DataForge Platform

⚡️ Заполняйте РПИ в DataForge через API – без ручного ввода

➡️ В DataForge работа начинается с РПИ – единого каталога определений показателей, формул расчёта и таблиц-источников. На его основе строятся модель данных и витрины, а SQL-запросы генерируется автоматически.

DataForge автоматически заполняет РПИ – через API:

🟣Загружайте готовые описания
Переносите показатели из каталогов метрик, Excel и вики пакетами, а не по одному.
🟣Синхронизируйте изменения
Настройте обновление РПИ при изменении корпоративной документации.
🟣Встраивайте в ETL-процессы
Автоматически создавайте показатели и измерения при появлении новых таблиц в хранилище.
🟣Выгружайте реестр
Получайте данные в JSON или Excel для согласований, отчётности и других систем.
🟣Собирайте модель целиком
Управляйте показателями, справочниками, таблицами фактов и связями между ними.
🟣Настраивайте права доступа
Каждый API-ключ работает с правами конкретного пользователя. Скрипты не могут читать или изменять данные сверх предоставленных полномочий, а все обращения фиксируются в журнале аудита.

📌 API избавляет от ручного переноса и обновления показателей. Вместо разрозненных файлов и описаний команда получает единый, актуальный реестр показателей, который можно автоматически синхронизировать с корпоративными системами и встроить в существующие процессы работы с данными.

➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #DataForge_updates

🤖 DataForge AI Assistant: от вопросов к данным – к полноценному цифровому аналитику

➡️ Если раньше AI-агент в DataForge в первую очередь отвечал на вопросы бизнеса, используя семантический слой и корпоративную модель данных, то теперь его возможности существенно расширились.

В этом видео вы узнаете:
🟣 как AI Assistant использует семантический слой DataForge и понимает бизнес-термины, показатели и связи между данными,
🟣 как задавать вопросы на естественном языке и получать ответы без написания SQL,
🟣 как подключать аналитические навыки на Python для факторного анализа, прогнозирования, поиска аномалий и статистических расчётов,
🟣 как создавать собственные навыки и расширять возможности агента без изменения ядра DataForge,
🟣 как формировать корпоративную базу знаний для повышения качества ответов,
🟣 как автоматически создавать презентации по итогам диалога и аналитического исследования,
🟣 как администрировать каталог аналитических навыков и подключать новые инструменты.

📌 DataForge AI Assistant – это уже не просто чат с данными, а цифровой аналитик, который понимает корпоративные метрики, работает с семантическим слоем, выполняет расчёты и помогает готовить управленческие решения.

➡️ Запросить демодоступ и протестировать DataForge

➡️ DataForge – российская платформа для построения семантического слоя, управления требованиями к данным, проектирования DWH и создания AI-агентов для корпоративной аналитики.

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #ИИагенты #AgenticAI #полезноевидео_DataForge

⚡️ DataForge позволяет анализировать влияние изменений в РПИ

➡️ При работе с большой моделью данных даже небольшое изменение может затронуть формулы, таблицы фактов, справочники, витрины и физические объекты в СУБД. Мы закрыли этот сценарий отдельной функцией – Анализ влияния для элементов РПИ.

Он позволяет заранее увидеть всю цепочку зависимостей и понять, что именно потребуется проверить или пересобрать. Больше не нужно вручную восстанавливать цепочки зависимостей и гадать, что может сломаться после изменения модели.

Как это работает?
1️⃣ Выберите элемент РПИ
Анализ доступен для показателей, измерений и фактов, включая базовые элементы с прямым маппингом на колонку СУБД.

2️⃣ Посмотрите все зависимые объекты
DataForge строит интерактивную диаграмму и показывает, где элемент используется: в других элементах РПИ, таблицах фактов, справочниках, общих показателях и витринах данных.

3️⃣ Оцените влияние на физическую модель
На диаграмме видны представления витрин и другие объекты в базе, которые могут потребовать пересборки после изменения.

4️⃣ Исследуйте зависимости до уровня формул
Клик по узлу подсвечивает элемент по всей диаграмме, включая его использование в формулах зависимых показателей.

5️⃣ Находите циклические зависимости
DataForge отдельно отмечает циклы, которые сложно выявить при ручном анализе модели.

6️⃣ Редактируйте прямо из диаграммы
Показатели, таблицы фактов, справочники и витрины можно открыть на редактирование непосредственно из анализа влияния с учетом прав пользователя.

7️⃣ Работайте с актуальной картиной
После внесения изменений дерево зависимостей автоматически обновляется.

📌 Анализ влияния отвечает на главный вопрос перед изменением модели: «Что от этого зависит и что может сломаться?» вместо ручного поиска по формулам и проверки связей аналитическая команда сразу видит весь масштаб влияния изменений – от бизнес-логики до физических объектов в СУБД.

 ➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #DataForge_updates #DataLineage

⚡️Вышло новое исследование «AI в BI Круг Громова 2026»!

ИИ в бизнес-аналитике выходит за пределы обычного чат-помощника. Следующий этап – агентная аналитика и переход от модели «вопрос–ответ» к модели «задача–результат»: ИИ не просто отвечает на отдельный запрос, а самостоятельно планирует анализ, ищет нужные данные и инструменты, выстраивает многошаговую цепочку и выполняет действия.

В отчет «AI в BI-круг Громова 2026» вошли более 10 российских BI-решений с поддержкой AI-функций, среди которых: Yandex DataLens, Навигатор BI, Insight SOLARIS, PIX BI, Easy Report, DataForge AI, Glarus AI, Visiology Cortex, Luxms AI, Polyanalyst и ТЕРН ИИ Ассистент. Решения при этом разделены на 4 архитектурных подхода: встроенный ИИ, UI-помощник, внешний ИИ-агент и ассистент на семантическом слое.

➡️Отчет поможет понять:
– чем генеративный AI-помощник отличается от полноценного ИИ-агента,
– какие архитектурные подходы к AI в BI уже представлены на рынке,
– насколько решения способны самостоятельно работать с данными и выполнять аналитические задачи,
– почему семантический слой становится фундаментом надежной агентной аналитики,
– как выбирать решение с учетом требований к безопасности, изоляции данных и российской инфраструктуре.

🟣Решения проверены по 55 критериям и сопоставлены по 6 функциональным слоям AI-агентов: доступ и понимание данных, подготовка и трансформация, семантический слой, визуализация и анализ, прогнозирование и наблюдаемость.

📌 Один из главных выводов – чем автономнее ИИ, тем важнее семантический слой. Он задаёт смысл метрик, связей и бизнес-правил, снижая риск убедительных, но неверных ответов. Семантический слой делает работу ИИ более прозрачной и контролируемой.

Отдельный блок посвящен российской специфике: локализации данных, закрытым контурам, требованиям реестра ПО и санкционным рискам.

Результаты представлены не как рейтинг, а как сравнение архитектурных подходов, уровней автономии и сценариев применения – скачать отчет бесплатно!

Используйте отчет как практический ориентир, чтобы оценить зрелость AI-функций в BI и сравнить подходы к агентной аналитике.

Круги Громова | Подписаться и стать частью Data-сообщества ⬅️

#КругиГромова #AgenticBI #BI #ИИ #исследование_КругиГромова

❗️Как создать семантический слой для BI и AI: показатели, измерения и происхождение данных

В этом видео мы шаг за шагом показываем, как в DataForge формируется РПИ (реестр показателей и измерений) – один из ключевых элементов современной архитектуры данных.

В инструкции вы увидите полный цикл работы:
🟣создание проекта и подключение базы данных,
🟣создание фактов и настройка показателей,
🟣анализ происхождения данных (data lineage),
🟣создание измерений,
🟣формирование справочников,
🟣обзор готового РПИ и принципов его использования.

📌 DataForge помогает превратить разрозненные определения и Excel-файлы в единый управляемый слой знаний о данных компании.

Если в компании несколько BI-систем и десятки отчётов, семантический слой помогает устранить разночтения в расчёте показателей. Так все участники – от аналитиков и разработчиков до бизнес-пользователей и AI-агентов – работают с единым пониманием метрик.

➡️ Запросить демодоступ и протестировать DataForge

➡️ Это актуально для компаний, которые внедряют BI-системы, строят корпоративные хранилища данных, внедряют Data Governance или начинают использовать AI-ассистентов для работы с корпоративными данными.

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #модельданных #полезноевидео_DataForge

DataForge Platform pinned a photo

⚡️ DataForge включен в Единый реестр российского ПО

Платформа DataForge официально зарегистрирована в Едином реестре российских программ для ЭВМ и баз данных Минцифры России.

DataForge – российская self-service-платформа, которая реализует полный цикл работы с корпоративной аналитикой: от написания бизнес-требований до автоматического построения витрин данных в корпоративных хранилищах данных.

❗️ Реестровая запись №35075 от 07.09.2026
➡️ Класс ПО: «Средства управления базами данных».

Включение в реестр подтверждает российское происхождение программного обеспечения и позволяет использовать DataForge в проектах, где наличие продукта в реестре российского ПО является одним из требований.

Принимаем поздравления! 🔥🏆

 ➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #РоссийскоеПО #РеестрПО #Минцифры

Release Date: 5 сентября 2026

⚡️ DataForge позволяет управлять доступами к проектам

➡️ Каждый проект можно открыть конкретным пользователям и назначить им нужный уровень доступа. Разделяйте проекты между командами, контролируйте права пользователей и безопасно организуйте совместную работу в DataForge.

Как это работает?
1️⃣ Настройте доступ к проекту
Назначьте пользователям роли «Разработчик», «Аналитик» или «Наблюдатель» и предоставьте доступ только к нужным проектам.
2️⃣ Используйте роль «Менеджер проекта»
Менеджер проекта может создавать проекты и полностью управлять теми, которыми владеет.
3️⃣ Контролируйте владельцев и роли
У каждого проекта есть владелец, а в списке проектов отображаются владелец и ваша роль.
4️⃣ Учитывайте ограничения прав
Роль в проекте не может быть выше глобальной роли пользователя.
5️⃣ Передавайте владение проектом
Проект можно передать менеджеру проекта, администратору компании или суперадминистратору.
6️⃣ Клонируйте проекты вместе с правами
Настройки доступа автоматически копируются вместе с проектом.
7️⃣ Отслеживайте изменения
Все изменения прав и передача владения фиксируются в системном журнале.
8️⃣ Управляйте доступом через API
API учитывает проектные права и позволяет просматривать и изменять доступ, а также передавать владение.

📌 Такой механизм помогает разделять проекты между командами, ограничивать доступ к чувствительным данным и сохранять прозрачность управления правами внутри компании.

 ➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #DataForge_updates

DataForge Platform pinned «⚡️ Запись вебинара: «DataForge: наводим порядок в данных с семантическим слоем — для пользователей и ИИ-агентов» Для тех, кто пропустил, 1 июля на вебинаре мы снова показали self-service-платформу полного цикла: от бизнес-требований через реестр показателей…»

🔥 DataForge: ответы на вопросы участников вебинара 3️⃣ часть

Продолжение ответов на вопросы, которые не успели охватить в рамках эфира 1 июля:

13. Инструмент полезный. Есть опасения не попасть на костыли или ограничения на какой-либо стадии жизни продукта. Какие есть риски использования инструмента?

Особенности реализуемой продуктом функциональности и текущее состояние продукта требуют учитывать следующие моменты:
🟣Ограничения логики: Не вся логика (например, сложные неаддитивные расчеты) может быть реализована на уровне хранилища данных (хоть через DataForge, хоть через любую другую систему), и часть может остаться на уровне BI
🟣Зависимость от DWH: Продукт требует наличия качественного Gold-слоя, он не решает проблемы «грязных» или неструктурированных данных на нижних уровнях
🟣Отсутствие статистического анализа: DataForge не предназначен для статистического моделирования (A/B-тесты, проверка распределений и т.д.) и для обеспечения качественного наполнения создаваемых витрин требует реализации подобных проверок на других уровнях
🟣Ограничения управления представлениями витрин: DataForge не является инструментом для оркестрации баз данных и поэтому требует наличия отдельных механизмов, которые будут обеспечивать актуальность данных в представлениях, созданных на основе сгенерированных в продукте SQL-скриптов

14. Кто ответственный тогда будет за данные? Если дата-инженер настроил пайплайн, бизнес-пользователи поправили формулы, и в итоге получили ошибки в дашборде. Как тут выстроить процесс? Есть ли ролевая модель?

Да, существует многоуровневая ролевая модель, которая разграничивает ответственность:
🟣Глобальные роли: Наблюдатель, Аналитик, Разработчик, Проджект-менеджер, Администратор
🟣Проектный уровень доступа: Права на конкретный проект могут настраиваться индивидуально (Наблюдатель, Аналитик, Разработчик, Владелец). Уровень доступа не может превышать глобальную роль

Ответственность выстраивается так:
1. Дата-инженер/Разработчик подключает источники (Gold-слой) и настраивает маппинг
2. Бизнес-пользователи/Аналитики (с правами не выше Аналитика или Разработчика) могут создавать и изменять формулы на основе существующих сущностей
3. Процесс изменений контролируется через роли и будущую функцию верификации, где изменения требуют апрува перед применением

15. Непонятно про тесты. Как обеспечить качество данных? Что делать, если данные кривые или пустые - алерты.

В DataForge есть функционал для валидации результатов. Пользователи могут создавать сценарии проверок (бизнес-проверки), где задают эталонные значения для показателей при определенных условиях. Система вычисляет показатели по фактическим данным и сравнивает с эталоном. Это позволяет на уровне бизнес-данных (выручка, возвраты) убедиться в корректности расчетов и выявить проблемы с данными на финальной стадии.

16. Кто ключевой клиент: инженеры или бизнес? Инженерам нужен code, бизнес-пользователям – нет.

Ключевые клиенты — и инженеры, и бизнес-пользователи, но на разных этапах:
🟣Дата-инженеры и архитекторы на этапе внедрения: подключают хранилище, настраивают модели, выполняют маппинг
🟣Бизнес-пользователи и аналитики на этапе эксплуатации: используют уже настроенный семантический слой для создания и поддержки отчетов, корректировки формул и управления логикой без написания SQL-кода

17. Не хватает подхода «аналитика как код». Хочется уже сразу разговаривать с AI-агентом, чтобы он там все строил и кверил. Руками уже лениво работать и кликать)

DataForge уже движется в этом направлении:
🟣Есть работающий MCP-сервер и ИИ-ассистент, которые могут генерировать корректные SQL-запросы и строить отчеты по текстовым запросам, используя семантический слой в качестве контекста
🟣Разрабатывается механизм для автоматического заполнения РПИ через ИИ-агента, который анализирует структуру существующего хранилища

18. Было бы здорово все это дело положить в гит репо и уже там с помощью YAML или SQL описывать трансформации.

Сейчас в DataForge есть внутреннее версионирование проектов (создание версий, сравнение). Интеграция с Git (возможность полной выгрузки проекта в Git) находится в планах разработки. Текущий подход — управление через веб-интерфейс, а не через код в репозитории, хотя API для программного доступа к метаданным уже есть.

19. Было еще хорошо показать демо, как вот прям с 0 построить что-то. Допустим открыли новый проект и там просто и показать шаги и рассказать.

Стандартная последовательность действий при начале работы с продуктом описана в документации продукта и включает шаги:
1. Создать новый проект
2. Описать показатели, измерения и факты в РПИ
3. Объединить их в таблицы фактов и справочники
4. Настроить подключение к хранилищу данных
5. Выполнить маппинг логической модели на физическую
6. Настроить витрины с необходимыми показателями и измерениями
7. Создать представления для витрин в хранилище (автогенерация SQL)
8. Подключиться в BI-системе к созданным представлениям и строить отчеты

Эти шаги и были в целом продемонстрированы на вебинаре через интерфейс. Дополнительно можно посмотреть следующие короткие видеоинструкции по работе с продуктом:
🟣Как в DataForge создать семантический слой для BI и AI: показатели, измерения и происхождение данных - https://rutube.ru/video/private/434df249e05dc979e833b18dde33e2ab/
🟣Модель данных без хаоса: факты, PK/FK и проверка показателей в DataForge - https://rutube.ru/video/private/d445b512f715ff2f8a861fc0a6bf4a62/
🟣Как в DataForge собрать аналитическую витрину данных и выгрузить её в Excel или БД - https://rutube.ru/video/private/025c95fdbd86e321dadd0496b3b4709e/
Также есть возможность запросить персональное демо продукта, чтобы уточнить все детали реализации проекта “с нуля” на нём.

 ➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями продукта 🔗

#DataForge #DataForge_вебинар

🔥 DataForge: ответы на вопросы участников вебинара 2️⃣ часть

Продолжение ответов на вопросы, которые не успели охватить в рамках эфира 1 июля:

8. Зачем понадобилось придумывать свой язык для расчетов? Нельзя ли было остаться на SQL?

Свой язык для формул (схожий с Excel) был создан для доступности бизнес-пользователям, которые не являются SQL-разработчиками. Идея в том, чтобы пользователи могли описывать логику расчетов понятным способом, а система автоматически транслировала эти формулы в SQL-код для разных СУБД. Это делает инструмент управляемым не только инженерами, но и аналитиками.

9. Я верно понимаю, что решение может автоматически строить ODS и подключаться к любым источникам? Если да, то на какой механике?

Нет, это неверно. DataForge не строит ODS и не подключается к сырым источникам данных. Он подключается к уже существующему и подготовленному слою данных (Gold-слой DWH — таблицы фактов и измерений). Его задача — работать поверх этого слоя, описывая бизнес-смысл данных и создавая витрины для аналитики.

10. Чем строится абстрактно семантическое дерево?

Семантическое дерево (линейдж происхождения) в DataForge строится автоматически на основе связей, заведенных пользователем в Реестре Показателей и Измерений (РПИ). При создании показателя указываются его формула и зависимости от других показателей, измерений или полей в таблицах. Система анализирует эти связи и визуализирует их в виде дерева.

11. Можете рассказать реальные или типовые кейсы, где ИИ-агенты работают не напрямую с сырыми таблицами, а с данными и витринами, подготовленными через DataForge? Интересно понять, помогает ли DataForge сделать ответы ИИ-агентов более стабильными, управляемыми и бизнесово корректными?

Да, это прямой сценарий. DataForge предоставляет ИИ-агентам (через API или MCP-сервер) структурированное описание семантического слоя в JSON. Вместо того чтобы гадать по сырым таблицам, агент получает полный контекст: бизнес-смысл сущностей, эталонную логику расчетов и ссылки на конкретные поля. Это позволяет ИИ генерировать корректные SQL-запросы, основанные на единой и проверенной логике, что предотвращает "галлюцинации" и делает ответы более стабильными и бизнесово-верными.

12. Можно ли не «волшебникам» давать возможность править формулы и логику? Реализована ли возможность апрувить изменения инженеру после вмешательства в формулы не «волшебников»?

Да, такая возможность предусмотрена ролевой моделью:
🟣Аналитики и бизнес-пользователи (не "волшебники") могут работать с существующими сущностями, создавать новые показатели из них и корректировать формулы, так как модель уже настроена инженером
🟣Дата-инженеры подключают новые датасеты и выполняют маппинг (привязку бизнес-сущностей к физическим полям)
🟣В разработке находится функционал, где любое изменение от не-волшебников потребует верификации (апрува) от ответственного пользователя (владельца показателя или инженера) перед тем, как изменения будут транслироваться в продуктивные витрины.

DataForge | Подпишитесь и следите за обновлениями продукта 🔗

#DataForge #DataForge_вебинар

🔥 DataForge: отвечаем на вопросы участников вебинара ⬇️

На вебинаре 1 июля было много вопросов по функционалу и ИИ-возможностям платформы DataForge. Ниже – ответы на вопросы, которые эксперты не успели охватить в рамках прошедшего эфира (1️⃣ часть):

1. Продукт управляется как SaaS или поставляется на on-premise?

DataForge поставляется в виде Docker-контейнеров и может быть развернут локально (on-premise) на серверах внутри защищенного периметра компании. Продукт полностью функционирует без обязательного подключения к интернету.

2. Чем продукт глобально отличается от dbt?

Глобальное отличие в позиционировании: dbt — это инструмент для трансформации данных (ELT, подготовка данных на уровне модели), а DataForge — это инструмент для создания и управления конечными представлениями (витринами, датасетами), с которыми непосредственно работают пользователи и BI-системы. DataForge замыкает на себе слой семантики и бизнес-логики, предоставляя готовые к потреблению данные.

3. Что именно DataForge генерирует на выходе: SQL-код, физические таблицы, views, materialized views, semantic model, dataset для BI?

На выходе DataForge генерирует SQL-код, который создает в хранилище данных (СУБД) представления (views) или материализованные представления (materialized views), а также может создавать физические таблицы. Этот код может быть выполнен автоматически из интерфейса или скопирован для ручного использования. BI-системы подключаются именно к этим созданным объектам в базе данных.

4. Эти дашборды смотрят просто на одну витрину?

Да, в большинстве демонстрационных примеров дашборды подключаются к одной конкретной витрине, созданной в DataForge. Это обеспечивает единый источник данных для дашборда. Однако витрины могут быть разными (плоские или "свернутые" с метриками в строках), и одни и те же показатели могут использоваться в нескольких витринах.

5. В каких сценариях ваше решение применимо? Если у меня уже настроены все ETL, настроены data marts и есть data catalog.

Если ETL, Data Marts и Data Catalog уже есть, DataForge приносит ценность за счет централизации и управления бизнес-логикой на финальном этапе:
🟣Унификация показателей: Перенесите логику расчета показателей, которая сейчас "зашита" в разных BI-инструментах и Excel, в DataForge.
🟣Единое управление изменениями: Изменение формулы одного показателя в DataForge автоматически обновит все витрины и отчеты, подключенные к ним, без необходимости править каждый дашборд вручную.
🟣Самообслуживание пользователей: Бизнес-пользователи смогут собирать под себя новые витрины с нужными разрезами и показателями без помощи разработчиков, переключая BI-системы на созданные в DataForge представления.

6. Есть ли общий линейдж, показывающий, в каком дашборде какие метрики используются и из каких источников они считаются?

DataForge строит линейдж (происхождение данных) автоматически на уровне расчетов показателей: как показатель зависит от других показателей, измерений и полей в таблицах. Можно увидеть, в какие витрины попадает показатель. Однако до конкретных дашбордов линейдж не доходит, так как BI-системы подключаются к витринам напрямую, минуя DataForge. Также в недавно появилась функциональность Impact Analysis для просмотра влияния изменений на все элементы проекта, включая витрины.

7. Покажите витрину, которая используется для этого дашборда. Какие метрики считаются на стороне BI, а какие на стороне БД?

В демонстрации на вебинаре использовались две концепции витрин:
🟣Плоская витрина: Каждый показатель в отдельной колонке, расчет агрегированных значений происходит на стороне СУБД.
🟣"Свернутая" витрина: Показатели выводятся в строках, что позволяет добавлять новые метрики в дашборд без его изменения.

Ключевая идея DataForge — вынести максимум логики (95% показателей) на уровень витрин в СУБД, оставив в BI-инструментах минимум (например, простые фильтры или специфические неаддитивные расчеты). DataForge выступает эталоном для тех формул, которые все же остаются в BI.

Продолжение вопросов ниже ⬇️

DataForge | Подпишитесь и следите за обновлениями продукта 🔗

#DataForge #DataForge_вебинар

⚡️ Запись вебинара: «DataForge: наводим порядок в данных с семантическим слоем — для пользователей и ИИ-агентов»

Для тех, кто пропустил, 1 июля на вебинаре мы снова показали self-service-платформу полного цикла: от бизнес-требований через реестр показателей до генерации DDL и автоматического построения витрин в DWH – приятного просмотра!

Единый семантический слой в DataForge – единая точка истины для всех подключенных систем и ИИ‑агентов, которая снимает рутину и исключает разночтения на всех этапах.

⚡️Участники вебинара увидели:
— как создать витрину данных из показателей и измерений без ручного написания SQL,
— как DataForge генерирует SQL-код, таблицы, views и materialized views в хранилище,
— как централизованно изменить формулу показателя сразу для нескольких дашбордов и BI-систем,
— как добавить новую метрику в аналитическую модель без переработки дашборда,
— как устроены реестр показателей, дерево зависимостей и анализ происхождения данных,
— как сравнивать версии модели и переносить изменения между средами,
— чем DataForge отличается от dbt, Data Catalog, ETL-платформ и семантических моделей внутри отдельных BI-систем,
— как подключить семантический слой к ИИ-агентам через API и MCP,
— почему бизнес-определения, формулы и корректные JOIN-пути критически важны для Text-to-SQL и корпоративных AI-ассистентов,
— как развернуть DataForge в собственном контуре или облачной инфраструктуре.

📌Презентация экспертов доступна по ссылке: https://disk.yandex.ru/i/4URDVweRhU_D9A

⬇️ Задать вопрос и оставить обратную связь о вебинаре можно в комментариях под этим постом.

Запросить демодоступ к платформе DataForge – можно на сайте dataforg.ru

Ниже публикуем ответы на вопросы участников вебинара.

DataForge | Подпишитесь и следите за обновлениями продукта 🔗

📌 Модель данных без хаоса: факты, PK/FK и проверка показателей в DataForge

В этом видео разбираем практический процесс моделирования данных в DataForge. Вы увидите, как описывать таблицы фактов, настраивать связи между сущностями и проверять, что показатели действительно считаются корректно.

В видео-инструкции рассматриваются:
🟣переход к работе с таблицами фактов,
🟣обзор основных элементов модели,
🟣настройка визуализации,
🟣детализация и свойства показателей,
🟣настройка первичных (PK) и внешних ключей (FK),
🟣создание фильтров,
🟣проверка корректности показателей,
🟣итоговая сборка модели данных.

📌 DataForge позволяет документировать модель данных, обеспечивать прозрачность её структуры и создавать единое пространство взаимодействия между бизнесом и ИТ.

➡️ Запросить демодоступ и протестировать DataForge

➡️ Правильно построенная модель данных – основа любой аналитической системы. Именно на этом этапе закладываются качество отчётности, корректность расчётов и возможность масштабировать аналитику без постоянных доработок.

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #модельданных #полезноевидео_DataForge

Release Date: 6 июля 2026
 
 ⚡️ В DataForge появился Конструктор формул
 
➡️ Создавайте расчётные показатели, производные измерения и факты без ручного ввода – с помощью визуального Конструктора формул из готовых блоков.
 

Что изменилось?
1️⃣ Визуальная сборка формул
Больше не нужно помнить синтаксис и искать пропущенные скобки. Собирайте выражение из совместимых элементов, а DataForge автоматически сформирует корректную формулу и не позволит ошибиться.
 
2️⃣ Понятная диагностика ошибок
Если в расчёте обнаружится ошибка – несовместимые типы данных, неверные аргументы функции или отсутствующая зависимость – DataForge выделит ее цветом, объяснит причину и подскажет, что необходимо исправить. Любую существующую формулу теперь можно открыть в виде наглядной схемы из блоков.
 
3️⃣ Прозрачные зависимости
За один клик проследите всю цепочку зависимостей – от расчётного показателя до исходных полей в подключённых источниках данных. Анализ, отладка и сопровождение даже самых сложных расчётов стала проще.
 
4️⃣ Полная совместимость
Все ранее созданные формулы полностью совместимы с новым Конструктором. Продолжайте использовать их без изменений или открывайте в визуальном редакторе для доработки. DataForge по-прежнрему формирует стандартную текстовую формулу, поэтому существующие модели и интеграции остаются без изменений.

 
#Конструктор_формул уже доступен в DataForge! Начните использовать платформу и работайте с расчётами быстрее, нагляднее и с фокусом на бизнес-логике.
 
 ➡️ Запросить демодоступ и протестировать DataForge

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #DataForge_updates

Уважаемые коллеги!

Мы благодарим всех, кто принял участие в вебинаре «DataForge: наводим порядок в данных с семантическим слоем — для пользователей и ИИ-агентов», который состоялся 1 июля.

⚡️Запись скоро появится на видео площадках.

📌Презентация экспертов доступна по ссылке: https://disk.yandex.ru/i/4URDVweRhU_D9A

⬇️ Задать вопрос и оставить обратную связь о вебинаре можно в комментариях под этим постом.

Запросить демодоступ к платформе DataForge – можно на сайте dataforg.ru

Ниже мы опубликуем ответы на вопросы участников вебинара.

DataForge | Подпишитесь и следите за обновлениями продукта 🔗

⚡️ Вышел Gartner Magic Quadrant for Analytics & BI Platforms 2026

➡️ Ниже сформулировали ключевые выводы свежего исследования.

В этом году исследование Gartner показывает гораздо больше, чем просто изменения позиций отдельных вендоров. Главный вывод: BI-рынок перестает быть рынком инструментов для построения отчетов и дашбордов. Теперь Gartner оценивает не столько качество визуализации, сколько способность платформы стать частью корпоративной data- и ИИ-платформы.

Наиболее заметные изменения в отчете 2026:
🟣Databricks получил одну из сильнейших стартовых позиций среди новых участников за всю историю Magic Quadrant.
🟣AWS перешёл в квадрант лидеров.
🟣GoodData.AI поднялась в квадрант визионеров и второй год подряд показывает сильную положительную динамику.
🟣Oracle покинул квадрант лидеров, а Sisense исчез из исследования.
🟣Snowflake по-прежнему отсутствует как самостоятельный BI-вендор.

Однако самые важные изменения происходят не внутри квадранта, а вокруг него. Gartner меняет взгляд на рынок аналитики. Если раньше BI рассматривался как самостоятельный класс продуктов, то сегодня аналитика становится частью более широкой data- и ИИ-платформы.

Что это означает для рынка?
1️⃣ Классический BI перестал быть центром притяжения.
Еще недавно компании выбирали BI по визуализациям и удобству построения дашбордов. Теперь на первый план выходят архитектура данных, единый семантический слой, ИИ, Data Governance и интеграция с корпоративной экосистемой.

2️⃣ Databricks стал главным символом новой модели BI.
Его появление в Magic Quadrant показывает, что на рынок BI активно выходят lakehouse- и data intelligence-платформы. Они конкурируют уже не интерфейсом, а полным контуром работы с данными: хранением, каталогом, семантическим слоем, SQL, ML, AI и аналитикой.

3️⃣ Лидерство AWS подтверждает силу экосистем.
Gartner все чаще оценивает зрелость платформы в целом. Облачная инфраструктура, сервисы данных, интеграции и ИИ становятся таким же конкурентным преимуществом, как когда-то библиотеки визуализаций.

4️⃣ Oracle и Snowflake показывают, что рынок ищет новые модели развития.
Переход Oracle в квадрант визионеров говорит о растущем значении AI, cloud-native архитектуры и скорости инноваций. Отсутствие Snowflake, напротив, показывает ставку компании на развитие платформы данных и партнерской BI-экосистемы, а не собственного BI-продукта.

5️⃣ Самостоятельным BI-вендорам становится все сложнее.
Сегодня недостаточно иметь удобный интерфейс или большое количество визуализаций. Конкурентоспособность теперь определяется наличием semantic layer, AI-агентов, аналитики на естественном языке, embedded analytics, workflow, write-back и развитых механизмов Data Governance.

6️⃣ Изменились критерии выбора BI-платформы.
При выборе решения уже недостаточно сравнивать библиотеки визуализаций или стоимость лицензий. Гораздо важнее понимать, насколько продукт интегрируется в архитектуру данных компании, поддерживает единые бизнес-метрики, готов к работе с ИИ и способен стать единым интерфейсом для работы бизнеса с корпоративными данными.

Конкуренция постепенно смещается от отдельных BI-систем к полнофункциональным data- и ИИ-платформам. Полный отчет доступен здесь.

Круги Громова | Подписаться и стать частью Data-сообщества ⬅️

#КругиГромова #GartnerMagicQuadrant #инсайты_КругиГромова

⚡️ Снова #вебинар
Когда: 1 июля в 9:00 (Мск)

Тема: DataForge: наводим порядок в данных с единым семантическим слоем – для пользователей и ИИ-агентов

📌 На вебинаре коллеги представят DataForge – self-service-платформу полного цикла: от бизнес-требований через реестр показателей до генерации DDL и автоматического построения витрин в DWH. Покажут, как в платформе устроен семантический слой – единая точка истины для всех подключенных систем и ИИ-агентов, которая снимает рутину и исключает разночтения на всех этапах.

Встречаемся в Zoom! ➡️ Регистрация по ссылке

Спикеры: технический директор и владелец продукта. В числе приглашенных экспертов – Сергей Громов, CEO BI Consult.

#Вебинар #datalearn

📌 Как собрать аналитическую витрину данных и выгрузить её в Excel или БД

В этом видео мы показываем, как в DataForge создавать витрины данных на основе уже описанных показателей и измерений, а затем выгружать полученный результат в различные форматы.

В видео-инструкции вы узнаете:
🟣 как создать новую витрину данных,
🟣как добавить необходимые показатели и измерения,
🟣каким образом проверить корректность полученной структуры,
🟣как выгрузить витрину обратно в базу данных,
🟣как экспортировать результат в Excel для дальнейшей работы пользователей.

📌 Такой подход позволяет стандартизировать подготовку данных, ускорить разработку BI-решений и обеспечить единое понимание того, какие данные используются в отчётах и аналитических системах.

➡️ Запросить демодоступ и протестировать DataForge

➡️ Аналитическая витрина — это тот слой данных, с которым чаще всего работают BI-системы, отчёты и конечные пользователи.

Именно от качества витрин зависит скорость разработки дашбордов, производительность аналитики и удобство использования данных бизнесом.

DataForge | Подпишитесь и следите за обновлениями платформы 🔗

#DataForge #витринаданных #полезноевидео_DataForge