Дашбордец

Котятки🐱, Мое утро началось с потерянного тикета по правам в Power BI(найден в другой команде) и вот этого канальчика : https://youtube.com/@powerbitips?si=xbQ5k0FEek_mzIh0 В нем мне нравятся не столько лайфхаки, но и хорошие подкасты по Power BI+Agents, тем более что сейчас ютуб позволяет автопереводом делать русскую звуковую дорожку. Но есть нюанс - часть контента доступна только для спонсоров. Как обойти: на сайте проекта есть посты с видосам и транскрипцией, и встроенные видео открываются без ограничений. Линк: https://powerbi.tips/2026/05/13/explicit-measures-podcast-ep-527/

Котятки😺, Сегодня я почти в ресурсе🙈 и у меня в меру архитектурный кейс. Что считать слоем потребления на физическом уровне в аналитическом хранилище для всех эндпоинтов? С чем я встречалась: -определенная схема внутри одной БД -витрины в определенной схеме внутри одной БД -отдельностоящая БД, из которой читают все эндпоинты (и внутри которой уже нет трансформаций, т.е. готовые пригодные для конечных задач таблицы) - асинхронный экспорт -история на несколько серверов (с одного читают одно эндпоинты, с другого - другие и пр) -разные разделенные Virtual Warehouses -историческая мешанина с семантическим слоем поверх нее. Сегодня я в своих исканиях прошла чуть дальше, и обнаружила Context lake (или даже скорее layer) со сложной странненькой архитектурой.😂 Из приятного, была вот эта веселенькая статья про семантический слой: https://www.griddynamics.com/blog/semantic-data-layer-design-principles

Кто-то навайбкодил визуализацию происхождения и миграции слов Вообще тема этимологии безумно интересна, так как она раскрывает не только происхождение тех или иных слов, но и по сути несет в себе еще несколько слоев информации о конкретных культурах, периодах и их пересечениях. В формате дата-визуализации это вдвойне интересно. Сейчас, правда, поиск по словам приостановлен, но можно потыкать на предложенные слова. Видимо автор неплохо потратился на API (под капотом там Gemini). Пробовать тут.

Где посмотреть не просто дашборды, а весь путь их появления — от задачи до финальной визуализации 👀 21 апреля пройдет митап «Лаборатория решений DataLens» — встреча, где разбирают реальные BI-кейсы из бизнеса. 📍 Москва, Loft Hall (Avantage) 🕓 Сбор с 16:30 Формат классный: компании заранее отдали свои задачи, а партнёры их решили. На встрече покажут весь путь — от данных и архитектуры до дашбордов и выводов. В программе: - решения от Навикон, КОРУС Консалтинг, Смарт-Аналитикс и SQEEL - разбор, как строятся дашборды под бизнес-задачи - немного про развитие DataLens - Q&A и нетворк Количество мест ограничено, записи не будет. Локация в 5 минутах от м.Автозаводская. 🔗 Регистрация по ссылке

Котятки🐱 Drill down уже, кажется, базовое требование в аналитике. С ним мало что можно сделать, разве что играться с глубиной. Ничего нового. А вот анархический концепт Drill by почему-то такую популярность не набрал, - да, это сложно технологически, однако дает куда большие возможности во всяких data-расследованиях. Мне кажется, он еще с точки зрения UX - ведь в идеале, мы просто жмем на любую цифру, и таблица динамически перестраивается под новый разрез. Однако, мне кажется, все еще в пути)

Котятки🐱, Сегодня я полдня ресерчила на тему эволюции data contracts, хотела понять, почему они усложняются, а не упрощаются, ведь по мере роста количества данных передавать связный контекст вместе, а не отдельным потоком, ведет к сильным накладным расходам. Пока я разбираюсь с этим забавным вопросом, ловите прелестную статью об эволюции Data Stack: https://www.moderndata101.com/blogs/evolution-of-the-data-stack-the-story-of-how-we-interpret-ever-growing-data

Котятки, Я все еще живу в процессе миграции, которая подарит мне и новый BI-инструмент, и новые возможности к нему. Там, в частности, будет embedding. Раньше я к нему относилась прохладно, но потом как-то распробовала режим одного окна, когда операционка и аналитика доступна в рамках одного апплика. Если есть желание познакомиться с такими возможностями поближе и приложить к своему ландшафту, то можно пощупать, например, DataLens: 15 апреля Yandex Cloud покажут, как встроить DataLens прямо в продукты (в личные кабинеты, корпоративные порталы или сервисы для клиентов). Говорить будут и про логику, и про UX, и про авторизацию , и про секьюрити - короче, такое мини-погружение. За час команда DataLens покажет реальные кейсы и разберёт embedding-механики непубличного и публичного встраивания. Участие бесплатное, предварительно необходимо зарегистрироваться по ссылке.

Котятки🐱 Концепция Enterprise Intelligence не нова, особенно для тех, кто активно ищет способы, как превратить данные в знания. Интересного в ней то, что BI рассматривается не как отдельный инструмент, а как связующее звено, которое вытягивает смыслы из всех остальных систем. Сегодня утром я лениво по диагонали читала вот эту книжечку по теме и ресерчила, и наткнулась на занимательный блог чувака, который много лет батрачил в SQL Server Analysis Services : https://eugeneasahara.com/2026/02/02/explorer-subgraph-the-dynamic-cartography-of-relation-space/ У него интересные мысли, как превратить связку AI+BI в систему знаний, но подача прямо на любителя.

Котятки, В прошлом, аналитика данных из 1С была нетривиальной задачкой, и выбор обычно стоял между двух зол: либо пиши обработки, либо разрабатывай свои отчеты. В 2014 году, помню, у нас сидело 2 программиста 1С чисто на написании запросов и выгрузках. С появлением нормальных коннекторов к 1С, наконец, появился вменяемый доступ к данным, а теперь и AI-инструменты над ними. Что посмотреть: 7 апреля в 12.00 будет вебинар Yandex DataLens и BI.Qube. Там будет реальный кейс: как в low-code инструменте связывать со справочниками и обновлять 290 млн чеков, хранящихся в 1С, и как получить ответы в BI DataLens с помощью Нейроаналитика. Что обещают: покажут, как запуститься за 1 день, получить первые результаты за 1–2 месяца и дальше развивать аналитику комфортно. Что будет реально - увидим) Думаю, вебинар будет полезен тем, у кого аналитики совсем нет, и тем, кто не хочет сам строить решения типа БД/Хранилище+BI+MCP+AI, и вместо этого попробовать связку Datalens+Нейроаналитик.

Котятки, В этом сезоне у меня новый интерес - Decision‑Centric Visual Interfaces (DCVI). Впервые я столкнулась с этим понятием вот в этой статье на медиум : https://roger-moser.medium.com/decision-intelligence-in-action-part-1-c53e474fcced Мне нравится концепция, что визуальный элемент знает свой SLA, риск и impact. Самый, наверное, знаменитый такой интерфейс - https://finviz.com.

qvd — чтение Qlik QVD файлов из Python и SQL Написал open-source библиотеку для работы с QVD файлами без Qlik. Ядро на Rust, биндинги для Python. Что умеет: pandas / Polars / DuckDB — одной строкой: df = qvd.read_qvd("data.qvd").to_pandas() df = qvd.read_qvd("data.qvd").to_polars() batch = qvd.read_qvd_to_arrow("data.qvd") duckdb.sql("SELECT * FROM batch WHERE x > 100") SQL-запросы к QVD через DataFusion — JOIN, GROUP BY, агрегации прямо по QVD файлам Конвертация QVD ↔ Parquet — с компрессией (snappy, zstd, gzip, lz4) Streaming — чтение огромных файлов по чанкам, без загрузки в память EXISTS() — O(1) хеш-индекс, как в Qlik Скорость (проверено на 20 реальных файлах, byte-identical round-trip): - 41 МБ / 465K строк / 12 колонок — чтение 0.5с, запись 0.03с - 587 МБ / 5.4M строк / 15 колонок — чтение 6.1с, запись 0.4с - 1.7 ГБ / 87M строк / 6 колонок — чтение 37с, запись 1.6с - 2.8 ГБ / 11.9M строк / 42 колонки — чтение 24с, запись 2.4с Первый и единственный QVD crate на crates.io. pip install qvdrs https://github.com/bintocher/qvdrs https://crates.io/crates/qvd ———— Подпишись, потом забудешь! https://max.ru/join/U4r4IN8vgLwYowRRsU42LWb5HmsSOSvy4ExmqTSQ0yc https://vk.com/chernovdev https://dzen.ru/chernovdev

Нашла эту книгу на одной уютной кухне, не смогла с вами не поделиться👆

Котятки, Мне очень понравилась вот эта статья по масштабированию данных. Аккурат как раз когда я решаю вопрос о горизонте хранения: https://arxiv.org/html/2501.13779v1 Несмотря на то, что она относится к LLM, в ней важные мысли про критерии качества данных и расширение этих критериев для разных целей, и как это влияет на масштабирование. Грубо говоря, зачем хранить факт за 10 лет, если его поведение стабильно и доп горизонт хранения не даст дополнительных полезных свойств ни в задачах анализа, ни в задачах прогнозирования? Ну то есть, результат расчета всяких корреляций за 10 лет и за 3 года дает близкие коэффициенты? Впрочем, эти проблемы решены в Data vault 2.0, где мы можем сжать сателлит до состояния ‘признак-период’, оптимизировать производительность и оставить неограниченной глубину хранения.

Опубликовал mcp-superset — MCP-сервер для Apache Superset 128+ инструментов. Дашборды, графики, датасеты, SQL Lab, пользователи, роли, RLS, группы, аудит прав — всё через Claude Code / Claude Desktop / Cursor. Там "конкуренты" и рядом не стояли, сравнительную таблицу в том числе написал (по состоянию на 11 марта 2026 года) Что умеет: - полный CRUD всего что есть в Superset - выполнение SQL запросов - управление доступом (пользователи, роли, RLS, группы) - аудит прав (матрица кто-куда-имеет-доступ) - экспорт/импорт всего инстанса - встроенная защита от случайного удаления и DDL/DML в SQL Lab Ни один другой MCP-сервер для Superset даже близко не подошёл — ближайший конкурент имеет 60 инструментов и ноль управления безопасностью.

pip install mcp-superset

или просто

uvx mcp-superset

репа: github.com/bintocher/mcp-superset pypi: pypi.org/project/mcp-superset описание: https://github.com/bintocher/mcp-superset/blob/main/README_RU.md Лицензия: MIT #mcp@chernovdev #superset@chernovdev #claudecode@chernovdev https://t.me/chernovdev

Котятки🐱, С 8м марта девочек) пусть будет прекрасной и удивительной эта весна для всех нас! Ну и сегодня еще тот самый день, который оказывает сильное влияние на ретейл) У меня сегодня на изучении заумный гайд по сезонности и baseline ( книженция Intermittent Demand Forecasting) и чуть более веселая вещь - гайд по тому, как построить аналитику для цветочного магазина): https://youtu.be/7fmij5j3hwM?si=RHj_HZwEYLNVnDmY

Котятки🐱, Внутри любого продукта для хранения/аналитики есть логирование и возможность мониторинга. На тачках, где они хостятся, если логирование и мониторинг. Есть агенты типа Zabbix, которые ходят по всем тачкам и собирают всякие метрики, чтобы потом все это выдать в какой-нибудь Grafana. Но факт в общем простой: любая observability-система, которую мы сами себе строим, имеет глубину погружения. Можно завезти в зоопарк видеокамеры, а можно ходить и брать у животных кровь на анализы и тыкать в них градусником. И то и другое не дает понимание, что на самом деле происходит в организме наших лисичек и бегемотиков, но по крайней мере мы понимаем, что они живы и возможно не умирают. Вот тут неплохая программная статья про многослойный подход к observability в BI, линк: https://www.sigmacomputing.com/blog/data-observability

Спешу поделиться потрясающим проектом Фабиана Ланга. Дизайнер и аналитик Фабиан Ланг 3 года работал с открытыми источниками, архивами и различными экспертами, чтобы получить уникальные наборы данных о природных и человеческих явлениях, связанных с Альпами. В результате получился 200-страничный сборник из 100 визуальных историй, где данные превращены в наглядные визуализации. Проект охватывает такие темы, как: - жизнь бородатого стервятника (GPS-трек) - прошлое и будущее крупнейших альпийских ледников - биоразнообразие на основе 30 000 наблюдений - сосуществование людей и волков - изменение климата, энергетический переход, распространение фамилий по высоте и др. Это не просто визуализация гор - это визуализация взаимосвязей между средой, биоразнообразием, климатом и людьми. Данные становятся языком, с помощью которого читатель узнает и чувствует Альпы, а не просто читает сухие цифры. Проект был отмечен рядом наград за сочетание дизайна, аналитики и ясного визуального языка. Обязательно посмотрите, вдохновитесь ➡️https://www.fabianlang.net/schweizer-bergwelten/

Котятки, На прошлой неделе в моей команде была очень крутая дискуссия - как хранить сущность с динамическим набором атрибутов (в зависимости от какого-нибудь атрибута этой же сущности). Обычно такие кейсы возникают, когда мы берем слишком высокий уровень абстракции (условно, не сущности ‘стол’ и ‘шкаф’, а объединяем в одну сущность- ‘мебель’). Я люблю всякое хранение, основанное на идентифицирующих связях. Он мне напоминает data vault. Кто-то любит EAV. До 24 года я очень любила БД Cassandra для таких кейсов. Отсутствие гибкости компенсировалось скоростью работы в конкретно таких кейсах. Моя любовь бы и дальше продолжалась, если бы не драматическая ситуация с удвоением данных,- увы, тут эта базеночка явно не пушка, однажды начисто парализовала чтение. Линк на почитать: https://habr.com/ru/companies/tbank/articles/951772/

Котятки🐱 Если в BI вдруг начинает ощущаться, что вы не аналитик, а оператор ручного труда — возможно, это звоночек. 10 марта в 12:00 (мск) Yandex Cloud делает вебинар «API в DataLens – все пути автоматизации». Будут разбирать, как через Public API и API-коннектор убрать лишние телодвижения и перестать перекладывать одно и то же из раза в раз. Автоматизация в BI — штука коварная. Пока всё стабильно — живём. Как только отчётов становится больше, пользователей — шире, а сценариев — сложнее, ручные действия начинают мстить. Полезно будет тем, кто живёт рядом с данными: BI-аналитикам, дата-инженерам, разработчикам, архитекторам и тем, кто отвечает за аналитику целиком. Участие бесплатное, но нужна регистрация. Если автоматизация давно в бэклоге — хороший повод наконец туда посмотреть 👀