Data Driven культура от AW BI

✍️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.⬇️

Цифровое зеркало 2025❤️‍🔥 Заметили, как изменился наш декабрь?🧤 Раньше мы просто ждали снега, а теперь — ловим уведомления от привычных сервисов, открываем адвент-календари и напеваем песенки «Дискотеки Аварии» про Новый год (что-то ведь должно оставаться вечным). 😎 Подведение итогов года (Year-in-Review) превратилось из приятного бонуса в «цифровое зеркало», в которое хочется смотреть бесконечно. 2025: данные заговорили🎙 Кажется, в этом году персонализация перешла на новый уровень. Если раньше любимый Spotify просто показывал топ песен, то теперь этот опыт стал почти телесным. ❤️Видеообращения от артистов в Spotify стали настоящим вау-эффектом. Когда любимый исполнитель, которого ты слушал 300 часов в год, лично благодарит тебя в 30-секундном ролике, возникает странное чувство: «Он что, правда знает, что это я?». Это уже не Data Science, а чистая дофаминовая петля. Кстати, после таких механик количество сохранений треков выросло в 3 раза, данные научились вызывать эмоции. ❤️И Spotify тут далеко не один. Яндекс Музыка с музыкальными «альтер-эго», VK Музыка с россыпью метрик, Strava с «Year in Sport» и визуализацией каждого километра, Nintendo и PlayStation со статистикой по играм, Duolingo, Т-Банк, Яндекс Книги, список можно продолжать бесконечно. С точки зрения психологии такие итоги закрывают важную потребность в самоактуализации. Мы буквально видим себя через данные и иногда узнаём о себе больше, чем ожидали.👀 С технической стороны 2025-й окончательно стал годом гиперперсонализации. И вот за счёт чего: ⚡️Generative AI. Итоги больше не выглядят как шаблон. Тексты и визуализации генерируются нейросетями под конкретного пользователя, будто отчёт писали лично для вас. ⚡️LLM для интерпретации. Алгоритмы начали понимать контекст. Они знают, что ты слушал грустный плейлист не потому, что ты грустный человек, а потому что в тот вторник просто шёл дождь. Взгляд вперёд🔮 Если 2025-й был годом рефлексии, то 2026-й станет годом предиктивности. Мы переходим к Agentic AI — системам, которые не просто подводят итоги, а предсказывают ваш следующий год. Условно:«Исходя из твоего 2025-го, в марте тебе точно захочется в горы, вот билеты по лучшей цене». Персонализация станет проактивной. 🤷‍♀Мы ещё не знаем, как развернётся следующий виток технологий, но уже очевидно: цифры в метриках перестали быть холодными, у них появилась эмоциональная привязка. О самом главном и тёплом❤️ И всё же за любыми цифровыми итогами и персональными отчётами стоит то, что не описать ни одним алгоритмом: тепло наших близких. То тепло, которое мы получаем, и то, которое можем отдавать в ответ. Ощущение единства, любви в семье и поддержки друзей — это единственная «метрика», которую невозможно оцифровать, но именно она даёт нам силы двигаться дальше.😍 Будьте уникальными, гордитесь своими достижениями и помните: какой бы яркой ни была ваша цифровая копия, самое настоящее — это живое общение и любовь к тем, кто рядом. 💻Расскажите в комментариях: 🔘какие итоги года вас удивили больше всего? 🔘был ли сервис, который «прочитал» вас слишком точно? 🔘или, наоборот, совсем не попал? С наступающим!🎄

Эффект HiPPO: когда мнение босса побеждает данные🙂 В мире BI и аналитики есть термин, который давно стал нарицательным HiPPO (Highest Paid Person’s Opinion). Это ситуация, когда мнение самого высокооплачиваемого человека в комнате перевешивает любые данные, отчёты и модели. Классический пример⬇️ Представьте: команда аналитиков собрала статистику, построила прогнозы, и все модели говорят: «Этот продукт лучше не трогать». Но директор, опираясь на интуицию или личный опыт, отвечает: «Давайте делать». 😎И, что важно, иногда это действительно срабатывает. Хороший пример - это Amazon Prime. Сервис запускался вопреки прогнозам и финансовой логике, но в итоге стал одним из ключевых активов компании. Ранее мы уже поднимали эту тему: ➡️ «Принимать решения вопреки данным» Почему так происходит? 🔘У руководителя часто больше контекста, чем у аналитической команды. 🔘Интуиция, подкреплённая опытом, иногда улавливает то, что пока не отражено в цифрах. 🔘Но есть и обратная сторона. HiPPO-решения могут приводить к провалам, если данные полностью игнорируются. 😱Обратная сторона HiPPO Провал Amazon Fire Phone. Несмотря на многочисленные сигналы от аналитиков и инженеров о слабых перспективах продукта, Джефф Безос настоял на запуске смартфона. Итог: убытки около $170 млн и полный провал на рынке. Как с этим жить? 🔘Не бойтесь HiPPO, но всегда аргументируйте свою позицию. 🔘Говорите с бизнесом на языке бизнеса, а не только на языке метрик. 🔘И главное. Лучший подход - это Data Informed, а не слепое следование цифрам или мнению начальника. 🧐А в вашей практике HiPPO чаще оказывался прав или данные всё-таки выигрывали? Поделитесь в комментариях, будет интересно сравнить опыт 👇

Как идеальный продукт привел к волне негатива Это история о том, как бренд Quechua (подразделение сети Decathlon) допустил стратегическую ошибку, полностью положившись на данные тестирования продукта. Data Driven был, но не тот. Совсем не тот. Контекст Quechua — известный и пользующийся высоким доверием бренд доступного туристического снаряжения. Его классические маски и трубки для снорклинга (плавания с маской и дыхательной трубкой) были популярны десятилетиями. Обычные трубки для снорклинга имеют недостатки: запотевание и попадание воды. Инженеры Quechua создали инновационную маску Easybreath [на картинке] — цельный шлем с сухой трубкой, устраняющий эти проблемы. Слепые тесты и фокус-группы однозначно подтвердили: новый продукт значительно удобнее. На основе этих данных компания приняла решение почти полностью прекратить производство и продажу классических, простых масок, оставив в ассортименте только усовершенствованную, но более дорогую модель Easybreath. Реакция рынка Решение привело к негативной реакции клиентов. Оказалось, старые простые маски покупали не только для активного снорклинга. Их использовали для: ▫️Детей на мелководье. ▫️Походов как легкий многофункциональный инвентарь. ▫️Бытовых задач (например, мытье стекол). Новая технологичная маска не подходила для этих сценариев из-за цены, размера и избыточности. Покупатели почувствовали, что бренд, известный своей демократичностью, отнял у них привычный и универсальный продукт, навязав более дорогое и узкоспециализированное решение. На форумах и в соцсетях поднялся вой: «Quechua, что вы делаете?!», «Вы продались!», «Зачем вы отняли наш простой и надежный продукт?!». Итог Quechua была вынуждена вернуть классические маски и трубки в свой ассортимент. А что вообще пошло не так? Ошибка заключалась в некорректной постановке вопроса. Вместе с вопросом «Какой продукт лучше для снорклинга?» следовало спросить ещё: «Как и для чего вы используете нашу продукцию?». Data Driven начинается с правильных вопросов. #история

ДОРОГОЙ ДЕДУШКА МОРОЗ... ИЛИ КАК ПОВЫСИТЬ ВЕРОЯТНОСТЬ ЧУДА🚗 Новый год — редкий момент, когда даже самые рациональные люди загадывают желание под бой курантов. По сути, ставят цель. Иногда впервые за год. 🥂По данным соцопросов, 59% людей загадывают желание в новогоднюю ночь, и почти 47% из них ожидают, что оно сбудется. Интересно, что уровень «веры в результат» отличается: женщины — 48%, мужчины — 30%. Если перевести это на язык data-driven, то мы видим: 🔘есть гипотеза (желание); 🔘есть ожидание результата; 🔘и есть вероятность исполнения, которую хочется повысить. Что увеличивает вероятность достижения цели? 🔘Чёткая формулировка 🔘Фиксация (лучше письменно) 🔘Намерение + действие 🧑‍💻Именно поэтому «письмо Деду Морозу» — отличный новогодний эксперимент: вы не просто мечтаете, вы структурируете запрос и отправляете его во внешний мир. 🚗Куда: 162390, Вологодская область, г. Великий Устюг Кому: Дом Деда Мороза Можно сказать, что это: 🔘постановка цели; 🔘её документирование; 🔘и запуск долгосрочного эксперимента с неизвестным, но вдохновляющим результатом. Иногда данные — это не только цифры. Иногда это вера, подкреплённая действием. С наступающим🎄 ✨Пусть в новом году ваши гипотезы подтверждаются чаще.