Привет, Хабр! Я Максим Иванов, директор по развитию Modus, и сегодня я хочу порассуждать о важном вопросе.
В 2022 году российский IT-рынок столкнулся с массовым оттоком международных и технологических корпораций. Рынок BI не исключение – популярные лидеры досанкционного рынка - Tableau, Power BI, Qlik, Sisense - ограничили работу с российскими компаниями.
У бизнеса возник вполне понятный вопрос – а как работать дальше?
Поделюсь мнением.
Почему лучше не ждать?
Иностранные BI-вендоры останавливают сотрудничество с российскими клиентами: не продают новые лицензии, замораживают продление и техподдержку уже имеющихся. Оплатить подписку или покупку лицензий с карт российских банков невозможно.
Какое-то время бизнес считал, что это ненадолго – искали обход санкций, платили с иностранных карт и т.п. И ждали. Сейчас стало понятно, что это "всерьез и надолго".
Компании, для которых BI стал частью ежедневной бизнес-рутины, встали перед необходимостью чем-то оперативно заменить неработающие сервисы.
Для того, чтобы компания не осталась без данных, не потеряла все разработки и снизила зависимость от иностранного вендора, лучше не ждать с переходом на другой BI.
Что нужно для перехода?
В обычных условиях выбор и внедрение BI-платформ — поэтапный процесс, который начинается с первого пилотного проекта на 10–20 пользователей или аналитики какого-то определенного разреза данных (финансовой, кадровой и т.п), а дальше масштабируется на всю компанию.
Сейчас бизнес часто не готов ждать и интегрировать новые системы аналитики «по классике», чтобы не погрязнуть в аналитике и мониторинге данных на этапе миграции.
Со стороны заказчика самый важный этап - это понимание целей и задач, которые будут стоять перед новой системой. Дальше - работа интегратора и вендора.
Например, для перехода мы или наш партнер-интегратор создаем дорожную карту миграции, анализируем требования, существующую архитектуру приложений в компании и состояние источников данных.
Дальше заказчик или интегратор подготавливает данные к требованиям новой BI, разрабатывает новые сводные дашборды, тестирует и передает заказчику в промышленную эксплуатацию.
На словах все звучит довольно просто, но по факту для такого перехода разработчики вендора или интегратора должны быть профессионалами, потому что ключевая ценность – безопасность данных, их историчность, связи. И наша роль здесь – не только заменить, но и сделать более эффективным применение систем аналитики.
Наш партнер, «А2 Консалтинг», рекомендует всем нашим клиентам добавлять еще один важный промежуточный этап – создание аналитического хранилища данных.
Во-первых, это даст возможность менять аналитическую оболочку по вашим требованиям, во-вторых, ускорит отклик систем и, в-третьих, даст гарантии безопасности данных, которые стекаются из различных источников в единое хранилище.
Одно из ключевых преимуществ такой схемы – это снижение затрат на переход: 70% любого проекта это работа с данными, а этот этап уже будет готов. В итоге – быстрое внедрение BI и снижение затрат.
Этапы внедрения
На первом этапе команда интегратора создает дорожную карту для перехода с существующей платформы на новую (в нашем случае, как вендора, на Modus) и подготавливает описание ETL-процессов и Data Pipeline. Дальше разворачивает систему, интегрирует с источниками, настраивает сценарии трансформации данных и расписание работы ETL-процессов для формирования корпоративного хранилища данных (ClickHouse, PostrgreSQL и т.п.).
После этого наступает этап тестирования и ввода системы в промышленную эксплуатацию. А затем уже - техническая поддержка по проекту, настройка существующих решений и их оптимизация.
Стадии проекта
Подготовка источников данных (информационная система, СУБД, 1С, web-сервис и т.п.).
Проектирование структуры корпоративного хранилища данных (DWH);
Настройка правил получения и обработки данных в DWH в соответствие со сценариями ETL-процессов.
Создание и настройка дашбордов с помощью конструктора.
Обучение пользователей работе с DWH и созданию своих BI-отчетов.
Самостоятельная работа с данными и отчетами в режиме self-service.
Развитие аналитических разрезов на основе рекомендаций BI-команд и отделов аналитики (омниканальность, сквозная веб-аналитика, геоаналитика и др.).
Интеграция бизнес-аналитики с машинным обучением и прогнозной аналитикой (библиотеки Python).
Расширение разрезов Data Lake за счет интеграции с новыми источниками и другими типами хранения данных.
Возможная схема реализации
Результаты:
Созданное единое корпоративное хранилище на основе первичных источников;
Настроенные аналитические дашборды в BI-платформе.
Типы хранимых данных
