GlowByte Journal

🎤 Юлий Гольдберг: Lakehouse — уже не экспериментальное направление В интервью на РБК 💬 руководитель направления GlowByte Юлий Гольдберг рассказал о том, как меняется рынок СУБД в России, почему Lakehouse перестал быть экспериментом и какие барьеры остаются у отечественных вендоров. ⚙️ Рынок СУБД: от срочного импортозамещения к зрелости. Заказчики всё реже ищут просто «российскую альтернативу» — они выбирают платформу под архитектуру данных, аналитику и ИИ-сценарии. При этом многие крупные компании не торопятся отказываться от Oracle и MS SQL: лицензии постоянные, системы «вылизаны», а миграция — дорогой и долгий проект. ⌛ Главный тренд — переход к Lakehouse. Вместо монолитных СУБД (Oracle, Teradata) — разделение хранения (S3+Parquet/Iceberg) и систем обработки (Spark, Trino, Impala). Подход доказал состоятельность: GlowByte совместно с Data Sapience за три года реализовали более 15 проектов, крупнейшие — на несколько петабайт данных. 🖥 Архитектура усложняется, но становится гибче. СУБД в новой парадигме — это набор взаимодополняющих компонентов. Можно собрать ровно то, что нужно, и не платить за лишнее. Но нагрузка на архитекторов и DevOps‑инженеров растет в разы. ⚠️ Главный барьер — размер рынка. Российский рынок СУБД небольшой по сравнению с мировым, экспорт технологий затруднен. Инвестиции в продукты несопоставимы с зарубежными. Почти все российские СУБД, кроме ClickHouse и Tarantool, базируются на open source, а риски смены лицензий (как в случае с Greenplum) сохраняются. 🧠 ИИ меняет требования к СУБД. LLM и AI-агенты работают с неструктурированными данными — текстами, картинками. Традиционные СУБД заточены под структурированную информацию, а Lakehouse с S3-хранилищем и набором движков обработки закрывает этот пробел. 📊 Критерии выбора СУБД на 2027 год: стоимость владения, горизонтальное масштабирование для крупных компаний, managed‑сервисы для небольших игроков. 💡 Главный тезис: российский рынок СУБД сегодня — это рынок клонов Postgres. Но в конкретных нишах появляются вызовы — например, Lakehouse в аналитических задачах на больших объемах данных. 🔗 Читать интервью полностью

📹 Fine Talks: куда движется корпоративная аналитика Собираемся, чтобы разобраться без лозунгов: что реально меняется в работе BI-команд с приходом ИИ, где он уже дает результат, а где упирается в состояние данных. Одни предполагают, что чат-бот заменит аналитика, другие уверены, что их команд это все же не коснется. 🖥 В программе: 🔥 дискуссия с практиками из СИБУР и t2: три версии показателя «выручка» в разных отчётах, матрица доступа, доверие бизнеса к цифрам и кто отвечает за результат, если его посчитала машина. 🤖 разбор Dora — новой платформы дата-агентов FanRuan: четыре роли агентов, архитектура, права, демо и роадмап. 🛠 новые компетенции аналитика: критическое мышление, промпт-инжиниринг, умение проверять выводы моделей. 📹 Онлайн-встреча  🗓 3 сентября в 16:00 Ссылку на трансляцию пришлем на почту после регистрации. ➡️ Регистрация

🧬 Директор по ИИ GlowByte станет модератором ИТ-форума инноваций в ритейле 3 сентября в Центре событий РБК платформа Retail TECH Net проведет Форум ИТ и инноваций в ритейле. 🎤 Эксперт GlowByte Александр Ефимов, директор практики искусственного интеллекта и машинного обучения, примет участие в Форуме в качестве модератора дискуссий. 🕒 15:00 — 16:30 | зал «Стратегии» Александр Ефимов – модератор сессии «Практики ИИ-трансформации розничной торговли».  ✅ Эксперты обсудят активный переход ритейлеров на ИИ, реальные бизнес-эффекты и экономическую отдачу внедрений в условиях неопределенности, кадровый вызов, способы преодоления сопротивления персонала, практики применения ИИ-агентов в коммерции. 🕒 16:30 — 18:00 | зал «Стратегии» Александр Ефимов – сомодератор сессии «Кейсы ИИ-трансформации розничной торговли».  ✅ Представители отрасли разберут конкретные примеры, лучшие практики и сложности реализации ИИ-проектов. 🔗 Читать новость ➡️ Посмотреть программу Форума

Пилот дата-агента – это не про технологии. Это про менеджмент 🕐 📝 В блоге GlowByte на Хабре вышла новая статья команды BI GlowByte. Вместе с FanRaun продолжаем разбирать вопросы о дата-агентах. В первой части говорили об отличии агента от ИИ-помощника, во второй собрали чек-лист готовности данных. 🆕 В новом выпуске – о самом сложном: как превратить блестящую демку в работающий бизнес-процесс и не разочароваться через квартал. Команда BI GlowByte взяла управленческий каркас вендора и развернула его в готовые артефакты, которых в оригинале не было: ✔️ Шаблон брифа (чтобы перевести «хочу быстрее видеть картину» в конкретную задачу); ✔️ Процедуру приемки по 50 реальным вопросам (чтобы проверять точность до релиза); ✔️ Матрицу точек проверки (где агенту доверяем, а где только готовим проект); ✔️ 5 метрик для решения через 2 месяца (оставлять сценарий или закрывать). ✏️ Главный тезис: инструмент купить несложно. Сложно наладить путь от бизнес-задачи до работающего сценария. И без владельца из бизнеса это не работает. ⚠️ Что важно: пилот проверяет не технологию (она работает). Пилот проверяет, умеет ли компания ставить задачи так, чтобы результат можно было измерить, и удерживать процесс после ухода команды внедрения. 🔗 Читать статью

🚀 GlowByte усовершенствовала контур обработки данных СберСтрахования В рамках проекта было внедрено отечественное решение Data Ocean SDI, позволяющее расширить охват отслеживания изменений данных и поддержать развитие КХД 2.0. 🛠 Что сделано: 🔴 Настроена CDC-загрузка для всех ключевых источников КХД 2.0; 🔴 Одна из систем мигрировала на PostgreSQL – время простоя сокращено до интервала применения CDC-изменений, что значительно ниже времени миграции основного объема данных; 🔴 Доставка диаграмм на стенды КХД 2.0 организована в рамках DevOps-процессов с использованием Airflow и API. ↗️ Результаты в цифрах: 🔴 CDC обеспечен для 2175 таблиц из 13 баз-источников и 20 очередей RabbitMQ; 🔴 От транзакции в системе-источнике до появления данных в ODS проходит около 20–30 минут; 🔴 Заложена основа гибридной архитектуры — «быстрое» плечо (real-time и near real-time конвейеры) и «медленное» плечо (пакетная обработка) для широкого спектра аналитических и продуктовых сценариев.

Марк Лебедев, руководитель команды разработки, GlowByte: «Сотрудничество GlowByte со СберСтрахованием стало отличным примером успешной интеграции отечественных решений в критически важные бизнес-процессы. Наша экспертиза в области данных и аналитики, а также ориентированность Data Ocean SDI на низкокодовую (low-code) разработку сложных сценариев позволила в кратчайшие сроки максимально эффективно реализовать поставленные СберСтрахованием задачи. Этот проект стал важной вехой в развитии отечественных решений для захвата и обработки данных в реальном времени и реализации стриминговых сценариев». 

🔗 Читать о проекте

GlowByte провела хакатон по ИИ-разработке на базе корпоративного портала 🤖 📝 В новой статье на Хабре рассказываем, как сотрудники GlowByte разных специализаций соревновались в интеллектуальном марафоне и решали сложный кейс для вымышленной розничной сети «МегаБайт» 🏬, охватывающей сотни магазинов и миллионные объемы заказов. ⏳ 4 недели, 28 команд 🤝. Участникам предстояло пройти полный цикл разработки с GenAI: от моделей данных и пайплайнов оркестрации до дашбордов и документации ⚙️. 🏆 Лучшие инженерные решения уже включены во внутренние стандарты. Особо ценные наработки: 🟡 Шаблоны для демо-стендов. 🟡 Регламенты контроля качества данных. 🟡 Практики документирования. 🔗 Читать статью

🚀 GlowByte помогла Burger King Russia перевести часть аналитического хранилища на сборку Greenplum от Data Sapience Сеть ресторанов быстрого питания Burger King Russia совместно с GlowByte завершила перенос части аналитического хранилища с enterprise-дистрибутива Greenplum российского вендора на альтернативную сборку Greenplum от Data Sapience.   Это не просто замена дистрибутива, а полноценное переосмысление производственной эксплуатации кластера. 🕐 С чем пришли: Enterprise-дистрибутив Greenplum российского вендора создавал множество проблем: • Сбои и нестабильность в обслуживании; • Отсутствие нужных дашбордов, оповещений и метрик – команда тратила силы на их самостоятельную разработку; • Регламентный бэкап останавливал систему, что становилось критично с ростом данных; • Обновлений ждали до полугода. ⚙️ Что сделали: 🔛 Развернули полный набор enterprise-расширений. 🔛 Внедрили комплекс автоматизированных сервисов: «умный» вакуум, ротацию журналов, автоматический сбор статистики, менеджеры сессий и секций. 🔛 Настроили высокую доступность (HAProxy, Keepalived, PgBouncer) – пользователи не замечают переключения мастера. 🔛 Организовали мониторинг на открытом стеке (Prometheus, Grafana, Alertmanager). 🔛 Наладили физический бэкап более 30 ТБ без остановки системы – всего за 3 часа. Результат⤵️ 🟠 Лицензионная стоимость и совокупная стоимость владения снижены в разы. 🟠 Команда видит полную картину состояния системы и может сосредоточиться на задачах бизнеса, а не на тушении пожаров. 🟠 Функциональность кластера не просто сохранена, но и расширена. 🟠 В планах – подготовка к задачам ИИ, автоматизация оптимизации запросов и доработка мониторинга под задачи команды Burger King Russia.

Алексей Белоус, руководитель платформы данных, Burger King Russia: «Благодаря переходу на альтернативную сборку Greenplum от Data Sapience команда видит состояние системы и может сосредоточиться на задачах бизнеса, а не на устранении неполадок и имплементации собственных сопроводительных сервисов. Это качественно другой уровень работы с платформой данных».

Марк Лебедев, руководитель команды развития и сопровождения Greenplum, GlowByte: «Мы работаем с СУБД Greenplum с 2012 года, когда был реализован первый масштабный ХД проект в Т-Банке. Тогда Greenplum был прекрасным решением для организаций, бережливо подходящих к расходам. После решения Broadcom о закрытии репозитория возник риск, что клиенты потеряют доступ к дешевой альтернативе. Совместно с нашим партнером Data Sapience мы выпустили сборку Greenplum, которая распространяется условно бесплатно, а клиенты оплачивают фактически только услуги по поддержке ПО. Проект в Burger King Russia — наглядный пример того, как грамотная стратегия оптимизации TCO позволяет получить больше за меньшие деньги. При этом мы не просто заменили дистрибутив, а выстроили производственную эксплуатацию кластера с нуля — с высокой доступностью, автоматизацией обслуживания и корпоративным мониторингом».

🔗 Читать полностью

ИИ в BI: когда «быстро» становится «дорого»? 💰 В блоге GlowByte на Хабре вышла новая статья 📝, в которой команда Business Intelligence вместе с FanRuan говорит о требованиях к данным для ИИ-агентов. В материале – пять практических вопросов, на которые должны отвечать ваши данные, и чек-лист, как это проверить у себя за пару часов. ➡️ Коротко о главном: 🟠 Как считается метрика и почему это важно для ИИ? 🟠 Откуда взялась цифра и как её отследить? 🟠 Кто имеет право видеть данные в эпоху агентов? 🟠 Насколько данные свежие и что делать, если их нет? 🟠 Понимает ли ИИ смысл вашего бизнеса? 📖 Читайте полную версию с чек-листом и примерами из практики

⚠️ Ваш агент — не помощник, а генератор инцидентов. Как это исправить  📰 Сегодня разбираем в МОДЕЛИСТе: ✅ Почему высокий балл на тесте и даже растущий ROI не гарантируют, что агент готов вести ваш процесс?  ✅ По каким четырём признакам измерять готовность к продакшену?  ✅ Почему мост в продакшен строится на проверке качества на ваших данных, а не на гонке за моделью? Средний ROI от генеративного ИИ – 49% (Omdia/Snowflake 2026). Но многие агентные проекты не доживают до продакшена. Их валит не слабая модель, а отсутствие проверки, что агент ведёт процесс предсказуемо. 🕸 Ловушка 2026 года Агент отлично прошёл тесты, вы запустили его в процесс. Через месяц процесс лихорадит: то операция проводится верно, то ошибается. Каждый сбой оборачивается инцидентом и потерей доверия команды. Высокий балл на тесте доказывает, что агент умеет решать задачу. Но не гарантирует, что он будет делать это одинаково хорошо при каждом запуске. А ROI и судьба пилота упираются именно во второе. 🤔 Почему все измеряют балл, а не надёжность Балл на тесте публичный, сравнимый, его можно поставить на слайд и в пресс-релиз. Надёжность на вашем процессе невидима, требует работы и денег – её не покажешь рынку. Вендоры оптимизируют бенчмарк. Заказчики выбирают «самую умную модель». Каждый участник ведёт себя разумно. А суммой разумных решений становится агент, который блестит на тесте и лихорадит процесс. 🔍 Главный разрыв Тест отвечает на вопрос ❓: «может ли модель в принципе решить задачу». Прод задаёт другой❓: «решит ли она её одинаково каждый раз». Исследование надёжности ИИ-агентов (arXiv) показывает: рост способностей почти не повышает надёжность. На части задач надёжность с ростом тестового балла даже снижается. 🖥 Четыре признака готовности к продакшену ◾️Согласованность – одинаковый результат на одинаковом входе. ◾️Устойчивость – качество держится на шуме и пограничных случаях. ◾️Предсказуемость – понятно, где агент сломается, или сбой всегда внезапен. ◾️Безопасность – не делает недопустимого даже под давлением. 👆Это каркас приёмки вместо «нравится ли ответ». ⚡️ Где внедрение ломается Типичные ошибки: ➡️Модель-судья без калибровки по людям. Панель качества зелёная, а жалобы операторов идут потоком. ➡️Родственная проверка. Если судья из той же семьи, что и модель, – он измеряет не качество, а похожесть. Разные семейства расходятся в 51–63% случаев, одна и та же модель согласна с собой в 73%. ➡️ Пул моделей с одинаковым профилем ошибок. Три согласных голоса – это одна ошибка, повторённая трижды. ➡️ Проверка без фиксации среды. Повторный прогон даёт другие оценки – результату нельзя верить. 📝 Что делать ▫️Начинать с одного процесса, где цена ошибки посчитана, а действие повторяется сотни раз в день. ▫️Проверка на истории до прода – сотни прогонов на прошлых кейсах. ▫️Мониторинг в эксплуатации – ловит дрейф, не даёт надёжности тихо просесть. ➡️Главный вывод Отдачу получают те компании, которые измеряют готовность собственной проверкой: по согласованности, устойчивости, предсказуемости и безопасности, на своих данных и задачах. Не потому, что их модели умнее, а потому что решение о запуске опирается на поведение агента в собственном процессе. 💡 Путь, по которому отдача доходит до бизнеса, состоит из проверки. И прокладывать его разумно раньше, чем выбрана следующая модель. 🔗 Читать статью #иинапальцах

РСХБ при поддержке GlowByte объединил маркетинговые коммуникации для юрлиц на платформе CM Ocean от Data Sapience 🏦 Банк завершил проект по консолидации маркетинговых коммуникаций для корпоративных клиентов и уже получил ощутимый бизнес-эффект: 📈 +50% к числу запускаемых CRM-кампаний без расширения штата; 💰 +30% к эффективности кросс-продаж за счет персонализации. До проекта в РСХБ работали две отдельные системы — классическая и рекомендательная, каждая со своей витриной данных и набором каналов. Их объединили в единую платформу на базе CM Ocean, унифицировав процессы управления коммуникациями на всех этапах жизненного цикла клиента. Что дает новая платформа: 🟠Охват всех каналов: контактный центр, клиентские менеджеры, ДБО, e-mail, SMS, сайт; 🟠Объединение витрин данных и каналов связи; 🟠Автоматический запуск регулярных кампаний по расписанию; 🟠Продвинутая аналитика и повышение эффективности кампаний; 🟠Модели ИИ для выбора канала связи, подбора кросс-продаж и прогнозирования оттока на основе транзакционной активности клиента; 🟠Гибкие правила периодов охлаждения между коммуникациями.

Евгений Никитин, заместитель директора Департамента микробизнеса, РСХБ: «Для нас этот проект — про скорость и точность. Раньше запуск новой кампании для юридических лиц требовал огромных усилий и времени. Теперь мы быстро реагируем на потребности бизнеса, предлагаем нужный продукт в нужный момент и через удобный канал».

Анна Курдюкова, старший менеджер проектов, GlowByte: «Переход на единую платформу управления клиентским опытом для бизнес-сегмента (B2B) завершен в сжатые сроки — благодаря слаженной работе команд банка и GlowByte, а также гибкой модульной архитектуре CM Ocean. Мы распределили задачи по миграции между функциональными блоками и вели работы параллельно. В итоге банк получил мощный инструмент для персонализированной работы с корпоративными клиентами без потери темпа операционной деятельности». 

🔗 Подробнее о проекте

🆕 Дата-агенты поверх BI 📊: кто такая Dora и что она может сделать с вашими данными? В блоге GlowByte на Хабре вместе с FanRuan разбираем новый этап развития корпоративного ИИ. 🤖 BI-системы давно научились показывать проблему («дашборд покраснел»), но ее решение до сих пор ложится на человека: аналитик ищет причину, сверяет системы, готовит отчет. Это долго. 🤔 Что, если этот цикл автоматизировать? 📝 В новой статье мы говорим о дата-агентах нового поколения и отвечаем на вопросы: 🔍 Как дата-агенты ищут причину? Вместо того чтобы просто генерировать текст, они работают с вашими BI-активами: моделями данных, метриками и правами доступа. Они не гадают, а анализируют. 📊 Как они собирают отчёты и ставят задачи? Используют команду цифровых сотрудников: дата-аналитика, исследователя отчётов, ассистента и офицера по рискам. Каждый выполняет свою часть работы — от детализации до рассылки сводок. 💡 Как дата-агент меняет динамику совещаний? Вместо того чтобы тратить час на поиск причин падения показателей, команда приходит на встречу уже с готовым анализом и списком ответственных. Совещание превращается из «разбора полётов» в решение проблем. ➡️ И, наконец, кто такая Dora? Это не просто чат-бот. Это цифровой сотрудник, который работает поверх вашей BI и берёт на себя рутину, чтобы вы сосредоточились на главном. 🔗 Читайте на Хабре

💡Агент под контролем: как не провалить внедрение ИИ в корпоративный процесс ➡️ Чек-лист для владельца процесса Агента всё чаще заказывают как автономного исполнителя: «пусть сам разбирает обращения». Картинку легко продать – она не требует ни описания процесса, ни ответа на вопрос, кто отвечает за результат. Расхождение вскрывается на проде, и стоит оно дорого. Как владелец процесса, вы должны не запустить агента, а заранее описать: где он действует, где останавливается, на каких данных и под чьим контролем. 🖥 Сегодня в МОДЕЛИСТе разбираем анатомию промышленного ИИ-агента: почему ценность дает не «ум» языковой модели, а строгая архитектура процесса. ⚙️Скелет корпоративного агента (7 шагов) В корпоративной среде агент не просто «генерирует текст». Он проходит жесткий, заранее описанный маршрут⤵️ 1️⃣ Событие-триггер и маршрутизация. Система должна не просто прочитать текст, а точно классифицировать инцидент: это вопрос, жалоба, спор по платежу или заявка сверх лимита? От типа события зависит весь дальнейший путь. 2️⃣ Сбор контекста. Это не «поиск в интернете», а подъем релевантных данных: история клиента, актуальный регламент, кредитный скоринг или бюджет заявки. 3️⃣ Формирование вариантов, а не одного ответа. Собрав данные, агент строит карту гипотез: что произошло, чего не хватает, какие действия возможны и какова цена ошибки. 4️⃣ Подготовка конкретного действия. Агент формирует готовое решение: вернуть конкретную сумму, создать заявку в службе поддержки, обновить запись в CRM или подготовить распоряжение о выплате. 5️⃣ Контроль со стороны человека. Это не случайная кнопка «согласовать», а спроектированная точка управления. 6️⃣ Выполнение. После подтверждения агент вызывает корпоративные инструменты: биллинг, CRM, ERP или внутренние интерфейсы. Здесь ИИ встречается с реальной архитектурой компании. 7️⃣ Аудит и оценка качества. Процесс не заканчивается действием. Должен сохраниться подробный журнал: что было на входе, какие данные использованы, что предложил агент, кто подтвердил и каков итог. ⚠️ Подводный камень: процессная аналитика Бумажный регламент часто не совпадает с реальным процессом. Если цифровой след рвется (согласования в мессенджерах, решения «на словах», данные в личных таблицах), агента туда пускать нельзя. Его работу нечем проверить, а ошибку не откатить.

Алгоритм внедрения: 🟠Снять фактическую карту процесса по цифровым следам в системах (анализ реальных маршрутов, а не идеальных схем). 🟠Найти участок с максимальным числом ручных передач и возвратов на доработку. 🟠Спроектировать агента строго под эти 7 шагов.

🧪 Литмус-тест: готов ли ваш процесс к агенту? Задайте владельцу процесса всего 3 вопроса. Если есть запинка, запускать пилот рано: ❓ На каком конкретном шаге агент обязан остановиться и передать ход человеку? ❓ Во что обходится одна его ошибка (в рублях возврата и часах разбора)? ❓ Как остановить агента, если процесс пошёл не туда? ℹ️ Агентный ИИ в крупной компании – это не про «волшебную модель», а про четкие границы процесса, разграничение прав, надежные интеграции и полную прослеживаемость каждого шага. Сначала процесс, потом агент. 🔗 Читать статью полностью #иинапальцах

📊 От Excel к Optimacros: как ГК «Содружество» и GlowByte превратили бюджетирование в стратегический актив Продолжаем развивать наш совместный проект с ГК «Содружество» по автоматизации бюджетирования на платформе 👉👉👉👉👉👉. Первый этап начался еще в 2024 году – тогда холдинг при поддержке GlowByte внедрил новый инструмент и автоматизировал процесс бюджетирования в натуральных показателях по основным направлениям деятельности. 📊 Теперь проект расширили на той же платформе для комплексного бюджетирования финансовых показателей – от консолидации данных из систем-источников до формирования полного комплекта итоговой отчетности по всем бизнес-блокам. 📌 Что сделано? Автоматизировали процесс и создали основу для стратегического управления. Сегодня система охватывает: 👉 Полный финансовый цикл: от консолидации данных до формирования отчета о прибыли и убытках, баланса и отчета о движении денежных средств. 👉 Многосценарное планирование: возможность создавать и сравнивать альтернативные версии бюджета, оперативно вносить корректировки. 👉 Сквозную интеграцию: синхронизацию с бюджетом в натуральных показателях и связь с источниками данных. 🤝 Главный секрет успеха – синергия команд ГК «Содружество» сделало ставку на развитие собственного центра компетенций, и это принесло двойную ценность. Команда FI GlowByte спроектировала архитектуру и подготовила ТЗ, а коллеги со стороны заказчика взяли на себя реализацию бизнес-логики. Такой подход не только ускорил внедрение, но и значительно повысил экспертизу внутреннего центра компетенций. 🔭 Что дальше? Следующий шаг – план-фактный анализ в Optimacros и объединение с другими бизнес-моделями холдинга в единую экосистему.

Андрей Ландин, финансовый директор ГК «Содружество»: «Апробированный в предыдущем проекте подход с усилением роли в разработке внутреннего центра компетенций продемонстрировал высокую эффективность. Функционал выверен уже в текущем цикле бюджетирования, мы получили возможность оперативно корректировать стратегию развития. На базе успешного опыта мы планируем создание комплексной платформы для решения широкого спектра бизнес-задач, в том числе формирования фактической отчетности для выявления расхождений между планами и реальностью, оценки достижения стратегических целей компании, и в будущем – через интеграцию с другими бизнес-моделями – рассматриваем возможность построения единой экосистемы управления бизнесом».

Андрей Долгунин, управляющий директор GlowByte: «Для нас важно, что для наших коллег из ГК “Содружество” принятое ранее стратегическое решение развивать модель в Optimacros оправдало себя с точки зрения технологической консолидации и создания единой платформы для комплексных задач, а также стало катализатором роста внутренней экспертизы команды, принеся двойную ценность. Автоматизация бюджетирования на платформе Optimacros превращает бюджетирование из трудозатратного процесса в эффективный инструмент. Команда экспертов автоматизировала полный цикл бюджетного планирования и создала основу для дальнейшего масштабирования решения и расширения функционала системы».

🔗 Подробнее о проекте

📊 От Excel к Optimacros: как ГК «Содружество» и GlowByte превратили бюджетирование в стратегический актив Продолжаем развивать наш совместный проект с ГК «Содружество» по автоматизации бюджетирования на платформе 👉👉👉👉👉👉. Первый этап начался еще в 2024 году – тогда холдинг при поддержке GlowByte внедрил новый инструмент и автоматизировал процесс бюджетирования в натуральных показателях по основным направлениям деятельности. 📊 Теперь проект расширили на той же платформе для комплексного бюджетирования финансовых показателей – от консолидации данных из систем-источников до формирования полного комплекта итоговой отчетности по всем бизнес-блокам. 📌 Что сделано? Автоматизировали процесс и создали основу для стратегического управления. Сегодня система охватывает: 👉 Полный финансовый цикл: от консолидации данных до формирования отчета о прибыли и убытках, баланса и отчета о движении денежных средств. 👉 Многосценарное планирование: возможность создавать и сравнивать альтернативные версии бюджета, оперативно вносить корректировки. 👉 Сквозную интеграцию: синхронизацию с бюджетом в натуральных показателях и связь с источниками данных. 🤝 Главный секрет успеха – синергия команд ГК «Содружество» сделало ставку на развитие собственного центра компетенций, и это принесло двойную ценность. Команда FI GlowByte спроектировала архитектуру и подготовила ТЗ, а коллеги со стороны заказчика взяли на себя реализацию бизнес-логики. Такой подход не только ускорил внедрение, но и значительно повысил экспертизу внутреннего центра компетенций. 🔭 Что дальше? Следующий шаг – план-фактный анализ в Optimacros и объединение с другими бизнес-моделями холдинга в единую экосистему.

Андрей Ландин, финансовый директор ГК «Содружество»: «Апробированный в предыдущем проекте подход с усилением роли в разработке внутреннего центра компетенций продемонстрировал высокую эффективность. Функционал выверен уже в текущем цикле бюджетирования, мы получили возможность оперативно корректировать стратегию развития. На базе успешного опыта мы планируем создание комплексной платформы для решения широкого спектра бизнес-задач, в том числе формирования фактической отчетности для выявления расхождений между планами и реальностью, оценки достижения стратегических целей компании, и в будущем – через интеграцию с другими бизнес-моделями – рассматриваем возможность построения единой экосистемы управления бизнесом».

Андрей Долгунин, управляющий директор GlowByte: «Для нас важно, что для наших коллег из ГК “Содружество” принятое ранее стратегическое решение развивать модель в Optimacros оправдало себя с точки зрения технологической консолидации и создания единой платформы для комплексных задач, а также стало катализатором роста внутренней экспертизы команды, принеся двойную ценность. Автоматизация бюджетирования на платформе Optimacros превращает бюджетирование из трудозатратного процесса в эффективный инструмент. Команда экспертов автоматизировала полный цикл бюджетного планирования и создала основу для дальнейшего масштабирования решения и расширения функционала системы».

🔗 Подробнее о проекте

Air Liquide в России завершила импортозамещение системы предиктивной аналитики производства 📊 ⚡️Система позволяет видеть развитие дефектов на ранней стадии и снижать риск внеплановых остановок оборудования. Крупный производитель технических газов Air Liquide заменил зарубежные системы мониторинга оборудования на связку Industrial Ocean от Data Sapience и «Умная диагностика» от Ctrl2GO Solutions. Проект охватил все производственные площадки компании в России. В рамках проекта реализованы: 🟠Безопасный доступ аналитических приложений к производственным данным; 🟠Мониторинг технологических параметров оборудования в режиме реального времени; 🟠Сбор и хранение «сырой» телеметрии без потерь — для выявления микроаномалий, теряющихся при усреднении; 🟠Аналитическое ядро для построения математических и экспертных моделей; 🟠Ранняя фиксация отклонений и оценка вероятности развития дефектов; 🟠Непрерывность аналитики при переходе на российский протокол — с соблюдением высоких стандартов кибербезопасности. ⚙️ Для прямой передачи неагрегированных данных команда разработала специализированный сервис-коннектор к системе SCADA.

«Переход на связку систем "Умная диагностика" и Industrial Ocean позволил не просто провести импортозамещение, но и получить более гибкий инструмент хранения и анализа промышленных данных. Мы традиционно считаем производственные данные таким же активом, как и любое оборудование производств», — говорит Владимир Чалов, ведущий аналитик по операционной эффективности, Air Liquide.

«Сложность проекта заключалась в сжатых сроках и необходимости интеграции систем на нескольких распределенных площадках. Нам удалось создать единый контур мониторинга, разработав уникальные коннекторы для передачи данных. Этот кейс — отличный пример того, как слаженная работа двух отечественных вендоров и опытного интегратора позволяет провести цифровую трансформацию без остановки бизнес-процессов», — подчеркивает Александр Волков, руководитель проектов практики промышленной аналитики и интернета вещей (IIoT), GlowByte.

🔗 Подробнее о проекте

🚀 Что, если бы на вопрос «почему просел показатель» отвечал не аналитик, а сам BI? Партнер GlowByte – вендор FanRuan – представляет Dora: платформу, где поиск причины, сверку данных, сборку отчёта и рассылку берут на себя ИИ-агенты. Работают они поверх ваших BI-активов – готовых моделей данных, метрик и прав доступа, а не по сырым таблицам. На вебинаре четыре агента пройдут полный цикл вживую: 🔹 Дата-аналитик: отвечает на запросы к данным и ищет причину. 🔹 Исследователь отчётов: собирает аналитику без участия человека. 🔹 Ассистент по дайджестам: доставляет сводки адресатам по расписанию. 🔹 Офицер по рискам: находит проблему до того, как она станет дорогой. 🔖 Также в повестке: разбор прав доступа, безопасность развёртывания и интеграций. ❗️Среди участников разыграют ранний доступ к платформе, сейчас он открывается только по заявке. 🗓 13 августа, 10:00–11:00 МСК, Zoom 🌍 Вебинар на английском языке ⚠️ Количество мест ограничено 🔗 Регистрация

🧬 Что в ДНК ИИ-напарника? Как работает оркестр агентов в ритейле 📝 Эксперт GlowByte Алексей Чванов в новой статье для РБК разбирает «генетический код» мультиагентной платформы. ⚙️ Кто главный в этой истории? Внутри платформы два слоя. Первый – ваш персональный ассистент в мессенджере. Второй – армия функциональных агентов-специалистов: один переводит вопросы в SQL, другой знает регламенты наизусть, третий круглосуточно ищет аномалии в продажах. Вы просто формулируете мысль в чате, а напарник сам решает, кого из агентов позвать.

🎙 Когда мы в GlowByte проектируем пилот для сети, обычно предлагаем начать с пяти функциональных агентов. Логика тут следующая. Сначала кладем фундамент из трех служебных агентов, а поверх ставим двух бизнес-агентов на самые больные сценарии. Все, что тоньше, берут на себя надстройки самого напарника.

💭 Память У ИИ-напарника три слоя памяти: корпоративная база, личная (под конкретного менеджера) и коллективная (успешные паттерны всей команды). 🛡 Границы дозволенного Автономию агентов задает трехуровневая модель: Уровень 1️⃣: читает данные, готовит черновики (разрешено по умолчанию). Уровень 2️⃣: действия с внешним эффектом (отправить письмо, изменить цену, забронировать встречу) – только после кнопки «Одобрить» в мессенджере. Уровень 3️⃣: автономия по правилам (утренний брифинг, автопереключение складов). Включается точечно и только с комплаенсом. 📖 Также в статье: ➡️ Как думает напарник? ➡️ Что он делает, пока вы спите?  ➡️ Как напарники договариваются между собой? ➡️ Есть ли у мультиагентной платформы ограничения? 🔗 Читать полностью

GlowByte и «Дикси»🛒: миграция на Sigla Vision ускорила аналитику в 2 раза 📈 В РБК рассказали, как федеральная сеть «Дикси» при поддержке GlowByte провела миграцию бизнес-отчетности с Power BI на российскую платформу Sigla Vision. Результат – сокращение цикла разработки дашбордов с 210 до 112 дней (ускорение на 47%). 🧮 Что было: 🟠558 активных пользователей в месяц; 🟠155 дашбордов; 🟠средний TTM (time‑to‑market) – 210 дней; 🟠показатель удобства использования (CES) – 3,5 из 5. 💻 Результаты к середине 2026 года⤵️ ➡️ Более 20 дашбордов перенесено силами заказчика. ➡️ TTM сократился с 210 до 112 дней. ➡️ Показатель удобства использования вырос до 3,8. ➡️ В системе – 2 871 магазин. ➡️ Завершение миграции всех объектов – к концу 2026 года. Параллельно «Дикси» тестирует применение искусственного интеллекта поверх Sigla Vision – помощника, который формирует готовые инсайты и рекомендации по запросу руководителя в формате диалога. 💬 🔗 Читать кейс

💡 От человека-энциклопедии ➡️ к человеку, который решает. Разбор новой роли лидера в эпоху ИИ Модель уже знает больше вас, считает быстрее и пишет глаже с первого раза. Если ваша ценность как руководителя держалась на эрудиции и скорости – эта ставка проиграна. 📝 Ваша работа теперь — спроектировать, где суждение остается за человеком, а где исполнение, координацию и сбор фактов можно и нужно передать агентам.

Вот портрет когнитивного лидера новой формации: меньше всезнания, больше суждения, готовности к управляемому риску и постоянного обучения

Ниже – разметка новой роли: что обесценилось, что подорожало и где проходит граница, которую нельзя делегировать. ⬇️ 📉 Что подешевело: 🟠эрудиция и память на факты; 🟠скорость рутинного анализа; 🟠гладкость формулировок; 🟠«диспетчерская» координация ⤵️

(по данным HBS, доступ разработчиков к Copilot сместил работу от управления проектами к содержательным задачам – доля кодинга выросла на 5%, доля проектной координации упала на 10%)📊

📈Что подорожало: 🟠суждение: решить, чему верить, а что оспорить; 🟠ответственность за необратимое – ИИ «знает почти все о прошлом и ничего о будущем» (HBR); 🟠умение задать правильный вопрос, а не получить гладкий ответ; 🟠оркестрация агентных команд. ⚠️ Главная ловушка – не делегирование задач, а делегирование суждения WEF называет это «парадоксом надзора»: частые проверки незаметно вырождаются в формальное одобрение, а человек по инерции кивает на рекомендацию агента (automation bias). Простой тест: если согласующий не может вспомнить, когда в последний раз отклонил рекомендацию ИИ — контроля уже нет. 📌 Что сделать в понедельник Час времени, без больших трансформаций: выписать решения, которые не делегируются ИИ – необратимые, ценностные, репутационные, меняющие судьбу конкретного человека. Все остальное – можно отдавать агентам по мере накопления статистики качества. ✔️ Назовите одно решение, суждение по которому вы не отдадите ИИ, даже если он справится быстрее – и сформулируйте почему. Это и есть граница вашей новой роли. 🔗 Подробнее — в статье по ссылке #иинапальцах

📣«Мы начали принимать стратегические решения на основе данных»: интервью c АО «Полиэкс» и GlowByte о внедрении PIX BI Недавно мы рассказали о совместном проекте с компаниями «Полиэкс» и PIX BI о построении аналитической платформы (почитать можно тут 📰). Однако любое описание внедрения неизбежно остается обобщенным: за этапами и сроками теряются мотивы решений, организационные нюансы и живая обратная связь от бизнеса. Поэтому мы решили перевести деловой язык на человеческий и записали живое интервью с участниками проекта по внедрению PIX BI в АО «Полиэкс». 🎙 Герои выпуска: 👨‍💻Роман Прохоров, руководитель проектов, GlowByte. 👩‍💻 Арина Бортникова, ведущий аналитик службы стратегического развития, АО «Полиэкс». О чем говорили: ✅ Как база знаний выросла в полноценную аналитическую платформу❓ ✅ Что случилось, когда генеральный директор случайно зашел в переговорную и увидел дашборды❓ ✅ Почему выбрали именно PIX BI — и при чем тут импортозамещение❓ ✅ Как визуализация помогла увидеть новые точки роста там, где раньше были просто таблицы❓ ✅ Почему руководители теперь просят не «дайте таблицу», а «давайте посмотрим дашборд»❓ 🔗 Читать интервью