Зачем и как переходить на российский BI?
В 2022 году российский IT-рынок стали массово покидать международные вендоры. Лидеры «досанкционного» рынка решений для аналитики данных, такие как Tableau, Power BI, Qlik, Sisense, прекратили или ограничили работу с отечественными компаниями.
Как же работать дальше и стоит ли заменить BI-платформу?
Почему лучше не ждать?
Иностранные разработчики BI замораживают сотрудничество с российскими клиентами: не продают новые лицензии, приостанавливают продление и техподдержку уже выданных. Оплатить подписку или покупку лицензий можно только с карт международных банков.
Какое-то время собственники компаний медлили и ждали, когда все наладится – искали обходные пути санкций, оплачивали с иностранных карт и т.п. Сейчас постепенно становится понятно, что ситуация меняться не собирается – это "всерьез и надолго".
При этом, компании, для которых BI стал частью повседневных бизнес-процессов, оказались перед выбором – или работать без аналитики, или заменять решения на отечественные. В противном случае, есть риск остаться без данных, потерять все разработки и быть зависимыми от иностранного вендора. Поэтому мы настоятельно рекомендуем – лучше не ждать с переходом на другой BI.
Что нужно для перехода?
Обычно выбор и внедрение BI-продукта — это постепенный процесс, который начинается с пилотного проекта на 15–20 пользователей или аналитики какого-то определенного разреза данных (финансовой, кадровой и т.п.), а дальше разворачивается на всю компанию.
Сейчас компании часто нуждаются в более быстром внедрении, чтобы не погрязнуть в аналитике и мониторинге данных на этапе миграции.
Со стороны базнеса самый важный этап - это определить цели и задачи для новой системы. Дальнейшие этапы - работа интегратора и вендора.
Например, на старте мы или наш партнер-интегратор создаем дорожную карту миграции, анализируем требования, существующую архитектуру ПО заказчика и состояние источников данных.
Дальше компания самостоятельно или с помощью интегратора подготавливает данные к требованиям новой BI-системы, разрабатывает новые сводные дашборды, тестирует и передает в промышленную эксплуатацию.
На словах все звучит довольно просто, но по факту для беспроблемного и быстрого внедрения разработчики вендора или интегратора должны быть профессионалами, потому что ключевая задача – это безопасность данных, сохранение их историчности и связей. И наша роль здесь – не только заменить, но и сделать еще более эффективным применение систем аналитики.
В классическую схему наш партнер «А2 Консалтинг» рекомендует всем нашим клиентам добавлять еще один важный 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 – ускоренное внедрение BI и снижение затрат.
Этапы внедрения
На первом этапе команда интегратора создает дорожную карту для перехода с существующей платформы 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 следуют этапы 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.
Результаты:
- Готовое единое корпоративное хранилище на основе первичных источников;
- Настроенные дашборды в BI-платформе.
Типы данных