Энергия данных | Мария Дробинская

⭐️Иллюзия отсутствия выбора

В прошлом году ко мне обратилась одна компания с весьма крупным направлением заказной аналитики. И попросила помочь им провести тех интервью кандидатов на позицию BI-разработчика. Надо было проверить вполне себе конкретные навыки. Искали Senior, ну хотя бы Middle. Самая досада была, когда на тех интервью сплошь и рядом почему-то приходили Junior. Но сегодня не об этом.

У меня был перечень требований от заказчика. Я сформировала перечень вопросов, некоторую шкалу оценки ответов. И оформила себе шаблонную табличку (куда я без табличек-то), в которую я в процессе интервью делала пометки, а сразу после по свежей памяти проставляла рейтинг по каждому пункту, группировала, выводила среднее по разделу. В общем, нехитрая такая статистика, завуалированная под непринуждённый диалог с элементами допроса 📝 Если интересно детальнее – дайте знать.

Но серию этих тех интервью выделило даже не это. Из этого сложился очень интересный опыт. И некоторые мысли я унесла с собой. И одной хочу сегодня с вами поделиться.

❓ У меня был вопрос про разные задачи, которые решаются на BI-проектах. И одни и те же задачи кандидаты решали зачастую по-разному. И это здорово! Но местами их рассказ о выборе выглядел как выбор чуть ли не из единственного варианта. А потом приходил другой кандидат и рассказывал в похожей тональности, как он выбрал тоже единственно возможный, но другой вариант. И это всё для всех так очевидно и само собой разумеется. 🤔

Да, у нас безусловно есть инструменты, которыми мы владеем как своей правой рукой. И у каждого они – свои. Мы разные, инструменты разные. И отлично! И все мы понимаем, что отвёрткой гвозди забивать как-то не очень сподручно. Я хочу подметить более тонкую грань. Бывают ситуации, когда есть выбор из ряда в общем-то похожих вариантов, но выбирается не по принципу "лучший вариант для этой задачи", а по принципу "этим я умею работать".

❓ Как часто мы, выбирая инструмент, задумываемся насколько искажённо воспринимаем выбор вариантов, ограничивая его не спектром возможностей, а своими навыками? 🤔

Такой вот серьёзный понедельник. Давайте подискутируем что ли?

🌟 Куда переезжать?..

👨‍💻Много лет я работала в офисе. И не представляла себя на удалёнке. Ну а как жеж – люди, живое общение – как я без этого? В конце 2024 так сложилось, что я ушла сначала на частичную удалёнку, а потом и на полную. Мало того, что удалёнка, так ещё и на Москву, а это 4 часа разницы ⏰. Что тут сказать, во всём свои плюсы и свои минусы.

Поначалу было как-то совсем тяжко. Через некоторое время смещённого режима меня стали посещать мысли – а не переехать ли? 🤔 И первый вопрос, который сразу же появляется после мысли о переезде – а куда? Куда переезжать-то? Ясно, что поближе к GMT+3. Переехать в Москву – это как-то сильно очевидно что ли. Я решила приблизиться к задаче, примерить на себя разные города. Надо же взвешенно подходить к вопросу!

Как вы думаете, что я сделала, как истинный аналитик?
Правильно, построила дашборд! 😇

Я собрала список региональных центров нашей необъятной Родины. Нашла в открытых источников рейтинги, нашла погодные условия. Сделала выборку показателей и собрала в дашборд. Медитировала на него достаточно долго. 🫠

А потом хандра прошла, меня отпустило, я привыкла. А дашборд остался...

Изначально я его собирала на Power BI Desktop. А сегодня ради этого поста переложила на Yandex Datalens. Схема работы простая – выбираем значения в фильтрах, медитируем на карту. Всё 🔥

➡️ Потыкать ручками можно тут. Доступно без смс и регистраций.
Там и на Yandex Datalens, заодно и на Power BI. Фильтры реализованы чуть по-разному.

P.S. А на скрине выборка городов, которая у меня получилась. В итоге никуда не поехала 👨‍💻

#datalens #powerbi

🔤🔤🔤🔤🔤🔤 🔤🔤🔤🔤🔤🔤🔤🔤
Быстрый старт и неожиданности при масштабировании

Этим постом начинаем цикл статей по разным BI-системам. Планируем выдержать более-менее единую структуру описания. И позже дополнить статьи демо-дашбордами и видео-демонстрациями. Но... как говорит одна моя хорошая знакомая: "Всё будет, но не сразу" 🔤

1️⃣Знакомство с системой
☁️ DataLens – продукт компании Яндекс, интегрированный в достаточно широкий ландшафт многочисленных продуктов компании.

Самое большое сообщество пользователей среди российских BI-систем. Только телеграм-канал насчитывает более 14,7 тысяч подписчиков, пользователей по разным источникам - в разы больше.

На то могу выделить, как минимум, несколько причин:
➕наличие opensource варианта системы
➕длительное время бесплатного распространения облачной версии
➕широкая инфраструктура Яндекса
➕относительная простота входа – зарегистрировался и пользуйся
➕бесплатные курсы на Яндекс.Практикум

DataLens, в отличие от многих российских систем, представлен в нескольких вариантах: облачный, серверный и opensource. Любой инфраструктурный каприз. Почти.

Здесь и далее буду говорить про наиболее распространённый вариант использования – облачную версию.

2️⃣Подготовка данных
Две важные особенности системы, которые могут сильно влиять на архитектуру всего проекта: DataLens не хранит данные в себе и не имеет встроенного ETL-модуля.

Что это значит для бизнеса:
❗️Когда пользователь открывает дашборд, DataLens отправляется за данными в источник. Если этот источник медленно отдаёт данные / данных много / запрос к данным пытается хитро их преобразовать на ходу – пользователь наблюдает крутящееся колёсико ожидания вместо графиков.
❗️Так как встроенного модуля преобразования данных у DataLens нет, то преобразования должны быть выполнены либо непосредственно в запросе к данным (помним про колёсико), либо данные в источнике должны быть уже преобразованы заранее.
❗️И как итог - на проектах DataLens почти всегда подразумевает организацию хранилища данных, которое заберёт на себя все преобразования. И чем "ближе" это хранилище к DataLens, тем меньше ожидание пользователя. Максимально оптимальное решение – ClickHouse, развёрнутый на серверах самого Яндекса.

3️⃣Модель данных
Только классические "звезда" и "снежинка". Модель типа "созвездие" с несколькими таблицами фактов не допустима. Какая-нибудь модель, когда у нас не "снежинка", а, простите, "сугроб" (любят некоторые аналитики такое делать) – тоже в DataLens не собрать. Всё строго.

Что это значит для бизнеса:
❗️Большое внимание уделяется этапу формирования итоговых витрин данных, и, соответственно, модели. Чуть больше, чем в любых других системах.

4️⃣Языки и расчёты
Для создания вычисляемых полей используется SQL-подобный язык, есть набор агрегатных функций и оконных выражений.

Что это значит для бизнеса:
❗️Низкий порог для аналитиков, знающих SQL. Для базовых и умеренно сложных вычислений достаточно. Но если нужно рассчитать что-то более-менее сложное, то обычно вычисления переносятся на хранилище и учитываются при подготовке данных.

5️⃣Визуализация
Стандартный набор визуализаций, закрывающий бОльшую часть запросов проекта. Умеренный выбор настроек. Местами есть жёсткие ограничения. Например, для корректной работы таблицы в датасете должно быть не более 100 000 строк.
Некоторое время назад появилась возможность разрабатывать свои кастомные визуализации с прямыми запросами в источник.

Что это значит для бизнеса:
❗️Тщательно продумываем и проектируем подготовку данных. Оцениваем достаточность стандартных визуализаций.

6️⃣Ценообразование
Облачная версия для одного пользователя – бесплатна. Регистрируем учётку в Яндексе и поехали. Но как только мы добавляем к себе второго пользователя – начинаем платить сразу за обоих по 990р в месяц. Это очень даже приятная цена.

Для серверной версии ценовая политика начинает расчёт от 100 пользователей и 1,6 млн р в год. А здесь резкий скачок.

🔤🔤🔤

❓Что бы вам хотелось ещё узнать о Yandex DataLens? Пишите вопросы в комментариях.
❓Какие термины оказались непонятными? О чём рассказать подробнее?

#datalens #обзор_bi

5️⃣🧡🧡🧡🧡🧡🧡🧡аналитической зрелости: почему наличие BI-системы – это ещё не успех

🔸Материал про Yandex Datalens уже готовится к выпуску. Скоро-скоро! 🔸

Когда в моём арсенале появилось такое понятие, как "аналитическая зрелость", жить стало кратно понятнее. Важно понимать предстоящий путь, чтобы распределить усилия, бюджеты и спланировать остановки для отдыха.

Когда приходит заказчик и рассказывает, что хранит сметы на строительные объекты в текстовых комментариях карточек Trello, и при этом хочет принимать решения на основе данных – становится понятно, что путь из точки А в точку Б будет ой каким не простым. Реальным, но непростым.

Data-driven иногда интерпретируется как некий хайп. Бизнес может туда очень рьяно хотеть и одновременно не понимать, каких стереотипов и привычек ему придётся лишиться. И появление BI в закладках браузеров сотрудников – не самоцель, но шаг на немалом пути.

➡️Гартнер выделяет 5 уровней аналитической зрелости:

1️⃣ Excel и героизм
Руководитель приходит с вопросом: "А почему упала маржа?" Начинается квест. Финансист скачивает отчёт из 1С, менеджер по продажам – выгрузку из CRM, начальник производства – свою таблицу. Все это сводится в один огромный Excel, который сводит один "гуру ВПР". На это уходит полдня, а то и неделя. Руководитель не дожидается, машет рукой и принимает решение "по наитию".

2️⃣ Дорогая автоматизация
Компания решает: "Хватит этого ада, покупаем BI-систему!" Строят красивые отчёты. Но... данные в системах – полная каша. BI не склеивает их по умолчанию, а хаос вскрывается один за другим. Сотрудники паникуют: "Наше знание ВПР больше не востребовано!" Менеджмент фыркает: "Денег потратили кучу, а толку – ноль". Эксельки всё ещё в ходу, "на всякий случай".

3️⃣ Много отчётов, мало решений
BI наконец-то заработал. Качество данных уже приемлемое. Отчётов стало много, или даже очень много. Дашборды раскрашены разными цветами. Руководитель заходит в BI и видит 100 циферок, но не находит нужной. Отчёты смотрят, кивают, но решений не принимают. Или приняли решение, но в процессы оно не ушло. Нет связи между цифрами и реальными действиями в бизнесе.

4️⃣ Данные начинают рулить
Компания уже не просто смотрит, что было вчера, а начинает считать, что будет завтра. Появляются прогнозы, план-фактный анализ, понимание корреляций. Решения принимаются на основе цифр. И, что самое важное, эти решения внедряются и влияют на процессы. Сотрудники уже не сопротивляются, они просят: "А можно мне такой же отчёт для моего отдела?"

5️⃣ Аналитика – это топливо бизнеса
Данные становятся центром бизнес-стратегии. Новый продукт не запускается без анализа рынка и прогнозов. Инвестиционные решения согласовываются исключительно на основе цифр. В компании есть CDO (директор по данным), который влияет на все изменения. Компания постоянно обменивается лучшими практиками. Аналитика – не просто красивая игрушка за доп бюджет, а обязательная часть жизни компании.


У каждого перехода между уровнями свои симптомы и своё лекарство:
1️⃣➡️2️⃣: автоматизация работы с данными, внедрение BI, постепенное исключение ручной сборки отчётов

2️⃣➡️3️⃣: внедрение BI в процессы, работа над качеством данных и расчётов, повышение компетенций сотрудников и руководителей по работе с данными

3️⃣➡️4️⃣: выстраивание связи между аналитикой и бизнес-результатами, повышение охвата процессов аналитикой

4️⃣➡️5️⃣: встраивание аналитики в управление изменениями
 

Главные выводы:
✅ Фокус на внедрении BI без работы с качеством данных и культурой не даёт результата. 
✅ Зрелость компании в работе с данными – это не количество отчётов, а замкнутый цикл принятия решений. Мало построить дашборд, нужно ещё, чтобы решения, принятые на его основе, реально влияли на процессы в компании.
✅ Цифровую трансформацию часто тормозит не технология, а культура. Данные долго остаются "разрозненным лоскутным одеялом", пока руководители не начинают использовать их для управления.
✅ Для того чтобы сдвинуть компанию с уровня на уровень, нужны не просто приказы сверху, а "евангелисты" внутри команды, которые своим примером показывают пользу аналитики.

🔥Друзья, спасибо всем за ваши голоса и активность!

Мы подвели итоги опроса в обоих каналах и составили порядок разбора BI-систем в наших статьях.

⭐️ Первые две системы с большим отрывом: Yandex Datalens (13) и Apache Superset (9).
⭐️ "Большая" четвёрка с одинаковым количеством голосов: AW BI, Fine BI, Visiology и PIX BI (по 4).
⭐️ И завершают список – Modus BI (3) и Glarus BI (2).

Порядок разбора систем с одинаковыми голосами – на усмотрение редакции 😊 Но вы ещё можете добавить голосов, опрос ещё активен.

🔸🔸🔸

Мы себе придумали правило – по пятницам не писать страшно полезного контента. Поэтому в комментах ловите шуточку про все BI разом. На злобу дня. 😊

Всем хороших выходных! 💛

😎 Подвиг во имя BI

Вчера Политех напомнил, что опубликовали расписание пар на портале... В смысле - скоро сентябрь? Да как так-то? 😱

А я не успела рассказать про подвиг, который мы совершили с магистрантами в весеннем семестре. И пока мы не совершили новый, надо успеть срочно рассказать про предыдущий.

А это был реально подвиг. Этой весной мы уже третий год (это всё разные магистранты, если что 😊) делали проектную работу. И каждый год она всё чудесатее и чудесатее.

➡️ Шесть групп.

➡️ Шесть РАЗНЫХ BI-систем, с которыми никто из ребят никогда не работал:
🔸Visiology - позиционируют себя как лидеры российского рынка, интерфейсно ориентируются на Power BI
🔸PIX BI - молодой амбициозный продукт, который активно себя промоутит на рынке, интерфейсно ориентируются на Qlik
🔸Yandex DataLens - российский облачный продукт от всем известной компании
🔸Fine BI - китайский BI, который в последнее время всё чаще и чаще попадает в предпочтения российских компаний
🔸Glarus BI – российский продукт, с очень демократичным ценообразованием на базе опенсорсного Metabase
🔸AW BI – российский продукт, с бесплатной облачной версией

➡️ Три кейса с реальными данными от реальных заказчиков и реальными запросами на показатели:
🔸Общепит
🔸Фитнес
🔸Маркетплейсы

У нас было чуть меньше трёх месяцев и мощный объём работы:
✅Разобраться в данных, показателях, сформировать и согласовать методики расчёта
✅Спроектировать макет визуализации и модель данных с учётом нюансов работы конкретной BI-системы
✅Обработать все данные и «уложить» в модель
✅Настроить вычисления показателей
✅Настроить все графики и взаимодействия
✅Протестировать данные и работу визуала
✅Сформировать рекомендации для заказчика на базе получившегося дашборда
✅Написать отчёт по проделанной работе, проанализировать особенности конкретной BI-системы
✅И, наконец, презентовать свою работу заказчикам, руководству кафедры и гостям.
✅А для этого всего, само собой, - изучить BI-систему в достаточной степени, освоив языки и диалекты, инструменты и особенности работы

Мы встречались каждую неделю, а последние недели даже чаще. Вели диалоги в реальном времени в чате, обсуждая возникающие сложности. Это было очень плотно.

❗️ Чем мне нравится эта проектная работа. Каждая команда не просто изучает одну BI-систему, она косвенно изучает в моменте все шесть. Происходит взаимное "переопыление" знаниями. И по итогу через 3 месяца, оглядываясь, все сильно удивляются, какой багаж знаний и опыта они получили.

❗️ И это в особенности важно сейчас. Потому что в текущих реалиях, выходя из стен университета в реальную жизнь, надо уметь быстро осваивать инструменты и ориентироваться в их ассортименте. Чтобы быть востребованными на рынке и понимать, как этот самый рынок работает, чем дышит.

❗️ А я, со своей стороны, делаю ценные выводы. Вижу простоту и сложность освоения разных систем, ограничения и нюансы, сложности работы с реальными данными, типичные ошибки и многое другое. Адаптирую материалы курса, выстраиваю стратегию работы с разными системами.


⭐️ В итоге - получилось круто и очень ярко! На следующий год обязательно повторим с другой группой, добавим на этот раз ещё и этап непосредственной работы с заказчиками. 😊


❓ В планах рассказать в канале про все системы. Но с какой начнём – решать вам (ниже опрос).

🏦 Ты всё делаешь не так. Продолжай.
Немного пятничных откровений.
 
🤝 Первое совместное фото в канале. Поэтому – пользуясь случаем, представлю. В нашей компании позиция ДРУГ — это не про личные отношения, это про
🧡анные,
🧡ешения,
🧡правление и
🧡енерацию идей.
Именно так мы видим роль директора по развитию. Со мной на фото – Дмитрий, ДРУГ. Прошу любить и жаловать! 😊

🔸🔸🔸🔸🔸

Вчера посетили 🏦 Альфа-Конфу в Томске. Себя показать, на людей посмотреть. А то все коммуникации в онлайне: "сейчас пришлю ссылку на встречу", "связь нестабильная, давайте камеры выключим", "завтра на созвоне обсудим"… Захотелось офлайна и переключиться немного в другой режим. Ещё даже не до конца переварили всё, что услышали, догоняет. Очень понравился доклад Дмитрия Сендерова про H2H маркетинг.

"Ты всё делаешь не так. Продолжай" – такой фразой вчера нас встретили браслетики, выдаваемые на входе. Сначала – шок. Смелая фраза. Провокационная даже. А потом меня накрыло саморефлексией. И до сих пор не от-накрыло обратно.

⭐️Каждый предприниматель – это всегда смелый человек, который в какой-то момент не побоялся сказать миру: "Я тут возомнил, что умею что-то лучше других". А дальше идёт череда ошибок. И предпринимательство – это всегда про ошибки. Про смелость сказать самому себе что-то вроде "Вот сейчас все увидели, как я облажался и сделал что-то не так", но отряхнуться, сделать выводы и идти дальше.

Не буду далеко ходить. 🫠 Мы в среду выпустили видео на каналах. По плану была статья, которая в статью не поместилась. И было решено – видос! Видос получился на час с лишним. В лучших моих спикерских традициях – максимум пользы на килограмм текста. Мы посмотрели на динамику просмотров, подписок, отписок. 😵‍💫 Посыпали голову пеплом. Сделали выводы. Пошли дальше.

💡Аналитика – подсветка наших ошибок. Как будто кто-то направил прожектор в самый эпицентр скопления неправильных решений. И далеко не у всех хватает смелости взглянуть в дашборд открытыми глазами и осознать, что выбранный путь оказался не оптимальным, и надо скорректироваться. А выбранный путь всегда в чём-то не оптимален. Нет бизнесов, которые никогда не ошибались. Но чем раньше мы понимаем, что свернули не туда, чем быстрее исправляем курс – тем меньше тонем в последствиях своих же ошибок.


P.S. Мы всё делаем не так. И намерены продолжать. ❗️

P.P.S. Пообещала часовых видосов больше не записывать. Но это не точно 😇
Хотя вот текст тоже по плану должен был получиться короче...

13-15 мая в Астане проходит выставка Business Technology EXPO. Сегодня выступала с докладом в секции «Data Science. Гибридная архитектура для Agentic AI решений». Рассказывала, как переходить от BI к AI-ассистентам на примере Power BI и Copilot. 📱

Перехожу в общем на тёмную сторону 😊

Вообще в последнее время редкий заказчик не спрашивает, как встроить ИИ в дашборды. Я долгое время пребывала в дичайшем скепсисе относительно этой идеи. Почему? Потому что вижу, что происходит в данных в компаниях. Заходя с проектом внедрения BI поднимаем из пучины всё то, на что могли не обращать внимания годами. Перекладыванием на логику обработки данных все эти моменты постепенно вскрываются и приводятся в структуру, справочники встают стройными рядами, данные вносятся тогда, когда должны, и полностью, убираются частности и заплатки в расчётах. И многое-многое другое. Но сейчас заказчики хотят сразу совершить прыжок из хаоса в ИИ. Потому что ИИ воспринимается как волшебная таблетка, которая сразу всё в бизнесе наладит. Кидайте в меня помидорами. 🍅 Не наладит. Усилит бардак, ещё и рекомендаций выдаст таких, что ого-го. 😣

Для BI тоже надо делать порядок. Но порядок, который требует ИИ – кратно «порядочнее». Потому что BI, как ни крути, исконно делали разработчики. И тут человеческий фактор что на входе (в данных), что на выходе (в реализации дашбордов). А ИИ требует структуры и логики.

❗️И чем чётче, конкретнее и понятнее всё реализовано, тем меньше ИИ делает ошибок, и тем больше толку от ИИшных рекомендаций. Тем больше они «в попад».

🔤Потому да, перехожу на тёмную сторону. Осторожно так, вкрадчиво. И заказчиков призываю не впадать в ИИллюзии, а трезво оценивать, что ИИ может, а что – увы.

❗️А вот при правильном применении - мощь великая!

Я хотела сдать сертификацию Майкрософт с 2010 года. 🫣 Сначала в планах была сертификация на Excel. Я прошла пробный тест, поняла, что мне ещё учиться и учиться. Отложила эту идею. Потом освоила Power BI. И уже даже запустила коммерческие курсы по Excel и Power BI, преподаю несколько лет. Но с «гордым» званием несертифицированной самоучки. 🤓

И вот пазл сложился. Синдром самозванца мне, конечно, тут устроил джигу-дрыгу. Нервных клеток спалила ого-го. Но сдала! Шла гордая, теперь уже сертифицированная самоучка, навстречу Астанинскому ветру и светлому будущему. Йе-ху! 🤩

Дашборд начинается отнюдь не с данных

Театр начинается с вешалки. А BI начинается с визуализации.

Звучит красиво и даже немного пафосно. Но за этим стоит большой пласт опыта. Давайте разберёмся, почему так.

#️⃣ Ошибка новичка: идти от данных
Начинающий аналитик рассуждает так:
🔤У меня есть данные.
🔤Я примерно понимаю, что надо визуализировать ситуацию по продажам.
🔤У меня даже есть список метрик (динамика по месяцам, топ товаров...).
🔤Значит: забираю данные → преобразую → складываю на дашборд → строю визуализацию.

И бывает, что всё ок. В небольших дашбордах, с типовыми запросами – такая схема может сработать. Но если ситуация окажется чуть шире, наступает момент, когда аналитик осознаёт, что меняющиеся на ходу требования пользователя к визуализации потихоньку превращают модель данных и вычисления в монстра 😈, который норовит поглотить самого себя (вместе с аналитиком).

Более опытный аналитик некоторые вещи может предусмотреть и обойти заранее. Но это всё равно ещё не системный подход.

#️⃣ Пример!
Буквально на прошлой неделе мне встретилась в сети студенческая задачка, которую я тут же принесла магистрантам как живой пример вот этой ситуации с визуализацией.
Задачка такая: необходимо визуализировать динамику фонда отпускных. Для знатоков кадрового и финансового учёта сразу дам оговорку: расчёты в задаче упрощены, полагаю намеренно, потому что не в этом «соль».
Что есть из данных? Есть три таблицы:
🔤Список сотрудников с остатком отпускных дней на 1 января
ID сотрудника – ФИО – Подразделение – Остаток отпуска в днях
🔤Список сотрудников со среднедневной ЗП
ID сотрудника – Среднедневная ЗП
🔤Список отпусков на год
ID сотрудника – Дата старта отпуска – Дата завершения отпуска

Как будет действовать начинающий аналитик? Заберёт три таблички, свяжет между собой и будет пытаться как-то посчитать в динамике фонд отпускных и вытащить его на график. Я прям почти вижу, как у него в моменте визуализации начинает подкипать мозг. Потому что на текущих трёх табличках он никакой динамики не нарисует. И даже если он добавит календарь и повесит на него километровую меру с динамическим расчётом этого фонда, что произойдёт в момент сдачи работы (будь она не студенческой, а реальной)? Его с высокой долей вероятности попросят визуализировать, например, список сотрудников, у которых перебор или недобор по отпускам, список тех, кто не запланировал отпуск на 14 дней или что-то ещё. И появится вторая километровая мера, третья… Какие-нибудь неактивные связи или другие обходные пути… На трёх то табличках…
А потому идти надо с конца! Сначала макетировать визуализацию, согласовывать картинку. Потом – проектировать модель данных под этой визуализацией. И только потом – собирать и обрабатывать данные.

#️⃣Порядок рассмотрения блоков работ при проектировании и реализации – прямо противоположный.

❗️При реализации мы идём от данных:
1. Забираем данные из источников.
2. Обрабатываем их и приводим в нужный нам вид
3. Формируем витрины данных, формируем часть вычислений здесь
4. Забираем в BI витрины и собираем из них модель данных / датасеты
5. Настраиваем вычисления для дашборда
6. Формируем визуализацию
7. Отдаём пользователям

❗️При проектировании всё то же самое, только задом наперёд:
1. Собираем с пользователей максимально полные требования к дашборду
2. Рисуем и перерисовываем макет дашборда, пока не достигнем единства с пользователем
3. Проектируем вычисления и модель данных – что оптимально считать на дашборде, а что лучше – убрать за пределы дашборда, на витрины
4. Проектируем все процессы обработки данных: как из того, что у нас есть в источниках, получить то, что нам нужно в модели. Делим на этапы / слои хранилища

💲Главная мысль
Чем больше мы предусмотрим заранее – тем легче потом всё собрать.
Даже если пользователь в процессе что-то допридумает (а он допридумает!) – база уже есть. Переделывать макет проще, чем перекраивать данные.
Визуализация – это не про «красиво нарисовать». Это про ответить на вопрос пользователя до того, как ты написал первую строчку кода.