Системный и бизнес-анализ

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?

tl;dr:

Каждая операция INSERT несет фиксированный overhead (в наших тестах 64–99 ms), независимо от количества строк.

Формула: Total_time = N_statements * fixed_overhead + actual_write_time — подтверждена тестами.

1000 single-row INSERT = 64 секунды (Shared-data) или 100 секунд (Shared-Nothing).

Разница не в диске и не в Docker, а в протоколе commit: TxnLog + publish через BRPC против 2PC + publish_version.

В ANALYZE PROFILE commit overhead прячется в разнице TotalTime - ExecutionTime — это FE overhead.

Батчинг нивелирует разницу: при INSERT SELECT оба режима дают ~0.25 с на 1000 строк.

229 заездов, 140 пилотов, 28 часов работы — столько данных мы собрали из Assetto Corsa за три дня SOC Forum 2025.

Мы превратили обычный гоночный симулятор в источник телеметрии: забирали данные из игры, строили дашборды в реальном времени и даже придумали ачивки для самых отчаянных пилотов.

Рассказываю, как устроен сбор данных из игровых симуляторов, что можно из них вытянуть и зачем это бизнесу.

Мой метод, как получать скорость без самообмана. 

Внутри статьи делюсь примерами промптов, которые можно использовать в исследованиях при анализе конкурентов, поиске продуктовых сценариев, оценке объёма рынка и в других случаях. 🙌

Мне пришлось изучать мир детских книг по работе с данными, когда мы с товарищем начали писать свою книжку. На удивление, на русском языке подобных книг не так много. Но как прекрасно, что часть зарубежных уже переведена на русский! Жаль, что не все!

Давайте покажу вам самые занятные мои находки, сгруппирую их по темам и отсортирую по рекомендуемым возрастам.

Почему data-команды так часто увлекаются модными инструментами и забывают про реальные задачи бизнеса? Автор разбирает, как переход от роли исполнителей к роли партнёров влияет на доверие, устойчивость команды и результат, а заодно — что с этим делать на практике.

Как принять правильное решение в бизнесе? Нравлюсь ли я Маше? Что надеть завтра? Как подойти к разработке передового функционала в ПО? Все эти вопросы — анализ и исследования.

Поговорим о том, что такое анализ в сущности, как его вести системно, как делать это быстро, как избежать ошибок в мышлении и как реально сделать так, чтобы аналитика была в 10 раз полезней.

Рассмотрим метафизику вопроса, практические алгоритмы и их пересечения.

Уважаемые читатели, меня зовут Ольга Чикова и я бизнес-аналитик компании «МегаФон». Долгие годы я работала в сфере закупок и проектов оптимизации стока, а в 2025 году перешла в аналитику, чтобы помогать другим представителям бизнеса лучше доносить свои требования до it команды. 

Самым большим проектом в 2025 году для меня стало внедрение системы маркировки «Честный знак». Я хотела бы поделиться своим опытом подготовки к вступлению в систему маркировки, рассказать, каких ошибок можно избежать, на что сделать упор в подготовке и как не потратить зря время и деньги.

Кратко о том, что необходимо знать при знакомстве с «Честным знаком»:

Обязательная система маркировки «Честный знак» запущена в России в 2018 году. В октябре 2025 года система маркировки действовала уже в 33 товарных категориях, и еще 13 сейчас являются пилотными. Кто в РФ решает, какую категорию товаров включать в систему «Честный знак»? Решение принимает Правительство РФ по представлению Минпромторга. Это длительный процесс, который состоит из нескольких этапов: сначала проходит эксперимент, после его завершения выпускается постановление правительства, затем наступает этап обязательной маркировки для всех участников рынка.  

Товарные категории разделены по направлениям: шины и покрышки, лекарства, товары легкой промышленности и т.д. У каждой товарной категории свои правила, где-то они совпадают, а где-то различаются, причем достаточно сильно. Если ваш товар относится к экспериментальной группе, то настоятельно рекомендуем вам вступить в эксперимент как участник (как вступить в эксперимент описано на сайте «Честный знак»). Во-первых, вы будете в курсе всех изменений, во-вторых, вы сможете задавать вопросы по товарной категории не только по электронной почте, но и онлайн на общих встречах с организаторами.

Привет, Хабр, меня зовут Александр Мачулин, я основатель Gramax, open source системы для ведения документации в подходе Docs as Code с визуальным редактором. Gramax хранит контент в git-репозитории. Это означает, что у пользователей могут возникнуть конфликты при синхронизации изменений. Я считаю, что нагружать пользователей решением конфликтов – не очень хорошо и пытаюсь найти решение для этой задачи.

Когда-то программное обеспечение «съело мир». Теперь Уолл-стрит всерьёз обсуждает другой сценарий: а что если искусственный интеллект начнёт поедать само программное обеспечение — его бизнес-модели, доходность и прибыль?

За несколько дней инвесторы списали сотни миллиардов долларов капитализации с компаний, которые ещё вчера считались главными бенефициарами ИИ. Причина парадоксальна: рынок начал сомневаться, что программное обеспечение вообще сохранит прежнюю ценность. Похоже, мы переживаем момент истории, когда технологический прогресс впервые воспринимается не как источник роста, а как угроза самой индустрии, которая этот прогресс создала.