Всё связано.
Объединяем данные.
Строим BI.
Внедряем прикладной AI.
Связываем системы компании, аналитику и рабочие процессы — чтобы на данные можно было опереться в решениях и действиях.
AI получает контекст из связанных данных и процессов. Правила и контроль остаются у команды.
Услуги в области
BI, данных и AI.
Разработка и развитие аналитических систем, интеграция данных, математические модели и прикладной AI. От отдельных задач и аудита до внедрения и сопровождения.
| Направление | Технологии и методы | Состав работы |
|---|---|---|
| BI и управленческая аналитика | Qlik SenseQlikViewVisiology | Архитектура аналитической системы, определения показателей, модели данных и приложения. Проектирование · Внедрение · Развитие |
| Источники и интеграции | APIETL1С / CRMLoginom | Загрузка и преобразование данных, согласование справочников, витрины и контроль качества. Интеграция · Миграция · Сопровождение |
| Аудит и развитие Qlik | Qlik SenseQlikViewМодели и скрипты | Диагностика приложений, оптимизация загрузок и выражений, подготовка перехода на другую платформу. Аудит · Доработка · Сопровождение |
| Математические модели и ML | PythonMLSSE / APIПрикладная математика | Постановка задачи, подготовка данных, разработка и проверка модели, включение расчётов в систему. Исследование · Моделирование · Интеграция |
| Прикладной AI | LLMRAGПоиск по документамAI workflow | Поиск и извлечение информации, автоматизация обработки, контроль качества и проверка человеком. Пилот · Интеграция · Развитие |
| Видеоаналитика и событийный поиск | Computer VisionNVIDIA JetsonЛокальные LLMRAG | Обработка видеопотоков, выделение событий, журналы наблюдений и смысловой поиск по истории. Исследование · Разработка · Интеграция |
| Программные компоненты | Qlik APIВеб-интерфейсыWritebackForms | Расширения и визуализации, формы ввода, согласование, плановые данные и взаимодействие сервисов. Разработка · Интеграция · Сопровождение |
| Обучение и работа с командой | Qlik SenseQlikViewBI-архитектура | Базовые и продвинутые тренинги, разбор практических задач, менторство и передача знаний. Тренинг · Консультации · Менторство |
Проектный опыт
команды.
Компании, в проектах которых участвовали специалисты нашей команды.
Примеры проектов
и решённых задач.
История остатков для 4 000 торговых точек, сопоставление отчётов партнёров, поиск по видеоархиву. Показываем задачу, вклад команды и результат работы.
- Розничная торговля
История остатков для 4 000 торговых точек
Спроектировали обработку ежедневных данных об остатках: около 6 ГБ в день и история за шесть месяцев.
Описание проекта - Дистрибуция
Разные отчёты партнёров — сопоставимые данные
Разработали парсер для неоднородных отчётов: сопоставление товаров, категорий и размеров с учётом детализации источников.
Описание проекта - Видеоаналитика
Поиск по событиям видеоархива
Текстовый вопрос находит наблюдения с указанием времени, места и камеры. Фоновая обработка — на устройстве с 8 ГБ памяти.
Описание проекта - Розничная торговля
Общие определения показателей для розничной аналитики
Связали бизнес-понятия, правила сравнения и источники расчёта в общей аналитической модели.
Описание проекта - Розница и CRM
От первого обращения до выкупленного заказа
Соединили рассылки, обращения, бронирования и покупки для сквозного анализа клиентского пути.
Описание проекта - Фармацевтическая логистика
От отклонения условий хранения к оценке риска
Связали складские измерения с требованиями к субстанциям и оценкой потенциальных потерь — для выбора приоритетов контроля.
Описание проекта - Рекламная аналитика
Рекламный охват с учётом пересечения аудиторий
Участвовали в переносе математической модели охвата в расчёты и аналитические экраны.
Описание проекта
Розничная торговля
История остатков для 4 000 торговых точек
Спроектировали обработку ежедневных данных об остатках: около 6 ГБ в день и история за шесть месяцев.
Задача и масштаб
Розничной сети требовалась история товарных остатков по 4 000 торговых точек. Каждый день добавлялось около 6 ГБ данных; необходимая глубина истории — шесть месяцев ежедневных срезов.
Вклад команды
Спроектировали обработку данных об остатках под заданный объём и глубину истории. Результатом работы стала архитектура, сохраняющая ежедневную детализацию по всей сети.
Дистрибуция
Разные отчёты партнёров — сопоставимые данные
Разработали парсер для неоднородных отчётов: сопоставление товаров, категорий и размеров с учётом детализации источников.
Почему файлы нельзя просто объединить
Партнёры передавали продажи в разных форматах, со своими идентификаторами и уровнями детализации. В одних отчётах были отдельные товары, в других — итоги по категориям. Общему анализу требовалось согласованное представление этих данных.
Что сделали
Разработали собственный парсер и согласовали номенклатуру, категории и размерные группы. При сопоставлении учитывали, какие сведения действительно присутствуют в каждом источнике.
Что получилось
Отчёты привели к единому виду для анализа партнёрских продаж. Сохранили доступную детализацию и возможность сравнивать данные по согласованным группам.
Видеоаналитика
Поиск по событиям видеоархива
Текстовый вопрос находит наблюдения с указанием времени, места и камеры. Фоновая обработка — на устройстве с 8 ГБ памяти.
Две задачи одного видеопотока
Система должна была реагировать на новые события и давать возможность искать по истории наблюдений. Вычислительные ресурсы устройства были ограничены, поэтому срочная реакция и фоновый разбор требовали разных режимов обработки.
Как устроили обработку
Подключили распознавание объектов и событий, журналирование и оповещения. Наблюдения сохранялись с привязкой ко времени, месту и камере. Для поиска по истории использовали локальную Qwen 3 и RAG; фоновая обработка выполнялась на NVIDIA Jetson с 8 ГБ памяти.
Что получил оператор
Оператор мог задать вопрос обычным текстом и получить найденные наблюдения. В результате сохранялись время, место и камера — контекст, по которому можно продолжить разбор события.
Розничная торговля
Общие определения показателей для розничной аналитики
Связали бизнес-понятия, правила сравнения и источники расчёта в общей аналитической модели.
Что требовалось определить
Для розничной аналитики нужно было согласовать, что именно считать и какие данные использовать. Вместе с показателями требовалось определить допустимые разрезы анализа и правила сравнения результатов.
Как связали определения и данные
Создали семантический слой: бизнес-понятия связали с таблицами и отношениями в базе данных. Описали области применения показателей и связи между ними.
Результат работы
Общая модель позволяет перейти от определения показателя к данным для его расчёта. Контекст сравнения и интерпретации закреплён вместе с показателем.
Розница и CRM
От первого обращения до выкупленного заказа
Соединили рассылки, обращения, бронирования и покупки для сквозного анализа клиентского пути.
Задача
Проследить путь от коммуникации или обращения до выкупленного заказа. Эту историю требовалось использовать при выборе изменений в работе с покупателями.
Какие данные объединили
Собрали в одной BI-системе SMS и рассылки, обращения через сайт и звонки, бронирования, статусы заказов и данные о выкупе. Этапы взаимодействия стали доступны как связанная история.
Как использовали аналитику
На основе истории выделяли сегменты, персонализировали коммуникации и проверяли гипотезы. Аналитика использовалась при выборе и утверждении изменений в коммуникациях и работе с выкупом.
Фармацевтическая логистика
От отклонения условий хранения к оценке риска
Связали складские измерения с требованиями к субстанциям и оценкой потенциальных потерь — для выбора приоритетов контроля.
Что стояло за сигналом датчика
Требовалось оценивать нарушения условий хранения с учётом их финансовых последствий. Для этого важны величина и длительность отклонения, а также чувствительность конкретной субстанции.
Что сделали
Развернули расчётный контур и дашборд. Показания температуры, влажности, давления и среды сопоставили с требованиями к субстанциям и расчётами потенциальных потерь и недополученного дохода.
Как использовали результат
Выделили наиболее чувствительные условия хранения. Расчётная цена отклонения стала основанием для приоритизации контроля: можно учитывать, какие нарушения потенциально существеннее.
Рекламная аналитика
Рекламный охват с учётом пересечения аудиторий
Участвовали в переносе математической модели охвата в расчёты и аналитические экраны.
Задача
Перевести математическую модель в инструмент для анализа охвата целевых аудиторий и их пересечения между рекламными кампаниями.
Наш вклад в совместную разработку
Участвовали в реализации математической логики и аналитических экранов. Связали вычислительный слой с представлением результатов в BI.
Рабочий результат
Расчёты охвата стали доступны в аналитическом инструменте. Пользователи получили возможность рассматривать охват целевых аудиторий и пересечения между кампаниями.
Расширения Qlik
и AI-инструменты.
Наши разработки для визуализации, изучения связей в данных и автоматизации процессов. Посмотрите интерфейсы и выберите решение под свою задачу.
Factory Flow Chart
Sankey и параллельные координаты: связи, доли и переходы между категориями данных в Qlik.
Подробнее о решении
Sankey: связи каналов продаж, сегментов, решений и регионов. Учебные данные.Factory Gantt
Время, задачи и контекст. Проектная аналитика на общей временной шкале.
Подробнее о решении
Диаграмма Ганта: проекты, задачи, сроки и прогресс. Учебные данные.AI Workflow
Задайте правила обработки обращений. AI определит тему и следующий шаг, а оператор проверит результат перед передачей дальше.
Подробнее о решении
Очередь обращений и решение оператора. Учебные данные.Qlik Data Atlas
Откуда приходят данные и что затронет изменение. Карта источников, QVD и приложений Qlik.
Подробнее о решении
Связи таблиц и поля модели Qlik. Учебный набор данных.Мобильная аналитика + AI
KPI, отклонения и методика расчёта в мобильном интерфейсе. От цифры — к деталям и вопросу по выбранному срезу.
Подробнее о решении
Статьи о BI,
данных и AI.
Практические разборы: почему расходятся цифры, как развивать аналитику и где применять AI. Примеры расчётов, способы проверки и первоисточники.
Почему отчёты показывают разные цифры
В одном отчёте конверсия — 70%, в другом — 87,5%. Ошибки в арифметике может не быть. Разберём, как проверить состав заказов, даты и фильтры, прежде чем исправлять формулы.
Читать статьюСтатья · АрхитектураСемантический слой: общие определения для BI и AI
Семантический слой связывает деловые определения с расчётами и структурой данных. Для BI он задаёт согласованные показатели, а для аналитического AI — границы интерпретации вопроса и проверки ответа.
Читать статьюСтатья · Прикладной AIКак встроить AI в рабочий процесс
Рабочий AI-сценарий начинается с понятного результата и правил его проверки. Модель занимает определённое место между входными данными, решениями человека и действиями системы.
Читать статьюСтатья · QlikРазвитие Qlik и переход на другую BI-платформу
Решение о развитии Qlik или переходе на другую BI-платформу требует проверки расчётов, поведения выборок, прав доступа и эксплуатации. Перенос внешнего вида отчётов охватывает только часть этой работы.
Читать статьюСтатья · ML и аналитикаКак подключить ML-модель к BI
Прогноз становится частью аналитики, когда понятны его дата, исходные данные, качество и способ использования. Подключение вычислений — лишь один из этапов этой работы.
Читать статьюСтатья · Инженерия данныхКак сопоставить отчёты разных источников
Партнёры присылают продажи в разных файлах: у одного — артикулы, у другого — категории. Покажем, как получить сопоставимый отчёт и сохранить сведения, которые пока не удалось согласовать.
Читать статьюRussian BI Chat —
сообщество по BI и AI
в Telegram.
Вступить в Telegram-чат Мы создали чат, чтобы обсуждать рабочие вопросы с теми, кто тоже занимается аналитикой: аналитиками, руководителями, разработчиками и представителями платформ.
Выбор BI, работа с данными, применение AI в компании — задайте свой вопрос, сравните подходы или поделитесь опытом.