А вот и первая статья! Рассказываем, как text2sql упростит вам жизнь
https://vc.ru/dev/2230113-kak-ispolzovat-text2sql-dlya-polucheniya-dannyh-bez-sql

Партнеры нас любят. А мы любим их. Никаких токсичных отношений, только благодарности

Кстати, у нас есть вк. Присоединяйтесь, делимся знаниями на всех площадках!
https://vk.com/wall-233013892_4

У нас вышла еще одна статья, на этот раз сравниваем инструменты Vanna AI и WrenAI. Интересно, кто победит?
https://vc.ru/dev/2261662-vanna-ai-i-wren-ai-kak-vybrat-luchshij-text2sql-instrument

Коллеги, отличной рабочей недели!

Око за око или доверительные отношения?

Дилемма заключенного - один из самых известных парадоксов сотрудничества.

Чтобы ваш мозг отдохнул (или наоборот напрягся), мы нашли видео, где просто и понятно (а мы такое любим) объясняются все нюансы парадокса.

https://youtu.be/o-lFK7nZIKE?si=EG2_s9tIGlRixyM3

Как убить рутину в аналитике?

Коллеги, сегодня в меню наши успешно реализованные кейсы.

Команда одного из наших клиентов тратила 10 часов в неделю на то, чтобы вручную собирать данные:
из 1С
из CRM
из Google Ads
из Яндекс.Директ

Как итог: запаздывающая аналитика, человеческие ошибки и управленцы без актуальной картины.

Мы включились в процесс и вот что получилось:

Полностью автоматизировали сбор данных и настроили единую дашборд-систему. Теперь все метрики: продажи, реклама, финансы, обновляются в реальном времени.

Результат:
Все KPI в одном отчёте
Время на аналитику: с 10 часов → до 2 часов в неделю
Ошибки при выгрузке: устранены полностью
Доступ к данным: у всех уровней управления
Экономия: 380 часов в год ≈ полгода работы одного сотрудника

Готовы освободить ваши отделы от рутины, вы только пишите!
Познакомиться с отчетом можно по ссылке
http://marketing.dataprof.tilda.ws/

#BI #автоматизация #аналитика #маркетинг #управление #SaaS #data

*не является рекламным материалом

Как не потеряться в аналитике: простая шпаргалка.
Слишком много инструментов? Не паникуйте. Начните с простого.

Цель важнее данных
Знайте, зачем вам аналитика: рост продаж, контроль бюджета или оптимизация процессов.

Выбирайте инструмент под задачу
Веб-аналитика → GA / Метрика
Дашборды → Power BI / Tableau
Глубокий анализ → Python, SQL
Главное,чтобы было полезно, а не модно.

Задавайте вопросы
Не «что происходит», а почему. Только так вы получите реальные инсайты.

Визуализируйте
Графики и дашборды превращают цифры в понятную картину.

Аналитика это процесс.
Настройка → анализ → действия → улучшение. Повторяйте.

#аналитика #BI #data #эффективность #SaaS

Коллеги, вдох-выдох. Бережем нервную систему и готовимся к выходным🥳

97% людей не различают музыку, созданную ИИ от написанной человеком.

Международное исследование, проведенное аналитической компанией Ipsos Digital по заказу стримингового сервиса Deezer, показало, что большинство слушателей не способны отличить музыку, полностью сгенерированную искусственным интеллектом, от треков, созданных людьми.

В ходе исследования 9 000 участников из разных стран прошли слепое прослушивание: им предлагались три композиции: одна человеческая, две сгенерированные ИИ.
Результат: 97% не смогли корректно идентифицировать ИИ-треки.

После информирования о происхождении музыки:

71% участников выразили удивление
52% отметили дискомфорт

Данные указывают на когнитивный диссонанс между восприятием музыки как формы искусства и признанием её машинного происхождения.

Несмотря на высокую степень "неотличимости", отношение к интеграции ИИ остается спорным:

50% респондентов считают, что в ближайшее десятилетие ИИ будет играть значительную роль в создании музыки.
80% настаивают, что стриминговые платформы должны маркировать контент, созданный с помощью ИИ.
Каждый второй участник полагает, что такие треки не должны участвовать в рейтингах наравне с произведениями, созданными людьми.

Технологии генерации аудио достигли такого уровня, при котором выходные данные неразличимы для человеческого восприятия.
Это ставит под вопрос традиционные модели авторства и лицензирования:
-Отсутствует консенсус вокруг этических и правовых норм.
-Пользователи требуют прозрачности, но не готовы признавать ИИ-контент равноправным.
-Системы управления цифровыми правами (DRM, metadata) потребуют модернизации, особенно в условиях роста UGC-платформ и доступных инструментов генерации.

Для стриминговых сервисов это означает вызов в области классификации, теггинга и рекомендательных систем.
Нужны новые метки: «AI-generated», «Human-composed», «AI-assisted».

Технологическая зрелость ИИ уже не вызывает сомнений.
Ключевая задача - разработка стандартов, регулирование и формирование общественного согласия вокруг использования ИИ в творческих индустриях.

Будущее за гибридными моделями: ИИ присутствует как инструмент усиления, а не замены. А человек остается центром принятия решений и эстетической оценки.

Как строится хранилище данных: кратко о главном.

Хранилище данных (Data Warehouse, DWH) не просто база. Это централизованная система, где данные из разных источников объединяются, очищаются и структурируются для аналитики и отчетности.

Если операционные системы отвечают на вопрос «Что произошло?», то DWH - на вопросы «Почему? Что будет? Где рост?»

Основные компоненты DWH:

Источники данных
CRM, ERP, 1С, сайты, рекламные кабинеты, логи, Excel, т.е всё, где есть цифры.

ETL/ELT-процессы
Extract - извлечение из источников
Transform - очистка, агрегация, приведение к единому формату
Load - загрузка в хранилище
Современные платформы (Snowflake, BigQuery, Redshift) часто используют ELT, где трансформации выполняются уже внутри хранилища.

Модель данных

Слои:
Raw (сырые данные)
Staging (временная зона)
Core (основная модель, нормализованная или dimensional)
Mart (тематические витрины: sales, marketing, finance)
Часто используется подход Data Vault или Kimball (звёздные схемы).

Система управления метаданными
Контроль происхождения данных (data lineage), описание полей, владельцы, SLA.

BI и конечные инструменты
Power BI, Tableau, Looker подключаются к витринам и строят дашборды.

Зачем это нужно?

Устранение разрозненности: нет больше «двух правд» в финансах и маркетинге.
Автоматизация отчётности: не ручные выгрузки, а актуальные данные в режиме near real-time.
Поддержка прогнозной аналитики: ML, сегментация, LTV.
Единое понимание KPI по всей компании.

Ключевые принципы построения:

Начинайте с бизнес-вопросов, а не с архитектуры.
Строите слоями, от сырых данных к витринам.
Задокументируйте метаданные и lineage.
Обеспечьте доступность и безопасность (RBAC).
Планируйте масштабируемость, т.к.данные будут расти.

DWH не проект, а процесс.
Правильно построенное хранилище становится инфраструктурой принятия решений в компании.

#datawarehouse #dwh #etl #dbt #snowflake #bigquery #dataengineering #analytics #b2b #tech

Коллеги, привет!
Напоминаем, что мы проводим бесплатные аудиты ваших систем аналитики.

Тратим 30 минут времени, получаем информацию:

-Где у вас слепые зоны
-Что можно автоматизировать уже сейчас
-Какие инсайты вы не видите

Напишите менеджеру @prod_smr, обсудим подробности

Коллеги, пятница! Вы уже (надеемся) спешите домой🥰
Для вас напутствие на декабрь - не дайте зеленой иконке вас сломить!

Как создать эффективный дашборд: 7 простых правил, которым мы следуем в каждом проекте.

Хороший дашборд - не просто красивый график. Это инструмент принятия решений, который позволяет увидеть суть за секунды.

Плохой дашборд: перегруженный, запутанный, требующий расшифровки. Хороший же понятен с первого взгляда, даже если вы видите его впервые.

На основе многолетнего опыта работы с данными, вот 7 простых, но мощных правил, которые мы применяем в каждом проекте.

Простота - ваш ключ к успеху
Главная ошибка новичков это стремление впихнуть «всё и сразу». Лучше показать меньше данных, но они будут точными и полезными.

Что делать:
Оставьте только те метрики, которые влияют на решение.
Уберите лишние линии, тени, градиенты.
Избегайте «декоративной аналитики» - графиков ради графиков.

Данные навалены в кучу
Информацию мы потребляем по алгоритму чтения книги. Люди глазом пробегаются по данным от верхнего левого угла и двигаются по экрану по траектории буквы "Z".

Что делать? Использовать четкую модель расположения данных:
Вверху слева - главные KPI (выручка, конверсия, ROI)
По центру - детализация (по каналам, регионам, продуктам)
Внизу - второстепенные метрики или источники данных
Так аудитория пройдёт путь от общей картины к деталям без усилий.

Четкость посыла
Не забывайте про название. Если конечный пользователь спрашивает "А что это вообще такое?" - битва проиграна.

Заголовки должны отвечать на вопрос: "Что измеряется и за какой период?" Например: "Выручка по маркетплейсам, неделя (с 18 по 24 ноября)"
Подписи к осям понятные и без аббревиатур
Всегда указывайте единицы измерения (₽, %, шт.)
Хороший дашборд не требует пояснений.

Меньше шума, больше фокуса
Каждый элемент на экране имеет цель .Если элемент не помогает принять решение - смело удаляйте

От чего стоит избавиться:
Фоновые изображения
Тени под графиками
Слишком много цветов
Ненужные легенды
Повторяющиеся метрики
"Приберитесь", и внимание пользователя сосредоточится на главном.

А что по цвету и дизайнерским решениям?
3–4 цвета максимум, со шрифтами и анимацией не играем

Цвет это мощный инструмент, но в силу полета фантазии он может сыграть не в вашу пользу

Рекомендации:
Используйте 3-4 цвета максимум.
Один цвет для акцента (например, красный для просадки, зелёный для роста).
Серые/нейтральные - для фона и второстепенных элементов.
Учитывайте дальтоников: проверьте контрастность.
Цвет должен помогать, а не раздражать.

Вовлеченность= интерактивность + глубина анализа
Позвольте пользователю исследовать данные.

Что делать:
Фильтры по дате, региону, продукту
Кликабельные элементы (например, клик по бренду → детализация)
Возможность экспорта данных
Переключение между периодами (неделя/месяц/год)

Ошибочные данные = ошибочные решения
Даже самый красивый дашборд бесполезен, если данные в нём неверны.

Что проверять:
Источники данных: актуальны ли они?
Логика расчётов: правильно ли считается CAC, LTV, ROI?
Временные метки: нет ли задержек в обновлении?
Агрегации: не двойные ли подсчёты?
Перед публикацией всегда проводите аудит данных.

Хороший дашборд это баланс простоты, функциональности и достоверности. Он не просто показывает цифры. Он рассказывает историю, направляет и создаёт доверие.
Внедрите эти 7 правил и ваши дашборды перестанут быть "ещё одним отчётом", а станут ключевым инструментом управления бизнесом.

Коллеги, держимся изо всех сил.

Сегодня расскажем о прогнозировании спроса в e-com
Шаг 1: Moving Average (скользящая средняя)
Среднее значение продаж за последние N периодов.
Формула:
(Продажи_день1+...+Продажи_день30) / 30
Когда использовать: стабильный товар, нет аналитики, нужен быстрый старт
Плюсы: просто, быстро внедряется в Excel
Минусы: не учитывает сезонность, акции, рекламу
Это база.
Шаг 2: Добавляем контекст
Улучшаем прогноз: сезонность,акции,рекламные кампании,конкуренты
Теперь: прогноз = MA × коэффициент сезонности × эффект от рекламы
→ Точность растёт на 30–40%
Шаг 3: Машинное обучение (ML)
Когда данных много и ручной подход не масштабируется.
Что делает ML:
Анализирует сотни факторов
Находит скрытые паттерны
Прогнозирует по каждому SKU
Автоматически адаптируется
Где используется:
Прогноз спроса
Оптимизация закупок
Предиктивная аналитика возвратов
LTV-моделирование

Результат: снижение затоваривания на 40%, дефицита - на 60%.

Вывод:
Начните с Moving Average.
Добавьте контекст.
Переходите к ML при росте сложности.