SQL, ETL, DWH, OLAP… Вы отчёт по продажам хотите или космическую станцию запустить? 😂
SQL, ETL, DWH, OLAP… Вы отчёт по продажам хотите или космическую станцию запустить? 😂 В прошлом посте разобрались с BI, Power BI и дашбордами. Теперь предлагаю заглянуть под капот. Представьте: директор хочет каждое утро видеть продажи по филиалам, оплаты и дебиторку. Вполне земная задача. А в техническом задании вдруг появляются SQL, ETL, DWH, OLAP, API… Читаешь и думаешь: господи, человеку продажи посмотреть или ракету на Марс отправить? 😂 На самом деле всё довольно просто. 1️⃣ SQL — язык запросов к реляционным базам данных. Позволяет попросить базу: «Покажи продажи за сентябрь по каждому менеджеру и посчитай общую сумму». 2️⃣ API — программный интерфейс, через который системы обмениваются данными и командами. Например, аналитическое приложение получает информацию об оплатах из 1С. 3️⃣ ETL — процесс извлечения, преобразования и загрузки данных. Собрали информацию из разных систем, очистили, привели к единому формату. А то в одной базе клиент «ООО Ромашка», в другой «Ромашка ООО», а в третьей «эти, которые опять задерживают оплату» 😂 4️⃣ DWH — хранилище данных для аналитики. Сюда собирают информацию из разных источников, часто с сохранением истории. Например, чтобы сравнить продажи за три года, даже если за это время компания успела поменять CRM. 5️⃣ OLAP — технология многомерного анализа. Позволяет посмотреть на продажи по годам, месяцам, филиалам, менеджерам, товарам и найти, где именно просел показатель. 6️⃣ KPI — ключевой показатель эффективности. Например, выполнение плана продаж или доля просроченной дебиторки. Вот так за страшными аббревиатурами обнаруживаются вполне понятные задачи 😁 А теперь самое интересное: сколько всего этого действительно нужно компании? Допустим, у вас уже есть 1С. Директору каждое утро нужны четыре показателя. Возможно, хватит одного грамотно настроенного отчёта. Можно собрать небольшую веб-панель на Python и разместить на своём сервере. А если источников десятки, данных много, нужна история изменений и самостоятельная аналитика для нескольких отделов, тогда уже есть смысл рассматривать полноценную BI-платформу и хранилище. При этом собственная разработка тоже стоит денег: создание, обслуживание, обновления, безопасность. И ещё одна прелесть аналитики. Можно построить отличное хранилище, настроить передачу данных и нарисовать сорок красивых графиков. А потом выяснить, что информация обновляется раз в неделю, а директор смотрит на неё как на сегодняшнюю 😂 Вот почему архитектура аналитики важна не меньше самих показателей. Человеку нужны правильные цифры в нужный момент. А за кадром уже может работать как небольшой скрипт, так и целая инфраструктура. Строить DWH ради одного графика дебиторки иногда примерно как возводить международный аэропорт, чтобы доставить пиццу соседу 😂 Технически впечатляет. С экономикой возникают вопросы. #ЧтобыРаботало