ТЕХНОЛОГИИ БИЗНЕС-АНАЛИТИКИ
23 апреля
2026
2026
Конференция для всех, кому требуются эффективные управленческие решения,
в реальном времени принимаемые на основе достоверных и актуальных аналитических данных
в реальном времени принимаемые на основе достоверных и актуальных аналитических данных
- > Аналитическое хранилище как единый источник правды
> BI&AI – к озарению без рутины
> Многомерная аналитика со скоростью мысли
> Self-Service BI – аналитика без посредников
> Дополненная операционная аналитика
> От витрин для руководства к системному управлению
> Архитектура единой аналитической платформы - > Панорама российских систем бизнес-аналитики
> Data Governance и BI
> Слагаемые системы бизнес-аналитики
> Объединение источников данных разной детализации, качества и масштаба
> Data discovery. Как избежать цифрового взрыва
> BI – операционная шина предприятия
> От посмертного учета к прогнозной аналитике - > Сводная таблица или «Excel» без границ
> Экосистема многомерного анализа данных. Process Intelligence – ключ к быстрым процессам
> Функциональные ETL и ELT
> Гармония работы с данными – кастомизация интерфейсов
> Ограничения и преимущества BI. Мечты и реальность
> Как создать витрину и правильный дашборд?
> Дашборд как продукт - > ИИ-агенты на службе у бизнес-аналитика
> Безопасная бизнес-аналитика. Управление ролями и правами доступа
> Интеграция бизнес-аналитики и моделей ИИ. Model Context Protocol в действии
> Инструменты аналитики реального времени: правильные выводы «на лету»
> Аналитические хранилища данных для OLAP
> Живые демонстрации BI-систем
> Средства интеграции данных из разных источников
- Как зарабатывать на данных?
- Стратегии, архитектуры и практики работы с данными
- Data Governance для оптимизации бизнес-процессов
- Инфраструктура интеллектуального управления данными
- Эффективность компании: управление данными и культура
- Бизнес-аналитика как драйвер бизнеса
- Данные для ИИ и ИИ для управления данными
- Группа Arenadata
- Data Sapience
- VK tech
- CedrusDataф
- Visiology
- Axenix
- Easy Report
- AW BI
- TData
- «Денвик Аналитика»
- Предприятия AI-driven, AI-ready, AI-native – мода или риски
- Оценка эффективности проектов управления данными
- Бизнес-системы для формирования Каталога данных
- Роль CDO в управлении цифровыми активами и ключевыми показателями компании
- Культура работы с данными: роли, владельцы, инженеры по данным
- Мониторинг данных, аудит, контроль, управление инцидентами, проверка на соответствие бизнес-правилам и нормативным требованиям
- Кто ответит за данные?
- Конвейер управления данными: от Data Warehouse и Data Lakehouse до Data Governance
- Мониторинг качества данных: обнаружение аномалий, прозрачность, родословная
- Инструменты self-service для работы с данными
- Сбор и интеграция источников разнородных данных
- Платформы и методологии управления данными
- MDM – мифы и реальность. Средства гармонизации мастер-данных
- ИИ в управлении данными
- Технологии обеспечения безопасности данных
- Панорама российских решений бизнес-аналитики
- Современные архитектуры аналитических хранилищ и экосистем
- ИИ – повседневной инструмент бизнес-аналитика
- BI в бизнесе: кейсы, выгоды, риски
- Аналитика реального времени: мгновенные выводы — правильные действия
- Self-service BI: демократизация данных и аналитики
- AI-агенты – неотъемлемая часть бизнес-процесса
- ...
- IBS
- «Юзтех»
- «1С»
- «Инфосистемы Джет»
- «Диасофт»
- Tern Group
- Центр компетенций НСИ компании B2B‑Center (часть ИТ‑платформы B2B-РТС)
- Polymatica (SL Soft)
- Отраслевые практики управления данными
- Каталог данных – основа бизнес-систем бюджетирования, консолидации и адаптивной отчетности
- Стоимость и ценность данных, риски, гигиена работы с ними
- От данных к результатам: повышение прозрачности и производительности data-центричного бизнеса
- Данные и эффективность компании
- Методологии построения процессов создания и эксплуатации сервисов управления данными
- Процессы монетизации данных за работой
- Как превратить сырые сведения в качественные данные?
- Независимый стек технологий управления данными
- Гибкие инструменты хранения и обработки больших данных
- Автоматизация и роботизация процессов управления НСИ
- Как готовить данные для ИИ
- Инструменты управления качеством данных
- Данные в облаках: теория и практика
- Практики профилирования, очистки и трансформации данных
- Искусственный интеллект создает организации data-driven
- Панорама российских решений бизнес-аналитики
- Современные архитектуры аналитических хранилищ и экосистем
- ИИ – повседневной инструмент бизнес-аналитика
- BI в бизнесе: кейсы, выгоды, риски
- Аналитика реального времени: мгновенные выводы — правильные действия
- Self-service BI: демократизация данных и аналитики
- AI-агенты – неотъемлемая часть бизнес-процесса
- Тенденции и стратегии развития систем бизнес-аналитики
- BI & AI управляют компанией
- CDAO – кто он?
- Как построить эффективный дашборд?
- Построение целевой модели BI: подходы и ограничения
- Функциональные и отраслевые сценарии использования систем бизнес-аналитики
- Как генеративный BI трансформирует бизнес-аналитику
ДМИТРИЙ ВОЛКОВ
программный директор
«Данные – не самоцель, а руководство к действию. Если бизнесу не хватает данных — он теряет уверенность, но если данных становится слишком много — бизнес теряет время. Чем больше цифр – тем меньше смысла. Конференция «BItech» – найти баланс в данных и ускорить принятие бизнес-решений. Самые актуальные темы, лучшие спикеры и все российские поставщики систем бизнес-аналитики».
Спикеры
- Ринат Хабибрахманов
«Лемана Тех» - Хасият Юлдошева
«Лента» - Людмила Шипунова
«СИБУР» - Анна Кабанец
«Альфа-Банк» - Александр Антонов
ВТБ - Кристина Проскурина
«Россельхозбанк» - Татьяна Борисова
Ульяна Лысанова
«Балтика» - Дмитрий Кириличев
НЛМК - Антон Сичинский
«Газпром нефть» - Тимофей Пенской
ИЦ «Безопасный Транспорт» -
«АстраЗенека» -
Т2
Ринат Хабибрахманов, «Лемана Тех»
Закончил Самарский государственный аэрокосмический университет (СГАУ). Более пяти лет опыта в сфере работы с данными. Сейчас — руководитель практики BI в «Лемана Тех» («Ле Монлид Цифровые Технологии»), отвечает за развитие культуры работы с данными, внедрение стандартов визуализации, сертификацию отчётов, процессов ревью и обучение специалистов по бизнес-аналитике. Кроме этого, курирует методологии, связанные с бизнес-аналитикой, архитектурой соответствующих решений и аналитикой self-service.
Почему бизнес не смотрит ваши дашборды?
В масштабах крупной компании с распределенной командой BI-разработчиков традиционный цикл создания BI-отчета «ТЗ-данные-визуализация» часто дает сбой – дублирование, отсутствие доверия пользователей показателям из отчета и пр. Итог – готовые дашборды, на создание которых были потрачены существенные ресурсы «пылятся» без просмотров. Как сделать дашборд востребованным бизнесом? Есть ли скрытые этапы в жизненном цикле Enterprise BI? Как следует расширить жизненный цикл дашборда, добавив в него неочевидные, но важные этапы? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению конкретных инструментов и метрик.
В масштабах крупной компании с распределенной командой BI-разработчиков традиционный цикл создания BI-отчета «ТЗ-данные-визуализация» часто дает сбой – дублирование, отсутствие доверия пользователей показателям из отчета и пр. Итог – готовые дашборды, на создание которых были потрачены существенные ресурсы «пылятся» без просмотров. Как сделать дашборд востребованным бизнесом? Есть ли скрытые этапы в жизненном цикле Enterprise BI? Как следует расширить жизненный цикл дашборда, добавив в него неочевидные, но важные этапы? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению конкретных инструментов и метрик.
Хасият Юлдошева, «Лента»
Окончила Тверской государственный технический университет (ТвГТУ), магистр по специальности «Информационные системы и технологии». Более пяти лет опыта работы в e-commerce и с корпоративными информационными системами – системный анализ с фокусом на автоматизацию процессов разработки ПО. Руководила ключевыми проектами, включая замену поискового сервиса и расщепление монолита на микросервисы для повышения производительности бизнес-систем. Сейчас – ведущий системный аналитик, Lenta Tech, отвечает за автоматизацию рутинных задач в работе аналитика с помощью ИИ и современных подходов, таких как Diagrams as Code, Docs as Code и др.
Эмпатия как технология: главный инструмент влияния аналитика
Часто можно столкнуться с ситуацией, когда дотошно проработанные спецификации и формально корректные требования к системе порождают функции и продукты, не решающие реальных задач бизнеса. Проблема кроется не в качестве диаграмм, дашбордов или приложений, а в том, что эмпатия – фундаментальный актив аналитика – находится за пределами стандартного набора инструментов. Доклад посвящен обсуждению фреймворка, позволяющего рассматривать эмпатию не как врожденный талант конкретного бизнес-аналитики, а как строгую инженерную дисциплину. Особое внимание уделено демонстрации на конкретных примерах процесса системного погружения в контекст пользователя системы бизнес-аналитики для выявления невысказанных ожиданий и распознавания истинных проблем, а не простой фиксации поверхностных запросов. Такой подход позволяет аналитику перейти от роли «переводчика с делового на технический» к роли стратегического партнера, формирующего видение продукта. В конечно счете фреймворк предоставляет пользователю технологию, позволяющую на «уровне ДНК» продукта влиять на бизнес-ценность, а не только на этапе реализации отдельных аналитических задач.
Часто можно столкнуться с ситуацией, когда дотошно проработанные спецификации и формально корректные требования к системе порождают функции и продукты, не решающие реальных задач бизнеса. Проблема кроется не в качестве диаграмм, дашбордов или приложений, а в том, что эмпатия – фундаментальный актив аналитика – находится за пределами стандартного набора инструментов. Доклад посвящен обсуждению фреймворка, позволяющего рассматривать эмпатию не как врожденный талант конкретного бизнес-аналитики, а как строгую инженерную дисциплину. Особое внимание уделено демонстрации на конкретных примерах процесса системного погружения в контекст пользователя системы бизнес-аналитики для выявления невысказанных ожиданий и распознавания истинных проблем, а не простой фиксации поверхностных запросов. Такой подход позволяет аналитику перейти от роли «переводчика с делового на технический» к роли стратегического партнера, формирующего видение продукта. В конечно счете фреймворк предоставляет пользователю технологию, позволяющую на «уровне ДНК» продукта влиять на бизнес-ценность, а не только на этапе реализации отдельных аналитических задач.
Анна Кабанец, «Альфа-Банк»
Бакалавр по направлению «Автоматизированные системы управления» и магистр по направлению «Промышленный маркетинг»Будапештского Университета Технологии и Экономики. Закончила бизнес-школу INSEAD. Почти 20 лет опыта проектной работы в различных сферах бизнеса: FMCG – Nestle, телеком – МТС, финансы – Сбер. Специализируется на разработке стратегий и внедрении новых продуктов и сервисов для кросс-сегментных направлений и стратегических программ по улучшению клиентского опыта. Преподавала в НИУ ВШЭ. Сейчас – Директор по стратегии клиентского опыта, «Альфа-Банк».
Как аналитика data-driven и ИИ превращают негатив в инсайты
В условиях растущей клиентоцентричности рынка управление клиентским опытом становится (Customer Experience, CX) для бизнеса ключевым приоритетом. Как эффективно внедрять клиентоориентированные стратегии? Как в огромном потоке обратной связи от клиентов оперативно выявлять ключевые темы негатива и узкие места? Технологии искусственного интеллекта предоставляют инструменты, но их недостаточно – без целостного data-driven подхода и мощных аналитических методов разрозненные данные клиентов сложно превратить в быстрые и точные инсайты. Именно комплексный подход позволяет автоматизировать рутину, высвободить сотрудников для решения творческих задач и, как следствие, повысить удовлетворенность клиентов, оптимизировать затраты и обеспечить принятие обоснованных управленческих решений. Как увеличить скорость поиска инсайтов в омниканальном опыте клиентов, минимизировав ресурсы на выявление ключевых причин негатива? Как ИИ-агенты помогают бизнес-аналитикам исследовать клиентский опыт? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению практических кейсов и методик, позволяющих превратить данные в конкретные действия для улучшения CX.
В условиях растущей клиентоцентричности рынка управление клиентским опытом становится (Customer Experience, CX) для бизнеса ключевым приоритетом. Как эффективно внедрять клиентоориентированные стратегии? Как в огромном потоке обратной связи от клиентов оперативно выявлять ключевые темы негатива и узкие места? Технологии искусственного интеллекта предоставляют инструменты, но их недостаточно – без целостного data-driven подхода и мощных аналитических методов разрозненные данные клиентов сложно превратить в быстрые и точные инсайты. Именно комплексный подход позволяет автоматизировать рутину, высвободить сотрудников для решения творческих задач и, как следствие, повысить удовлетворенность клиентов, оптимизировать затраты и обеспечить принятие обоснованных управленческих решений. Как увеличить скорость поиска инсайтов в омниканальном опыте клиентов, минимизировав ресурсы на выявление ключевых причин негатива? Как ИИ-агенты помогают бизнес-аналитикам исследовать клиентский опыт? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению практических кейсов и методик, позволяющих превратить данные в конкретные действия для улучшения CX.
Дмитрий Кириличев, НЛМК
Окончил МИФИ, прошел путь от системного аналитика до руководителя программ проектов. Почти десять лет занимается дата-проектами на основе PowerBI, Tableau, FineBI и других систем бизнес-аналитики. Приверженец продуктового подхода для реализации дата-проектов. Сейчас – руководитель программы проектов Performance Management, НЛМК.
Через дашборды к увеличению EBITDA
Корпоративные хранилища данных часто воспринимаются бизнесом лишь как центр затрат, поэтому для смены такой парадигмы на предприятии была запущена программа Performance Management, направленная на усовершенствование системы принятия управленческих решений и повышение эффективности компании (EBITDA) за счет единой интерпретации качественных и объективных показателей на всех уровнях иерархии корпоративного управления. Уже в первые месяцы после запуска программы от различных бизнес-подразделений было получено множество запросов на развитие аналитической отчетности, в частности, дашбордов. Произошел качественный переход к самоподдерживающейся модели финансирования: объекты хранилища реализуются за счет бюджетов заказчиков, а команда Performance Management фокусируется на архитектуре и контроле качества. Это устранило системные риски расхождения данных (например, при ретроспективном пересчете цен) и ускорило вывод продуктов в промышленную эксплуатацию. Как выстроить «общий язык» между бизнесом и ИТ через единые объекты данных? Почему архитектурная роль продукта важнее операционной реализации? Как измерять ценность корпоративного хранилища не в объемах данных, а в вовлеченности бизнеса в работу с ним при формировании аналитической отчетности? Доклад посвящен ответам на эти и другие вопросы.
Корпоративные хранилища данных часто воспринимаются бизнесом лишь как центр затрат, поэтому для смены такой парадигмы на предприятии была запущена программа Performance Management, направленная на усовершенствование системы принятия управленческих решений и повышение эффективности компании (EBITDA) за счет единой интерпретации качественных и объективных показателей на всех уровнях иерархии корпоративного управления. Уже в первые месяцы после запуска программы от различных бизнес-подразделений было получено множество запросов на развитие аналитической отчетности, в частности, дашбордов. Произошел качественный переход к самоподдерживающейся модели финансирования: объекты хранилища реализуются за счет бюджетов заказчиков, а команда Performance Management фокусируется на архитектуре и контроле качества. Это устранило системные риски расхождения данных (например, при ретроспективном пересчете цен) и ускорило вывод продуктов в промышленную эксплуатацию. Как выстроить «общий язык» между бизнесом и ИТ через единые объекты данных? Почему архитектурная роль продукта важнее операционной реализации? Как измерять ценность корпоративного хранилища не в объемах данных, а в вовлеченности бизнеса в работу с ним при формировании аналитической отчетности? Доклад посвящен ответам на эти и другие вопросы.
Татьяна Борисова, «Балтика»
Окончила Волгоградскую Академию государственной службы. Более 10 лет опыта работы в сфере бизнес-аналитики продаж и операционной деятельности: с нуля выстроила процессы управления данными в компании «Балтика»; более пяти лет отвечала за развитие процессов планирования продаж и операций (S&OP), обеспечивая взаимодействие подразделений в России и странах Восточной Европы. Сейчас – начальник аналитического отдела ООО «Пивоваренная компания «Балтика», отвечает за реализацию стратегии цифровизации и бесперебойную доставку достоверных данных для формирования аналитической отчетности.
Ульяна Лысанова, «Балтика»
Окончила Нижегородский Государственный технический университет по специальности информационные системы. Более 15 лет опыта работы в компании «Балтика»: службы планирования, продаж, операционной деятельности, из которых 7 лет не разрывной связи с аналитикой и отчетностью. Сейчас – руководитель группы развития бизнес-аналитики в службе финансов ООО «Пивоваренная компания «Балтика».
Ульяна Лысанова, «Балтика»
Окончила Нижегородский Государственный технический университет по специальности информационные системы. Более 15 лет опыта работы в компании «Балтика»: службы планирования, продаж, операционной деятельности, из которых 7 лет не разрывной связи с аналитикой и отчетностью. Сейчас – руководитель группы развития бизнес-аналитики в службе финансов ООО «Пивоваренная компания «Балтика».
«Главный эксперт» по процессам, показателям, BI-отчетности и источникам данных
Несмотря на наличие множества ресурсов и систем крупные компании зачастую испытывают сложности с управлением корпоративной информацией. Ключевая проблема — отсутствие единого центра информации, в котором бы четко отображалась структура данных, показатели в их связи с бизнес-процессами, а также владельцы и ответственные за данные. Все это помогает быстро находить актуальные сведения, понимать смысл результатов аналитики и оценивать их влияние на бизнес. Как в огромной компании найти «главного эксперта» по всем областям в части процессов, показателей, BI-отчетности и источников данных? Как создать такого эксперта, если его еще нет? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей построения взаимно однозначной связи каталога отчетности и каталога данных, обеспечивающей простоту поиска, аудита и гарантирующей, что при смене источника будет точно известно какие именно аналитические отчеты потребуют корректировки.
Несмотря на наличие множества ресурсов и систем крупные компании зачастую испытывают сложности с управлением корпоративной информацией. Ключевая проблема — отсутствие единого центра информации, в котором бы четко отображалась структура данных, показатели в их связи с бизнес-процессами, а также владельцы и ответственные за данные. Все это помогает быстро находить актуальные сведения, понимать смысл результатов аналитики и оценивать их влияние на бизнес. Как в огромной компании найти «главного эксперта» по всем областям в части процессов, показателей, BI-отчетности и источников данных? Как создать такого эксперта, если его еще нет? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей построения взаимно однозначной связи каталога отчетности и каталога данных, обеспечивающей простоту поиска, аудита и гарантирующей, что при смене источника будет точно известно какие именно аналитические отчеты потребуют корректировки.
Татьяна Борисова, «Балтика»
Окончила Волгоградскую Академию государственной службы. Более 10 лет опыта работы в сфере бизнес-аналитики продаж и операционной деятельности: с нуля выстроила процессы управления данными в компании «Балтика»; более пяти лет отвечала за развитие процессов планирования продаж и операций (S&OP), обеспечивая взаимодействие подразделений в России и странах Восточной Европы. Сейчас – начальник аналитического отдела ООО «Пивоваренная компания «Балтика», отвечает за реализацию стратегии цифровизации и бесперебойную доставку достоверных данных для формирования аналитической отчетности.
Ульяна Лысанова, «Балтика»
Окончила Нижегородский Государственный технический университет по специальности информационные системы. Более 15 лет опыта работы в компании «Балтика»: службы планирования, продаж, операционной деятельности, из которых 7 лет не разрывной связи с аналитикой и отчетностью. Сейчас – руководитель группы развития бизнес-аналитики в службе финансов ООО «Пивоваренная компания «Балтика».
Ульяна Лысанова, «Балтика»
Окончила Нижегородский Государственный технический университет по специальности информационные системы. Более 15 лет опыта работы в компании «Балтика»: службы планирования, продаж, операционной деятельности, из которых 7 лет не разрывной связи с аналитикой и отчетностью. Сейчас – руководитель группы развития бизнес-аналитики в службе финансов ООО «Пивоваренная компания «Балтика».
«Главный эксперт» по процессам, показателям, BI-отчетности и источникам данных
Несмотря на наличие множества ресурсов и систем крупные компании зачастую испытывают сложности с управлением корпоративной информацией. Ключевая проблема — отсутствие единого центра информации, в котором бы четко отображалась структура данных, показатели в их связи с бизнес-процессами, а также владельцы и ответственные за данные. Все это помогает быстро находить актуальные сведения, понимать смысл результатов аналитики и оценивать их влияние на бизнес. Как в огромной компании найти «главного эксперта» по всем областям в части процессов, показателей, BI-отчетности и источников данных? Как создать такого эксперта, если его еще нет? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей построения взаимно однозначной связи каталога отчетности и каталога данных, обеспечивающей простоту поиска, аудита и гарантирующей, что при смене источника будет точно известно какие именно аналитические отчеты потребуют корректировки.
Несмотря на наличие множества ресурсов и систем крупные компании зачастую испытывают сложности с управлением корпоративной информацией. Ключевая проблема — отсутствие единого центра информации, в котором бы четко отображалась структура данных, показатели в их связи с бизнес-процессами, а также владельцы и ответственные за данные. Все это помогает быстро находить актуальные сведения, понимать смысл результатов аналитики и оценивать их влияние на бизнес. Как в огромной компании найти «главного эксперта» по всем областям в части процессов, показателей, BI-отчетности и источников данных? Как создать такого эксперта, если его еще нет? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей построения взаимно однозначной связи каталога отчетности и каталога данных, обеспечивающей простоту поиска, аудита и гарантирующей, что при смене источника будет точно известно какие именно аналитические отчеты потребуют корректировки.
Антон Сичинский, «Газпром нефть»
Более 10 лет опыта работы в сфере управления данными и аналитики в интересах компаний группы FMCG, ИТ и Fashion Retail. Сейчас – руководитель центра разработки дата-продуктов «Газпром нефть – Цифровые решения»: участвует в развитии аналитики, управления данными и трансформации подходов в работе с ними. Принимал участие во внедрении импортонезависимых решений бизнес-аналитики, хранилищ данных, корпоративных каталогов и систем управления качеством данных. Внедряет инструменты, позволяющие бизнес-пользователям и аналитикам самостоятельно работать с данными в рамках управляемой архитектуры корпоративных хранилищ.
Основа реальной бизнес-аналитики. Преобразования self-service данных
В реальном бизнесе аналитика должна работать на результат — быстро и без лишних барьеров обеспечивать доступ сотрудников компаний к достоверным данным и средствам их анализа. Как только разработка новых дата-продуктов по строгим ИТ-процессам становится узким местом, то бизнес теряет скорость. Ответ – трансформация self-service, а именно: возможность для аналитиков самостоятельно собирать, преобразовывать и публиковать данные в рамках управляемой архитектуры. В докладе рассказывается, как такой подход меняет всю экономику бизнес-аналитики: сокращает время поиска нужных ответов, разгружает инженеров по данным и ускоряет проверку гипотез. Особое внимание уделено обсуждению роли системы Polyanalyst GRID и анализу реальных кейсов, иллюстрирующих преобразование трансформации self-service в малую автоматизацию процессов, позволяющую получить измеримый бизнес-эффект.
В реальном бизнесе аналитика должна работать на результат — быстро и без лишних барьеров обеспечивать доступ сотрудников компаний к достоверным данным и средствам их анализа. Как только разработка новых дата-продуктов по строгим ИТ-процессам становится узким местом, то бизнес теряет скорость. Ответ – трансформация self-service, а именно: возможность для аналитиков самостоятельно собирать, преобразовывать и публиковать данные в рамках управляемой архитектуры. В докладе рассказывается, как такой подход меняет всю экономику бизнес-аналитики: сокращает время поиска нужных ответов, разгружает инженеров по данным и ускоряет проверку гипотез. Особое внимание уделено обсуждению роли системы Polyanalyst GRID и анализу реальных кейсов, иллюстрирующих преобразование трансформации self-service в малую автоматизацию процессов, позволяющую получить измеримый бизнес-эффект.
Александр Антонов, ВТБ
Окончил НИУ ВШЭ. Десять лет опыта работы с инструментами бизнес-аналитики. Сейчас — владелец продукта «BI Self-Service», «Банк ВТБ» (ПАО). Отвечает за методологию использования BI-инструментов бизнес-пользователями и техническое обеспечение работы с системой.
Self-service BI – аналитика без посредников
Сегодня невозможно управлять бизнесом без достоверной и актуальной информации, однако прежде чем построить, например дашборд, бизнес-сотруднику иногда приходится тратить часы на поиск и сбор нужных сведений, обращаться подразделение ИТ за соответствующими интерфейсами и приложениями, разбираться с тонкостями интеграции различных корпоративных информационных систем и компоновкой потоков данных. Актуальные показатели бизнесу надо получать в реальном времени, а если данные по заказу хранятся в нескольких разных системах, то и построенный с таким трудом дашборд не поможет получить полную картину. Инструменты нового поколения позволяют существенно упростить работу, позволяя собирать, структурировать, обогащать и визуализировать данные в режиме low- или no-code, а дашборд и дополненная аналитика могут быть получены минимальными усилиями и в разы быстрее, чем раньше. Системы самообслуживания – новая реальность. Что такое self-service в бизнес-аналитике? Чем подход самообслуживания отличается от традиционных способов организации анализа данных? Что необходимо для успешного внедрения и эффективного использования системы бизнес-аналитики self-service? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению конкретных примеров организации работы бизнес-аналитика.
Сегодня невозможно управлять бизнесом без достоверной и актуальной информации, однако прежде чем построить, например дашборд, бизнес-сотруднику иногда приходится тратить часы на поиск и сбор нужных сведений, обращаться подразделение ИТ за соответствующими интерфейсами и приложениями, разбираться с тонкостями интеграции различных корпоративных информационных систем и компоновкой потоков данных. Актуальные показатели бизнесу надо получать в реальном времени, а если данные по заказу хранятся в нескольких разных системах, то и построенный с таким трудом дашборд не поможет получить полную картину. Инструменты нового поколения позволяют существенно упростить работу, позволяя собирать, структурировать, обогащать и визуализировать данные в режиме low- или no-code, а дашборд и дополненная аналитика могут быть получены минимальными усилиями и в разы быстрее, чем раньше. Системы самообслуживания – новая реальность. Что такое self-service в бизнес-аналитике? Чем подход самообслуживания отличается от традиционных способов организации анализа данных? Что необходимо для успешного внедрения и эффективного использования системы бизнес-аналитики self-service? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению конкретных примеров организации работы бизнес-аналитика.
Людмила Шипунова, «СИБУР»
Сейчас – руководитель направления бизнес-аналитики (BI Chapter), «СИБУР Диджитал».
Масштабирование самообслуживаемой аналитики
Тимофей Пенской, ИЦ «Безопасный Транспорт»
Окончил НИУ ВШЭ. Более десяти лет опыта работы в сфере визуализации данных. Сейчас — заместитель начальника, руководитель Управления дизайна, Инновационного центра «Безопасный Транспорт», Департамент транспорта г.Москвы.
Дашборд как управленческий интерфейс города
Московский транспорт в реальном времени генерирует миллионы событий, решение по каждому из которых принимается в одной точке – на экране. Однако много данных не означает управляемость – сегодня технологическая зрелость городских транспортных систем опережает зрелость их интерфейсов. Как дашборд становится инструментом принятия управленческих решений? Почему дизайн напрямую влияет на их скорость? Как проектировать аналитические системы от сценария действия, а не от структуры данных? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору практического кейса из городской среды и обсуждению принципов визуализации данных, которые можно применить в любой организации data-driven.
Московский транспорт в реальном времени генерирует миллионы событий, решение по каждому из которых принимается в одной точке – на экране. Однако много данных не означает управляемость – сегодня технологическая зрелость городских транспортных систем опережает зрелость их интерфейсов. Как дашборд становится инструментом принятия управленческих решений? Почему дизайн напрямую влияет на их скорость? Как проектировать аналитические системы от сценария действия, а не от структуры данных? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору практического кейса из городской среды и обсуждению принципов визуализации данных, которые можно применить в любой организации data-driven.
Илья Новосельцев, «Рубиус Тех»
Сейчас — директор по новым разработкам, «Рубиус Тех».
Кристина Проскурина, «Россельхозбанк»
Сейчас — управляющий директор управления бизнес-анализа, РСХБ.Цифра.
Как без боли перевести бизнес-команды из Excel в self-service BI
Николай Шевцов, «ОТП-Банк»
Почти 25 лет опыта работы в ИТ-индустрии, из них более 10 лет на управленческих позициях: Банк ДОМ.РФ – руководитель блока «Дата», «Аэрофлот» – руководитель направления Big Data; BDO Unicon – директор практики ИТ-решений. Имеет богатый опыт разработки и управления решениями для бизнеса в различных отраслях — большие данные, машинное обучение, Web и mobile, специализированные отраслевые решения. Реализовал более 30 проектов по автоматизации и управления бизнесом для отечественных компаний из топ-500. Сейчас – CDO «ОТП-Банк», отвечает за реализацию стратегии по управлению данными, ключевой инициативой которой является встраивание Data Governance в смежные процессы банка.
Качество данных: будущее уже наступило
Термин «качество данных» часто ассоциируется с рутинными отчетами и бесконечными ручными проверками, однако в реальности – это мощный стратегический актив, напрямую влияющий на финансовый результат компании. Как обеспечить не абстрактное «повышение качества», а получить измеримую экономию за счет совершенствования процессов банка? Как превратить Data Quality из статьи расходов в источник конкурентного преимущества? Доклад посвящен ответам на эти и другие вопросы, а также анализу практического опыты построения сквозной системы руководства данными (Data Governance) и внедрения автоматизированной системы контроля качества. Особое внимание уделено обсуждению инструмента, позволяющего в реальном времени отслеживать сотни критических показателей по всему массиву данных финансовой организации.
Термин «качество данных» часто ассоциируется с рутинными отчетами и бесконечными ручными проверками, однако в реальности – это мощный стратегический актив, напрямую влияющий на финансовый результат компании. Как обеспечить не абстрактное «повышение качества», а получить измеримую экономию за счет совершенствования процессов банка? Как превратить Data Quality из статьи расходов в источник конкурентного преимущества? Доклад посвящен ответам на эти и другие вопросы, а также анализу практического опыты построения сквозной системы руководства данными (Data Governance) и внедрения автоматизированной системы контроля качества. Особое внимание уделено обсуждению инструмента, позволяющего в реальном времени отслеживать сотни критических показателей по всему массиву данных финансовой организации.
Анна Ерохина, независимый эксперт
Окончила Ярославский государственный технический университет, «инженер химик-технолог», второе высшее образование по специальности «Экономист», а также НИУ ВШЭ по программе ИТ-менеджмент. Более 10 лет опыта работы в области управления основными и справочными данными: АО «Лакокрасочные материалы» – руководитель службы качества (организация работы отдела внутрипроизводственного контроля качества, организация процессов обеспечения качества, сертификация по системе менеджмента качества, прохождение внешних аудитов на соответствие ISO, работа с претензиями потребителей); ГК «Р-Фарм» – руководитель службы управления нормативно-справочной информацией (организация подразделения, разработка процессов управления данными и внедрение централизованных стандартов для производственных площадок различной направленности); Danone – руководитель корпоративного сервиса по поддержке мастер-данных (СНГ); Health&Nutrition – руководитель технической поддержки сервиса по управлению мастер-данными. Сейчас – руководитель практики MDM в крупнейшей зарубежной компании сектора FMCG.
Обзор инструментов улучшения работы с основными данными
Надежность основных данных – это результат последовательного устранения дефектов, возникающих в процессе управления ими на каждом этапе жизненного цикла от создания и изменения, хранения и использования до межсистемного обмена. Доклад посвящен типологии источников проблем с качеством основных данных и с процессами их ведения, которой важно руководствоваться при выборе релевантного для реализации улучшений НСИ подхода и соответствующих технических средств. Основное внимание уделено обзору конкретных инструментов, помогающих менеджерам по работе с данными сориентироваться в многообразии имеющегося сегодня на рынке ПО, в открытых описаниях которого, как правило, отсутствует детальная информация о внедренных решениях и реальном опыте эксплуатации.
Надежность основных данных – это результат последовательного устранения дефектов, возникающих в процессе управления ими на каждом этапе жизненного цикла от создания и изменения, хранения и использования до межсистемного обмена. Доклад посвящен типологии источников проблем с качеством основных данных и с процессами их ведения, которой важно руководствоваться при выборе релевантного для реализации улучшений НСИ подхода и соответствующих технических средств. Основное внимание уделено обзору конкретных инструментов, помогающих менеджерам по работе с данными сориентироваться в многообразии имеющегося сегодня на рынке ПО, в открытых описаниях которого, как правило, отсутствует детальная информация о внедренных решениях и реальном опыте эксплуатации.
Михаил Александров, Axenix
Четверть века опыта работы в ИТ-индустрии: Tops Business Integrator, BearingPoint, Teradata, SAS, «Полиматика» – руководство разработкой продукта Polymatica ML. Имеет опыт создания и внедрения систем управления эффективностью, продвинутой аналитики, анализа и отчетности, а также инструментов интеграции, управления качеством данных и НСИ в интересах производственных и финансовых корпораций. Сейчас – технический руководитель Центра развития аналитических продуктов, компания Axenix.
Современные вызовы и ключевые тенденции в аналитике self-service
Какие сложности возникают при построении систем аналитики самообслуживания с учетом современных тенденций и насущных потребностей клиентов? Какие имеются актуальные подходы к построению систем аналитики self-service в быстро меняющихся условиях? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению возможностей, возникающих в связи с развитием генеративного ИИ.
Какие сложности возникают при построении систем аналитики самообслуживания с учетом современных тенденций и насущных потребностей клиентов? Какие имеются актуальные подходы к построению систем аналитики self-service в быстро меняющихся условиях? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению возможностей, возникающих в связи с развитием генеративного ИИ.
Павел Егоров, «Инфосистемы Джет»
Окончил Институт информационных технологий и компьютерных наук НИТУ «МИСиС». Более 10 лет опыта работы в сфере управления данными – руководил проектами по построению озер данных и аналитических платформ в таких крупных компаниях промышленного сектора России и СНГ как «Норникель», «УралХим» и др. Сейчас —руководитель направления BigData компании «Инфосистемы Джет».
Как инструменты управления данными помогут повысить качество дата-продуктов
Как DataOps и инструменты управления данными делают конкурентным преимуществом постоянные изменения в продукте? Как правильно выстроить метрики дата-продукта, чтобы узнать о проблемах не постфактум, а заранее? Как встроить решения и инструменты по управление данными в процесс разработки? Почему дата-контракты помогают гарантировать качество дата-продуктов? Доклад посвящен ответам на эти и другие вопросы.
Как DataOps и инструменты управления данными делают конкурентным преимуществом постоянные изменения в продукте? Как правильно выстроить метрики дата-продукта, чтобы узнать о проблемах не постфактум, а заранее? Как встроить решения и инструменты по управление данными в процесс разработки? Почему дата-контракты помогают гарантировать качество дата-продуктов? Доклад посвящен ответам на эти и другие вопросы.
Олег Гиацинтов, DIS Group
Окончил МГТУ им. Н.Э.Баумана. Более четверти века опыта работы в ИТ-индустрии, из которых 20 лет – руководство ИТ-проектами: «Ланит», «Автомир», Xerox. Эксперт в области: стратегического управления и интеграции данных; обеспечения качества и управления нормативно-справочной информацией; управления знаниями, а также построения дата-центрических бизнес-процессов. Сейчас – технический директор компании DIS Group.
Непрерывные улучшения в управлении данными
Доклад посвящен обзору текущих и перспективных тенденций развития решений класса Data Lakehouse – нового поколения инструментов для хранения и обработки, формирования отчетности и поддержки аналитики. Особое внимание уделено тенденциям в сфере развития платформ управления данными: направления развития технологий DIS Group; знания и методологии, которые получают клиенты в дополнение к технологическим решениям; направления развития сферы управления данными.
Доклад посвящен обзору текущих и перспективных тенденций развития решений класса Data Lakehouse – нового поколения инструментов для хранения и обработки, формирования отчетности и поддержки аналитики. Особое внимание уделено тенденциям в сфере развития платформ управления данными: направления развития технологий DIS Group; знания и методологии, которые получают клиенты в дополнение к технологическим решениям; направления развития сферы управления данными.
Дмитрий Шведов, Группа ЕвроХим
Окончил Вятский государственный университет, почти четверть века опыта работы в ИТ-индустрии. Прошел путь от системного администратора в администрации города Кирово-Чепецка до заместителя руководителя департамента цифровизации в «ОХК «УралХим». Сейчас — руководитель департамента бизнес-анализа, компания «Цифровые технологии и платформы» (ЦТиП) (Группа ЕвроХим).
Объединение исторических хранилищ в условиях «дорогих» денег
Ольга Рассоха, ТВЭЛ
Окончила Саровский физико-технический институт, Экономико-математический факультет, информационные системы в экономике. Более 20 лет опыта работы в ИТ-индустрии в целом и 14 лет в атомной энергетике: Чепецкий механический завод (ЧМЗ) – руководитель проекта по созданию системы предиктивной аналитики для управления качеством продукции – система сдана в промышленную эксплуатацию, а Ольга была удостоена отраслевой премии «Человек года "Росатома"». Сейчас — руководитель направления по управлению данными, АО ТВЭЛ, в частности, отвечает за решения на базе промышленного искусственного интеллекта.
Екатерина Бражникова, ТВЭЛ
Более 20 лет опыта работы в ИТ-индустрии – прошла путь от ИТ-консультанта до корпоративного архитектора, реализовав множество проектов в нефтегазовой отрасли, энергетике, металлургии и атомной отрасли. Сейчас – корпоративный архитектор, АО ТВЭЛ, эксперт по управлению ИТ-ландшафтом и стратегиям цифровизации.
Екатерина Бражникова, ТВЭЛ
Более 20 лет опыта работы в ИТ-индустрии – прошла путь от ИТ-консультанта до корпоративного архитектора, реализовав множество проектов в нефтегазовой отрасли, энергетике, металлургии и атомной отрасли. Сейчас – корпоративный архитектор, АО ТВЭЛ, эксперт по управлению ИТ-ландшафтом и стратегиям цифровизации.
Применение ИИ для реального повышения эффективности
Цифровизация обеспечивает бизнесу более быстрый доступ к продуктам и сервисам, персонализацию предложений, круглосуточную поддержку и упрощение взаимодействия с системой за счет интерфейсов, чат-ботов и цифровых каналов. ИИ открывает пути к новым продуктам и сервисам: автоматизированное распознавание образов и голоса, предиктивная техническая диагностика, автономные системы, рекомендации и мультимодальные приложения. Цифровизация и ИИ требуют ответственного подхода: управления качеством данных, защиты приватности, этических норм, прозрачности алгоритмов и подготовки кадров. Для обеспечения высокой конкурентоспособности в компании ТВЭЛ, занимающей ведущее место в мире и в России по обогащению и фабрикации урана в замкнутом ядерном топливном цикле, была принята стратегия цифровизации до 2030 года – с чего начинали, какова цель, к чему стремимся. В рамках стратегии была принята дорожная карта направления развития искусственного интеллекта. Доклад посвящен анализу примеров реального применения ИИ в корпоративном и промышленных сегментах на базе платформы АтомМайнд (Платформа различных инструментов ИИ). Особое внимание уделено обзору лучших и худших практик (что получилось, а что нет).
Цифровизация обеспечивает бизнесу более быстрый доступ к продуктам и сервисам, персонализацию предложений, круглосуточную поддержку и упрощение взаимодействия с системой за счет интерфейсов, чат-ботов и цифровых каналов. ИИ открывает пути к новым продуктам и сервисам: автоматизированное распознавание образов и голоса, предиктивная техническая диагностика, автономные системы, рекомендации и мультимодальные приложения. Цифровизация и ИИ требуют ответственного подхода: управления качеством данных, защиты приватности, этических норм, прозрачности алгоритмов и подготовки кадров. Для обеспечения высокой конкурентоспособности в компании ТВЭЛ, занимающей ведущее место в мире и в России по обогащению и фабрикации урана в замкнутом ядерном топливном цикле, была принята стратегия цифровизации до 2030 года – с чего начинали, какова цель, к чему стремимся. В рамках стратегии была принята дорожная карта направления развития искусственного интеллекта. Доклад посвящен анализу примеров реального применения ИИ в корпоративном и промышленных сегментах на базе платформы АтомМайнд (Платформа различных инструментов ИИ). Особое внимание уделено обзору лучших и худших практик (что получилось, а что нет).
Александр Учаев, «1С»
Окончил Мордовский государственный университет им. Н.П. Огарева. Более 30 лет опыта работы в ИТ-индустрии – проекты внедрения в компаниях различных отраслей экономики: ПАО «Транснефть», ПАО «СИБУР Холдинг», ПАО «Ростелеком», АО «ОМК», предприятия Московского транспорта, строительства, пищевой промышленности и др. Имеет опыт руководства проектами внедрения как на стороне ИТ-консалтинга, так и на стороне заказчиков. Сейчас – продакт-менеджер в фирме «1С», отвечает за разработку, сопровождение и продвижение продукта «1С:MDM Управление нормативно-справочной информацией».
Интеллектуальное управление данными: будущее MDM с ИИ-агентами
Современные системы управления мастер-данными сталкиваются со все возрастающей сложностью обработки данных из разнородных корпоративных хранилищ и необходимостью обеспечения качества полученных данных. Доклад посвящен обсуждению перспектив трансформации классических подходов MDM посредством внедрения универсальных ИИ-агентов, способных автономно обрабатывать, очищать и обогащать мастер-данные в среде «1С:MDM». Особое внимание уделено применению больших языковых моделей, обеспечивающих глубокий семантический анализ, автоматическую обработку и формирование достоверных справочных массивов. Кроме этого в докладе демонстрируются возможности ИИ-агентов по оптимизации процессов управления основными данными, снижению операционных издержек и повышению эффективности принятия управленческих решений.
Современные системы управления мастер-данными сталкиваются со все возрастающей сложностью обработки данных из разнородных корпоративных хранилищ и необходимостью обеспечения качества полученных данных. Доклад посвящен обсуждению перспектив трансформации классических подходов MDM посредством внедрения универсальных ИИ-агентов, способных автономно обрабатывать, очищать и обогащать мастер-данные в среде «1С:MDM». Особое внимание уделено применению больших языковых моделей, обеспечивающих глубокий семантический анализ, автоматическую обработку и формирование достоверных справочных массивов. Кроме этого в докладе демонстрируются возможности ИИ-агентов по оптимизации процессов управления основными данными, снижению операционных издержек и повышению эффективности принятия управленческих решений.
Галина Бараблина, Axenix
Более 10 лет опыта работы в финансовом секторе и ИТ: разработка стратегий развития в области управления данными и ИИ; внедрение и операционализация процессов управление данными; аудит эффективности бизнес-процессов; ИТ–аудит; организационное развитие. Сейчас – менеджер практики Управление данными и прикладной искусственный интеллект, Axenix.
Переосмысление традиционных стратегий управления данными в эпоху ИИ
В эпоху ИИ стратегия управления данными становится неотъемлемой частью бизнес-стратегии. Какие в новых условиях возникают барьеры и каковы фокусы внедрения стратегии управления данными? С чего начать управление данными, если компания решила заняться ИИ? Доклад посвящен ответам на эти и другие вопросы.
В эпоху ИИ стратегия управления данными становится неотъемлемой частью бизнес-стратегии. Какие в новых условиях возникают барьеры и каковы фокусы внедрения стратегии управления данными? С чего начать управление данными, если компания решила заняться ИИ? Доклад посвящен ответам на эти и другие вопросы.
Александр Костюков, Easy Report
Более 10 лет опыта внедрения решений бизнес-аналитик, комплексного проектирования и развертывания аналитических систем на базе технологического стека SAP. Участвовал в проектах внедрения Tableau, Qlik, PowerBI и миграции на отечественные системы. Сейчас – менеджер продукта Easy Report.
Диалог вместо отчетов: как ИИ меняет работу с данными
Как искусственный интеллект трансформирует работу с данными, позволяя заменить статичные отчеты и сложные витрины данных диалогом на естественном языке? Какие преимущества это дает бизнесу? Как ИИ изменяет роль аналитиков и руководителей? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению рисков и ограничений, которые важно учитывать при трансформации работы с данными средствами ИИ.
Как искусственный интеллект трансформирует работу с данными, позволяя заменить статичные отчеты и сложные витрины данных диалогом на естественном языке? Какие преимущества это дает бизнесу? Как ИИ изменяет роль аналитиков и руководителей? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению рисков и ограничений, которые важно учитывать при трансформации работы с данными средствами ИИ.
Денис Васильев, IBS
Сейчас – директор отделения собственных платформ, компания IBS.
Системы MDM: от базовых принципов к интеллектуальной автоматизации
Что для компаний означает платформный подход к решению задач управления нормативно-справочной информацией? В чем основные диллемы нормализации? Как генеративный ИИ может улучшить работу с системами MDM? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору реальных примеров использования ИИ в работе с НСИ.
Что для компаний означает платформный подход к решению задач управления нормативно-справочной информацией? В чем основные диллемы нормализации? Как генеративный ИИ может улучшить работу с системами MDM? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору реальных примеров использования ИИ в работе с НСИ.
Евгений Аверьянов, ГК «Юзтех»
Окончил СПБГПУ Петра Великого. Более 15 лет опыта работы в ИТ-индустрии – цифровизация бизнеса в интернет-ретейле, агропромышленности, логистике, уберизации: «Яндекс» – проектный менеджер; Brief Agemcy – директор по продукту; 7tech – директор направлении развития корпоративных продуктов. Активно занимается разработкой продуктов для интеграции данных и интеграционными проектами для крупных и средних компаний. Сейчас – директор продукта USEBUS, ГК «Юзтех».
Единая платформа против хаоса в данных
Наличие у предприятий развитой ИТ-инфраструктуры и огромных объемов данных открывает перед ними новые возможности для создания инновационных сервисов: решения искусственного интеллекта, Интернет вещей и пр. Рынок движется от отдельных, слабо связанных приложений к интегрированным экосистемам, что создает предпосылки для создания интеграционных платформ, однако отсутствие централизованного управления данными часто тормозит проекты цифровой трансформации, требуя выработки единого подхода к работе с данными. Мало того, на практике избыточное количество инструментов для интеграции, изолированность данных и проблемы с обеспечением их качества замедляют внедрение новых решений, мешая оптимизации корпоративных бизнес-процессов. Доклад посвящен анализу реальных кейсов применения интеграционной платформы для устранения хаоса в корпоративных данных. Особое внимание уделено обсуждению вопросов интеграции решений ETL, ESB, DQM, Data Lineage и ИИ в рамках единой платформы, позволяющей компаниям избавиться от хаоса в данных, превратив их в управляемый актив, способствующий повышению эффективности бизнеса.
Наличие у предприятий развитой ИТ-инфраструктуры и огромных объемов данных открывает перед ними новые возможности для создания инновационных сервисов: решения искусственного интеллекта, Интернет вещей и пр. Рынок движется от отдельных, слабо связанных приложений к интегрированным экосистемам, что создает предпосылки для создания интеграционных платформ, однако отсутствие централизованного управления данными часто тормозит проекты цифровой трансформации, требуя выработки единого подхода к работе с данными. Мало того, на практике избыточное количество инструментов для интеграции, изолированность данных и проблемы с обеспечением их качества замедляют внедрение новых решений, мешая оптимизации корпоративных бизнес-процессов. Доклад посвящен анализу реальных кейсов применения интеграционной платформы для устранения хаоса в корпоративных данных. Особое внимание уделено обсуждению вопросов интеграции решений ETL, ESB, DQM, Data Lineage и ИИ в рамках единой платформы, позволяющей компаниям избавиться от хаоса в данных, превратив их в управляемый актив, способствующий повышению эффективности бизнеса.
Алексей Белозерский, VK Tech
Окончил Московский государственный университет им. М.В. Ломоносова. Почти 10 лет опыта работы в сфере управления продуктами и проектами: QSOFT – ведущий менеджер проектов, курирование команды разработки для корпоративных клиентов; AI TODAY – руководитель направления (запуск платформы для AI-стартапов, организация отраслевых мероприятий); Deworkacy — менеджер проектов, организация технологических хакатонов для крупных банков и корпораций. Сейчас – руководитель команды Big Data Services VK Cloud. ПАО «ВК Технологии».
Почему CDO выбирают Lakehouse
.
.
Вернуться
к докладчикам
к докладчикам
Денис Смирнов, «Денвик Аналитика»
Окончил Сыктывкарский государственный университет, прошел «Президентскую программу подготовки управленческих кадров». Более 20 лет опыта работы в ИТ-индустрии: розничные сети «АСОРТИ» (Республика Коми), «Компьютерный салон Эльф» – ИТ-директор. Генеральный директор «Денвик-Cистем» (ИТ-интегратор в сфере автоматизации складов, «1С», ретейла и общепита). Генеральный директор «Денвик Аналитика» (резидент «Сколково»).
Аналитика за пределами стандартных отчетов «1С»
Аналитика стала сегодня ключевым инструментом деятельности любой организации, однако при работе, например, в закрытой экосистеме «1С» имеется ряд ограничений – пользователь вводит данные в этой системе, обрабатывает их и получает результаты также в рамках этой экосистемы. Однако реальный информационный ландшафт бизнеса гораздо сложнее — в нем работают и другие системы, например бизнес-аналитики, собирающие данные из различных источников в едином корпоративном хранилище. Доклад посвящен обсуждению опыта построения и настройки комплексной системы аналитики, позволяющей интегрировать данные из различных источников: «1С», сайты, Битрикс24 и пр.
Аналитика стала сегодня ключевым инструментом деятельности любой организации, однако при работе, например, в закрытой экосистеме «1С» имеется ряд ограничений – пользователь вводит данные в этой системе, обрабатывает их и получает результаты также в рамках этой экосистемы. Однако реальный информационный ландшафт бизнеса гораздо сложнее — в нем работают и другие системы, например бизнес-аналитики, собирающие данные из различных источников в едином корпоративном хранилище. Доклад посвящен обсуждению опыта построения и настройки комплексной системы аналитики, позволяющей интегрировать данные из различных источников: «1С», сайты, Битрикс24 и пр.
Александр Котиков, ГНИВЦ
Окончил ЯрГУ им П.Г. Демидова по специальности «Прикладная математика и информатика», прошел переподготовку по программам «ИТ-менеджер» в Академии народного хозяйства при Правительстве РФ и «Операционная эффективность и совершенствование процессов» в ВШБИ ВШЭ. Более 20 лет опыт работы в ИТ-индустрии: Toyota Motor – «кайдзен», процессное управление; «Логика BPM» – руководитель направления по экспертизе ARIS. Сейчас – начальник отдела процессной аналитики в АО «ГНИВЦ» на проектах ФНС России.
Цифровые следы – ключ к совершенствованию процессов ФНС России
Проект ОП КСТП (обеспечивающая подсистема консолидации сведений об этапах жизненного цикла исполнения технологических процессов ФНС России) направлен на обеспечение возможности сбора из разных источников разрозненных сведений и предоставление достоверной (полной, актуальной), связанной, нормализованной, верифицированной, дополненной (обогащенной, расширенной) контекстом, семантически определенной информации о фактическом ходе выполнения технологических процессов ведомства для решения задач анализа, совершенствования и мониторинга технологических процессов. Результаты функционирования ОП КСТП применяются для проведения анализа процессов с использованием технологии процесс- и Task Mining (восстановления реальных процессов/операций на основе цифровых следов); отслеживания соблюдения регламентных процедур налогового администрирования, качества и сроков их реализации; также совершенствования технологических процессов путем их постоянного мониторинга. Как данные стали цифровыми следами технологических процессов? Как BI преобразовался в Process Intelligence? Как владельцу процесса обеспечить принятие решений о совершенствовании своих процессов на основе достоверной информации? Доклад посвящен ответам на эти и другие вопросы.
Проект ОП КСТП (обеспечивающая подсистема консолидации сведений об этапах жизненного цикла исполнения технологических процессов ФНС России) направлен на обеспечение возможности сбора из разных источников разрозненных сведений и предоставление достоверной (полной, актуальной), связанной, нормализованной, верифицированной, дополненной (обогащенной, расширенной) контекстом, семантически определенной информации о фактическом ходе выполнения технологических процессов ведомства для решения задач анализа, совершенствования и мониторинга технологических процессов. Результаты функционирования ОП КСТП применяются для проведения анализа процессов с использованием технологии процесс- и Task Mining (восстановления реальных процессов/операций на основе цифровых следов); отслеживания соблюдения регламентных процедур налогового администрирования, качества и сроков их реализации; также совершенствования технологических процессов путем их постоянного мониторинга. Как данные стали цифровыми следами технологических процессов? Как BI преобразовался в Process Intelligence? Как владельцу процесса обеспечить принятие решений о совершенствовании своих процессов на основе достоверной информации? Доклад посвящен ответам на эти и другие вопросы.
Александр Мамонтов, «АстраЗенека»
Окончил мехмат МГУ им. М.В.Ломоносова. Почти 20 лет опыта работы в области аналитики, автоматизации и организационной эффективности на предприятиях FMCG (товары повседневного спроса) и фармацевтической промышленности: руководил проектами по внедрению системы автоматизации продаж и работы полевого персонала (импортозамещение и оптимизация затрат на 75% с одновременным расширением функционала); внедрение системы компьютерного зрения (распознавание товаров на полках – увеличение объема собираемых данных на порядок при улучшении их качества до 96% и оптимизации операционного бюджета на торговый персонал на 10%); ведение проектов трансформации ландшафта бизнес-аналитики (миграция пользовательской отчетности на новую платформу, внедрение Data Governance, развитие аналитики self-service). Сейчас – Chief Data & BI Lead (руководитель дата офиса), ООО «АстраЗенека Фармасьютикалз».
Внешние данные для организации: управление и безопасность
Часто практики управления данными сосредоточены на данных, генерируемых во внутреннем контуре компании или уже имеющихся в нем, а работа с внешними источниками данных остается несистемной. Вместе с тем, жесткие ограничения на использование внешних данных лишают бизнес важных возможностей, а их неконтролируемое применение создает серьезные риски для безопасности, корпоративным политикам и нормам. Как превратить внешние данные в стратегический актив, а не в угрозу? Как уже на этапе входа данных в организацию определить можно ли их использовать? Где, как и для чего лучше применять внешние данные? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению подходов, реализуемых в фармацевтической компании, где качество и безопасность возведены в абсолют.
Часто практики управления данными сосредоточены на данных, генерируемых во внутреннем контуре компании или уже имеющихся в нем, а работа с внешними источниками данных остается несистемной. Вместе с тем, жесткие ограничения на использование внешних данных лишают бизнес важных возможностей, а их неконтролируемое применение создает серьезные риски для безопасности, корпоративным политикам и нормам. Как превратить внешние данные в стратегический актив, а не в угрозу? Как уже на этапе входа данных в организацию определить можно ли их использовать? Где, как и для чего лучше применять внешние данные? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению подходов, реализуемых в фармацевтической компании, где качество и безопасность возведены в абсолют.
Ярослав Игнатьев, Data Sapience
Окончил Кемеровский Государственный Университет (КемГУ) по специальности «Физика» («Микроэлектроника»). Более 20 лет опыта работы в сфере анализа данных телекоммуникационного, финансового и страхового секторов, а также ретейла. Более 10 лет опыта работы в области управления мастер-данными. Сейчас – архитектор решения Ingresso One линейки Data Ocean Governance компании Data Sapience.
Построение системы управления пользовательскими данными в реальном бизнесе
На этапе экспериментов бизнесу важна скорость загрузки данных, проверки гипотезы и демонстрации результата, а контроль процессов, управление доступами, аудит изменений — все это кажется лишним. Однако когда эксперимент признан успешным и становится продуктом, возникает новая реальность: данные должны быть качественными, процессы прозрачными, а справочники и пользовательские параметры — управляемыми. Как происходит этот переход? Что ломается при масштабировании «коленочных» решений? Почему управление справочными и внешними данными становится критичным для успеха дата-продукта и какие архитектурные, процессные и продуктовые решения помогают выстроить устойчивую систему управления справочниками, поддерживающую рост бизнеса? Доклад посвящен ответам на эти и другие вопросы.
На этапе экспериментов бизнесу важна скорость загрузки данных, проверки гипотезы и демонстрации результата, а контроль процессов, управление доступами, аудит изменений — все это кажется лишним. Однако когда эксперимент признан успешным и становится продуктом, возникает новая реальность: данные должны быть качественными, процессы прозрачными, а справочники и пользовательские параметры — управляемыми. Как происходит этот переход? Что ломается при масштабировании «коленочных» решений? Почему управление справочными и внешними данными становится критичным для успеха дата-продукта и какие архитектурные, процессные и продуктовые решения помогают выстроить устойчивую систему управления справочниками, поддерживающую рост бизнеса? Доклад посвящен ответам на эти и другие вопросы.
Владимир Анисимов,
Окончил Московский Индустриальный университет две специализации по специализациям «Физическая химия» и «Экономика и управление на предприятиях машиностроения». Имеет диплом MBA по стратегическому управлению и управлению персоналом. Более 20 лет опыта работы в энергетике и ИТ-индустрии:
- ПАО «Интер РАО» – руководитель направления долгосрочного развития и сопровождения стандартов качества обслуживания потребителей: внедрение MDM и мета-модели на базе OpenMetaData для управления качеством данных; разработка аналитических систем для таргетинга коммерческих предложений; автоматизация отчетности (интеграция API, Excel, RPA Robin); настройка окружений DEV/PROD, GitHub, JupyterHub, процессы DataOps;
- АО «Мосэнергосбыт» – начальник центра цифровой трансформации: внедрение BPMS, RPA и решений предиктивной аналитики на Python с интеграцией в SAP и «1С»; реализация проектов MDM, CRM, BI и мобильных приложений; развитие методологии управления дебиторской задолженностью;
- ООО «Интер РАО»– Онлайн – директор по данным: построение системы управления данными и аналитики для сбытовых компаний; внедрение инфраструктуры DataOps; развертывание инструментов предиктивной аналитики и комплексов RPA для повышения качества данных и эффективности коммерческих процессов.
Сейчас – директор направления инновационных продуктов «Сибинтек-СОФТ» (НК «Роснефть»): развитие витрин данных как корпоративного сервиса самообслуживания; разработка концепции распределенных витрин данных на Kubernetes (Alauda, Deckhouse); организация бизнес-процессов и управление командой из более сотни участников; разработка и внедрение систем визуальной и процессной аналитики (BI, TaskMining); создание и поддержка лаборатории ИИ и каталог данных на базе OpenMetadata.
- ПАО «Интер РАО» – руководитель направления долгосрочного развития и сопровождения стандартов качества обслуживания потребителей: внедрение MDM и мета-модели на базе OpenMetaData для управления качеством данных; разработка аналитических систем для таргетинга коммерческих предложений; автоматизация отчетности (интеграция API, Excel, RPA Robin); настройка окружений DEV/PROD, GitHub, JupyterHub, процессы DataOps;
- АО «Мосэнергосбыт» – начальник центра цифровой трансформации: внедрение BPMS, RPA и решений предиктивной аналитики на Python с интеграцией в SAP и «1С»; реализация проектов MDM, CRM, BI и мобильных приложений; развитие методологии управления дебиторской задолженностью;
- ООО «Интер РАО»– Онлайн – директор по данным: построение системы управления данными и аналитики для сбытовых компаний; внедрение инфраструктуры DataOps; развертывание инструментов предиктивной аналитики и комплексов RPA для повышения качества данных и эффективности коммерческих процессов.
Сейчас – директор направления инновационных продуктов «Сибинтек-СОФТ» (НК «Роснефть»): развитие витрин данных как корпоративного сервиса самообслуживания; разработка концепции распределенных витрин данных на Kubernetes (Alauda, Deckhouse); организация бизнес-процессов и управление командой из более сотни участников; разработка и внедрение систем визуальной и процессной аналитики (BI, TaskMining); создание и поддержка лаборатории ИИ и каталог данных на базе OpenMetadata.
Вернуться
к докладчикам
к докладчикам
Виктор Фадеев, Jmix
Окончил Самарский Аэрокосмический Университет, MBA университета OU LINK. Почти 30 лет опыта работы в ИТ-индустрии: инженер-программист «1С»; руководитель проектов внедрения CRM- и BPM-систем (Terrasoft, ELMA); директор по продажам в компании KROHNE – международном производителе измерительного оборудования. Профессиональный разработчик бизнес-приложений и ИТ-предприниматель. Развивает инструменты и технологии Open Source для повышения продуктивности команд разработки. Сейчас – директор по продукту: платформы Jmix быстрой разработки бизнес-приложений.
Вернуться
к докладчикам
к докладчикам
Яна Яремчук, «АЛРОСА»
Окончила Российский государственный социальный университет и НИУ ВШЭ, степень МВА, международная квалификация по управленческому учету и управлению эффективностью бизнеса CIMA (модули P1 и P2), диплом по Международной финансовой отчетности (DipIFR). Более двадцати лет опыта работы в сфере реструктуризации бизнес-процессов, разработки методик, внедрения ИТ-систем и автоматизации деятельности предприятий. В компании HOGART – крупном дистрибуторе на рынке инженерных систем – прошла путь от разработчика до CIO. В компаниях «Айсберри», «Абрау Дюрсо», «ПТК», «Эко-Нива», «КСЕП» и др. реализовала проекты по логистике склада, транспорта, производства. В ГК «Мангазея» (Золотодобыча, Девелопмент, Агро, ИТ) руководила департаментом управления проектами. Сейчас – руководитель департамента управления проектами, АК «АЛРОСА» (ПАО).
Вернуться
к докладчикам
к докладчикам
Полина Колесникова, «Магнит»
Окончила Кубанский государственный университет. Почти 20 лет опыта работы в сфере управления нормативно-справочной информацией. Сейчас – руководитель управления по сопровождению НСИ, компания «Магнит», отвечает за создание и эксплуатацию централизованной системы управления НСИ, внедрение системы MDM, описание более сотни сервисов и процессов, а также автоматизацию множество процессов. В зоне ответственности — более 100 справочников, распределенных по нескольким системам.
Владислав Буслов, «Магнит»
Окончил Краснодарскую Академию маркетинга и социально-информационных технологий (ИМСИТ) по специальности программное обеспечение вычислительной техники и автоматизированных систем. Боле 15 лет опыта работы в ИТ-индустрии. Сейчас – руководитель направления по роботизации процессов в компании «Магнит».
Владислав Буслов, «Магнит»
Окончил Краснодарскую Академию маркетинга и социально-информационных технологий (ИМСИТ) по специальности программное обеспечение вычислительной техники и автоматизированных систем. Боле 15 лет опыта работы в ИТ-индустрии. Сейчас – руководитель направления по роботизации процессов в компании «Магнит».
Автоматизация процессов кодировки НСИ
Что делать, если количество заявок на кодировку физлиц резко начинает расти, причем каждая из них напрямую влияет на своевременность выплаты зарплаты? Речь идет о сотрудниках, получающих зарплату на карты сторонних банков — вне рамок централизованных зарплатных проектов. Такие сотрудники по процессу компании кодируются в справочнике «Контрагенты». Обработка подобных заявок вручную приводила к нарушению SLA, росту нагрузки на сотрудников и, самое критичное — к риску задержек выплат и штрафных санкций. Как автоматизировать кодировку зарплатных контрагентов и торговых точек? Какие процессы в НСИ действительно можно доверить роботам? Доклад посвящен ответам на эти вопросы на опыте практического кейса автоматизации в блоке нормативно-справочной информации (НСИ) – с помощью внутреннего RPA-решения был внедрен робот, самостоятельно обрабатывающий заявки, валидирующий шаблон, сверяющий данные в «1С» и автоматически кодирующий контрагента. Особое внимание в докладе уделено анализу результатов проекта: автоматизация 85% потока заявок, снижение времени обработки с восьми до одной минуты и стабильное выполнение SLA. Также в докладе обсуждается опыт автоматизации кодировки торговых точек.
Что делать, если количество заявок на кодировку физлиц резко начинает расти, причем каждая из них напрямую влияет на своевременность выплаты зарплаты? Речь идет о сотрудниках, получающих зарплату на карты сторонних банков — вне рамок централизованных зарплатных проектов. Такие сотрудники по процессу компании кодируются в справочнике «Контрагенты». Обработка подобных заявок вручную приводила к нарушению SLA, росту нагрузки на сотрудников и, самое критичное — к риску задержек выплат и штрафных санкций. Как автоматизировать кодировку зарплатных контрагентов и торговых точек? Какие процессы в НСИ действительно можно доверить роботам? Доклад посвящен ответам на эти вопросы на опыте практического кейса автоматизации в блоке нормативно-справочной информации (НСИ) – с помощью внутреннего RPA-решения был внедрен робот, самостоятельно обрабатывающий заявки, валидирующий шаблон, сверяющий данные в «1С» и автоматически кодирующий контрагента. Особое внимание в докладе уделено анализу результатов проекта: автоматизация 85% потока заявок, снижение времени обработки с восьми до одной минуты и стабильное выполнение SLA. Также в докладе обсуждается опыт автоматизации кодировки торговых точек.
Дмитрий Никонов, «Россельхозбанк»
Окончил РГУ им. А.Н. Косыгина. Более 10 лет занимается задачами управления клиентскими данными и внедрением систем MDM. Сейчас – владелец платформы управления клиентскими данными, РСХБ.
Владимир Зубков, «Россельхозбанк»
Окончил МИРЭА по программе «Управление и информатика в технических системах». Более 30 лет опыта работы в ИТ-индустрии, из них 17 лет – проектирование архитектуры, разработка решений ETL и корпоративных хранилищ. Сейчас –архитектор Департамента больших данных, РСХБ.
Владимир Зубков, «Россельхозбанк»
Окончил МИРЭА по программе «Управление и информатика в технических системах». Более 30 лет опыта работы в ИТ-индустрии, из них 17 лет – проектирование архитектуры, разработка решений ETL и корпоративных хранилищ. Сейчас –архитектор Департамента больших данных, РСХБ.
Импортозамещение на службе клиентских данных
Платформа по управлению клиентскими данными – неотъемлемая часть процессов по наполнению аналитического контура банка, требования к которому, в части актуальности и своевременности получения данных в режиме онлайн возрастают с каждым днем. Заменить зрелое и хорошо зарекомендовавшее себя но импортное решение по управлению клиентскими данными на новое, отечественное – задача не из простых. Для обеспечения бесперебойности работы бизнес-процессов необходимо обеспечить бесшовное переключение на российскую платформу интеграционных потоков операционного и аналитического контуров ИТ-систем банка. При этом необходимо гарантировать работоспособность такой платформы, построенной на разрешенном регулятором стеке технологий. Какие инструменты Change Data Capture имеются на отечественном рынке? В чем их различие? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору особенностей выбранного решении, позволившего обеспечить актуальность данных аналитического контура банка, улучшить управление клиентскими данными и выстроить конвейер передачи данных платформы в аналитический контур.
Платформа по управлению клиентскими данными – неотъемлемая часть процессов по наполнению аналитического контура банка, требования к которому, в части актуальности и своевременности получения данных в режиме онлайн возрастают с каждым днем. Заменить зрелое и хорошо зарекомендовавшее себя но импортное решение по управлению клиентскими данными на новое, отечественное – задача не из простых. Для обеспечения бесперебойности работы бизнес-процессов необходимо обеспечить бесшовное переключение на российскую платформу интеграционных потоков операционного и аналитического контуров ИТ-систем банка. При этом необходимо гарантировать работоспособность такой платформы, построенной на разрешенном регулятором стеке технологий. Какие инструменты Change Data Capture имеются на отечественном рынке? В чем их различие? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено разбору особенностей выбранного решении, позволившего обеспечить актуальность данных аналитического контура банка, улучшить управление клиентскими данными и выстроить конвейер передачи данных платформы в аналитический контур.
Евгений Быков, ПСБ
Окончил МГПУ и МЭГУ по специализациям банковское дело и лингвистика. Более 25 лет опыта работы в ИТ-индустрии: развитие банковских технологий, проектная и процессная деятельность, разработка автоматизированных банковских систем и систем хранения данных в российских и зарубежных банках, НКО и платежных системах. Сейчас – директор по организации работы с данными, Департамент управления данными ПАО «Промсвязьбанк».
Евгения Клепова, ПСБ
Окончила МАИ по специальности «Автоматизированные системы обработки информации и управления». Более 20 лет опыта работы в банках, международном банковском консалтинге и в компаниях-поставщиках комплексных ИТ-решений: управление проектами ИТ, а том числе в части реализации хранилищ данных в финансовом секторе. Сейчас – директор проектов, Департамент управления данными ПАО «Промсвязьбанк».
Евгения Клепова, ПСБ
Окончила МАИ по специальности «Автоматизированные системы обработки информации и управления». Более 20 лет опыта работы в банках, международном банковском консалтинге и в компаниях-поставщиках комплексных ИТ-решений: управление проектами ИТ, а том числе в части реализации хранилищ данных в финансовом секторе. Сейчас – директор проектов, Департамент управления данными ПАО «Промсвязьбанк».
Проектная деятельность в управлении данными: от идеи до реализации
«Один из самых обычных и ведущих к самым большим бедствиям соблазнов есть соблазн словами: «Все так делают» » – Л.Н.Толстой. Соблазн подражания, следования «как все» особенно деструктивен при создании перспективных систем в эпоху технологической турбулентности и замещения инструментальной базы. Проектная деятельность в управлении данными – это осознанный путь от анализа специфических потребностей компании и формулирования индивидуального решения («идеи») до его тщательной проработки и внедрения («реализации»). Доклад посвящен специфике и практике формирования и реализации программы управления данными в банковской сфере. Особое внимание уделено ответу на вопрос: как избежать ловушки «так делают все» и построить эффективный проект.
«Один из самых обычных и ведущих к самым большим бедствиям соблазнов есть соблазн словами: «Все так делают» » – Л.Н.Толстой. Соблазн подражания, следования «как все» особенно деструктивен при создании перспективных систем в эпоху технологической турбулентности и замещения инструментальной базы. Проектная деятельность в управлении данными – это осознанный путь от анализа специфических потребностей компании и формулирования индивидуального решения («идеи») до его тщательной проработки и внедрения («реализации»). Доклад посвящен специфике и практике формирования и реализации программы управления данными в банковской сфере. Особое внимание уделено ответу на вопрос: как избежать ловушки «так делают все» и построить эффективный проект.
Илья Шуйков, «Диасофт»
Окончил ЛГПУ по специальности прикладная математика. Более 20 лет опыта работы в ИТ-индустрии: разработка и внедрение автоматизированных банковских систем и хранилищ данных в российских и зарубежных банках. Сейчас – заместитель директора департамента по производству, компания «Диасофт», отвечает за развития Lakehouse-платформы Digital Q.DataFactory.
Игорь Шабанин, «Диасофт»
Окончил МГАПИ по специальности прикладная математика. Более 20 лет опыта в разработке систем аналитической обработки данных. Участвовал более чем в 15 проектах внедрения хранилищ данных и аналитических систем. Сейчас - заместитель директора департамента по развитию прикладных решений, компания «Диасофт», отвечает за развитие решения обработки данных Digital Q.DataFlows.
Игорь Шабанин, «Диасофт»
Окончил МГАПИ по специальности прикладная математика. Более 20 лет опыта в разработке систем аналитической обработки данных. Участвовал более чем в 15 проектах внедрения хранилищ данных и аналитических систем. Сейчас - заместитель директора департамента по развитию прикладных решений, компания «Диасофт», отвечает за развитие решения обработки данных Digital Q.DataFlows.
Фабрика данных: от хранилища до ИИ-прогнозов
Крупные компании все чаще сталкиваются с необходимостью использования моделей машинного обучения для прогнозирования различных показателей своей деятельности. Однако эффективность таких моделей зависит от объема качественных данных и наличия быстродействующего хранилища для сокращения времени на обучение модели. Для решения этих задач применяется парадигма Data Lakehouse, объединяющая преимущества хранилищ и озер данных, обеспечивая гибкость и масштабируемость. Доклад посвящен обсуждению технических аспектов внедрения платформы вычисления и хранения данных, построенной согласно этой парадигме. На основе примеров из нефтегазовой отрасли анализируются способы обеспечения качества данных в хранилище и их использование для обучения прогнозных ML-моделей.
Крупные компании все чаще сталкиваются с необходимостью использования моделей машинного обучения для прогнозирования различных показателей своей деятельности. Однако эффективность таких моделей зависит от объема качественных данных и наличия быстродействующего хранилища для сокращения времени на обучение модели. Для решения этих задач применяется парадигма Data Lakehouse, объединяющая преимущества хранилищ и озер данных, обеспечивая гибкость и масштабируемость. Доклад посвящен обсуждению технических аспектов внедрения платформы вычисления и хранения данных, построенной согласно этой парадигме. На основе примеров из нефтегазовой отрасли анализируются способы обеспечения качества данных в хранилище и их использование для обучения прогнозных ML-моделей.
Наталья Гремитских, «АВТОВАЗ»
Окончила МГУ им. М.В. Ломоносова, социологический факультет. Более 20 лет опыта в сфере разработки и внедрения стратегий для крупных национальных брендов в категориях товаров повседневного спроса (FMCG), автомобилестроения и бытовой техники. Более пяти лет опыта руководства построением цифровой экосистемы Lada от разработки продуктов до e-com и развертывания программы лояльности. Спикер на площадках НРФ, Adindex, InterForum. Член жюри премий «Проксима» и «Серебряный Меркурий». Участник конференций ПМЭФ и ЦИПР. Сейчас – директор по цифровым проектам маркетинга LADA, АО «АВТОВАЗ».
ИИ без прикрас
Интерес к искусственному интеллекту захватил многих, однако далеко не каждый способен осознать реальную ценность и практическое применение соответствующих технологий. ИИ: очередной хайп или действенное средство решения задач? Потенциальная выгода от ИИ колоссальна, но часто воспринимается сквозь призму ярких кейсов успешных внедрений. Являются ли такие случаи единичными исключениями или закономерностью? Вопрос остается открытым. Как бы то ни было, ИИ — это не волшебная палочка-выручалочка, одним взмахом устраняющая любые трудности, а инструмент усиления и раскрытия потенциала уже имеющихся ресурсов и процессов, позволяющий повысить эффективность организации. ИИ сам по себе проблему не решает, а всего лишь открывает новые горизонты возможностей, усиливая потенциал решений и действий человека. Сегодняшняя реальность уже невозможна без технологий искусственного интеллекта. Доклад фокусируется на методиках эффективного использования ИИ. Особое внимание уделено извлеченным урокам успешной цифровой трансформации.
Интерес к искусственному интеллекту захватил многих, однако далеко не каждый способен осознать реальную ценность и практическое применение соответствующих технологий. ИИ: очередной хайп или действенное средство решения задач? Потенциальная выгода от ИИ колоссальна, но часто воспринимается сквозь призму ярких кейсов успешных внедрений. Являются ли такие случаи единичными исключениями или закономерностью? Вопрос остается открытым. Как бы то ни было, ИИ — это не волшебная палочка-выручалочка, одним взмахом устраняющая любые трудности, а инструмент усиления и раскрытия потенциала уже имеющихся ресурсов и процессов, позволяющий повысить эффективность организации. ИИ сам по себе проблему не решает, а всего лишь открывает новые горизонты возможностей, усиливая потенциал решений и действий человека. Сегодняшняя реальность уже невозможна без технологий искусственного интеллекта. Доклад фокусируется на методиках эффективного использования ИИ. Особое внимание уделено извлеченным урокам успешной цифровой трансформации.
Алексей Шокуров, «СИБУР»
Более 20 лет опыта работы в ИТ-индустрии: разработка приложений для автоматизации бизнес-процессов компаний. Прошел путь от разработчика до руководителя проектов. Сейчас – руководитель направлениями Data governance и Data quality в компании «СИБУР».
Контрольная среда в производственной компании
Как построить контрольную среду по данным в направлении «Управление цепочкой поставок» при условии, что делать это нужно не в хозяйстве Дата-офиса, а в десятках систем, из которых лишь одна – Платформа данных? Доклад посвящен обсуждению опыта внедрения практик Дата-офиса в ИТ-процессы компании: новые роли, процессы и системы. Особое внимание уделено ответу на вопросы: Как донести информацию до бизнеса? Как пройти путь от глоссария до инцидент-менеджмента и архитектурного дата надзора?
Как построить контрольную среду по данным в направлении «Управление цепочкой поставок» при условии, что делать это нужно не в хозяйстве Дата-офиса, а в десятках систем, из которых лишь одна – Платформа данных? Доклад посвящен обсуждению опыта внедрения практик Дата-офиса в ИТ-процессы компании: новые роли, процессы и системы. Особое внимание уделено ответу на вопросы: Как донести информацию до бизнеса? Как пройти путь от глоссария до инцидент-менеджмента и архитектурного дата надзора?
Алексей Шокуров, «СИБУР»
Более 20 лет опыта работы в ИТ-индустрии: разработка приложений для автоматизации бизнес-процессов компаний. Прошел путь от разработчика до руководителя проектов. Сейчас – руководитель направлениями Data governance и Data quality в компании «СИБУР».
Максим Коровин, «СИБУР»
Более 10 лет создает устойчивые цифровые продукты и строит процессы их использования в промышленных компаниях: цифровые двойники; внедрение рекомендательных подсказчиков; ERP и MRP; развертывал системы бизнес-аналитики на всех уровнях корпоративной иерархии. Уверен, что отсутствие гигиены данных уничтожает миллиардные вложения в автоматизацию, ведет к неверным решениям и тысячам часов потерянного времени. Сейчас – владелец продукта, отвечает за налаживание Data Governance в процессах планирование продаж и операций, «СИБУР».
Максим Коровин, «СИБУР»
Более 10 лет создает устойчивые цифровые продукты и строит процессы их использования в промышленных компаниях: цифровые двойники; внедрение рекомендательных подсказчиков; ERP и MRP; развертывал системы бизнес-аналитики на всех уровнях корпоративной иерархии. Уверен, что отсутствие гигиены данных уничтожает миллиардные вложения в автоматизацию, ведет к неверным решениям и тысячам часов потерянного времени. Сейчас – владелец продукта, отвечает за налаживание Data Governance в процессах планирование продаж и операций, «СИБУР».
Контрольная среда в производственной компании
Как построить контрольную среду по данным в направлении «Управление цепочкой поставок» при условии, что делать это нужно не в хозяйстве Дата-офиса, а в десятках систем, из которых лишь одна – Платформа данных? Доклад посвящен обсуждению опыта внедрения практик Дата-офиса в ИТ-процессы компании: новые роли, процессы и системы. Особое внимание уделено ответу на вопросы: Как донести информацию до бизнеса? Как пройти путь от глоссария до инцидент-менеджмента и архитектурного дата надзора?
Как построить контрольную среду по данным в направлении «Управление цепочкой поставок» при условии, что делать это нужно не в хозяйстве Дата-офиса, а в десятках систем, из которых лишь одна – Платформа данных? Доклад посвящен обсуждению опыта внедрения практик Дата-офиса в ИТ-процессы компании: новые роли, процессы и системы. Особое внимание уделено ответу на вопросы: Как донести информацию до бизнеса? Как пройти путь от глоссария до инцидент-менеджмента и архитектурного дата надзора?
Татьяна Трофименко, «Уралэнерготел»
Окончила Уральский Государственный Технический Университет – УПИ (Уральский Федеральный Университет) по специальности Менеджмент организации – Управление сервисом. Сейчас – руководитель отдела технической поддержки и корпоративных информационных систем, компания «Уралэнерготел».
Бесшовная интеграция ИИ в корпоративные бизнес-процессы
По мере роста и развития компании наступает момент, когда многие операции и процессы уже не могут происходить как раньше – огромное количество неавтоматизированных рутинных операций приводит к удорожанию стоимости услуг компании, что оказывает влияние на конкурентоспособности и прибыльности компании. Автоматизация и цифровизация бизнес-процессов – важный элемент управления стоимостью конечного продукта. В любой современной компании сегодня используется множество информационных систем: ведение регламентированного учета; поддержка внутрикорпоративных коммуникаций; CRM; управление персоналом; КЭДО; BPMS и пр., используемых не только в рамках штатного функционала, но и в режиме кастомизации. Как правило, все эти системы интегрированы между собой, обмениваются данными во всех направлениях и имеют интерфейсы с внешними системами: HH.ru, система ЭДО (Тензор/СБИС), Контур.Закупки, сервис проверки кассовых чеков ИНФС, электронная почта, языковая модель от Яндекс и др. Это позволяет работать в режиме «одного окна», не тратя время на дублирование операций и внесение данных в разные системы. Однако на фоне активного внедрения элементов ИИ компании сталкиваются с сопротивлением персонала, в частности, из-за страха за свое рабочее место. Требуется бесшовная встройка ИИ в корпоративные бизнес-процессы. Доклад посвящен обсуждению опыта интеграции ИИ в автоматизированные бизнес-процессы компании. Особое внимание уделено разбору вариантов применения ИИ в текущих бизнес-процессах: поиск новых сотрудников; подготовка договоров с контрагентами; проверка корректности исходящих писем и пр.
По мере роста и развития компании наступает момент, когда многие операции и процессы уже не могут происходить как раньше – огромное количество неавтоматизированных рутинных операций приводит к удорожанию стоимости услуг компании, что оказывает влияние на конкурентоспособности и прибыльности компании. Автоматизация и цифровизация бизнес-процессов – важный элемент управления стоимостью конечного продукта. В любой современной компании сегодня используется множество информационных систем: ведение регламентированного учета; поддержка внутрикорпоративных коммуникаций; CRM; управление персоналом; КЭДО; BPMS и пр., используемых не только в рамках штатного функционала, но и в режиме кастомизации. Как правило, все эти системы интегрированы между собой, обмениваются данными во всех направлениях и имеют интерфейсы с внешними системами: HH.ru, система ЭДО (Тензор/СБИС), Контур.Закупки, сервис проверки кассовых чеков ИНФС, электронная почта, языковая модель от Яндекс и др. Это позволяет работать в режиме «одного окна», не тратя время на дублирование операций и внесение данных в разные системы. Однако на фоне активного внедрения элементов ИИ компании сталкиваются с сопротивлением персонала, в частности, из-за страха за свое рабочее место. Требуется бесшовная встройка ИИ в корпоративные бизнес-процессы. Доклад посвящен обсуждению опыта интеграции ИИ в автоматизированные бизнес-процессы компании. Особое внимание уделено разбору вариантов применения ИИ в текущих бизнес-процессах: поиск новых сотрудников; подготовка договоров с контрагентами; проверка корректности исходящих писем и пр.
Сергей Иванов, «Группа Ренессанс Страхование»
Окончил Финансовую Академию при правительстве РФ и Московский Государственный Открытый Университет. Более 30 лет опыта работы в ИТ-индустрии – управление корпоративной архитектурой и данными. Прошел путь от разработчика до управляющего директора ИТ: «Сбербанк» – программа создания платформы продуктовых фабрик; «Росевробанк», «Абсолют-банк», «Газпром нефть» – дирекция по цифровой трансформации; «ОХК «УралХим» – директор по цифровой трансформации, управляющий директор по ИТ-архитектуре и управлению данными; НИИ «Восход». Сейчас — управляющий директор по корпоративной архитектуре и управлению данными ПАО «Группа Ренессанс Страхование», отвечает за внедрение ИИ в процессы компании, управление программой проектов по ИИ-трансформации продуктов и процессов.
ИИ в индустрии страхования
Страховой бизнес достаточно низкомаржинальный, причем работает в условиях сильной конкуренции и высоких ожиданий клиентов к уровню сервиса. Как следствие, страховые компании вынуждены постоянно улучать продажи и свои продукты, повышать уровень обслуживания клиентов, снижая себестоимость внутренних процессов. Доклад посвящен обсуждению кейсов оптимизации себестоимости внутренних процессов за счет решений ИИ. Особое внимание уделено разбору «подводных камней», возникающих на пути внедрения ИИ в процессы компании.
Страховой бизнес достаточно низкомаржинальный, причем работает в условиях сильной конкуренции и высоких ожиданий клиентов к уровню сервиса. Как следствие, страховые компании вынуждены постоянно улучать продажи и свои продукты, повышать уровень обслуживания клиентов, снижая себестоимость внутренних процессов. Доклад посвящен обсуждению кейсов оптимизации себестоимости внутренних процессов за счет решений ИИ. Особое внимание уделено разбору «подводных камней», возникающих на пути внедрения ИИ в процессы компании.
Кирилл Евдокимов, «ГлоуБайт»
Окончил ВМК МГУ. Более 20 лет опыта работы в сфере управления данными и аналитики. В интересах консалтинговых компаний занимался созданием хранилищ данных, развертыванием MDM- и аналитических решений (BI, Campaign Management, AML, OpRisk) для крупных российских банков, страховых и розничных компаний. Работал в финансовом секторе – Райффайзен банк: руководитель отдела управления данными, отвечая за стратегию развития Data Governance, выстраивание и сопровождение процессов управления метаданными, качеством данных, НСИ, а также развитие КХД, инструментария self-service BI и проверку гипотез Data Science. Сейчас – директор практики Data Governance в ГК «ГлоуБайт», отвечает развитие линейки продуктов Data Ocean Governance компании Data Sapience, решения по управлению метаданными и качеством данных DOG EMM и DOG DQ; руководит практикой, отвечающей за проекты в области управления данными для заказчиков из различных отраслей: разработка стратегии управления данными и создание продуктов для автоматизации процессов и решения прикладных задач в области управления качеством данных, метаданными и НСИ.
Каталог данных и управление изменениями
Управление метаданными — один из ключевых процессов управления данными, однако метаданные неоднородны и хотя актуализация технических метаданных хорошо автоматизируется, но позволяет анализировать только актуальную картину. При этом потребители узнают об изменениях как о свершившемся факте, поэтому бизнес-метаданные (в том числе глоссарий) требуют привлечения экспертов, что, как правило, означает обработку вручную, а значит рост риска срабатывания «человеческого фактора» при актуализации терминологии, отчетов и иных бизнес-объектов. Доклад посвящен анализу опыта интеграции каталога данных в процесс управления изменениями. Особое внимание уделено ответу на вопросы: поможет ли интеграция минимизировать риски и какую дополнительную ценность может принести компании?
Управление метаданными — один из ключевых процессов управления данными, однако метаданные неоднородны и хотя актуализация технических метаданных хорошо автоматизируется, но позволяет анализировать только актуальную картину. При этом потребители узнают об изменениях как о свершившемся факте, поэтому бизнес-метаданные (в том числе глоссарий) требуют привлечения экспертов, что, как правило, означает обработку вручную, а значит рост риска срабатывания «человеческого фактора» при актуализации терминологии, отчетов и иных бизнес-объектов. Доклад посвящен анализу опыта интеграции каталога данных в процесс управления изменениями. Особое внимание уделено ответу на вопросы: поможет ли интеграция минимизировать риски и какую дополнительную ценность может принести компании?
Алексей Никитин, Visiology
Окончил НИЯУ МИФИ по специальности «Прикладная математика». Четверть века опыта работы в ИТ-индустрии – эксперт в сфере разработки ПО анализа и визуализации данных. Сейчас – генеральный директор компании Visiology, руководит разработкой и развитием аналитической платформы бизнес-аналитики.
Новые горизонты аналитики Self-service
Платформы бизнес-аналитики перестали быть инструментом лишь узкого круга специалистов — к работе с аналитикой подключается все больше бизнес-пользователей. Но как масштабировать аналитику без потери контроля и качества? Как создать условия, при которых не только аналитики и BI-разработчики, но и линейные сотрудники могут эффективно работать с данными? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей выстраивания действительно работающего подхода self-service. Разбираются инструменты, предлагаемые сегодня компанией Visiology — от Excel Addon и коннектора для «1С» до ИИ-решений, а также демонстрируется как они помогают строить гибкую, безопасную и по-настоящему масштабируемую аналитику.
Платформы бизнес-аналитики перестали быть инструментом лишь узкого круга специалистов — к работе с аналитикой подключается все больше бизнес-пользователей. Но как масштабировать аналитику без потери контроля и качества? Как создать условия, при которых не только аналитики и BI-разработчики, но и линейные сотрудники могут эффективно работать с данными? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению особенностей выстраивания действительно работающего подхода self-service. Разбираются инструменты, предлагаемые сегодня компанией Visiology — от Excel Addon и коннектора для «1С» до ИИ-решений, а также демонстрируется как они помогают строить гибкую, безопасную и по-настоящему масштабируемую аналитику.
Владимир Озеров, CedrusData
Окончил Санкт-Петербургский политехнический университет. Более 10 лет опыта работы в ИТ-индустрии – разработка распределенных систем: компании GridGain, Hazelcast. Участник управляющих комитетов Apache Calcite и Apache Ignite. Сейчас – генеральный директор компании «Кверифай Лабс», специализирующейся на решениях для анализа больших данных, консалтинге в области разработки СУБД и платформ управления данными.
Безопасность платформ lakehouse
Архитектура lakehouse предоставляет важные преимущества – масштабируемость и высокая скорость при реализации нового функционала. Однако архитектура безопасности в озерах данных исторически построена на базе устаревших технологий, таких как Apache Rnager. Доклад посвящен обсуждению новых подходов и технологий обеспечения безопасности в современных платформах данных.
Архитектура lakehouse предоставляет важные преимущества – масштабируемость и высокая скорость при реализации нового функционала. Однако архитектура безопасности в озерах данных исторически построена на базе устаревших технологий, таких как Apache Rnager. Доклад посвящен обсуждению новых подходов и технологий обеспечения безопасности в современных платформах данных.
Наджим Мохаммад, Arenadata
Сейчас — директор по дата-стратегии, Группа Arenadata.
Дата-стратегия как драйвер бизнеса
Большинство отечественных предприятий сегодня уверены, что им непременно надо быть дата-центричными, а некоторые уже стали таковыми, получив возможность руководить и управлять данными, для выявления в них скрытых закономерностей и монетизации данных, накопленных в оперативных и ретроспективных хранилищах. Однако скорость принятия решений (предпринимательский интеллект) зависит от актуальности и достоверности данных, в противном случае окажется, что «данные есть, а денег – нет». Преобразование данных из ценного актива в источник жизненной силы процветающих предприятий невозможно без дата-стратегии. Как такая стратегия помогает решениям управления данными из «принеси-подай» превратиться в драйверов бизнеса? Как построить соответствующую операционную модель? Как развернуть адаптивный комплекс Data Management, помогающий найти новые точки роста бизнеса? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению вопросов построения и эксплуатации единой системы каталогизации на основе платформы Zero Copy.
Большинство отечественных предприятий сегодня уверены, что им непременно надо быть дата-центричными, а некоторые уже стали таковыми, получив возможность руководить и управлять данными, для выявления в них скрытых закономерностей и монетизации данных, накопленных в оперативных и ретроспективных хранилищах. Однако скорость принятия решений (предпринимательский интеллект) зависит от актуальности и достоверности данных, в противном случае окажется, что «данные есть, а денег – нет». Преобразование данных из ценного актива в источник жизненной силы процветающих предприятий невозможно без дата-стратегии. Как такая стратегия помогает решениям управления данными из «принеси-подай» превратиться в драйверов бизнеса? Как построить соответствующую операционную модель? Как развернуть адаптивный комплекс Data Management, помогающий найти новые точки роста бизнеса? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено обсуждению вопросов построения и эксплуатации единой системы каталогизации на основе платформы Zero Copy.
Дмитрий Фомин, «Югория»
Окончил НИЯУ МИФИ, Экономико-аналитический институт и Школу Управления «СКОЛКОВО», Цифровая трансформация и развитие экосистемного подхода. Более 10 лет опыта работы в сфере финансов и страхования: экономические модели и страховые резервы; финансовое хранилище данных; автоматизированный сбор журналов отчетности и регуляторных форм; управленческая отчетность в страховании (руководитель Центра развития аналитических систем, Product Manager (PM) и Chief Technical Officer (CTO) Платформы данных, Страховое акционерное общество «ВСК»). Почти 10 лет опыта работы в ИТ-индустрии: технологии в страховании; проектирование и разработка Платформы данных (классическое хранилище, дедубликатор контрагентов, система справочников, система контроля качества данных, система бизнес-аналитики, аналитическая песочница данных); регуляторные проекты; управленческая отчетность для топ-менеджмента. Сейчас – Директор департамента контроля финансовой отчетности, страховая компания «Югория».
Данные для решений: эффективное управление в страховании
Сегодня данные стали ключевым стратегическим активом страховой компании, однако подавляющее большинство организаций сталкиваются с проблемой – собирая огромные объемы сведений, они не могут эффективно преобразовать их в управленческие решения. Почему? Разные уровни управления компании требуют принципиально разных подходов к работе с данными. Как трансформировать «сырые» данные в конкретные бизнес-решения? Какие технологии действительно работают на каждом уровне управления? Как избежать типичных ошибок при внедрении решений работы с данными? Какие кейсы из практики стоит учитывать? Доклад посвящен ответам на эти и другие вопросы.
Сегодня данные стали ключевым стратегическим активом страховой компании, однако подавляющее большинство организаций сталкиваются с проблемой – собирая огромные объемы сведений, они не могут эффективно преобразовать их в управленческие решения. Почему? Разные уровни управления компании требуют принципиально разных подходов к работе с данными. Как трансформировать «сырые» данные в конкретные бизнес-решения? Какие технологии действительно работают на каждом уровне управления? Как избежать типичных ошибок при внедрении решений работы с данными? Какие кейсы из практики стоит учитывать? Доклад посвящен ответам на эти и другие вопросы.
Григорий Бокштейн, TData
Окончил Национальный Исследовательский Ядерный Университет «МИФИ». Почти 15 лет опыта управления международными проектами по оптимизации работы сетей сотовой связи (GSM, UMTS, LTE, 5G) в интересах ведущих телекоммуникационных операторов, курировал внедрение систем сбора данных с базовых станций для последующего моделирования и анализа. Занимался развитием продуктов по управлению данными. Сейчас – ведущий эксперт по управлению данными, отвечает за продвижение и развитие платформы управления данными TData.
Волшебная кнопка для Data Governance
В современном, управляемом данными мире, рост объемов сведений и ужесточение нормативных требований делает именно управление данными стратегическим приоритетом. Одновременно набирает обороты использование искусственного интеллекта для решения задач работы с данными. Доклад посвящен обсуждению особенностей эффективного применения ИИ в Data Governance. Особое внимание уделено ответу на вопрос: как с помощью продукта RT.DataGovernance сделать из ИИ волшебную кнопку для управления и руководства данными?
В современном, управляемом данными мире, рост объемов сведений и ужесточение нормативных требований делает именно управление данными стратегическим приоритетом. Одновременно набирает обороты использование искусственного интеллекта для решения задач работы с данными. Доклад посвящен обсуждению особенностей эффективного применения ИИ в Data Governance. Особое внимание уделено ответу на вопрос: как с помощью продукта RT.DataGovernance сделать из ИИ волшебную кнопку для управления и руководства данными?
Михаил Маслов, Data Sapience
Окончил Московский государственный институт электроники и математики. Почти 20 лет опыта в сфере разработки и внедрения сложных систем – в интересах международных и отечественных консалтинговых компаний занимался внедрением систем ERP и CRM, а также разработкой высокопроизводительных систем в крупных российских и международных организациях розничного, нефтегазового и банковского секторов, а также телекоммуникационных компаниях. Сейчас в компании Data Sapience руководит разработкой стратегии управления данными, созданием решений Master Data Management и Customer Data Integration, а также ведет проекты в области управления данными предприятий различных отраслей экономики. На данный момент занимается развитием линейки продуктов Data Ocean Governance Data Sapience, отвечая за решение по управлению мастер-данными Data Ocean Governance MDM.
Внедрение MDM – важный шаг в борьбе за качество данных
Внедрение системы управления мастер-данными – ключевой этап обеспечения высокого качества клиентских данных в организации. Однако внедрение MDM — лишь первый шаг комплексного процесса повышения качества данных и управления клиентской информацией. Процессы в компании постоянно эволюционируют и система управления мастер-данными должна поддерживать изменения в бизнес-логике и процессах, меняясь вместе с растущими потребностями организации. Доклад посвящен обсуждению особенностей внедрения MDM не как разовой технической инициативы, а как стратегического непрерывного процесса, направленного на повышение качества данных и поддержку развития бизнеса.
Внедрение системы управления мастер-данными – ключевой этап обеспечения высокого качества клиентских данных в организации. Однако внедрение MDM — лишь первый шаг комплексного процесса повышения качества данных и управления клиентской информацией. Процессы в компании постоянно эволюционируют и система управления мастер-данными должна поддерживать изменения в бизнес-логике и процессах, меняясь вместе с растущими потребностями организации. Доклад посвящен обсуждению особенностей внедрения MDM не как разовой технической инициативы, а как стратегического непрерывного процесса, направленного на повышение качества данных и поддержку развития бизнеса.
Александр Безуглый, «М.Видео-Эльдорадо»
Окончил Московский Государственный Институт Электронной Техники (Технический Университет) (МИЭТ). Более 20 лет опыта работы в сфере управления данными, внедрения и развития проприетарных (SAP BW, SAP BusinessObjects, Tableau, Oracle) и решений Open Source (GreenPlum, Apache SuperSet): Сбербанк, «Альфа-банк», «Эльдорадо». Сейчас – и.о. директора по данным «М.Видео-Эльдорадо».
Мониторинг качества данных – все загрузки в одном окне
В компании имеется Apache Airflow – платформа с открытым исходным кодом для программирования, планирования и мониторинга рабочих процессов, наверняка есть также фоновые процессы в системах и ETL, причем всего этого очень много. Как обеспечить, чтобы эти процессы и системы согласованно работали? Более того, имеется еще множество соответствующих средств мониторинга. Как понять, что важно, а что нет? Что надо при сбоях восстанавливать в первую очередь, а что «поднимается» само? Доклад посвящен ответам на эти вопросы, позволяющим навести порядок с помощью портала единого мониторинга процессов обработки данных DQ.MON.
В компании имеется Apache Airflow – платформа с открытым исходным кодом для программирования, планирования и мониторинга рабочих процессов, наверняка есть также фоновые процессы в системах и ETL, причем всего этого очень много. Как обеспечить, чтобы эти процессы и системы согласованно работали? Более того, имеется еще множество соответствующих средств мониторинга. Как понять, что важно, а что нет? Что надо при сбоях восстанавливать в первую очередь, а что «поднимается» само? Доклад посвящен ответам на эти вопросы, позволяющим навести порядок с помощью портала единого мониторинга процессов обработки данных DQ.MON.
Ирина Шахтарина, Сбер
Окончила Самарский государственный университет по специальности «Информатика и вычислительная техника». Почти 20 лет опыта работы, в том числе в ИТ-индустрии: Нотариальная палата Самарской области. Сейчас – аналитик, отвечает за контроль качества данных, Сбер.
Управление данными продуктовой команды
Современные цифровые продукты ежедневно генерируют огромные объемы данных – ценный ресурс для принятия управленческих решений. Ошибки в управлении данными неизбежно означают дополнительные риски для бизнеса. Управление данными – критически важный аспект работы каждой продуктовой команды компании и именно от правильного обращения с данными зависит надежность выпускаемого продукта. Доклад посвящен обсуждению роли и значимости управления данными в современной продуктовой команде на основе опыта работы с данными блока «Управление благосостоянием» Сбера: брокерские счета, индивидуальные инвестиционные счета, продукты доверительного управления, паи в паевых инвестиционных фондах, обезличенные металлические счета, управление доходами по договорам накопительного и инвестиционного страхования жизни, доходами от вложения денежных средств в негосударственные пенсионные фонды. Особое внимание уделено анализу путей решения проблем, возникающих при управлении данными продуктовой команды банка, а также практическим рекомендациям по организации эффективного управления данными.
Современные цифровые продукты ежедневно генерируют огромные объемы данных – ценный ресурс для принятия управленческих решений. Ошибки в управлении данными неизбежно означают дополнительные риски для бизнеса. Управление данными – критически важный аспект работы каждой продуктовой команды компании и именно от правильного обращения с данными зависит надежность выпускаемого продукта. Доклад посвящен обсуждению роли и значимости управления данными в современной продуктовой команде на основе опыта работы с данными блока «Управление благосостоянием» Сбера: брокерские счета, индивидуальные инвестиционные счета, продукты доверительного управления, паи в паевых инвестиционных фондах, обезличенные металлические счета, управление доходами по договорам накопительного и инвестиционного страхования жизни, доходами от вложения денежных средств в негосударственные пенсионные фонды. Особое внимание уделено анализу путей решения проблем, возникающих при управлении данными продуктовой команды банка, а также практическим рекомендациям по организации эффективного управления данными.
Дарья Капланская, «B2B-Center»
Окончила Московский государственный университет им. М.В. Ломоносова. Почти 10 лет опыта работы в сфере управления продуктами и проектами: QSOFT – ведущий менеджер проектов, курирование команды разработки для корпоративных клиентов; AI TODAY – руководитель направления (запуск платформу для AI-стартапов, организация отраслевых мероприятий); Deworkacy — менеджер проектов, организация технологических хакатонов для крупных банков и корпораций. Сейчас – руководитель Центра компетенции НСИ в компании «B2B-Center» (входит в ИТ-платформы B2B-РТС), отвечает за стратегию развития и вывод на рынок новых решений.
Системная работа с НСИ: как за 14 дней получить измеримые результаты
Как оперативно превратить работу с качеством НСИ в управляемый процесс с измеримыми результатами? Доклад посвящен ответу на этот вопрос, исходя из опыта конкретных проектов. Особое внимание уделено инструментам для быстрой оценки качества данных и обсуждению готового перечня шагов, позволяющего уже через две недели систематизировать работу с НСИ и получить первые улучшения.
Как оперативно превратить работу с качеством НСИ в управляемый процесс с измеримыми результатами? Доклад посвящен ответу на этот вопрос, исходя из опыта конкретных проектов. Особое внимание уделено инструментам для быстрой оценки качества данных и обсуждению готового перечня шагов, позволяющего уже через две недели систематизировать работу с НСИ и получить первые улучшения.
ПАРТНЕР
ИНФОРМАЦИОННЫЕ ПАРТНЕРЫ
Медиа
Мы ждем Вас!
23 апреля 2026
23 апреля 2026
Место проведения:
отель Mercure Москва Павелецкая
г. Москва, Россия,
ул. Бахрушина, 11
отель Mercure Москва Павелецкая
г. Москва, Россия,
ул. Бахрушина, 11
.
© 1992 – 2026
Издательство «Открытые системы»
Издательство «Открытые системы»
ИНТЕРНЕТ - ИЗДАНИЯ