также выделим основные преимущества решения.

Реклама является основой монетизации цифрового контента в Интернете. Однако, с целью подбора более релевантной рекламы рекламные сети вынуждены собирать о пользователях как можно больше информации, и это тесно сопряжено с нарушением приватности. Все становится еще интереснее, когда крупнейшие представители рекламного бизнеса начинают продвигать идею конфиденциальности.

В статье повествуется интригующая история о том, как Alphabet (Google), владеющая одной из крупнейших рекламных сетей AdSense, самым популярным браузером Chrome и огромным влиянием на рынок мобильных устройств, попыталась бросить вызов самой себе, одним глазом подглядывая за пользователем, а другим надзирая, чтобы не подглядывал никто другой.

Данный материал подойдет тем, кто работает в сфере цифровой рекламы или вебе, тем, кто хочет разобраться, как работает современная реклама в Интернете, тем, кто борется за анонимность в сети, и тем, кто любит холивары, какие браузеры безопаснее и лучше. Автор старался не затрагивать сложные технические аспекты с целью адаптировать материал для новичков.

Это моя первая статья на Хабре. Формат нащупываю. Хотелось бы сразу с кейсами и диаграммами, но решил начать с простого — краткий разбор архитектуры нашего сервиса и того, как мы пришли к текущему состоянию.

Сервис — это проверка физических и юридических лиц по открытым источникам. Пользователь вводит ИНН или ФИО и получает отчёт: есть ли долги, исполнительные производства, признаки банкротства, участие в сомнительных организациях и так далее. Отчёт собирается на лету по 10+ источникам.

Система существует давно. Код — не идеален. Архитектура — не микросервисная. Docker и Kubernetes у нас не прижились, зато есть реальный боевой опыт. Ниже — краткий разбор, как оно устроено, какие ошибки мы прошли и как всё это выживает под нагрузкой.

Когда бизнес внедряет 1С, он ждёт, что «всё будет работать само». Но вместо автоматизации начинается война с системой.

Я — бизнес-аналитик и аналитик 1С. Работаю с малым и средним бизнесом. В этой статье расскажу, почему типовая конфигурация 1С чаще мешает, чем помогает, и что с этим делать.

В чём корень проблемы?

Предприниматели думают, что 1С — это готовое решение. И действительно, «Управление торговлей», «Розница», «Бухгалтерия» — это мощные платформы. Но ключевое слово тут — платформы, а не решения.

Типовые конфигурации создавались под максимально обобщённые кейсы.

В рамках BI решаются различные задачи, в том числе и с помощью статистических методов, для корректного выбора которых важно обращать внимание на содержание задачи. Например, если нужны только средние значения для графика, то действительно достаточно их рассчитать. Но иногда требуется решить другие задачи, например, не просто расчет средних значений двух выборок, но и сравнение средних двух выборок, чтобы узнать, в какой выборке среднее больше или меньше. Кроме того, данных для сравнения может быть столько, что они могут не умещаться на графике. В этом случае важно переключиться на подходящую статистическую гипотезу и использовать корректные статистические методы, намного более интересные, чем отображение средних значений на графике. Здесь могут быть эффективны методы дисперсионного анализа (ANOVA), или, в частном случае, когда речь идет о расчетах для одного фактора — методы сравнения средних двух выборок, и, например, метод Кохрена-Кокса. О том, какие результаты подобный подход дает на практике, а также о преимуществах работы с DAX при сравнении средних значений, читайте под катом.

Младший аналитик — этакая низшая каста в масштабной иерархии ИТ-проектов, человек, на которого зачастую сваливают большое количество монотонной механической работы с документацией и практически не допускают к общению с заказчиком. Как не утонуть в рутинных обязанностях, найти возможности для саморазвития и обучения, не растерять амбиции на пути к заветному повышению грейда и собственных скиллов?

Пятый, юбилейный выпуск нашего исследования «Круги Громова» выходит в момент, когда рынок отечественных BI-платформ переживает волну бурного роста и трансформации. За два года, прошедшие с публикации предыдущего отчёта, импортозамещение перестало быть формальностью и стало стратегической необходимостью: доля внедрений российских BI-систем выросла почти в восемь раз, а зарубежных — упала до 23 %[1]. На этом фоне особенно важны объективные ориентиры, позволяющие ИТ-директорам и бизнес-пользователям выбрать платформу, которая останется актуальной на ближайшие несколько лет. Именно такую навигационную карту мы и предлагаем.

Меня зовут Андрей Рыжик, я разработчик BI. У большинства ритейлеров есть система лояльности. Но далеко не каждый владелец бизнеса имеет внятную аналитику этой лояльности. Кто действительно возвращается, а кто просто копит баллы? Какие клиентские сегменты приносят деньги, а какие висят мертвым грузом? Расскажу про аналитику системы лояльности, которую мы разработали и внедряем в проектах. 

Привет, Хабр! Мы команда T-Банка: Алиса — лидер проекта, Алексей — аналитик по клиентскому негативу, Влад — аналитик, разбирается в данных и превращает числа в гипотезы, Александр — исследователь-разработчик ML-алгоритмов. Мы изучаем, как коммуникации влияют на клиентов и как сделать их более точными и ценными для бизнеса.

Реакция клиентов на рекламу и их восприятие коммуникаций напрямую влияют на долгосрочные отношения. В T-Банке мы стремимся персонализировать предложения, минимизируя негатив, который может возникнуть при взаимодействии с рекламой.

Мы описывали подход к предсказанию отказов пользователей от маркетинговых уведомлений, что позволило нам ранжировать пользователей по вероятности отписки от рекламы и статистически значимо снизить отказы.

Потом перед нами появилась задача посложнее: дать количественную оценку средней денежной стоимости отказа клиента от рекламы. Мы столкнулись со сложными причинно-следственными связями в поведении пользователей, и это привело нас к важному выводу: далеко не все методы дают быстрый практический результат в условиях реальных данных.

В статье мы поделимся опытом оценки стоимости отказа от рекламы на примере трех подходов — Stratified Random Sampling, Propensity Score Matching и FAISS, а также выводами, к которым пришли в итоге.

Привет, Хабр! Меня зовут Даша Козлова, я аналитик в Авито. В этой статье я расскажу свою не самую репрезентативную, но интересную историю рождения бабочки аналитика. Добро пожаловать, усаживайтесь поудобнее и погнали!

Привет, Хабр! На связи Давид Саргсян. Я занимаюсь системным анализом цифровых продуктов банка ПСБ.

В этой статье расскажу о том, как не упустить ничего важного на этапах выбора концепции и проектирования вашей будущей интеграции.

Как перейти от первых проектов к успешной автоматизации сотен процессов с помощью гибкого пошагового подхода.

Нам часто задают такие вопросы:

— Как масштабировать внедрение Camunda в рамках всей компании?

— Как создать корпоративную платформу для управления процессами?

Мы видим, как масштабно Camunda используется в таких компаниях, как Goldman Sachs (3000 процессов, 8000 пользователей в день), Societe Generale (600 процессов, 60 000 завершённых задач в месяц, 7500 активных пользователей) или 24Hour Fitness (800 процессов, 230 миллионов выполнений активностей в день). Как нам достичь такого уровня?

Кажется, это не особо сложная задача - построить витрину для дэшборда, однако, я хочу отметить одну важную особенность при построении агрегированной витрины.

Привет! Меня зовут Михаил Васягин, я занимаюсь веб-аналитикой в M2. М2 — это онлайн-платформа для решения вопросов с недвижимостью. Сервисами М2 пользуются как частные лица, так и профессиональные участники рынка — риелторы, застройщики, банки. Мы помогаем тысячам людей экономить время, нервы и деньги. Сейчас каждая пятая квартира в новостройке покупается через нашу платформу.

В 2024 году маркетинг запустил большую медийную кампанию, которая откручивалась с помощью рекламных систем Яндекс Директ и AdRiver. Мы в веб-аналитике не захотели останавливаться на метриках охвата и решили попробовать оценить влияние показов медийной рекламы на дальнейшие источники трафика на сайте.