Современные инструменты бизнес-аналитики призваны ускорить процессы получения результатов за счет применения подходов Low-code/No-code, предоставления пользователям готовых коннекторов, средств трансформации данных и предустановленных шаблонов визуализации, требующих минимальной настройки. Кроме этого, бизнес-пользователям, не имеющим глубоких навыков в ИТ, сегодня доступны упрощенные языки для написания формул и визуальные конструкторы вычислений, исключающие необходимость в программировании. Другая тенденция в бизнес-аналитике — визуальное построение интерфейсов (drag and drop) и создание дашбордов.

Спрос на подобные инструменты самообслуживания растет по мере увеличения потребности компаний в аналитике, и, как следствие, расширяется функционал BI-систем, в частности, за счет интеграции решений искусственного интеллекта, упрощающих процессы анализа даже при далекой от идеальной настройке дашбордов. При этом современные решения позволяют глубоко анализировать данные без необходимости постоянной доработки инструментов.

Основная задача self-service BI — быстрое получение бизнес-специалистом необходимой аналитической картины из корпоративных данных без обращения в ИТ-департамент. Современный стек бизнес-аналитики [1] обычно включает в себя BI-платформу, объединяющую инструменты аналитики и поддерживающую ИТ-инфраструктуру компании. Инструменты — это средства создания отчетов и выполнения интерактивных запросов, конструкторы информационных панелей для мониторинга и обработки событий. Кроме того, сюда входят средства для оперативной аналитической обработки данных (OLAP), визуального исследования данных, а также собственные встроенные инструменты Data Mining, либо интерфейсы поддержки подключения к внешним аналитическим моделям.

До недавнего времени эволюция self-service в сегменте бизнес-аналитики шла по пути упрощения работы с данными и сокращения времени на подготовку отчетов. Построение аналитических моделей требовало владения SQL или MDX (SQL-подобный язык запросов для доступа к многомерным структурам данных), а также знания СУБД Oracle и, возможно, решений от IBM, что накладывало высокие требования к квалификации аналитиков, а формирование отчетов могло занимать недели.

С развитием подходов Low-code/No-code появились инструменты, позволяющие работать с данными без написания кода, например, визуальные редакторы. Подобная встроенная в BI-системы функциональность позволяет проводить трансформацию данных, осуществлять расчеты и создавать визуализации, значительно ускоряя процесс подготовки отчетности — создавать отчеты и дашборды можно за несколько часов.

Следующий этап развития self-service связан с концепцией генеративного BI — бизнес-пользователь взаимодействует с аналитическими моделями на естественном языке, формулируя запросы, а система автоматически выдает ответ в виде дашбордов, однако в модель необходимо заранее закладывать вычисляемые показатели. Генеративный BI еще не способен на лету дополнять модели бизнес-логикой, но позволяет работать с уже созданными моделями и помогать пользователям формировать запросы, в том числе голосом.

Самообслуживание: функции, требования, ограничения

Самообслуживание в BI сегодня развивается по трем основным направлениям: самообслуживание для бизнес-аналитиков, для конечных пользователей (менеджеры направлений), для разработчиков и ИИ‑специалистов. Все направления взаимосвязаны, хотя и ориентированы на решение отдельных задач.

Для бизнес-аналитиков самообслуживание означает оперативное создание информационных дашбордов, из которых можно получить не только готовые ответы на бизнес-вопросы, но и провести дополнительные исследования данных. С использованием функционала ETL-систем аналитик может самостоятельно подключаться к различным источникам данных, объединять их на различных уровнях, проводить очистку и валидацию, строить сложные модели и рассчитывать показатели, учитывающие специфические условия, необходимые для проведения анализа. Такой функционал систем бизнес-аналитики практически исключает для большинства задач необходимость применения языков программирования (например, Python), тем самым ускоряя все аналитические процессы.

Визуализация также играет ключевую роль в самообслуживании — гибкие инструменты настройки графики позволяют в интерактивном режиме формировать комплексные таблицы и визуализации для проведения сравнительного анализа на основе множества бизнес-параметров. Функционал адаптивной верстки автоматического упорядочивания элементов дашбордов и интерактивных элементов управления дает возможность аналитикам без дополнительной доработки формировать информативные отчеты для различных пользовательских устройств.

Аналитик также может использовать встроенные инструменты ИИ для объяснения результатов, анализируя, какие факторы влияют на результат и с каким вкладом. Также можно провести сложные типы анализа, например, когортный анализ (исследование поведения пользователей, объединенных в когорты), и определить, какой доход ежегодно приносит каждая группа клиентов в зависимости от года их первой покупки. Это позволяет оценить, как год первой покупки влияет на дальнейшую динамику продаж и удержание клиентов.

Самообслуживание для конечных пользователей позволяет восполнить вероятные пробелы в уже имеющихся аналитических отчетах, предоставляя сотрудникам возможность самостоятельно находить ответы на бизнес-вопросы на основе готовых визуализаций и моделей данных. Можно работать с имеющимися дашбордами и моделями данных, дополняя преднастроенные витрины собственными отчетами или перестраивая визуализации под свои задачи. Такой подход расширяет аналитические возможности без необходимости создания новых панелей или обращения к специалистам.

Чат-бот — самый простой и понятный интерфейс для функционала генеративного BI, позволяющий на естественном языке попросить систему бизнес-аналитики объяснить все, что представлено на дашборде, настроить отчеты под персональные задачи, а также без посторонней помощи проводить дополнительные исследования по ходу самостоятельного диалога с данными, получая ответы на вопросы «Как?» и «Почему?».

Для разработчиков и ИИ-специалистов самообслуживание позволяет извлекать и обрабатывать данные, строить модели, выполнять расчет сложной бизнес-логики и визуальный анализ через удобные интерфейсы без применения кода. Однако если необходимо быстро выполнить нестандартные задачи, для которых требуется написать скрипты или работать с неструктурированной или смысловой текстовой информацией, то для ускорения используются готовые ИИ-модели и сервисы, формирующие подходящий код, заменяющий необходимость применения регулярных выражений и даже проводящий предварительное исследование данных.

Вместе с тем, несмотря на значительный прогресс в сфере бизнес-аналитики, применение подобных систем на российском рынке сталкивается с рядом ограничений.

Прежде всего это ограниченные вычислительные возможности при работе с большими объемами данных, автоматизации сложных расчетов и поддержке бизнес-логики. Все это пока требует вмешательства аналитиков.

Ограничения накладывает недостаточно развитая функциональность систем ИИ — большинство текущих решений ориентированы на помощь аналитикам (например, автогенерация кода или визуализация моделей), а полноценная поддержка для конечных бизнес-пользователей пока еще находится в зачаточном состоянии.

Гибкость интерфейса также оставляет желать лучшего — далеко не все отечественные системы предоставляют одинаковые удобства и функциональность, особенно при работе с настройкой дашбордов и форматированием. Несмотря на высокую степень автоматизации, некоторые решения требуют доработки с использованием кода, что уже выходит за рамки self-service.

Для эффективного использования инструментов самообслуживания пользователю не обязательно иметь техническое образование, но необходимы базовые навыки работы с данными, в частности, надо понимать структуры данных и логику расчетов. Также необходимо умение формулировать аналитические запросы — задавать вопросы к данным и находить закономерности.

«Дельта BI»

Развитие систем бизнес-аналитики движется за границы обеспечения лишь функционального набора инструментов для построения дашбордов и расчетов показателей — ключевой становится способность системы обрабатывать большие объемы данных и обеспечивать высокую производительность.

В российских решениях бизнес-аналитики акцент пока сделан на разработке и оптимизации движков для расчета показателей, а визуальная аналитика и дополнительные функции (форматирование, чат-боты, ИИ-инструменты) развиваются в фоновом режиме. Интеграция инструментов ИИ в системы бизнес-аналитики в основном пока ориентирована на аналитиков и дата-специалистов, которым предоставляются инструменты написания кода и визуального анализа моделей. Функциональность для конечных пользователей находится в стадии становления.

Платформа «Дельта BI» поддерживает необходимый функционал self-service BI — решение на ее основе выходит за рамки создания дашборда для больших массивов данных:

  • инструменты машинного обучения — встроенные модели, интеграция с GPT и другими нейронными сетями;
  • автоматизированная помощь в аналитике — «умные» ассистенты для создания вычислений и работы с моделями данных;
  • расширенные возможности визуальной аналитики — не только построение дашбордов, но и полноценная интерактивная работа с моделью данных, позволяющая пользователям формулировать вопросы и анализировать результаты через чат-бот на естественном языке.
Рис. 1. Архитектура платформы «Дельта BI»

Платформа предлагает функционал, позволяющий как аналитикам, так и конечным пользователям работать с данными в режиме самообслуживания, включая автоматизацию сложных расчетов и поддержку интерактивного взаимодействия с BI-системой. Вся работа ведется через браузер путем обращения к веб-приложениям, покрывающим свой блок функций. Основные компоненты ядра платформы включают (рис. 1): репозиторий метаданных — обеспечивает сохранность и восстановление данных о пользователях и контенте; веб-сервер — точка входа для всех пользователей и запросов; сервер маршрутизации — балансирует нагрузку и направляет запросы между компонентами; сервер запросов — трансформирует визуализации в запросы к данным и выполняет их; сервер задач — обрабатывает задачи процессинга, рассылок и экспорта данных. Имеются также служебные компоненты, напрямую не фигурирующие в работе с пользователем, но предназначенные для решения задач «за кадром»: файловый сервер, агент мониторинга и пр.

Архитектура платформы обеспечивает масштабирование, отказоустойчивость и производительность даже при работе с большими объемами данных — все компоненты «Дельта BI» могут быть продублированы, а комбинируя базовые и вспомогательные модули, можно выстроить практически любые топологии.

По сравнению с Power BI, Tableau и Qlik система «Дельта BI» имеет ряд преимуществ:

  • голосовые запросы и генеративные функции на русском языке;
  • адаптация под локальные бизнес-задачи и отраслевые требования;
  • встроенные инструменты машинного обучения и поддержки нейросетей (в Power BI есть Сopilot, в Tableau — интеграция с Salesforce Einstein, а в Qlik — Auto ML);
  • соответствие российским нормативам и требованиям к инфраструктуре;
  • единый интерфейс для всех этапов работы с данными;
  • автоматизация анализа через дополнительные пояснения для пользователя (Augmented Analytics), расширяющие возможности аналитических систем за счет автоматизированного предоставления пояснений и обоснований для визуализаций. Такая функциональность позволяет получать новое знание из данных без глубокого погружения в технические аспекты анализа, упрощая интерпретацию данных;
  • простой и гибкий подход к исследованию данных благодаря возможности «покрутить» модель целиком с учетом ролевой модели доступа (фильтры «из коробки»). Такая функция стандартна для большинства BI-инструментов (Power BI, Qlik и Tableau), но российские системы соответствуют локальным нормативам и требованиям, что делает их более адаптированными для использования в условиях местного рынка. Фильтры позволяют обращаться к недостающим показателям или данным, не отображенным на дашборде, но присутствующим в модели, что повышает гибкость и глубину анализа;
  • относительно меньшие требования к оборудованию при схожем функционале;
  • интеграция языков Python и R без дополнительных настроек.

Платформа «Дельта BI» предоставляет также средства визуализации, позволяющие пользователям самостоятельно анализировать и интерпретировать данные, — доступно 65 видов типов визуализации, включая гистограммы, линейные графики, диаграммы рассеяния и др. Настройка графиков без написания кода позволяет адаптировать визуализации под конкретные задачи, а для сложных задач и уникальных запросов доступна разработка пользовательских графиков на JavaScript.

Функции Drill-Down и Drill-Through обеспечивают детализацию данных, позволяя анализировать данные на разных уровнях. Первая предоставляет возможность «проваливаться» из одного аналитического разреза в другой, не ограничиваясь строгой иерархией (например, год → месяц → день), что позволяет переходить между разными аналитическими срезами, такими как оргструктура, каналы сбыта или другие бизнес-процессы, что расширяет охват анализа. Функция Drill Through перехода в другой отчет с передачей параметров из текущей точки анализа (например, категории или фильтра) обеспечивает контекстное формирование отчетов на основе выбранных данных. Дополнительно можно настроить всплывающие подсказки, содержащие мини-отчеты, работающие как быстрый аналог Drill Through, — при указании на элемент (график, категорию) сразу отображается вся контекстная информация с учетом наложенных фильтров и параметров, без необходимости перехода в конкретный отчет. Обе функции повышают удобство анализа и его глубину, позволяя пользователям оперативно получать детализированную информацию в нужном контексте.

Поддержка комбинированных диаграмм и использование двух осей на одном графике позволяют сравнивать разнородные данные — пользователи могут настраивать собственные визуализации и применять преднастроенную отчетность печати, что упрощает подготовку документов (рис. 2).

Рис. 2. Пример комбинированных диаграмм

На одном графике можно отображать показатели из разных моделей, что особенно полезно для комплексного анализа. Встроенный Excel-интерфейс обеспечивает представление данных в табличном формате с поддержкой сложных вычислений (рис. 3).

Рис. 3. Пример отображения показателей из разных моделей

Что касается модели данных, то в «Дельта BI» поддерживаются различные подходы к построению логической модели данных («звезда», «снежинка»), что позволяет структурировать данные, а возможность настройки связи «многие ко многим» упрощает работу со сложными данными.

В «Дельта BI» имеются различные инструменты обработки данных, включая ETL, обеспечивающие извлечение, преобразование и загрузку данных, что является обязательным для любой аналитической системы. Встроенный инструментарий ETL позволяет выполнять фильтрацию, объединение и сложные операции над данными без использования сторонних решений. Поддержка инкрементальной загрузки данных сокращает время обработки и обновления информации, а интегрированный набор ML-процедур позволяет использовать методы машинного обучения для прогнозирования и анализа данных. Кроме того, платформа содержит множество коннекторов: Excel, CSV, XML, PostgreSQL, MSSQL, MySQL, OLAP, ClickHouse, GreenPlum, Trino-коннектор, мультипликативная загрузка файлов из сетевых папок и пр. Все это позволяет пользователям работать с разнородными данными, интегрируя их в единую аналитическую среду.

При обработке естественного языка можно использовать как собственную портативную языковую модель, так и сторонние LLM — «Дельта BI» предоставляет интерфейс NLQ (естественно-языковых запросов) для текстового и голосового ввода и вывода для поддержки аналитической обработки данных разных форматов, поступающих из разнообразных источников.

Чат-бот может создавать комплексные раскадровки (storyboards) с использованием срезов, настроек и макетов, а также обрабатывать инструкции, функции и логику AutoML. Он также генерирует элементы «текст-в-Python» и «текст-в-изображение» (фон) для storyboards.

В платформе имеется поддержка Jupyter Notebooks (текстовый редактор для скриптов) и функции для обучения, тестирования и развертывания моделей машинного обучения.

С помощью технологии Embedding «Дельта BI» предоставляет различные варианты встраивания дашбордов в сторонние веб-интерфейсы: CRM, сайты, корпоративные порталы. Для конечных пользователей доступна персонализация стартового интерфейса, в который можно встроить отдельные дашборды и визуализации для создания пользовательских коллажей из контента. Также предлагается API в виде клиентских SDK для JavaScript, TypeScript, C#, Java, Python и PHP. С помощью Embedding можно сохранить настройки безопасности; предоставить внешним пользователям (например, контрагентам) доступ к отчетности; в интерактивном режиме создавать комплексные отчеты согласно конкретным бизнес-требованиям; через чат-бот выполнять анализ данных с помощью запросов в текстовой или голосовой форме; использовать данные из корпоративного хранилища для выполнения комплексного анализа; управлять настройкой отчетности через визуальные фильтры и срезы данных для адаптации отчетов под конкретные задачи.

Бизнес-аналитика для бизнеса

Чем ближе аналитика к бизнесу, тем быстрее и качественнее принимаемые решения — самообслуживание позволяет устранить лишние барьеры: данные становятся инструментом для всех, а не только для ИТ-специалистов; отчеты создаются на лету; ИИ помогает разобраться в результатах, а грамотный и оперативный процесс управления данными и дополнительные регламенты для self-service, предотвращающие конфликты запросов к источникам данных и моделям, делают аналитику более упорядоченной («единая версия правды»), превращая хаос в порядок. Кроме того, процессы self-service позволяют избежать разночтений в данных и отчетах — пользователи работают с консистентными данными, которые можно сопоставить с выводами других аналитиков.

Реальный эффект от систем бизнес-аналитики зависит не только от технологий, но и от способа их использования: центры компетенций, внутренние регламенты контроля качества бизнес-аналитики, поэтапное обучение пользователей — все это помогает компаниям извлечь максимум из возможностей аналитического приложения. Поэтому в ближайшие годы развитие подхода self-service BI будет направлено на преодоление имеющихся барьеров: неточная, децентрализованная и разночитаемая аналитика. Еще одним важным вектором развития станет автоматическое добавление недостающих показателей на основе встроенной бизнес-логики, а также интеграция ИИ для построения комплексной аналитики и рекомендаций.

Развитие BI-систем постепенно движется в сторону растворения аналитических инструментов в бизнес-приложениях — аналитика не выделяется в отдельный модуль корпоративной инфраструктуры, а становится ее ядром, доступным из любой информационной системы в контуре. Благодаря такой встроенной функциональности пользователи могут получать необходимую информацию непосредственно из своих рабочих интерфейсов без переключений между системами, а бизнес-аналитика станет сквозной функцией в организации.

***

В ближайшее время можно ожидать дальнейшего усиления роли ИИ в BI-системах. Искусственный интеллект будет использоваться не только для автоматизации рутинных задач, но и для прогнозирования, выявления скрытых закономерностей и генерации нового знания путем анализа данных на естественном языке, что делает аналитику еще более доступной для бизнес-пользователей. Кроме этого, развитие ИИ позволит BI-системам адаптироваться под конкретные бизнес-процессы, предлагая персонализированные рекомендации и автоматически настраивая дашборды под запросы пользователей. Это приведет к снижению нагрузки на ИТ-подразделения и повышению автономности бизнес-пользователей. В перспективе инструменты бизнес-аналитики станут не просто средствами анализа, а полноценными платформами поддержки принятия решений.

Литература

1. Валерий Артемьев. Business Intelligence — двадцать лет спустя // Открытые системы.СУБД. — 2023. — № 3. — С. 11–16. URL: https://www.osp.ru/os/2023/03/13057588 (дата обращения: 28.03.2025).

Татьяна Хачапуридзе (tkhachapuridze@navicons.com) — директор по развитию «Дельта BI», компания Navicon (Москва).