Выбор BI:
сделать, чтобы
не переделывать
01 октября 2026, 11:00 МСК
Запись вебинара
Конспект вебинара
Слайд 1. Титульный
Выбор BI: сделать, чтобы не переделывать.

Рынок сейчас непрерывно меняется. Выбор BI-системы пять лет назад и выбор её сейчас - это два совершенно разных процесса.
Слайд 2. Кто мы?
Мария Дробинская - руководитель компании «Энергия данных». Мы внедряем BI и аналитические системы, помогаем компаниям становиться более цифровыми и принимать решения на основе данных.
Работаем с десятком разных BI-систем - с какими-то больше, с какими-то меньше. Подключаемся на разных стадиях проектов, поэтому про разные системы можем рассказывать достаточно много. Соответственно, накопилось и много прецедентов, когда что-то где-то не учли, забыли, не подумали и что-то поменялось. Эти примеры из реальных проектов мягко вплетены в сегодняшний вебинар.
Слайд 3
Меняется структура рынка BI-систем:
  • Зарубежные системы ушли и не возвращаются. Многие компании не торопились импортозамещаться, ожидая, что «вот-вот вернутся». Прошло больше четырёх лет - не возвращаются.
  • Российские системы активно развиваются. Бум запуска новых российских BI-систем пришёлся как раз на 2022 год. Сейчас новых уже практически нет, зато уже выявляются лидеры, появляются кластеры, появляются нишевые игроки, которые закрывают задачи определённого спектра. У них тоже появляются свои нюансы и своя аудитория. Прежде чем остановиться на какой-то из BI-систем, необходимо хотя бы примерно понимать, кто тут про что.
Меняется ситуация в целом:
  • Растут риски блокировок и разных ограничений, местами - законодательных. Это и 152-ФЗ, и работа с различными аспектами разных зарубежных систем. Всё это не может не влиять на BI, потому что BI - это система, которая работает с вашими данными, и данными очень чувствительными, как правило.
  • В разных сферах присутствуют признаки кризиса. Если походить по тематическим конференциям, то основная тематика сейчас - как внедрить искусственный интеллект и как преодолеть кризис. Это говорит о том, что задачи внедрения BI никуда не деваются: аналитика позволяет управлять чётче и качественнее. Но у всех появляется более ярко выраженное желание оптимизировать, экономить и не тратить лишних денег там, где можно их не тратить. Поэтому тема экономики BI-проекта тоже очень актуальна.
Меняется мышление руководителей:
  • BI становится инструментом управления для большего числа компаний.
  • Растёт аналитическая зрелость бизнеса в целом.
Всё это приводит к тому, что меняется стратегия выбора BI.
Слайд 4
Как было раньше:
  • Три зарубежных лидера с высокой долей рынка: Power BI, Tableau и QlikView. Если в компании использовалась BI-система, то с вероятностью под 90% это была одна из этих трёх, а с вероятностью около 60% - Power BI. Можно было, выбирая систему, просто не глядя сказать: «Мне, пожалуйста, Power BI». И в целом ничего не потерять: задача прекрасно закроется этой системой, если только нет каких-то специфических требований, закрываемых другими лидерами.
  • Опенсорсные продукты были, есть и будут. Однако на них не так пристально смотрели, потому что были доступны очень функциональные проприетарные продукты.
  • Низкий порог входа в Power BI. Этим система и славится - недаром она мировой лидер не только у нас в стране, но и во многих других, и удерживает эти позиции уже много лет.
  • Большое количество нужной экспертизы на рынке. Вся BI-экспертиза крутилась вокруг трёх-четырёх систем: масса сравнений, масса курсов. Практически каждая образовательная компания, запускавшая курсы по аналитике, делала их либо про одного из этих трёх лидеров, либо косвенно про всех трёх. Можно было достаточно легко найти аналитика, который умеет работать в одной из этих трёх систем.
  • Курсы, материалы, специалисты - всё было понятно, прозрачно и сформировано на протяжении длительного времени без ярких событий и изменений.
Что имеем сейчас:
  • Зарубежные системы де-факто ушли, остались со своими рисками, особенностями и несоответствиями законодательству.
  • Многообразие отечественных систем. Они все развиваются в немного своём темпе. У каждой своя история: кто-то начинал с продукта под конкретного заказчика, потом решил сделать из этого коммерческий продукт; кто-то взял опенсорсный продукт, добавил свои фишки и нарастил функциональность. Разные истории, разная специфика, разные нюансы диктуют хоть и общие тренды развития отечественных BI-систем, но они всё равно все немного разные и в разном темпе.
  • Они ещё относительно молодые, хоть уже достаточно зрелые: за четыре с половиной года многие системы доросли до того, чтобы можно было полноценно с ними работать, сотрудничать, внедрять на серьёзных проектах. Но их многообразие диктует сомнения: когда выбираем из трёх - сомнений меньше, когда из тридцати трёх - почему-то больше.
  • Порог входа вырос. Это специфика российских систем и их пути развития. Всё, что они пока не могут в силу времени сделать модно, красиво, кнопочками, как это сделано в зарубежных лидерах, развивавшихся десятилетиями, делается через кастомизации. Мы не можем пока сделать классную кнопочку, которую пользователь нажмёт и у него всё получится. Мы сделаем возможность дописать код самим. Если на одной чаше весов был низкий порог входа в Power BI, то на другой сейчас - несколько систем, у каждой из которых свои нюансы языков, свои возможности что-то нажать кнопочками, что-то закодировать. Это обилие кастомизации диктует более высокий порог входа и более сложную процедуру внедрения, чем несколько лет назад.
  • Покупательская способность снизилась. Думаю, ни для кого это не открытие.
  • Специалисты тоже в лёгкой растерянности. Когда мы начинаем искать специалистов под конкретную BI-систему — это тот ещё квест. При обилии систем те ребята, которые раньше специализировались на одной-двух-трёх зарубежных, тоже были в растерянности. Им надо было переквалифицироваться. И у компаний, которые внедряют, возникали те же вопросы: «А может, мы подождём? Может, зарубежные вернутся, и всё встанет на круги своя?» Но работать надо, внедрять надо, адаптироваться к изменениям рынка тоже надо. Поэтому кто-то переквалифицировался, кто-то остался на старом. Сейчас есть некоторое распыление среди специалистов, в том числе потому, что аналитики не всегда знают, что такого надо знать, чтобы точно быть востребованными на рынке, с какой системой надо задружиться, чтобы быть обеспеченным работой сегодня, завтра и через пять лет.
Итог: пять лет назад выбор был почти очевиден, сейчас — сложен и витиеват.
Слайд 7
Мы выделили четыре группы для ознакомления:
  • Российские BI
  • Зарубежные BI
  • Опенсорсные BI
  • BI на основе AI
Ещё несколько месяцев назад в подобных обзорах четвёртой группы не было. Теперь это новая группа, которая пока заслужила один слайд, но, возможно, со временем заслужит и больше.
Слайд 8
Gartner — исследовательское агентство, которое проводит исследования по разным классам систем: BI, CRM, ERP и так далее. Большинство исследований закрытые и платные, но какие-то выдержки и сам квадрант доступны.
Что представляет собой квадрант:
  • Распределение вендоров, разработчиков BI-систем, на четыре квадрата.
  • Сравнение по двум осям: полнота функциональности (по горизонтали) и простота внедрения (по вертикали).
  • Четыре группы: лидеры, претенденты на лидерство, нишевые игроки, визионеры.
Верхний правый квадрат — лидеры, которые претендуют на максимальную полноту функциональности и относительную простоту внедрения. Чем правее — тем полнее функциональность, чем выше — тем проще внедрение.
Microsoft с Power BI находится в этом квадрате 19 лет. Большую часть из этих 19 лет система удерживает лидирующие позиции с точки зрения исследований год за годом. Рынок это подтверждает, в том числе активный российский.
Год от года системы немного сдвигаются вправо и вверх — развитие идёт. Если взять квадрант нескольких лет назад, мы увидим большую кучку в левом нижнем углу, а не в правом верхнем, как сейчас. Можно, отсекая три четверти не самых интересных вендоров, взять одну четверть и подробно разбираться с каждой системой: какая из них нам подходит.
Важно помнить про нюансы зарубежных систем:
  • Сами по себе зарубежные системы из России ушли и закрыли продажи в России.
  • В России есть как минимум 152-ФЗ, который говорит о том, что все персональные данные граждан РФ должны храниться на серверах, находящихся в Российской Федерации. У всех этих систем сервера, естественно, за пределами РФ. С одной стороны, мы не можем купить продукт, даже если сильно хотим. С другой стороны, мы нарушаем 152-ФЗ.
Несмотря на это, зарубежные системы по-прежнему удерживают лидирующие позиции. Что имеем, то имеем.
Слайд 9
С 2022 года активно вышли на арену «Круги Громова» — исследование, которое проводит питерская компания под руководством Сергея Громова. Начиная с 2022 года они активно наращивают спектр исследований.
Круги Громова — обзор систем:
  • Первое исследование было посвящено исключительно BI-системам. Они взяли все российские BI-системы по какому-то принципу, отобрали и выпустили электронную книгу, которая описывает все эти системы по определённой структуре. Они сотрудничают с вендорами, разработчиками BI-систем, и проводят это исследование.
  • Начиная с 2022 года у них постепенно помимо BI появились исследования на СУБД, отечественные дата-каталоги, AI BI, системы, облачные MDM и ETL, IBP и так далее. В этом году появился ещё обзор сервисов BI — рассматривали BI-системы с точки зрения пользователей, не профессионалов: насколько самообеспечение аналитикой удобно делать в тех или иных системах без глубоких знаний.
  • Количество исследований постепенно растёт, охватывая всё больше классов различных систем, относящихся к аналитической инфраструктуре. Когда мы внедряем BI, мы говорим, что внедряем BI. На самом деле, с BI зачастую идёт комплектом хранилище на какой-то СУБД, коннекторы, шины, обработка данных. Это всё может закрываться отдельными инструментами. Эти инструменты как раз «Круги Громова» и разбирает по определённой структуре.
  • В 2025 году количество заявок на входе уменьшилось. Первые годы оно активно росло: в 2024-м было 120 российских BI-систем. Только представьте, из чего мы выбираем. В 2025-м — 105. Кто-то из вендоров смог создать продукт, в котором оказался заинтересован рынок, и закрыть какие-то потребности, попасть в аудиторию, в цену, в ожидания — те развиваются. Кто-то этого сделать не смог. Кто-то объединился, продался, ушёл в какую-то нишу. Продуктов стало чуть меньше. Это в целом здоровая тенденция, хотя компаниям, которые с рынка выходили, возможно, от этого не сильно радостно.
  • Из этих заявок не все попадают в отбор. Отбор проходит две фазы. Первая — описательная, где BI-системы описаны. Вторая — пилотирование, где выбирается ряд систем, которые пилотируются: на них выполняется какой-то небольшой проект и оценивается не с точки зрения заполнения анкеты, а с точки зрения работы руками и головой, когда мы непосредственно в этой системе что-то делаем и оцениваем реально. Это исследование распространяется бесплатно: можно загуглить «Круги Громова» и получить его на почту.
Пульс BI — рынок в целом:
  • Проводит компания Visiology, вендор одноимённой BI-системы. Проводилось уже дважды: за 2025 и 2026 год.
  • Там не про то, какие BI есть и что они умеют, а про то, как живёт рынок в целом.
  • Аналитика вакансий, аналитика поисковых запросов, аналитика активности в каналах самих вендоров. Через эти косвенные признаки — попытка понять, как распределяется рынок между BI-системами, куда он движется, кто сейчас в лидерах, кто в аутсайдерах, кто в принципе есть на рынке реально, а не по описанию.
  • Исследование, как и «Круги Громова», распространяется бесплатно: можно оставить почту на сайте компании, и его пришлют. Можно посмотреть блоги Visiology, где они презентовали это исследование, — там рассказ о том, как оно проходило, какие есть нюансы, какие выводы можно сделать.
Слайд 10
Привожу выдержки из «Кругов Громова» за 2025 год. Это не все системы, которые там есть, а те, которые по среднему рейтингу получили не менее 75% баллов.
В таблице:
  • Рейтинг «Круги Громова 2025» (сравнение)
  • Рейтинг «Круги Громова 2025» (пилотирование)
  • Средний рейтинг
  • Комьюнити (Telegram) — количество подписчиков
  • Регистрация в реестре российского ПО
Мы оставили только те системы, которые набрали больше 75%, и смотрим на них пристальнее: для себя выделяем их как лидеров или претендентов на лидерство в ближайшее время.
Наличие комьюнити для развивающихся систем крайне важно, потому что это показатель наличия экспертизы на рынке. Я регулярно сама для себя оцениваю количество подписчиков в Telegram-каналах. Какое-то время оценивала ещё YouTube, но не стала его включать. Telegram-каналы, как ни странно, при всех блокировках остаются основным способом коммуникаций для многих компаний. Многие компании в них продолжают вести свои каналы, публиковать информацию, общаться с аналитиками. Количество подписчиков видим, цветовая раскладка показывает, где больше, где меньше.
Последняя колонка — регистрация в реестре российского ПО — чисто справочно. Какое-то время назад она была не у всех. У меня были первые таблички с этим списком, они были с пробельчиками. Сейчас у всех из этих систем она есть.
  • Список систем отсортирован по среднему рейтингу — на него можно смотреть как на так называемый лонг-лист кандидатов на выбор среди российского ассортимента.
Слайд 11
Опенсорсные системы:
  • С открытым исходным кодом.
  • Серверные версии, как правило. Это то, что вы разворачиваете у себя на серверах и живёте с этим развёрнутым сами.
  • Нет технической поддержки. Вендоры вам не помогают. С одной стороны, вы вендору не платите. С другой стороны, вам никто и не помогает.
Максимум свободы — максимум ответственности.

Системы, которые ярко себя зарекомендовали:
  • Apache Superset — безусловный многолетний лидер группы опенсорса, в мире, не только у нас.
  • Grafana
  • Metabase
  • Yandex DataLens — отечественный
Слайд 12
BI на базе AI.

Это те BI-системы, которые потенциально каждый заказчик сейчас, с приходом искусственного интеллекта, сам может разработать. Есть тренд: и IT-, и не IT-компании пытаются разрабатывать различные сервисы с помощью инструментов искусственного интеллекта полностью с нуля. Условно, промптом мы разрабатываем какую-то систему себе.
Сейчас идёт бурная волна с этими системами. Однако и споров очень много о том, хорошо это или плохо, качественно или не очень. История пока очень рыхлая. Но они уже есть. Есть компании-интеграторы, которые внедряют такие системы, которые сами себе разработали, и используют их для своих заказчиков. Подходы разные. Кто-то сам для себя пытается разрабатывать. Есть моменты, что разрабатывают, отказываются — и такое тоже есть.

Что могу сказать от себя:
  • Не каждый станет это делать. Не каждый возьмёт на себя смелость пойти и разработать свою BI-систему. Но для тех, кто решит рискнуть, надо понимать, что искусственный интеллект — это вероятностная система. Как ни крути, чтобы мы с ней ни делали, это всё равно система вероятностная, которая не даст вам 100% одинакового ответа при одних и тех же вводных. Если мы её будем спрашивать дважды, раз за разом, возможно, она нам ответит одинаково. Но когда мы дадим ей огромные массивы данных нашей компании с элементами хаоса, человеческого фактора и чего-то ещё, вероятность одинакового ответа сильно ниже 100%. Мы можем наблюдать разночтения в рамках одной и той же задачи.
  • Стоимость токенов. Понятно, что из всех вариантов никакой не является абсолютно бесплатным. Несмотря на опенсорсность, наличие разных инструментов — у всех есть какая-то плата. Вопрос какая.
  • Дорогое железо. За развёрнутую у себя BI-систему, собранную каким-нибудь клодом, мы будем платить дорогим железом. Чтобы всё это разработать и развернуть, нам придётся озаботиться серверами очень хорошо.
  • Безопасность. Нам придётся подумать про безопасность: готовы ли мы каким-то движкам данные отдавать в онлайн или не готовы.
  • Искусственный интеллект, положенный на неструктурированные данные, в результате может выдать что угодно.
Призываю относиться к этому очень аккуратно.
Слайд 13
Выдержки из исследования «Пульс BI» от компании Visiology (2025).
Первый слайд — топ-10 систем в России за последние пять лет и то, как этот топ менялся. Слева — список 10 лидеров на момент 2021 года. Видим, как у некоторых из них динамика катилась вниз, у кого-то вверх по прошествии пяти лет. Кто-то появлялся, кто-то уходил.
Что интересно:
  • Нерушимые два лидера на протяжении пяти лет: Power BI и QlikView.
  • Три зарубежных лидера — Power BI, QlikView, Tableau — на которых, собственно, и базировался весь рынок BI-систем ещё несколько лет назад. Далеко они не ушли.
  • Superset вышел на арену, потеснив Tableau с третьего места на четвёртое.
  • Всё, что мы видим ниже четвёртой позиции, — это системы, которых в 2021 году вообще не было, кроме разве что SAP. Всё остальное либо отсутствовало вообще, либо было где-то в самом низу рейтинга.
Это динамика, которую вывела компания Visiology, проводя своё исследование рынка BI-систем.
Слайд 14
Упоминание в вакансиях, только 2025 год. Здесь размечены системы: жёлтым отмечены зарубежные системы, тёмно-коричневым - единственный Superset (опенсорс), бирюзовым - наши отечественные.
Видим, как сейчас распределяется рынок с точки зрения вакансий и запросов на разного рода специалистов, которые нужны для реализации подобных проектов.
Слайд 16
Любая BI-система — это финальная точка, визуализация, которая показывается пользователю. А под капотом BI-системы что мы имеем?
Где-то на старте есть сами корпоративные системы, в которых компания фиксирует свою хозяйственную деятельность: продажи, товары, услуги — всё это фиксируется. Информация из этих систем, которая нам нужна, — набор систем у всех совершенно разный. Этот разный набор диктует, что к этим системам нам нужно как-то достучаться. Мы должны смочь достучаться до этих систем и забрать из них ту информацию, которая нам нужна. Это первый шаг.
Потом эту информацию, после того как забрали, нам нужно преобразовать к тому виду, который мы сможем визуализировать. Поэтому чаще всего на этом этапе — преобразование, или ETL (Extract, Transform, Load): мы извлекаем, трансформируем и где-то храним наши данные.
И у нас есть корпоративные системы. Мы данные извлекли, преобразовали, положили, визуализировали.
Разные шаги в разных системах:
  • Какие-то системы позволяют закрыть с собой всё: мы можем BI-системой сразу стучаться в 1С, забирать оттуда данные, визуализировать.
  • Какие-то не позволяют. И тогда у нас возникает более сложная инфраструктура. Или в каких-то ситуациях мы сознательно отказываемся от простой инфраструктуры и уходим в более сложную, и у нас появляются дополнительные инструменты.
Это тоже влияет на выбор. Нам нужно понимать, что мы BI-системой можем закрыть, а что будем закрывать чем-то другим. Тогда нам нужно всё это взаимодействие понимать, выстраивать и планировать, потому что это всё влияет на экономику. Всё это складывается в итоговую стоимость проекта.
Слайд 17
Экономика проекта складывается из четырёх блоков:

1. Лицензии
  • Чтобы какой-то продукт внедрить, его надо купить. Если мы не идём в опенсорсный стек, мы покупаем лицензии — что у зарубежных, что у отечественных систем. Это стоит денег.
  • Минимальные пакеты на серверных лицензиях. У разных систем могут быть разные минимальные пакеты этих самых лицензий. Особенно на серверных версиях. Если приходит компания, которая говорит: «У меня два пользователя, нам BI надо», мы понимаем, что в лучшем случае на серверных решениях мы купим минимум пять лицензий. Это ограничение влияет и на выбор.
  • Количество пользователей. Сколько людей будет пользоваться системой, разрабатывать, знакомиться с графиками, взаимодействовать. Это влияет на экономику и иногда нелинейно: иногда стоимость лицензии умножается не на количество пользователей, а на минимальный пакет, если количество пользователей меньше этого числа.
2. Внедрение и доработка
  • Мало купить лицензии — сами по себе лицензии ни на какую BI-систему не дадут вам аналитики. Чтобы это всё заработало, нужно, чтобы была произведена определённая работа: извлечение данных, трансформация, расчёты, визуализация, работа с процессами, сбор требований. Это полноценный проект внедрения, который тоже включается в общую экономику.
  • Внешняя vs внутренняя команды. Мы можем использовать команду внутри компании, а можем отдать на аутсорс. Возможны миксы: часть делается внутри, часть — снаружи. Например, простые кейсы делаем сами, сложные — отдаём подрядчику. В экономику это ляжет немного по-разному: внутренние и внешние команды требуют разных подходов управления и обеспечения компетенций. Свою команду растить, обучать, обеспечивать техникой, рабочими местами, проводить по всем внутренним процессам. С внешней командой это всё будет готовое под ключ, но нужно встроить внешнюю команду интеллектуально в свои процессы, в то, как мы живём. На этой разнице, на наличии или отсутствии компетенций, могут быть предпочтения в ту или иную сторону.
  • Кастомизация. Если мы взяли опенсорсный продукт или продукт, который заведомо закрывает большую часть требований, но не всё, то помимо самой разработки аналитики могут быть элементы доработки самой системы. С Apache Superset это, в принципе, типовая строчка: что-то обязательно где-то будет, чего хочется, но нету.
  • Количество интеграторов. Косвенный признак, на который смотрим при выборе системы: с каким количеством компаний она работает, какое количество компаний её внедряет. Почему это важно? Если вы решили пойти работать через интегратора, а взаимоотношения не сложились — вы недовольны результатами, продолжение сотрудничества невозможно — вам нужен другой. Нужно, чтобы они были не единственные, кто внедряет эту систему. Сейчас с учётом роста рынка BI-систем вендоров, у которых единственный интегратор, наверное, не найти. Но косвенный признак: чем больше интеграторов, тем больше людей, тем больше компаний поверили в работоспособность этой системы, тем больше компетенций косвенно мы можем оценить на рынке.
3. Техподдержка
  • Можно поделить на две части: техническая поддержка самой системы от вендора и техническая поддержка интегратора. Или вы сами внутри себя свою отчётность поддерживаете.
  • Вопрос в том, если что-то не работает, то что конкретно не работает: сама BI-система делает не то, что ей заведомо нужно делать согласно документации, или это мы так отчёт разработали, что всё работает не так, как хотелось бы. Поддержка разная. И та, и та нужна.
  • Аналитика — это, как правило, вещь, которая не замораживается в одном состоянии. Аналитику очень часто делают компании, которые нацелены на какую-то динамику в своём развитии: либо хотим роста, хотим оптимизации, либо мы уже выросли и хотим этим управлять. Так или иначе, это компания, которая находится в изменении. Хорошее внедрение аналитики подталкивает к тому, чтобы вы внедряли управление на основе данных и меняли в лучшую сторону деятельность своей компании.
  • Аналитика, сделанная сейчас, — это можно аналогию провести с ремонтом: ремонт никогда не заканчивается. Так и аналитика. Она никогда не заканчивается. Компания развивается, можно только чуть-чуть приостановить. Закончить невозможно, потому что аналитика должна успевать за развитием. Она постоянно находится в какой-то динамике.
  • Отсюда вывод: проект внедрения — это не точка. Мы внедрили, всё сделали, в процессы внедрили, все пользуются — классно. Но это не точка. В лучшем случае это точка с запятой. Будут дополнительные запросы, дополнительные дашборды, изменения. Будут меняться системы, люди, процессы — всё это нужно адаптировать. Это статья будет. А если её не будет, то придёт момент, когда аналитикой вы пользоваться не сможете.
  • Включена ли поддержка в лицензии? Встречала вендоров, у которых это отдельная строчка за отдельный процент от стоимости. Сейчас всё чаще это всё просто включается, и вопросов особо не имеет. Но обращаем внимание, в том числе смотрим, чтобы потом не оказалось, что вы купили лицензию, а вам их никто не поддерживает и никто не помогает с ответами.
  • Скорость ответа. Есть тарификации.
4. Инфраструктура
  • Если мы выбираем серверную BI-систему, значит, у нас должен быть сервер. Если мы выстраиваем архитектуру с хранилищем и дополнительными инструментами, значит, нам нужен сервер, иногда два: под BI и под хранилище. В крупных компаниях — ещё под что-то. Чем крупнее компания, тем сложнее вся эта архитектурная история.
  • Сервер — это одна часть бюджета. Вторая часть — само хранилище. Хранилище — это, грубо говоря, специальным образом настроенная база данных, навороченная, подстроенная под аналитику. В неё тоже ничего само не попадёт. Это работы, которые должны быть произведены, чтобы данные все в этом хранилище лежали так, как надо.
  • Дополнительные инструменты. Среди инструментов для средних аналитических проектов большинство сейчас бесплатное: из СУБД можно взять бесплатный PostgreSQL или ClickHouse, оркестраторы — бесплатный. Но это всё развёртывание, трудозатраты, обслуживание всей этой истории. Если у вас всё серверное, то и обслуживание этих серверов — ваша забота.
Все эти моменты в экономику включаются, и ими всеми нужно правильно управлять и правильно их сложить, чтобы не получилось, что вы не ожидали этого, а оно потом пришло.
Слайд 18
Второй вариант, который делит выбор на группы, — вариант поставки. Как правило, их два:
  • Развёртывание на ваших серверах — on-premise.
  • Облачная версия, которую вы нигде не разворачиваете. Просто заходите на специальный сайт, логин, пароль, аутентификация — и работаем.
Кардинально два разных варианта.

Что важно:
  • Закрытый контур (требования ИБ). У вас могут быть требования безопасности, которые говорят: все данные должны быть в контуре компании, никаких облаков. Для России это типичный ответ. Поэтому у большинства систем есть серверная версия, а облако — сильно не у всех.
  • Дополнительные расходы на сервер. Я про это сказала.
  • Время и трудозатраты на разворачивание и поддержку. Когда у вас сервер, вы его обслуживаете самостоятельно. Либо у вас должны быть специалисты, либо подрядчики, которые будут это делать.
  • Обновление на сервере ≠ обновление в облаке. Если у системы есть серверная и облачная версии, как правило, обновление на сервере вы делаете сами. Вендор предоставляет новую версию, но накатываете вы её самостоятельно. Самостоятельно следите за тем, чтобы у вас была свежая версия, последняя версия, чтобы вы использовали все возможности BI-системы, которые предоставляет разработчик. Облачную обновляет вендор. Она сама как-то обновилась. Мы с утра зашли, а там уже всё чуть-чуть по-другому, какие-то кнопочки перекрашенные.
  • Time to value. Время до первого результата. Если мы идём в серверную версию, сервер — это дороже, дольше и сложнее. Это факт. Но тем не менее для России типовой вариант. Не любят у нас облачные решения. В облако идёт, как правило, компания из разряда малого, среднего, скорее малого и микро-бизнеса. Всё, что покрупнее, чаще всего остановится на своих собственных серверах.
  • Зависимость от наличия интернета. Когда вы в облаке, интернета нет — BI тоже нет. Когда у вас решение внутри серверов, вы можете это построить по локальной сети, и вы соответственно будете с аналитикой.
  • Минимальные пакеты лицензий. То, про что я говорила на предыдущем слайде. Циферки с этими самыми пакетами: минимальное количество пользователей, которое подразумевает серверная лицензия вендора.
Учитывая специфику российского рынка, большинство российских систем подавляющее в первую очередь пошло в развитие серверных решений, а не облачных. Яндекс здесь скорее исключение: инфраструктура компании настолько широка, настолько большое количество сервисов, возможностей и внутренней экспертизы, что у них это пошло таким путём. При этом у Яндекса есть и серверная, и облачная, и опенсорсная версии. Яндекс здесь в три стороны сразу попадает, но со своими нюансами.
Glarus BI выстроен на основе опенсорсного Metabase. Есть опенсорсный зарубежный продукт Metabase, и на его основе выстроен Glarus с дополнительными возможностями, фишками и настройками. Так же, как у Metabase, у Glarus есть облачное и серверное решение.
Power BI — здесь классически всё понятно. Не стала включать сюда все зарубежные лидеры: у них у всех, как правило, закрыто всё — и серверы, и облака, и все остальные возможности.
Слайд 19
У облачного Яндекса — от 1 лицензии. Облачный самый доступный в этом вопросе — Яндекс. У серверной— сотня, у Гларуса — от 10, у Visiology — от 15. С опенсорсом всё понятно: разворачивайте на своих серверах, и вообще никто вам не укажет, сколько там будет лицензий. У Power BI: у облачного — от 1.
Fine BI — это китайский продукт, который сейчас, несмотря на историю про зарубежные сервисы, в России доступен. Это китайский продукт, с которым тоже многие компании успешно работают. От 12.
Когда у нас, когда мы хотим серверно, у нас два пользователя — чем-то придётся пожертвовать. Либо мы платим за большее количество пользователей, либо мы не идём на серверное решение. Эти две развилки — количество пользователей, сервер и тип решения — дают нам сразу какую-то группу систем, с которыми мы дальше можем работать.
ETL-модуль:
  • Это тот самый модуль, который отвечает за обработку данных.
  • Наличие этого модуля само по себе ещё не закрывает все вопросы. Надо понимать возможности этого модуля, к каким источникам данных он может подключаться. И к каким источникам данных подключается система в той версии, которая нам присмотрелась. Подключается ли она ко всем системам, которые нужны нам в перспективе.
  • BI — штука развивающаяся в компании. Смотреть на внедрение с позицией, как мы живём сейчас, несколько опрометчиво. По-хорошему надо смотреть с позиции, как мы будем жить потенциально хотя бы через год, а то и больше. Какие-то прикидки на развитие уже должны быть сейчас. Потому что если мы сейчас выбираем систему, исходя из того, что мы работаем только с 1С, а завтра у нас появляется 123-й компот, то будет очень неприятно.
  • Подключение к разным источникам, преобразование данных. Какие мы можем делать преобразования в этом модуле. Power BI, не на правах рекламы, но тем не менее, закрывает, наверное, все возможные преобразования, которые в принципе с данными есть. А у остальных систем у кого-то ETL-модуля нет вообще, и мы можем только к данным подключиться — и всё. Соответственно, обработка где-то априори за пределами системы. Из таких — Яндекс и Superset. Всё, что мы не смогли включить в запрос к системе, должно быть вынесено за пределы системы.
  • Объёмы данных и преобразований. Чем больше преобразований, чем больше данных, тем сложнее будет в BI-системе всё это переварить. На некоторых объёмах — здесь нет конкретной цифры, я не скажу, что если операций восемь, то можно своё, а если девять, то надо хранилище ставить. Такого не получится. Но при некотором объёме, эмпирически понятном, мы начинаем уходить в сторону рассмотрения хранилища и отдельных инструментов по обработке данных, вынесенных за пределы BI.
  • Влияние на скорость работы. Там, где у нас нет ETL — Яндекс DataLens и Superset — эти системы ходят в данные напрямую. И так или иначе ходят в данные в момент, когда пользователь открывает дашборд. Если у нас вся обработка заложена в запрос к этим данным и исполняется в моменте, когда пользователь открыл дашборд, мы имеем крутящееся колёсико и ждём, пока всё это прогрузится. Это первый момент. Второй момент: в таком случае важно не просто, чтобы вся обработка была вынесена за предел, важно ещё, чтобы то, куда она была вынесена, было максимально близко к самому серверу с BI-системой. В случае Яндекса активно рекомендуется самим Яндексом встраивать хранилище на серверах самого Яндекса, чтобы всё было в рамках одной серверной системы и Яндекс максимально быстро мог забрать данные из хранилища. В случае Superset здесь тоже важно, чтобы не было между ними расстояния межконтинентального.
Код или low-code. Low-code — когда мы можем кнопочками всё делать. Код — когда мы пишем код. На что это влияет? На то, кто это будет делать. Какого уровня компетенции у нас есть в команде? Готовы ли мы привлекать кого-то? Готовы ли мы это делать кнопочками? Готовы ли мы писать код? И код на каких языках? Потому что каждый ETL — где-то свои диалекты SQL, где-то Python, где-то свой язык. Здесь есть некоторая вариативность, которая намекает на то, что надо на это посмотреть, прежде чем принимать решение.
Слайд 20
Рынок труда:
  • Важно, чтобы ту систему, которую вы решите внедрять, было кому внедрять. Внутри вы будете эту экспертизу разворачивать, компетенцию, или вы её возьмёте снаружи. Так или иначе, у вас должна быть и та, и другая опция потенциально открыты на случай, если вдруг что-то пойдёт не по плану и завтра всё поменяется.
  • Наличие специалистов, экспертов. Смотрим, например, сейчас очень многие вендоры, разработчики BI-систем, идут в партнёрство с вузами, выращивая себе потенциально специалистов, которые не сегодня, но завтра выйдут на рынок и будут уметь работать с системой, потому что их этому научили в вузе. Соответственно, какие-то мероприятия, хакатоны косвенно влияют на то, что людей, вовлечённых и увлечённых той или иной системой, становится всё больше. И выбирать хотя бы будет из чего.
Документация:
  • Объём документации, то, насколько хорошо и понятно она описана, тоже очень много может сказать о системе.
  • У меня были эксперименты вовлечения не аналитиков в новые системы, причём в разные одновременно. Это был эксперимент проектной работы среди магистрантов, который показал, что с разными системами освоение идёт по-разному. Какие-то даются вообще легко, потому что в открытом доступе и вся документация, и курс тут же бесплатный, и материалы, видео, инструкции, экспертизы — есть у кого спросить. Ты начинаешь знакомиться с новой системой, пошёл, узнал. Но где-то этого нет. Или где-то написано так, что ты смотришь в книгу, видишь не то, что хотел, и не получается сделать что-то, казалось бы, очень базовое, очень понятное, потому что у системы есть какие-то нюансы.
  • Качество документации, насколько она ведёт пользователя по нюансам системы, влияет на то, как будет происходить процесс выращивания своей экспертизы, насколько долго сотрудники будут въезжать в новую систему, в новые инструменты.
  • Понятность, обновляемость. Документация должна быть свежая, актуальная, полная, описывающая всё так, чтобы мы сели и сделали.
Чаты и каналы:
  • Нам нужны места, где мы можем задавать вопросы. И классно, если в этом месте будет не пять человек, а хотя бы чуть побольше, чтобы было кому отвечать. Потому что не все захотят отвечать, не все будут знать. Конверсия в ответ может превратиться в ноль при маленьком количестве подписчиков в канале. При большом есть вероятность, что кто-то всё-таки ответит.
  • Насколько активно отвечает сам вендор. У многих вендоров есть и чаты, и своя техподдержка, и боты. Они нацелены на то, чтобы вы пользовались и чтобы у вас получалось. Насколько хорошо у них получается обеспечить вас этим процессом — здесь уже вопрос.
Обучение:
  • Курсы от вендора, платные, бесплатные курсы от учебных центров, сотрудничество с вузами. Важно, чтобы эта компетенция возрастала. Важно выбрать BI-систему, которая уверенно смотрит в будущее, которая не закроется через год.
Партнёры:
  • Интеграторы. Я уже упоминала, что важно смотреть, насколько много интеграторов у компании.
  • Технологические партнёры. Чем больше эта сеть партнёрская у вендора, тем надёжней он выглядит с точки зрения покупателя.
Активность:
  • Мероприятия, выступления, участие в обзорах, исследованиях. Когда компания на слуху, значит, она готова вкладываться в это инфополе, она общается с клиентами, она накапливает свою экспертизу.
  • Карта развития продукта. Последний пункт, который здесь есть, — понимание, когда выйдет та или иная штука, та или иная фишка. Бывает так, что мы выбираем систему сейчас, и сейчас мы понимаем, что нам вот эта система подходит больше по всем критериям, но вот этого, вот этого и вот этого нет. Если есть карта развития и вендор этой карте соответствует, то есть он выпускает релизы согласно графику, дополняет новую функциональность, мы можем рассчитывать и понимать, когда та или иная возможность появится. У нас такое тоже было: мы понимаем, что сейчас проект запускаем, вот этого нет, но к тому моменту, когда нам это понадобится, — объём работ не моментально выполняется — к тому моменту, когда мы до этого дойдём, запланирован релиз, и эта возможность появится. Мы сможем с ней работать. И уже чуть-чуть наперёд просматриваем, как будет выстраиваться проект.
Слайд 21
Казалось бы, с этого надо было начинать, потому что на что все смотрят? На графики, на то, что можно в системе нарисовать, то, что хочется. По крайней мере, на это смотрит большинство, потому что это то, что пользователь видит, это та картинка, с которой люди взаимодействуют.
В целом можно сказать, что функциональность сейчас даже в российских системах подчиняется правилу Парето: 20% функциональности закрывает 80% потребностей. Большинство систем закрывает всю базовую функциональность, покрайней мере сформулированную. Но остаётся какая-то заноза небольшая, и она есть практически в каждой системе. Когда у вас система на 100% не бьётся с вашим списком критериев, на что здесь важно посмотреть?
Визуализация:
  • То, что видит пользователь. Мы можем видеть, что график нужный есть в списке, но нужного поведения или нужной настройки может не быть.
  • Позволяет ли система дорабатывать это? У большинства систем есть какие-то возможности кастомизации. Я про российские сейчас говорю. Можем ли мы как-то дотюнить? Да, нам для этого нужен человек, который умеет это сделать. Но возможность хотя бы есть. Если её нет, то тут и человек не поможет.
  • Какие языки для этого используются. Равно какие компетенции нам нужно найти, чтобы мы могли это реализовать.
Расчёты:
  • Ограниченность формул. На что влияет? На то, что мы, например, теми возможностями расчётного движка, которые заложены в BI-систему, не можем посчитать то, что нам нужно. Буквально на прошлой неделе сталкивалась с такой ситуацией: не можем посчитать то, что нам нужно, недостаточно комбинации формул, чтобы сделать такое вычисление. В таких ситуациях мы понимаем, что если мы этого сделать не можем, то часть расчётов выносим за пределы BI-системы. Если у нас есть хранилище, значит, выносим туда. Если хранилища нет — можем ли мы это вынести в блок ETL? Можем ли мы там досчитать, чтобы потом уже на визуале нам осталось посчитать что-то простое.
  • Какие языки используются. Языки везде сейчас всё равно чуть-чуть разные. В основном это, конечно, SQL, Python, JavaScript. Но есть всё равно какие-то нюансы.
Моделирование:
  • Если расчёты, предыдущий квадратик, влияют на то, какой должна быть модель под визуализацией, то есть какие должны быть таблицы, как они должны быть выстроены, как они должны быть связаны между собой, то возможности вот этой связи влияют на то, что мы вообще будем подтягивать. То, какие данные мы должны сюда загрузить, и то, как мы можем простроить модель, влияет на то, какие исходные данные мы можем забрать и как они должны быть выстроены. Всё это как матрёшка складывается.
  • В негативном сценарии, когда у нас есть ограниченность и расчётов, и модели, мы не можем собрать так, как нам надо. Мы всё это выносим на хранилище и готовим в хранилище таблицы таким образом, чтобы у нас наших возможностей моделирования, расчётов и визуализации хватило, чтобы сделать то, что нужно.
Режимы обновления:
  • В прошлом году был интересный прецедент, когда подключили к проекту, где уже была выбрана BI-система, уже разработан ряд дашбордов. Подключили, начали прорабатывать техническое задание. Оказалось, что заказчик считал, что режим обновления в реальном времени — это что-то по умолчанию работающее у всех. Соответственно, предполагал, что набор дашборда будет обновляться моментально, не по расписанию: как данные в системе обновились, так они сразу в дашборды приехали.
  • Однако надо понимать, что есть два ключевых режима обновления. Первый — когда BI-система ходит и обновляет в режиме реального времени. Это как в автомобиле ехать, и у вас спидометр будет в режиме реального времени показывать стрелочкой, какая у вас скорость. Второй режим — когда обновление идёт по расписанию. Со спидометром не сработает: мы не можем обновлять скорость на табло раз в пять минут, нам её надо здесь и сейчас видеть.
  • Но корпоративная аналитика — это не спидометр. Корпоративная аналитика чаще всего живёт в режиме обновления in-memory, когда данные предсохраняются, визуализируются быстро и здорово, потому что никаких дополнительных расчётов в этот момент не делается. Они предсохранены. Пришёл момент обновления — они обновились. И это обновление чаще всего происходит ночью. Иногда раз два в день, ещё по среде дня. Но чаще всего достаточно одного ночного обновления. Это классика корпоративной аналитики.
  • И тут мы сталкиваемся с заказчиком, который думает, что в режиме реального времени это по умолчанию так должно быть. Но система такого не умела. И даже в карте развития такого не было. А уже дашборды, уже история, уже чем-то пользуются, уже что-то накручено. Такая интересная была ситуация, в которой пришлось чем-то жертвовать неминуемо.
  • Надо понимать, что эти два режима разные требуют зачастую разной архитектуры и работы с данными. Не все системы умеют работать в двух режимах. Какие-то — либо в одном, либо в другом. Редко какая, например, Power BI умеет в два. Но это скорее исключение, чем правило. Яндекс и Superset работают только в режиме псевдореального времени. Оно там всё равно с задержками, то есть это всё равно не будет спидометр, который прямо в моменте обновляется, но с какой-то небольшой задержкой, достаточной зачастую для корпоративной аналитики, он будет.
  • Но эти два режима требуют абсолютно разные архитектуры и работы с данными. Потому что реальное время и раз в сутки — это разные совсем.
  • Возможность обновления частями, ограничение в расписании обновления — это всё тоже влияет на то, как мы будем работать с данными.
Ограничения доступа:
  • Сможем ли мы ограничить доступ ровно так, как нам надо?
Мобильное приложение:
  • Частенько вылетает вопрос, когда надо понять: если оно вам нужно, то достаточно ли вам, например, адаптивной вёрстки? То есть когда у вас дашборд просто на телефоне перевернётся в горизонтальном положении и будет такой маленький-маленький, но будет. Или вам нужно прямо, чтобы это был отдельный макет с теми же графиками, но расставленными в каком-то другом формате. Это тогда уже другая совсем история.
  • Здесь понимание, что это не дефолтное поведение, это не то поведение, которое по умолчанию у всех классно. У всех по-разному. Кто-то адаптирует, кто-то не адаптирует, у каждой системы какие-то свои нюансы.
Слайд 22
Реестр отечественного ПО:
  • Включение в реестр отечественного ПО. В российских компаниях, особенно с госучастием, это, в принципе, must have. Это история, которая важна и нужна. Здесь зачастую у нас под запретом будут опенсорсные продукты и зарубежные продукты. Независимо от того, можно их купить или нельзя, и где у них сервера — просто в реестре их нет. И всё.
Сертификация ФСТЭК:
  • Более редко встречающаяся история. Это подтверждение, специальная сертификация, которая подтверждает, удовлетворяет ли система требованиям безопасности работы с данными. Это отдельная сертификация, которую, как видим из таблички, не все BI-системы, не все вендоры получают. Из списка она есть у двух. Это российская сертификация. Соответственно, зарубежные в этом плане вообще не смотрим. Она есть у Яндекса, она есть у Visiology. У остальных из списка её нет.
Работа с персональными данными (152-ФЗ):
  • Учитывая 152-ФЗ: соответствуем ли мы ему. Всё ли у нас хранится на серверах в нашей стране. И всё ли сделано в этом вопросе корректно. Не улетают ли куда-то там в тот же искусственный интеллект.
Журналирование действий пользователей:
  • Какие-то другие нюансы, связанные с безопасностью, более косвенно. Надо ли нам знать, что делают пользователи? Надо ли нам, чтобы где-то был реестр действий, логи велись: что такой-то конкретный пользователь заходил в такой-то дашборд и нажимал на такие-то кнопки. Нужно это или не нужно? Если нам такие вещи нужны, значит, мы это имеем в виду и предъявляем как некоторые требования.
Возможность разворачивания нескольких сред:
Различные истории с тем, как мы работаем в принципе в разработке. А нужно ли нам, чтобы у нас разработка велась в какой-то отдельно выделенной среде, в песочнице, откуда мы уже будем проверенные отправлять пользователям? Или мы можем это всё в одной среде делать? Здесь могут быть разные истории с тем, как можно с точки зрения безопасности на эту ситуацию смотреть.
Слайд 23
Мы сегодня рассмотрели критерии для выбора BI-системы, посмотрели, из чего складывается экономика проекта и что на неё влияет. Как может варьироваться инфраструктура в зависимости от разных возможностей BI-системы. Что важно для команды и экспертизы, чтобы было кому всё это делать. На что посмотреть с точки зрения функциональности — я перечислила какие-то краеугольные фишки, которые не всегда нужны, но на которые мы спотыкаемся на реальных проектах. Потому что большая часть, костяк функциональности, есть у всех: все рисуют графики, все считают, все что-то показывают, все позволяют взаимодействовать. А какие-то мелкие, неочевидные нюансы иногда всплывают в самый неподходящий момент. И какие требования могут предъявляться с точки зрения безопасности, что нам, возможно, тоже надо проверить у вендора, у BI-системы, прежде чем решиться на покупку.

Заказать демонстрацию BI