Онлайн-платформа для решения вопросов с недвижимостью «Метр Квадратный» централизовала устаревшие и разрозненные аналитические инструменты, попутно полностью изменив культуру работы с данными. Проект стал ключевым драйвером трансформации компании в сторону управления на основе данных, его роль заключается в том, чтобы превратить BI из вспомогательного инструмента в стратегическую бизнес-платформу. О реализации проекта рассказывает Дмитрий Никитин, руководитель управления анализа данных компании «Метр Квадратный» и номинант на премию BI Award.

- Какие проблемы был призван решить проект создания новой аналитической инфраструктуры?

Нам требовалось изменение корпоративной культуры работы с данными – переход от интуитивного и экспертного подхода принятий решений – к системному, основанному на данных. Еще мы хотели заменить платные импортные компоненты, оставшиеся как наследство, и хаотичную отчетность на централизованную, прозрачную и доступную систему данных, основанную на принципах self-service и единых метриках.

При этом мы хотели не просто заменить устаревший инструмент, но и создать современную, удобную и устойчивую BI-среду, где сотрудники получают доступ к единому и надежному источнику данных, могут быстро находить нужную информацию, доверять ей и использовать для принятия решений в своей работе

- Какой подход был выбран?

Мы выбрали поэтапный и системный подход к трансформации. Сначала зафиксировали ключевые принципы работы с данными: единый источник истины, прозрачность и self-service. Затем составили план миграции, где в первую очередь решили переносить наиболее важные отчеты, чтобы для пользователей переход был бесшовным. Дополнительно мы отказались от «механического переноса» и при каждом шаге проводили рефакторинг: отчеты оптимизировались, объединялись и упрощались. Такой подход позволил равномерно распределить нагрузку на аналитиков и избежать резких пиков в работе. Благодаря этому, мы не сильно отвлекались от текущих задач в процессе миграции.

- Какие принципы пытались заложить в создаваемое решение?

Первый из них – единый источник правды. Все ключевые показатели формируются только из согласованных моделей и «золотого слоя» в данных, на котором располагаются готовые к использованию наборы данных для конечных потребителей, что исключает разночтения и споры о «правильных цифрах».

Второй принцип – прозрачность и доверие к данным. Каждый пользователь понимает происхождение метрик и может быть уверен в их достоверности. Чтобы пользователям не приходилось гадать, что это за метрика и как она рассчитывается, для каждого отчета подготовлена документация с полным описанием методологии. А для себя мы оставляем ссылки на модели, систему контроля версий и сами задачи.

Третий принцип – self-service аналитика. Пользователи получили инструменты для самостоятельного анализа и генерации гипотез, что снизило зависимость от аналитиков и ускорило работу. Наконец, сокращение информационного шума. Вместо сотен разрозненных отчетов создана компактная и актуальная система дашбордов.

- На каких платформах реализовано решение?

В качестве BI-системы выбрали оpen source Apache Superset. Основная платформа данных (DWH/Lakehouse) построена на Trino и Apache Iceberg. Используем DBT для управления моделями данных и трансформаций, а Apache Flink — для реализации real-time отчетности.

- В чем «фишка» проекта?

В том, что он был направлен не только на внедрение технологий, а на тотальное культурное преобразование компании. В отличие от многих проектов по внедрению BI, которые фокусируются на технической стороне, наш проект изначально был нацелен на изменение мышления сотрудников, формирование новой «дата-культуры» и активное формирование нового «бренда» данных внутри компании. Мы целенаправленно создавали и продвигали новую терминологию: «платформа данных», «суперсет», «золотой слой». Мы проводили образовательные мероприятия и выстраивали явную ассоциацию у пользователей между новыми понятиями и качественным сервисом. Также планируется использование ИИ для анализа данных и поиска инсайтов.

Мы использовали комбинацию мощного стека open source продуктов (Superset, Trino, Iceberg, DBT) как инструмент для решения нескольких важных задач. Во-первых, это борьба с хаосом – сознательное сокращение количества отчетов для повышения качества информации. Во-вторых, расширение возможностей сотрудников: переход от модели «аналитик как окно в базу» к модели «аналитик как стратегический партнер». Наконец, создание доверия к данным. Мы внедрили золотой слой в данных с жесткими SLA и едиными метриками.

- Что было сложнее всего в ходе проекта? Где возникали основные проблемы?

Главная сложность заключалась в том, что мы сознательно выбрали стек open source и остались без привычной вендорской поддержки. Возникла необходимость самим искать решения, разбираться в технических ограничениях и реализовывать доработки под наши бизнес-задачи.

Ситуацию облегчило то, что в период миграции вокруг Superset активно формировалось комьюнити: мы обменивались опытом с коллегами и выбирали лучшие практики. Но часть вопросов пришлось решать самостоятельно, именно это позволило нам глубже погрузиться в продукт, развить экспертизу внутри компании и сделать платформу максимально адаптированной под наши потребности.

- Какими организационными мерами поддерживалась культурная трансформация?

Для закрепления новой культуры работы с данными мы выстроили регулярные коммуникации и старались вовлекать сотрудников. Мы организовывали ежеквартальные Demo. На них мы показывали новые возможности BI-платформы, презентовали отчеты и функции, отвечали на вопросы пользователей. Дополнительно отмечали самых активных и вручали символические призы в виде брендированного мерча.

Держали постоянную обратную связь. У нас есть открытый опрос, а также чат, где любой сотрудник может поделиться впечатлениями и предложениями. Все обращения фиксируются и рассматриваются.

Использовали игровые и персонализированные элементы. Мы подготовили «итоги года» для каждого пользователя BI – например, сколько раз он заходил в систему, сколько времени в ней провел, какой дашборд был любимым и т. д. Это превратило аналитику в персональный и вовлекающий сервис.

Все это помогло сформировать сообщество пользователей BI, повысить интерес к платформе и закрепить новые подходы как часть корпоративной культуры.

- А было ли сопротивление сотрудников? Как с ним боролись?

Да, как и при любом изменении, коллеги с осторожностью восприняли переход на новую систему. Мы заранее подготовились к этому и выбрали поэтапный подход. Первый этап –friends & family. Первые тесты проводили с ближайшими коллегами. Совместно переносили и оптимизировали их отчеты, показывая на живых примерах, что несколько удобных дашбордов могут заменить десятки разрозненных.

Далее последовало расширение аудитории. После сбора обратной связи мы провели открытое Demo для всей компании, подробно показали новые возможности и ответили на вопросы пользователей.

Важную роль играет поддержка со стороны амбассадоров. Коллеги, участвовавшие в пилоте, стали проводниками изменений – они могли сами успокоить бизнес-заказчиков и показать, что работать в новой системе действительно проще.

Такое постепенное вовлечение помогло снять опасения и превратить их в интерес: скептики постепенно становились активными пользователями BI-платформы.

- Какие результаты достигнуты?

Мы значительно увеличили вовлеченность сотрудников: 350 пользователей – а это около 60% компании – работают с BI самостоятельно, количество дашбордов сокращено с 650 до 140 актуальных. Изменилась типовая задача аналитика, снижена операционная нагрузка на аналитиков по обработке ad-hoc запросов примерно на 80%.

Качественно изменилась культура: благодаря разработанным self-service инструментам сотрудники самостоятельно проверяют гипотезы и приходят к аналитикам с уже проработанными идеями. Разработана кастомная стартовая страница, которая стала «единым входом» в мир аналитики компании, создана система метрик для отслеживания пользовательской активности. Наконец, мы организовали внутренние каналы коммуникации с пользователями платформы в формате дайджеста.

- Что ожидается в обозримом будущем?

Ожидаем дальнейшего роста стабильной аудитории пользователей BI-платформы за месяц (MAU) до 300 пользователей. Формируем сообщество data-лидеров внутри компании для дальнейшего распространения лучших практик. Стремимся к дальнейшей демократизации BI-платформы, чтобы заказчики могли и самостоятельно создавать для себя отчетность. Планируется использование ИИ для анализа данных и поиска инсайтов.

- Пытались ли измерять полученные эффекты в финансовом выражении?

Финансовый эффект напрямую оценить сложно, так как проект больше связан с изменением подхода к работе с данными. Но мы фиксируем результаты в эффективности. Например, сокращение time-to-market: среднее время выполнения типовой аналитической задачи снизилось примерно на 12%, что эквивалентно нескольким дням работы аналитика.

Достигается экономия ресурса аналитики. Благодаря тому, что сотрудники самостоятельно пользуются дашбордами и реже обращаются с ad-hoc аналитикой, удалось высвободить ресурс, эквивалентный работе, как минимум, двух аналитиков на полной занятости. Эти усилия теперь направлены на стратегические задачи и развитие инструментов, а не на выполнение одноразовых запросов.

Таким образом, проект дал ощутимую экономию человеческого ресурса и повысил отдачу команды аналитики.

- В чем роль проекта для бизнеса компании?

Проект стал ключевым драйвером трансформации компании в сторону управления на основе данных. Его роль заключается в том, чтобы превратить BI из вспомогательного инструмента в стратегическую бизнес-платформу, которая обеспечивает прозрачность, доверие и единое понимание показателей на всех уровнях организации. Благодаря проекту компания получила возможность принимать решения быстрее и увереннее, снизила зависимость от отдельных экспертов и перешла к культуре самостоятельной аналитики. Это повысило скорость реакции бизнеса на изменения рынка и стало фундаментом для устойчивого роста и масштабирования.

- В каком направлении будет развиваться проект?

Мы видим развитие проекта в двух ключевых направлениях. Первое из них – демократизация BI. Мы планируем дать возможность сотрудникам за пределами аналитики самостоятельно строить отчетность и использовать данные без вовлечения аналитиков. Это позволит, например, департаменту ИТ создавать собственные дашборды по доступности сервисов и напрямую включать их в отчеты для руководства. Таким образом, BI станет по-настоящему массовым инструментом и частью повседневной работы всех подразделений.

Второе направление – Gen BI. Уже сегодня у нас есть рабочий прототип LLM-сервиса text-to-SQL, который переводит запросы на естественном языке в SQL и возвращает результаты этих запросов. Следующим шагом станет переход к text-to-chart: пользователи смогут получать не просто таблицы, а готовые визуализации – и все это без знания SQL или специфики работы с BI.

Эти направления позволят сделать аналитику максимально доступной, удобной и интуитивной, закрепив ее как основу принятия решений на всех уровнях компании.