Data Driven культура от AW BI

Нашли «дыры» в бизнес-модели. Теперь покажем, как превратить результаты анализа в рост продаж📊

⌛️ Уже завтра, 8 сентября в 15:00, пройдёт второй вебинар из цикла трёх встреч о построении системы управления на основе данных: «Превращаем гипотезу в инструмент роста продаж».

На первом вебинаре разобрали, как за 15 минут найти «дыры» в бизнес-модели. Второй вебинар посвящён тому, что делать с этими находками дальше.

🔊Эксперты Евгений Стучалкин, архитектор аналитических решений, и Сергей Студеникин, аналитик данных и эксперт по визуализации в AW BI, вместе с командами Loginom, Easy Report и AW BI покажут, как единая аналитическая система на основе ваших данных формирует персонализированные рекомендации по допродажам и автоматически выгружает их в дашборд для РОПа.

Вы узнаете:
🔸как гипотеза, сформулированная на основе факторного анализа, превращается в алгоритм рекомендаций с понятной бизнес-логикой без программирования;
🔸как система автоматически сегментирует клиентов и корректируется по обратной связи от отдела продаж;
🔸как выглядит дашборд для РОПа с рекомендацией и её потенциальной денежной ценностью по каждому клиенту.

Присоединяйтесь к вебинару, чтобы разобрать на практике, как факторный анализ превращается в рабочий алгоритм для отдела продаж.

🔗Регистрация по ссылке.

Аналитики разработали гипотезу, что можно повысить продажи через предложение сопутствующих товаров. Как сделать из этого инструмент, который применяется в работе отдела продаж?🤔

🎤Расскажем завтра на совместном эфире с Евгением Стучалкиным, автором концепции КУМБА, и командами Loginom и Easy Report.

Присоединяйтесь, подробности - в посте ниже↘️

Iceberg: почему это слово вдруг появилось в каждой второй вакансии дата-инженера📊

Ещё пару лет назад Iceberg мог фигурировать в резюме разве что инженера Netflix. Сегодня Iceberg встречается в вакансиях BI-разработчиков и дата-инженеров, а аналитикам всё чаще пишут «будет плюсом». Разбираемся, что это за формат, откуда хайп и почему это интересно нам самим как команде BI-продукта.

🤔Давайте разбираться, кто такой это ваш…
Apache Iceberg - это открытый формат таблиц для больших аналитических данных. 
Если классический дата-лейка - это по сути просто набор файлов. И чтобы работать с ними, нужно знать, как эти самые файлы разложены по папкам, а любое изменение схемы или обновление данных часто требует переписывать большие объёмы информации.

То Iceberg решает этот вопрос, добавляя поверх файлов слой метаданных. Благодаря ему система знает, где лежат данные, как они связаны между собой и как менялась таблица со временем.

В результате дата-лейк начинает вести себя как полноценная SQL-таблица: поддерживает ACID-транзакции, позволяет менять схему без пересборки данных, автоматически управляет партиционированием и хранит историю изменений, к которой можно вернуться в любой момент.

⚡️Откуда взялся этот ваш…
Как и многие технологии для больших данных, Iceberg родился из очень практической проблемы.

В 2017 году в Netflix поняли, что Apache Hive больше не справляется с объёмами хранилища свыше 100 ПБ: изменение схемы обходилось слишком дорого, а полноценной поддержки транзакций не было. Тогда инженеры Ryan Blue и Dan Weeks разработали Iceberg, который позволял работать с огромными таблицами без этих ограничений.

Через год Netflix передала проект Apache Software Foundation. Сегодня это уже не технология Netflix, а один из главных открытых стандартов для аналитических хранилищ.

📌Почему шум поднялся именно сейчас
Несколько лет Iceberg оставался инструментом в основном для крупных компаний вроде Netflix и Airbnb. Но за последние пару лет ситуация изменилась: практически все крупные аналитические платформы добавили его полноценную поддержку. 

Раньше данные, загруженные в одну систему, были фактически привязаны к ней. Переход на другую платформу часто означал долгую и дорогую миграцию с переписыванием всего хранилища. Iceberg меняет эту модель. Данные хранятся один раз в открытом формате, а работать с ними могут разные движки. 

Этот сценарий актуален прежде всего для компаний масштаба Netflix или Airbnb: петабайтные хранилища, множество разных вычислительных движков поверх одних и тех же данных. Именно там независимость от вендора становится критичной. Отсюда и требование в вакансиях: работодателям важно, чтобы человек понимал сам принцип устройства современного хранилища, а не был экспертом только в интерфейсе одного продукта.

👀Как мы смотрим на это в AW BI
Для нас это прежде всего маркер зрелости рынка. Логика Iceberg (метаданные отдельно от файлов, версионирование, эволюция схемы без даунтайма) в том или ином виде встречается почти в любой современной аналитической платформе. Поэтому, если специалист понимает архитектуру Iceberg, ему проще разобраться в устройстве любой BI-системы: принципы там пересекаются.

🙂Мы тоже двигаемся в сторону файловых хранилищ: в ближайших планах на 2026 год - коннектор к Data Lake через HDFS, который расширит работу AW BI с файловыми источниками данных. Поддержку конкретно табличного формата Iceberg пока не анонсируем, но архитектурная логика, которая за ним стоит, нам понятна и близка.

❔А вы уже работали с Iceberg на практике, или пока встречали его только в требованиях к вакансиям? Делитесь опытом в комментариях⬇️

Закон Гудхарта⚡️

Есть одна ошибка, которую компании совершают снова и снова.

Причём не только молодые стартапы. Иногда её допускают очень большие компании с очень умными людьми.

➡️Ошибка звучит так: если мы будем измерять что-то полезное, то автоматически получим больше полезного.

Не получим.

Для этого даже есть специальный термин - закон Гудхарта: когда показатель становится целью, он перестаёт быть хорошим показателем.🙃

Звучит немного абстрактно. Но две истории объясняют эту идею лучше любого определения.

🤔 История 1. Эффект кобры
Во времена британского правления в Индии власти решили сократить количество кобр в Дели.

За каждую сданную змеиную шкуру назначили вознаграждение.

Идея казалась очевидной: чем больше убитых кобр, тем безопаснее город. Но жители довольно быстро поняли правила игры.

Они начали... разводить кобр. Специально.😬

Когда власти это обнаружили, программу закрыли. Разводить змей стало бессмысленно, и тысячи кобр просто выпустили на улицы.

В итоге кобр стало больше, чем было до начала кампании.
Метрика сработала.
Цель - нет.

🤔 История 2. Бизнес-версия эффекта кобры
В 2016 году Wells Fargo поставил сотрудникам KPI по количеству банковских продуктов на одного клиента.

Логика снова казалась безупречной: чем больше продуктов использует клиент, тем выше его лояльность. На бумаге всё выглядело отлично. На практике сотрудники начали открывать счета и выпускать карты без ведома клиентов, просто чтобы выполнить план.

В итоге банк получил штрафы свыше $3 млрд, серьёзный репутационный удар, а генеральный директор лишился своей должности.

❕Снова всё по закону Гудхарта.
Когда людей начинают оценивать по одной цифре, они начинают оптимизировать именно её. Не удовлетворённость клиентов. Не прибыль бизнеса. Не долгосрочный результат. А конкретную цифру в отчёте.
И, если честно, трудно их за это винить.

Как не попасть в эту ловушку?❔
🔘 Проверяйте метрику на «взламываемость». Можно ли улучшить показатель, не улучшая реальный результат?
🔘Не полагайтесь на одну цифру. Связку метрик обмануть гораздо сложнее, чем отдельный показатель.
🔘Регулярно пересматривайте KPI. То, что два года назад было хорошей метрикой, сегодня вполне может стать объектом для манипуляций.

Дашборд не врёт.📊
Он честно показывает именно те цифры, которые вы решили измерять.
Но это совсем не означает, что вы измеряете то, что действительно важно.

Делитесь, а у вас были ситуации, когда KPI начинали жить собственной жизнью? Когда цифры становились красивее, а реальный результат нет? Расскажите в комментариях.✍️

✍️Ранее мы писали, что главная проблема ИИ в аналитике - не сама модель, а контекст вокруг неё. Семантический слой, каталог данных, единые определения метрик, права доступа, всё то, что помогает модели понимать, с какими данными она работает.

В последнее время вокруг ИИ всё чаще говорят о MCP (Model Context Protocol). И это важный сигнал для всей отрасли корпоративной аналитики.

✅MCP - это открытый протокол, который позволяет AI-агентам безопасно и стандартизировано подключаться к внешним данным и инструментам: BI-платформам, базам данных, API, каталогам и другим корпоративным сервисам.

❕Важное уточнение: MCP не отвечает на вопрос, что означают данные. Он отвечает на вопрос, как до них добраться.

🔵Если семантический слой отвечает за смысл данных: какие метрики считать, как они рассчитываются, какие определения использовать.
🔵То MCP, в свою очередь, отвечает за взаимодействие: как AI-агент получает доступ к этим данным, какие действия может выполнять и какими инструментами пользоваться.

Только вместе эти компоненты позволяют ИИ работать не с абстрактными цифрами, а с корпоративными данными, которым можно доверять.

🙂Сейчас MCP стремительно становится отраслевым стандартом. Его уже поддерживают OpenAI, Anthropic, Google, Microsoft и AWS. Появляются первые MCP-серверы для корпоративных продуктов и BI-инструментов, а рынок постепенно приходит к единому способу взаимодействия AI с корпоративными данными.

Что всё это означает для BI?
Похоже, мы постепенно переходим к модели, где AI работает не поверх аналитической платформы, а через неё. Не обходит семантический слой, не пишет SQL «как получится», а использует уже существующую модель данных, права доступа и бизнес-логику.

И, возможно, именно это станет следующим большим этапом развития BI.📊

Не новые диаграммы. Не ещё один тип визуализации. А возможность сделать так, чтобы AI наконец начал работать с корпоративными данными так же аккуратно, как это делают аналитики.

💬Как думаете, через несколько лет MCP станет для BI таким же обязательным элементом, как REST API сегодня? Или корпоративные платформы продолжат развивать собственные способы интеграции с AI?

#мнение

✨В прошлом посте мы говорили о том, что главная проблема ИИ в аналитике - вовсе не ИИ, а данные и инфраструктура вокруг него.

Но есть ещё одна вещь, о которой говорят заметно реже.🤫

ИИ действительно сделал аналитику доступнее. Но вместе с этим он сделал доступнее и ошибки. 🙃

Раньше, чтобы получить неправильный отчёт, нужно было хотя бы написать неправильный SQL. Сегодня достаточно написать промпт.💻

LLM уверенно строит запросы, объясняет результаты и предлагает выводы. Проблема в том, что она не знает бизнес-контекст: как считаются метрики именно в вашей компании, какие данные нельзя использовать, а какие давно потеряли актуальность.

⚡️Главный риск - правдоподобные неправильные выводы.
Их сложнее заметить, потому что выглядят они профессионально.

Поэтому зрелые компании сегодня инвестируют не только в сами модели, но и в то, что позволяет им работать корректно: семантический слой, каталог данных, описание метрик, data governance.

❕Получается, что требования растут не к самой модели, а к тому, что стоит за ней: качеству управления данными.

Похоже, в эпоху LLM конкурентным преимуществом становится уже не тот, кто быстрее внедрил искусственный интеллект. А тот, кто сумел сделать так, чтобы ему можно было доверять.

🤔Поделитесь опытом: сталкивались ли вы с ситуацией, когда LLM дала убедительный, но неверный ответ на основе корпоративных данных? Что пошло не так, дело было в самих данных или в промпте?

Главная проблема ИИ в аналитике – не ИИ 🐈‍⬛️

За последний год вокруг ИИ появилось столько ожиданий, что иногда кажется: достаточно подключить модель к данным... и она сама всё найдёт, объяснит и даже подскажет, что делать дальше.

🫣На практике, как всегда, всё иначе. Чаще всего проблема не в том, какую модель вы выбрали, а в том, что вы ей дали.

Под общим словом «ИИ» сегодня обычно скрываются два совершенно разных класса систем: ML и LLM. И работают они тоже по-разному.

➡️ ML обучается на исторических данных и выдаёт прогноз, вероятность или сегмент. Обучили один раз, а дальше модель работает по регламенту. Но если изменились бизнес-процессы, логика скидок или промо, а признаки не обновили, модель продолжит уверенно прогнозировать прошлое.

➡️ LLM работает с текстом и контекстом. Она позволяет задавать вопросы о данных на естественном языке, не вспоминая SQL и структуру хранилища. Но без контекста модель не знает, где лежат данные, какую метрику считать правильной и нужно ли, например, учитывать НДС.

Можно, конечно, подробно объяснять всё в каждом запросе. Но тогда инструкция быстро становится длиннее самого SQL. А иногда модель ещё и начинает слишком стараться: вместо одного запроса предлагает целую хранимую процедуру с обработкой сценариев, о которых никто не просил.

🙂Поэтому в зрелой аналитике всё чаще говорят не только о моделях, но и об инфраструктуре вокруг них. Для LLM это семантический слой, который связывает бизнес-термины со структурой хранилища. Для ML – MLOps, который автоматизирует жизненный цикл моделей: от обучения и контроля качества до мониторинга и своевременного переобучения.

Получается любопытная вещь: чем умнее становятся модели, тем важнее становится всё, что находится вокруг них.

ИИ не отменяет хорошую архитектуру данных. Он лишь очень быстро показывает, где её не хватает.

📝Подробнее о возможностях ML и LLM, сценариях их применения и о том, как семантический слой помогает подружить LLM с корпоративными данными – собрали в статье по ссылке.

👀 Почему мы стали всё чаще понимать глазами и при чём здесь BI-системы

За последние годы произошло важное изменение: мы перестали читать информацию и начали её считывать.

📎Раньше понимание строилось так: текст → анализ → вывод
📎Сегодня чаще так: образ → распознавание → решение

Мы открываем карту, дашборд, интерфейс или ленту новостей — и за несколько секунд понимаем больше, чем раньше после нескольких страниц отчёта/доклада.💻

Почему визуальное побеждает?
Человеческий мозг эволюционно умеет быстро распознавать:
🔸движение;
🔸форму;
🔸отклонения;
🔸закономерности;
🔸угрозы и возможности.

То есть мозг исторически создан не для чтения таблиц на 500 строк, а для мгновенного понимания картины.

Именно поэтому:
🔸таблица требует усилия;
🔸текст требует времени;
🔸график даёт смысл почти сразу.

Что изменилось?
Визуальное перестало быть просто формой подачи. Оно стало формой принятия решений.📊

Сегодня руководитель редко хочет «файл с цифрами». Он хочет за 30 секунд понять:
🔴где просадка;
🔴что растёт;
🔴где риск;
🔴что делать дальше.

И вот здесь начинается настоящая ценность аналитики.

🇷🇺Почему BI-системы сейчас критически важны?
BI-система сегодня — это уже не инструмент для красивых отчётов. Это система, которая превращает хаос данных в понятную картину бизнеса.

Она позволяет:
⚫️увидеть взаимосвязи, а не отдельные цифры;
⚫️замечать отклонения раньше, чем они станут проблемой;
⚫️принимать решения на основе фактов, а не интуиции;
⚫️синхронизировать всех вокруг единой версии правды.

По сути, BI — это интерфейс-проводник между компанией и её собственной реальностью.

Главный вывод 🤔
В 2026 выигрывает не тот, у кого больше данных.
Выигрывает тот, кто быстрее превращает данные в понимание, а понимание в действие. Именно поэтому BI-системы становятся не вспомогательным ПО, а частью управленческой инфраструктуры бизнеса.

❔Как считаете, если ответы уже есть в данных, почему так много компаний продолжают искать их на совещаниях? Делитесь мнением в комментариях!

#мнение

Почему клиентская аналитика в ретейле не даёт эффекта, даже если данные есть🧐

Во многих компаниях уже накоплен большой объём данных о клиентах: транзакции, каналы привлечения, поведение, сегменты. Но на практике это редко превращается в управляемую систему.

🔘Маркетинг оценивает кампании отдельно от выручки.
🔘Продажи работают с агрегированными показателями.
🔘Аналитика собирает отчёты, которые не всегда доходят до решений.

В результате бизнес видит цифры, но не видит связей между ними.🙈

Клиентская аналитика начинает работать по-настоящему, когда данные собираются в единую модель и становятся основой для решений – на уровне маркетинга, продаж и управления продуктом.

Именно этот переход чаще всего оказывается самым сложным.

⚡️Разбираем, как его пройти, на практическом эфире с компанией Lasmart 15 апреля в 11:00 (МСК).

Прямой эфир: Как построить клиентскую аналитику в ретейле и находить точки роста в маркетинге и продажах.

Покажем:
🔘как выстроить клиентскую аналитику;
🔘как связать маркетинг, продажи и клиентские данные;
🔘где искать реальные точки роста LTV, выручки и ROI;
🔘какие дашборды помогают находить инсайты, а не просто визуализируют данные.

На примерах и с разбором подходов, которые применяются в реальных проектах.

Если вы работаете с клиентскими данными и хотите, чтобы аналитика начала влиять на бизнес-показатели – этот эфир точно будет полезен.

📎Регистрируйтесь по➡️ ссылке и коллег зовите, они скажут вам спасибо!

🌸Весна… время обновления
И, как бы банально это ни звучало, лучший апгрейд – это апгрейд собственных привычек.

Мы в AW BI часто говорим о данных в бизнесе. Но аналитика важна и в личных решениях: она помогает убрать эмоции и посмотреть на факты.👀

Сегодня хотим провести небольшой разбор на основе открытой статистики: как выглядят риски, связанные с курением и регулярным потреблением фастфуда.

❕Важно: ни курение, ни нездоровое питание не являются безопасными или полезными. Ниже – исключительно цифры и их интерпретация.

Курение: что говорят данные
По результатам крупных эпидемиологических наблюдений:
🔸среди 1000 заядлых курильщиков (более пачки сигарет в день) в течение 10 лет рак лёгких диагностируется примерно у 5–20 человек (около 0,5–2%);
🔸при потреблении менее половины пачки в день относительный риск выше, чем у некурящих, однако абсолютные значения остаются в диапазоне менее 2 случаев на 1000 человек;
🔸после отказа от курения риск постепенно снижается, и через 10 лет может приблизиться к уровню людей, которые никогда не курили.

❕Важно понимать: речь идёт только о раке лёгких и только о 10-летнем горизонте наблюдения. Курение связано также с другими онкологическими, сердечно-сосудистыми и респираторными заболеваниями. Риски на более длинной дистанции значительно выше.

Регулярный фастфуд: системное влияние
По данным Всемирной организации здравоохранения, ожирением страдают 35–40% взрослого населения в ряде стран – это 350–400 человек из 1000.

Ожирение – это не эстетическая проблема, а фактор риска:
🔸сердечно-сосудистых заболеваний;
🔸диабета II типа;
🔸метаболического синдрома;
🔸общего снижения качества жизни.

Дополнительно исследования, опубликованные в Journal of Clinical Psychology, связывают регулярное потребление высококалорийной пищи с более высокой частотой депрессивных симптомов и более низкой субъективной удовлетворённостью жизнью.

🟦Здесь важно видеть масштаб: в отличие от точечных онкологических рисков, метаболические нарушения затрагивают десятки процентов людей.

Что показывают цифры без эмоций
🔸Если смотреть строго на краткосрочные показатели рака лёгких, то абсолютные значения выглядят сравнительно небольшими.
🔸Если смотреть на распространённость ожирения и метаболических нарушений – речь уже идёт о значительной доле населения.

❗️Но корректный вывод не в том, что «одно страшнее другого». Корректный вывод в другом: оба типа привычек повышают риски, просто по-разному и на разных горизонтах времени.

Почему это важно в контексте аналитики📊
Мы часто переоцениваем яркие риски и недооцениваем системные. Онкология пугает, и это естественно. Медленное ухудшение метаболического здоровья кажется менее драматичным, но влияет на гораздо большую долю людей.

Данные учат нас главному:
🔸смотреть на абсолютные цифры;
🔸учитывать горизонт планирования;
🔸понимать масштаб распространённости;
🔸не делать выводов на основе эмоций.

Ни курение, ни регулярный фастфуд не являются безопасными привычками.
И то и другое статистически ухудшает здоровье и снижает качество жизни.

🙌Осознанный выбор – это не про страх. Это про понимание вероятностей. А понимание вероятностей – это всегда первый шаг к управлению рисками.

И в бизнесе. И в жизни.✅

И, конечно, хочется пожелать всем качественных весенних обновлений!🫶

EdTech – новая фабрика кадров для Data-Driven компаний😎

О разрыве между образованием и индустрией говорят давно. Университеты дают фундамент, системное мышление и базу, без этого невозможно вырастить сильного специалиста. Но бизнес живёт в другой динамике: технологии меняются быстрее, чем обновляются учебные программы. Поэтому компаниям всё чаще приходится дообучать выпускников уже под конкретные задачи и инструменты.

🧐Но что, если самый эффективный поставщик кадров – это не университет и не HH, а собственный образовательный проект внутри компании? Речь о симбиозе EdTech и Data-Driven бизнеса, где учебная платформа становится живым фильтром, инкубатором и источником лояльных специалистов.

Крупные IT-гиганты уже создали замкнутые экосистемы, где учебная платформа – это живой фильтр и инкубатор лояльных кадров.

⚡Яндекс: образование как отражение бизнеса
Здесь продукты компании стали учебными полигонами.

🔘ШАД – легендарная школа, где задачи берут из реальных проектов, а преподают топ-специалисты. Выпускник уже мыслит в масштабах Яндекса;
🔘Яндекс Практикум – фабрика массовых специалистов. Программы обновляются по запросам HR и tech-лидов компании. Лучшие студенты попадают в кадровый резерв.

⚡VK: EdTech как стратегия
Для VK образование стало отдельным бизнес-направлением.

Через платформы GeekBrains и Skillbox проходит огромный поток студентов. Самых сильных рекрутеры замечают ещё во время обучения. В результате компания получает не просто отклики на вакансии, а заранее отфильтрованных и мотивированных специалистов, знакомых с индустрией изнутри.

Это и есть симбиоз экосистем. Компания выращивает для себя лояльных и подготовленных специалистов, а EdTech-проект получает неоспоримое конкурентное преимущество – прямое внедрение в индустрию и 100% трудоустройство выпускников.

✅Тренд очевиден: чтобы получить сильных специалистов завтра, их нужно растить уже сегодня. И ключевой инструмент здесь – собственная образовательная среда, интегрированная в бизнес-процессы.

⚡P.S. К слову о точечных нишевых программах. Недавно команда AW BI анонсировала курс «Продвинутая подготовка данных для BI». Он создан в ответ на запрос рынка и рассчитан на тех, кто хочет эволюционировать от роли пользователя дашбордов к роли архитектора данных в BI-платформе.

Потому что в Data-Driven мире выигрывают те, кто умеет не только смотреть на цифры, но и правильно их готовить.🙂

Мы много говорим о том, как данные помогают бизнесу. Однако в повседневной жизни их роль не менее значима📊

Фактически каждый наш день уже начинается с цифр: сколько спали, какой пульс, сколько шагов осталось до «нормы». Постепенно данные стали невидимым интерфейсом реальности, через них мы оцениваем самочувствие, планируем время и принимаем бытовые решения.☕️

И в этом действительно много пользы.

⚡️Здоровье
Приложения помогают выстраивать питание, отслеживать сон, фиксировать отклонения в сердечном ритме или дыхании. Благодаря этому человек раньше замечает сигналы организма и может вовремя скорректировать образ жизни.

⚡️Маршруты и пробки
Навигаторы анализируют трафик в режиме реального времени и часто считают точнее любого водителя «со стажем». Поэтому мы выходим из дома, ориентируясь уже не на часы, а на прогноз по данным.

⚡️Загруженность пространств
Компании всё чаще показывают открытые графики наполняемости залов и помещений. Это особенно актуально для фитнес-центров, ресторанов и торговых центров: можно заранее выбрать более комфортное время для визита.

⚡️Финансы
Больше нет необходимости вручную вносить доходы и расходы в Excel. Приложения автоматически анализируют банковские выписки и на их основе строят наглядные графики. Личная финансовая аналитика стала доступной каждому.

Но у всех этих «плюшек» есть обратная сторона.🔁

❕Информационный перегруз
Постоянные уведомления, графики активности и рекомендательный контент создают непрерывную когнитивную нагрузку. Мы почти не остаёмся вне потока данных.

❕Мнимое ощущение контроля
Данные помогают в быту, но жизнь по-прежнему полна сюрпризов. Реальность требует гибкости, а не только следования показателям.

❕Зацикленность на метриках
Мы начинаем «чинить» значения в собственных шкалах здоровья, финансов и продуктивности, иногда забывая, что за цифрами стоит живая жизнь.

🔸Съеденная шоколадка не увеличит доход, но может поднять настроение.🙂
🔸Карты показывают «свободную парковку», а на деле там эвакуатор.
🔸График загрузки зала может быть верен в целом, но если в этот день пришло больше женщин, в женской раздевалке мест уже не останется.

Поэтому в таком информационном потоке особенно важно не потерять баланс: между цифрами и реальностью, между телом, разумом и эмоциями.🧘

А насколько вы полагаетесь на гаджеты и данные в обычной жизни?🧐

#мнение

Прямой эфир с Михаилом Грековым:
AW BI – в новый год с новыми возможностями!
Итоги 2025. Планы 2026.📊

Событие, которое обязательно стоит отметить в календаре, если вы работаете с данными, BI-системами или просто думаете о том, как сделать свой бизнес более управляемым и результативным.

🗓18 февраля (среда) в 15:00 (МСК) состоится прямой эфир с Михаилом Грековым, директором по развитию AW BI и экспертом по B2B-продуктам.

В рамках эфира:
🔘подведём ключевые итоги 2025 года: какие обновления появились в продукте, какие практики уже работают в проектах на реальных данных;
🔘расскажем о новых возможностях AW BI в свежем релизе 1.37 и о том, как они помогают бизнесам получать ответы на сложные вопросы быстрее и точнее;
🔘поделимся планами на 2026: что появится в дорожной карте, над чем мы работаем, и какие тренды заложены в развитие BI-платформы;
🔘обсудим, будет ли AI в AW BI и зачем он может понадобиться в современном аналитическом стеке;
🔘анонсируем важные изменения, например, облачная AW BI с разворотом по одной кнопке и другие улучшения в опыте пользователя.

Эфир будет проходить в формате открытого диалога, с возможностью задать вопросы. Это возможность услышать из первых уст о трендах BI-рынка, российских технологиях аналитики и о том, как AW BI помогает организациям быть на шаг впереди.

🔗Скорее регистрируйтесь по ссылке.
Добавьте событие в календарь, чтобы не забыть. И да, зовите коллег. Особенно тех, кто рулит аналитикой и BI.😎

В недавнем посте Михаил Греков рассказывал о том, куда движется BI в 2026 году и какие тренды уже формируют будущее аналитики.🗣

😎Пришло время узнать, как AW BI воплощает эти тренды на практике: итоги 2025 года, свежий релиз 1.37, планы на 2026-й и первые шаги по внедрению AI в платформу.

Обо всём расскажем 18 февраля в 15:00. Присоединяйтесь к эфиру, будет интересно и точно будет что обсудить.

Все подробности и ссылка на регистрацию – в посте ниже.⬇️

Любовь к данным или данные о любви?💘

Шекспир, помните, ставил вопрос иначе: «быть или не быть?». Сегодня он немного другой, но тоже про важность выбора.

На связи Сергей Студеникин, аналитик AW BI.👋

Вы знаете, какой сегодня праздник. В России, кстати, его хотят уже официально переименовать в «День любви», но лично для меня этот день особенный: именно в этот день я познакомился со своей будущей женой.

Очень ответственный выбор - когда в идеале на всю жизнь пытаешься по разным признакам угадать исход: тот ли это человек? Вот вам и задачка для предсказательных моделей. Но что же реально влияет на счастливое будущее двух людей? Так и хочу сказать: «Люблю не могу, как хочется поисследовать».🐈

Этим вопросом уже задавались исследователи - и всерьёз.

Один из крупнейших в истории проектов по изучению отношений объединил 86 учёных из 29 независимых лабораторий. Они собрали данные 11 196 романтических пар из 43 отдельных датасетов и запустили алгоритм Random Forest - тот самый, что принято в целом использовать в аналитике.

🔡Главный вывод оказался неожиданным: счастье в паре предсказывают не черты личности, не возраст, не биография. Важнее всего - то, как ты прямо сейчас воспринимаешь свои отношения: чувствуешь ли признательность партнёра, его вовлечённость. Эти переменные объясняли до 45% вариации в удовлетворённости. Все «объективные» характеристики людей не добавляли ничего сверху. Есть у меня, к слову, одна знакомая, которая до сих пор ищет мужа, чтобы у него были идеальные надбровные дуги, ага...

И ещё одно - про здоровье.

Есть другое исследование, ещё более длинное. Гарвард наблюдал тысячи людей на протяжении 80 лет. И выяснилось: ни уровень холестерина, ни кровяное давление в 50 лет не предсказывали, насколько здоровым и счастливым окажется человек к 80. Это делало качество отношений.

Так что если вы эгоист - зарубите себе на носу: «забота об отношениях - это тоже форма заботы о здоровье». Это не я говорю. Это цифры.📊

И напоследок - про tinder-подобных

Есть американский дейтинг-сервис OKCupid - что-то вроде «Тиндера на максималках», тоже построенного на алгоритмах совместимости. Команда годами делала A/B-тесты, оттачивала модели подбора пар, анализировала сотни миллионов взаимодействий. И сами же пришли к выводу: данные хорошо помогают лишь людям лишь встретиться. Но любовь - это что-то большее, что происходит уже вне онлайна.

В этом весь парадокс: мы привыкли думать, что хорошие данные = точный прогноз. Но в случае с любовью ML даёт неожиданный ответ: самое важное не то, какие люди по отдельности, а то, что происходит между ними и прямо сейчас.

Это самый приятный моему сердцу вывод - при всей любви к аналитике. Data Science может оптимизировать поиск человека. Но живую химию между людьми не заменит никогда. Ну а я пошёл, заварю её любимый кофе, это же теперь и забота о себе получается...🧩

Кто главный антагонист? 🤔

❔Что происходит с бизнесом, если он не использует data-driven подход?
❔С чем мы в действительности боремся?
❔И кто наш главный враг?

Представьте спортсмена, который тренируется в зале, но не считает количество подходов и не фиксирует вес штанги. Или бегуна, который не замеряет время прохождения дистанции.

Будет ли у них прогресс?💪
На начальном этапе – да. Пока уровень низкий, рост возможен почти при любых действиях. Но как только спортсмен выходит за рамки старта, без измерения показателей прогресс останавливается.

Тренировки становятся хаотичными.
Невозможно понять, в какой момент достигнут предел текущего уровня, тот самый «стеклянный потолок». Нельзя отделить действия, которые дают результат, от тех, которые лишь расходуют ресурсы. Отсутствуют объективные критерии, позволяющие оценить: тренировка была успешной или нет.

В результате возникает стагнация.🙂

На языке бизнеса это выглядит так:
🟣отсутствуют единые критерии успеха и измеримость результата;
🟣решения принимаются на основе интуиции, авторитета или принципа «так всегда делали»;
🟣гипотезы существуют неявно и не формулируются для проверки;
🟣невозможно отследить последствия принятых решений и извлечь из них опыт;
🟣скорость адаптации низкая, изменения происходят слишком поздно;
🟣субъективные отчёты подменяют объективную картину происходящего.

Однако всё перечисленное – не сама проблема, а её проявления.

⚡️Главная проблема: замедление роста или его полное отсутствие.

Компания совершает действия, которые не приводят к результату, и не понимает, почему это происходит.

Это и есть наш главный антагонист.😐

Поэтому data-driven подход – не модный тренд и не управленческая прихоть.
Это необходимое условие для устойчивого роста бизнеса.

Курс по ETL в AW BI открыт👍
Начать обучение можно уже сегодня.

🔥Хорошие новости для всех, кто хотел системно прокачать навыки подготовки данных: наш курс «Продвинутая подготовка данных для анализа в BI» официально стартовал.
Доступ уже открыт и пройти обучение может каждый желающий.

Зачем мы сделали этот курс?❔
Потому что сильная аналитика начинается задолго до дашбордов. Именно на этапе ETL формируется качество данных, устойчивость процессов и возможность масштабирования BI-решений. Мы хотели показать ETL не как «технический этап», а как ключевой инструмент роста зрелой аналитики.

⚡️В программу вошла практика, которую команда AW BI использует в реальных проектах.
Что вы изучите:
🔸современный ETL: архитектуру, автоматизацию и масштабирование процессов;
🔸работу с self-service ETL-блоками и SQL прямо внутри AW BI;
🔸реальные бизнес-кейсы и типовые сценарии подготовки данных;
🔸создание витрин данных, автоматизацию обновлений и проектирование логических моделей;
🔸оркестрацию ETL-процессов с использованием Apache Airflow.

Курс полностью практический: вы работаете непосредственно в интерфейсе AW BI и проходите путь от базовых моделей до полноценных ETL-процессов для реальных рабочих задач, включая автоматизацию и инкрементальные загрузки.

🎓По итогам обучения: сертификат AW BI при успешном выполнении курсовой работы.

Если вы аналитик, BI-разработчик, дата-инженер или просто хотите глубже разобраться, как устроена подготовка данных «под капотом» BI, наш курс – та самая возможность начать.

⛓Присоединяйтесь к курсу по➡️ ссылке и начните развивать компетенции, которые лежат в основе качественной BI-аналитики.

👍Делимся хорошей новостью для пользователей AW BI и всех, кто работает с данными: команда запустила бесплатный практический курс➡️ «Продвинутая подготовка данных для анализа в BI».

Это обучение собрано на основе реальных практик команды и поможет быстрее выйти на более зрелый уровень аналитики.

Подробности — в посте ниже.↘️

Куда движется BI — главные тренды на 2026 год
[по мнению тамошних экспертов]

Привет!
Пишет Михаил — Head of product AW BI 😉

Я много смотрю информации о трендах в развитии BI [по долгу службы].
И в этом посте постараюсь обобщить те направления, в которые шагает BI-рынок:

Вот 5 главных направлений, на которые стоит обратить внимание:

🧠 ИИ как основа аналитики
BI начинают встраивать в себя AI. Можно задавать вопросы на естественном языке, а система сама найдёт закономерности и сформулирует выводы.
Это делает аналитику доступной каждому.
/На практике ИИ пока что галлюцинирует и риск ошибок довольно велик/

⚡️ Всё больше аналитики в реальном времени, даже с большими данными.
Не везде это нужно, но там где данные идут потоком и надо реагировать здесь и сейчас — там технологии выросли и многое стали позволять.
Реакция на изменения теперь происходит без задержек.

🔩 Встроенная (embedded) аналитика
Аналитические инструменты всё чаще интегрируются прямо в бизнес-приложения — от CRM до систем учёта. Это снижает переключение между окнами и ускоряет принятие решений. Тренд поддерживается развитием модульных (composable) архитектур.

🛡 Контролируемая демократизация
Самообслуживание в аналитике для бизнес-пользователей усиливается, но вместе с этим растёт важность управления данными, объяснимости и отслеживания рекомендаций ИИ. Это нужно для обеспечения качества и доверия к автоматическим инсайтам.

📖 Динамические истории вместо дашбордов
Статичные графики уступают место живым, нарративным отчётам, которые автоматически дополняются пояснениями и выделением ключевых изменений. По прогнозам, большинство классических дашбордов в ближайшие годы трансформируются в такой формат.

Что всё это значит для бизнеса?
Аналитика становится быстрее, доступнее и умнее. Чтобы оставаться в игре, компаниям стоит уже сейчас оценивать платформы с поддержкой ИИ, API для встраивания аналитики и инструменты работы с потоковыми данными.

Что всё это значит для вендоров?
Братцы, работы у нас много. И она очень интересная ☺️

18 февраля будет эфир, где я расскажу о том, как будет развиваться AW BI в 2026 году.
Анонс ещё будет.
Если кратко — мы в тренде 😉

#мнение

Данные — это не только отчёты для бизнеса📊

Когда говорят о данных, чаще всего представляют дашборды, KPI и отчёты для руководства. Но данные бывают разными. Они могут рассказывать о неравенстве, климате, миграции, страхе и надежде, и делать это не сухими цифрами, а через образы, эмоции и творчество. Данные — это не только инструмент управления, но и язык, с помощью которого можно говорить о важных социальных вещах и менять восприятие реальности.

👀Именно об этом статья на Хабре «Когда данные превращаются в пейзажи» от Натальи Киселёвой. Спасибо автору за вдохновляющий взгляд на данные.

Коротко о сути.
Статья посвящена data-арту, направлению на стыке аналитики, визуализации и искусства. Здесь данные перестают быть материалом для отчёта и становятся основой для художественных работ. Это визуальные метафоры и образы, которые передают смысл не через цифры, а через ощущение.

🟦В статье приведены примеры, где:
🟣данные о миграции выглядят как горные ландшафты;
🟣финансовые рынки превращаются в пейзажи с пиками и провалами;
🟣климатические изменения становятся акварельными картинами;
🟣социальные показатели превращаются в физические объекты, которые можно буквально увидеть и почувствовать.

Data-арт наглядно показывает, что данные могут использоваться не только для внутренних бизнес-задач. В статье много примеров, где данные становятся способом говорить о социальных процессах. В такой форме аналитика выходит за пределы отчётов и становится понятной и читаемой для более широкой аудитории.🔍

Отдельно хорошо видна роль визуальной формы. Строгие графики необходимы для анализа и точности, но для объяснения идей и выводов они подходят не всегда. Визуальные метафоры и нестандартная подача позволяют быстрее считать идею, удержать внимание и донести контекст без перегрузки деталями.

⚡️В этом смысле статья полезна как сдвиг оптики. Она расширяет представление о том, чем могут быть данные и визуализация в целом. Даже для тех, кто работает с классическими BI-инструментами и отчётами, такой взгляд помогает по-другому подходить к сторителлингу и подаче результатов.

Интересно обсудить: какая визуализация, проект или работа с данными в своё время поменяла ваш взгляд на данные? Делитесь историями в комментариях под постом.⬇️