За последние полгода к нам обратились сразу несколько заказчиков с запросом модифицировать или мигрировать структуру их OLAP-кубов – естественно, с сохранением функциональности. Прежде чем браться за задачу, неплохо бы вспомнить, с чем мы имеем дело.
Об OLAP-кубах, как о некоей абстракции, я услышал во второй половине 2000-х гг., а в реальности столкнулся с ними несколькими годами позже.
«Могу ли я выполнять 10, 100 или 1000 экземпляров процессов в секунду на этом кластере Camunda 8?»
Это типичный вопрос, который нам задают в последнее время, и на него можно ответить с помощью бенчмаркинга. Давайте разберёмся в этой увлекательной теме в сегодняшнем посте.
Цель статьи — помочь понять, нужен ли вам на проекте системный аналитик или нет.
А также предостеречь о потенциальных трудностях тех, кто только собирается стать системным аналитиком.
Последние восемь лет я работаю системным аналитиком и до сих пор не перестаю удивляться тому, насколько противоположные мнения об этой роли встречаются даже среди опытных специалистов(подслушано в одном из IT чатов, что и побудило написать данную статью). Ещё в далёком 2008 году был доклад на близкую тему — «Аналитик в Agile: архаизм или необходимость?». С тех пор прошло семнадцать лет, а ситуация принципиально не изменилась — тема по-прежнему вызывает ожесточённые споры.
Проекты практически никогда не развиваются линейно. Они меняются под влиянием внешней среды, новых данных, пользовательского поведения и приоритетов бизнеса.
В этой динамике PO - один из ключевых элементов. Его задача быть гибким, оперативно реагировать на внешние сигналы и адаптировать продукт под текущую реальность. Однако именно из-за этой гибкости его действия часто воспринимаются как импульсные, непредсказуемые или противоречащие ранее принятым решениям.
И это нормально. Потому что реальный продукт живёт, меняется, адаптируется. Проблема не в изменениях. Проблема - когда эти изменения неуправляемы. Когда тебе в середине в спринта в очередной раз заявляют: "А давай вообще переделаем клиентский путь!"
Очень много статей на тему найма программистов и проблем с наймом, как со стороны нанимателя, так и со стороны кандидатов.
Но мне мало попадалось статей про найм смежных вакансий, возможно просто плохо смотрел.
Поэтому решил написать о проблемах, связанных с поиском аналитиков, как системных, так и бизнес аналитиков. Скажу сразу, что для меня это разделение условное.
Всем привет! Меня зовут Илья Криволапов, тружусь системным аналитиком в SENSE на проекте одного из цветных банков РФ. В профессии я уже пятый год и, несмотря на фамилию, ломал прод всего лишь несколько незначительных раз (надеюсь).
На досуге я преподаю в университете дисциплину «Хранение и обработка больших объемов данных» и за все время у меня накопилось много полезной информации. Непростительно хранить такой клад у себя в столе, поэтому я подготовил для читателей Хабра ультимативный гайд по оптимизации или хорошему такому, грамотному проектированию баз данных с расчетом на масштабирование.
Всего в цикле будет 3 статьи. В первой поговорим о двух разных подходах масштабирования БД и о том, как лучше его делать и как лучше не делать (Никогда. Пожалуйста).
Кому будет полезно? Всем отвечающим за «здоровье» базы данных: DBA, архитекторам, DevOps-инженерам, аналитикам и разработчикам.
Согласны? Узнали? Тогда поехали!
Привет, Хабр! Меня зовут Катя, я лидирую Gramax, open source-платформу для управления технической документацией. Однажды мы с коллегами утонули в хаосе рабочих документов: без версий, без согласований, без истории принятых решений. Это подтолкнуло нас к созданию Gramax — инструмента, который интегрирует документацию в процесс разработки, делая его прозрачным и управляемым.
В этой статье расскажу, как Gramax помогает на каждом этапе разработки ПО. Как перейти к документированию в подходе Docs as Code и шагнуть дальше — к Everything as Code.
Один из игроков — я, Кирилл Красновид, тимлид BI-команды в Профи.ру. Наша задача — делать так, чтобы каждый быстро и удобно получал нужную информацию без лишней суеты и ожиданий.
Поэтому мы стараемся все автоматизировать и оптимизировать. Сегодня расскажу, как решаем эти задачи, а ещё про собственные хранилища аналитиков и bus-фактор.
Приходит заказчик и говорит: «Мы новую систему строим, проконсультируйте нас, пожалуйста. Вы же адресами занимаетесь. Нам нужно сделать универсальную адресную модель. Вот у вас «Единый адрес» есть, какая там модель? Мы примем ее за эталонную и будем в своих системах использовать».
Ребята, я вас сейчас разочарую. В «Едином адресе» не одна адресная модель, а несколько. И ни одну из них копировать просто так не нужно.
Эта статья для архитекторов, аналитиков и разработчиков. В ней я расскажу, в чем подводные камни в работе с адресами и что нужно учитывать при проектировании адресных моделей.
Мне стало интересно: насколько глубоко системный аналитик уровня Senior должен разбираться в программном коде? Где проходит грань между бизнес-фокусом и технической вовлечённостью?
Чтобы ответить на этот вопрос, я провёл исследование и опросил почти 200 системных аналитиков. Мы выяснили, какие технические навыки сегодня считаются must-have, а какие по-прежнему остаются "по желанию".
В статье я делюсь результатами опроса, реальными кейсами, мнениями коллег и выводами о том, как трансформируется роль системного аналитика в современных командах. Если вы аналитик, тимлид или архитектор - будет интересно.
Самые интересные новости финансов и технологий в России и мире за неделю: Китай и США договорились по тарифам, Трамп удешевляет лекарства, улитки помогают уклоняться от налогов в UK, ребрендинг Google и Amazon, Маск показал танцующего робота, а также взлом Coinbase.
Привет, Хабр! Сегодня расскажу, как я автоматизировал поиск внешних ссылок в Excel‑файлах с помощью PowerShell, и какие технические сложности пришлось преодолеть по пути. История включает работу с COM‑объектами, разбор ZIP‑архивов, XML‑парсинг, многопоточность и создание GUI на Windows Forms.
Задача звучала просто — найти, какие файлы excel используют конкретный файл excel.
Многие предприниматели знают выручку, но не знают, сколько бизнес реально зарабатывает. В этой статье всё про EBITDA: что это такое, зачем и кому нужен.
Общая боль руководителей при планировании работы: как равномерно распределить задачи так, чтобы проекты шли по плану, а люди не выгорали. Чаще всего причиной провалов проектов становится неэффективное управление ресурсами: кто-то «тонет» в задачах, кто-то простаивает, а самый опытный аналитик оказывается недоступен в критические моменты. Говоря о планировании и распределении ресурсов, мы в первую очередь помним, что речь идет о людях — с их уникальными навыками, усталостью, мотивацией и потребностями.
Прозрачность в процессе планирования создают данные: руководитель может прогнозировать узкие места и вовремя выравнивать нагрузку. Такой подход увеличивает эффективность, снижает текучесть кадров и вовлекает команду в достижение общих целей. Статья будет полезна тем, кто хочет не просто «разгребать завалы», а выстроить системное управление ресурсами. Сейчас расскажем, как мы внедряли data-driven подход.
Любой пассивный инвестор вам скажет, что индексные фонды – это круто, а активные – фу такими быть! Правда, если поскрести популярные пассивные фонды, нередко оказывается, что следуют они за не очень пассивными индексами; а внутри самих индексов могут быть заложены рыночные неэффективности, ведущие к снижению их доходности. В этом материале мы попробуем разобраться: действительно ли фонды акций «с активным налетом» могут иметь шанс на устойчивое опережение своих именитых пассивных собратьев?
Привет! Меня зовут Светлана Уварова, я архитектор информационных систем.
Микросервисная архитектура не гарантирует модульность, если в системе остаются монолитные данные. В этой статье разберемся, как модель данных может незаметно превратить микросервисы в монолит — и как этого избежать на этапе проектирования.
Ранее я уже писала, что архитектору важно понимать, какие данные будут использоваться в системе, как и кем они будут настраиваться, откуда данные собираются и куда передаются.
А если вам уже приходилось переводить монолит в микросервисы — или вы только планируете это сделать — вы могли и можете столкнуться с монолитной моделью данных (далее — ММД).
Неважно, идет ли речь о миграции данных или о ручном заполнении оператором: если вовремя не выявить ММД, в итоге получится новый монолит — только на микросервисном коде. Он будет иметь все характерные для него свойства, в том числе:
Привет, Хабр!
В этом статье рассмотрим, почему классическая реализация SCD Type 2 в DWH начинает жутко тормозить на миллионах строк и как с этим бороться при помощи комбинации MERGE + hash-diff.
Как известно, под словом «аналитика» прячется многое. Но какое из множества ее направлений наиболее востребовано в CRM-системах? Встроенные инструменты предиктивной аналитики в low-code платформе BPMSoft позволяют проводить скоринг лидов и помогают определить, какие сделки будут успешными, а какие — требуют большего внимания. Система самостоятельно обучается с помощью ML-моделей, оценивает перспективность лидов по разным критериям: бюджету сделки или вероятности ее успешного закрытия. Это позволяет менеджерам фокусироваться на тех клиентах, которые с наибольшей вероятностью принесут прибыль.
Привет! Меня зовут Соня Асанина, я работаю в команде Центра технологий искусственного интеллекта Газпромбанка. В этой статье я расскажу, как тематическое моделирование и мягкая кластеризация помогают нам извлекать ценные инсайты из клиентских отзывов.
Каждый день мы получаем тысячи отзывов от клиентов. В каждом есть информация, которая помогает выявлять проблемы и дает понимание, как улучшать продукты и сервисы. Но часто очень сложно извлечь эти инсайты из огромного потока неструктурированных данных.
К примеру, мы получаем отзыв, в котором клиент недоволен кредитной картой и предлагает что-то изменить в приложении, но при этом выражает благодарность за вежливое обслуживание в отделении. К какой категории отнести отзыв? А если таких смешанных отзывов тысячи — как определить, какие продукты действительно требуют улучшения, а какие работают отлично?
Обрабатывать вручную такой поток сложно. А классические методы анализа часто не справляются с этой задачей, поскольку загоняют многогранные пользовательские отзывы в жесткие рамки одиночных категорий. Расскажу, как мы использовали для этого более гибкие инструменты — тематическое моделирование и мягкую кластеризацию.
Для анализа и обработки больших объёмов данных применяются специальные системы — OLAP (Online Analytical Processing). Мы разберём основные принципы их работы, преимущества и примеры использования.
Определение OLAP-систем
OLAP-системы — это инструменты для анализа данных, которые позволяют быстро и эффективно находить ответы на сложные вопросы.
Они находят применение в разных сферах, таких как финансы, производство, розничная торговля и другие.
Пример использования OLAP-технологии
«В компании, занимающейся продажей цифровых товаров и программного обеспечения, многомерный куб помогает анализировать данные».