В компании может быть много данных и при этом не быть единой цифры. Продажи находятся в ERP, клиенты — в CRM, расходы — в рекламных системах, планы — в Excel. Каждая система работает по своим правилам, поэтому после объединения данных одна и та же выручка может отличаться в разных отчетах.

Проблема решается не еще одним отчетом, а правильным разделением уровней. ERP фиксирует операции, DWH приводит данные к единой модели, а BI превращает их в инструмент анализа. Разберем, как работает каждый уровень и почему важно не смешивать их ответственность.

Что такое ERP, DWH и BI

ERP (Enterprise Resource Planning) — система управления основными бизнес-процессами компании: финансами, закупками, запасами, производством, логистикой, проектами и другими операциями. В ней фиксируются транзакции, на основании которых бизнес работает каждый день. Среди распространенных решений — SAP S/4HANA, Oracle Fusion Cloud ERP, Microsoft Dynamics 365 и «1С». 

DWH (Data Warehouse) — аналитическое хранилище, которое собирает данные из разных систем, очищает, преобразует и приводит их к единой структуре. Его задача — подготовить согласованный массив данных для аналитики. 

В качестве технологической основы DWH могут использоваться ClickHouse, PostgreSQL, Yandex Cloud и другие решения. Платформы различаются архитектурой и задачами, одни рассчитаны на высокопроизводительную обработку больших объемов данных, другие подходят как универсальная основа для хранения и аналитики, третьи используют облачную инфраструктуру и позволяют гибко масштабировать ресурсы. Выбор зависит от объема данных, количества источников, нагрузки, требований к скорости и безопасности. Если хотите подробнее разобраться в теме, читайте статью «База данных для бизнеса: что это такое и зачем нужна компании». 

BI (Business Intelligence) — набор инструментов и методов, с помощью которых сотрудники анализируют данные: строят отчеты, дашборды, сравнивают показатели, находят отклонения и получают информацию для принятия решений.

На российском рынке среди наиболее известных решений — Microsoft Power BI, Yandex DataLens и Apache Superset, а также отечественные платформы Visiology, AW BI, Luxms BI, PIX BI и другие. После ухода зарубежных вендоров рынок активно перестраивается, однако Power BI по-прежнему остается широко распространенным в корпоративных проектах, несмотря на отсутствие официальной поддержки в России. 

Если упростить архитектуру до одной цепочки, получится:ERP и другие источники → DWH → BI → управленческое решение.

Теперь разберем, почему нельзя просто заменить один уровень другим.

ERP отвечает за то, что происходит в бизнесе

ERP находится ближе всего к операционной деятельности. Менеджер оформил заказ, склад отгрузил товар, бухгалтер провел оплату, закупщик создал заказ поставщику — все эти события должны быть зафиксированы в системе.

В этом и заключается главная ценность ERP для аналитики: она является одним из основных источников первичных данных.

Но ERP создавалась прежде всего для управления процессами, а не для сложных аналитических запросов. Руководителю редко нужен сам факт того, что заказ №12345 был отгружен. Ему интереснее понять, как меняется маржинальность по категориям, какие клиенты перестали покупать, почему выросли остатки или какие проекты отклоняются от плана.

Для ответа приходится сопоставлять данные из нескольких контуров. Продажи находятся в ERP, обращения — в CRM, рекламные расходы — в маркетинговых системах, планы — в таблицах, а часть финансовых показателей может рассчитываться отдельно.

И здесь появляется DWH.

DWH отвечает за то, чтобы данные можно было сопоставить

Главная функция хранилища — не просто собрать данные «в одном месте». Важнее привести их к общей логике.

Представим компанию, у которой есть ERP, CRM и несколько Excel-файлов. В одной системе клиент называется «ООО Ромашка», в другой — «Ромашка», а в третьей записан только ИНН. Для операционной работы это может не создавать проблемы. Для аналитики — критично, ведь система должна понять, что речь идет об одной компании.

То же самое происходит с товарами, подразделениями, проектами и показателями. Пока не определены единые правила, аналитика будет постоянно сталкиваться с расхождениями.

DWH как раз создает слой, в котором эти данные очищаются, связываются и приводятся к единой модели. Обычно для этого используются ETL/ELT-процессы, при которых данные извлекаются из источников, преобразуются и загружаются в хранилище.

В результате BI получает уже подготовленные данные, а не набор разрозненных выгрузок.

Хороший пример — наш недавний проект в строительной отрасли. У компании данные хранились в 1С, Excel, Google Таблицах, MS Project и внутренней системе. При подготовке отчетности их приходилось регулярно сверять и приводить к единому виду.

Мы объединили источники в DWH на PostgreSQL и вынесли основные правила обработки данных на уровень хранилища. Для подготовки аналитического слоя использовали View и Materialized View, а уже готовые данные передали в BI.

На уровне BI остается работа с готовой моделью данных. Настройка визуализаций, фильтров, связей между показателями и логики представления информации. 

Посмотреть кейс подробнее.

BI отвечает за то, чтобы данными можно было пользоваться

Даже идеально подготовленное DWH само по себе не отвечает на вопросы руководителя. Для этого нужен BI-слой.

BI показывает данные в форме, удобной для работы: дашборды, отчеты, графики, фильтры, детализация показателей. Пользователь может увидеть отклонение и перейти от общего результата к конкретному сегменту, продукту, клиенту или подразделению.

Например, на дашборде по ключевым показателям бизнеса руководитель сразу видит среднюю цену, выручку, маржу, расходы на рекламу и оборачиваемость, а ниже — всю воронку продаж, от перехода в карточку до фактического выкупа. Фильтры позволяют посмотреть показатели за нужный период, по магазину, предмету или другой группе.

Такой дашборд позволяет быстро увидеть отклонение и перейти к его причине. Например, продажи растут, но одновременно увеличиваются рекламные расходы или снижается маржа. При этом вся аналитика строится на уже подготовленных данных, а в BI остается работа с визуализацией, фильтрами и представлением показателей.

Мы комплексно внедряем BI, проектируем архитектуру аналитики, работаем с DWH, интеграцией и очисткой данных, настраиваем единые правила расчета показателей и создаем управленческие дашборды. Подробнее о реализованных проектах — Кейсы. 

Почему эти уровни нельзя смешивать

Самая частая архитектурная ошибка — пытаться решить все задачи одной системой.

Если строить всю аналитику непосредственно поверх ERP, тяжелые запросы и многочисленные отчеты начинают конкурировать с операционными процессами. Кроме того, ERP не обязана объединять маркетинговые, клиентские и другие внешние данные в аналитическую модель.

Если подключить BI напрямую к десяткам источников, логика расчетов постепенно переедет внутрь отдельных отчетов. Один аналитик считает маржу одним способом, другой — немного иначе, третий добавляет собственное исключение. Через некоторое время компания получает несколько версий одного и того же показателя.

DWH нужен именно для того, чтобы вынести эту сложную работу из отчетов и централизовать ее. Современные хранилища объединяют данные из операционных систем и CRM, выполняют очистку, стандартизацию и дедупликацию, после чего предоставляют единый массив для аналитических инструментов.

Получается четкое разделение ответственности:

ERP фиксирует события.

DWH приводит данные к общей модели.

BI помогает анализировать результат.

Что в итоге дает связка ERP + DWH + BI

• ERP отвечает за операционную правду: что компания продала, купила, произвела, отгрузила или оплатила.
• DWH отвечает за аналитическую согласованность: как связать данные из разных систем, очистить их и рассчитать показатели по единым правилам.
• BI отвечает за доступность этой информации для бизнеса: как показать результат руководителю, аналитику или менеджеру так, чтобы он мог быстро найти отклонение и разобраться в его причине.

Поэтому ценность архитектуры появляется не тогда, когда в компании становится больше дашбордов. Она появляется, когда путь от хозяйственной операции до управленческого решения становится прозрачным. Понятно, откуда взялась цифра, как она рассчитана и почему ей можно доверять.

Именно в этом случае ERP, DWH и BI перестают быть набором отдельных IT-систем и превращаются в единую аналитическую инфраструктуру.

Если вы планируете внедрение BI или хотите понять, почему текущая аналитика не дает нужной информации, приходите на бесплатную консультацию. Мы разберем, как сейчас устроена аналитическая инфраструктура вашей компании, найдем проблемные места, предложим возможные варианты решения и поможем выбрать архитектуру, которая подойдет именно под ваши задачи. 

Оценки частных технологических компаний заставляют хвататься за голову: практически каждый горячий пресс-релиз сообщает об оценке выше $1B.

Подобных «единорогов» стало настолько много, что отслеживать их и выбирать лучшие для портфеля крайне сложно.

В нашей команде прижилась шутка: вокруг одни миллионеры, так что обсуждать сделку на сотню тысяч долларов просто для этого рынка стало нелепо. Однако за этой шуткой скрывается тревожная тенденция.

💸 Покупательная способность той же суммы денег за последние 10–15 лет кратно упала. Этот инфляционный тренд очевиден не только в России, но и в США.

Простой пример: на запуск Slinky в 2011–2012 годах я привлекал $250K на стадии Seed / Pre-Series A. Этим средствам мы нашли применение от и до: создали продукт, вышли на рынок, дошли до клиентов, наняли топ-специалистов и даже успели масштабироваться в Азию.

Похожая история была с Teleport ($1M в 2017 году) и Stickeroid (всего $180K). В каждом из трёх случаев компании дошли до логичной точки, и их жизненный цикл завершился через M&A. Где-то всё сложилось более успешно в финансовом плане, где-то менее, но факт остаётся фактом.

- Slinky acqd [ SOHU '13] 

- Teleport achrd [SNAP '18] 

- Stickeroid acqd [ Naver '19]

Сегодня же сделка с выходом в $2–5M венчурному рынку попросту не интересна, а на стадиях Seed / Series A в США или Китае подобных оценок уже не существует, как и условий.

Мне как человеку, продавшему первую компанию за $2,2M (до вычета налогов), иронично наблюдать за происходящим.

«Ликвидность»

Главная причина — избыточная ликвидность, которую генерируют центробанки по всему миру.

Реальная инфляция в России скорее составляет ~20–24% в год, в США — около 6–9%, в Китае — порядка 2%. Из-за постепенного характера этого процесса мы не замечаем изменений и быстро привыкаем к новым ценам 📌

Но на отрезке в 10–15 лет эффект разительный: 1000 рублей сегодня — это чашка кофе с булочкой, а $1000 в NYC — всего лишь визит к дантисту для лечения кариеса одного зуба.

👉 В результате компании на стадии Seed получают оценки в $50-150–200M, не имея не то чтобы готового продукта, а лишь амбиции, набор гипотез и команду из пары человек.

Для российского рынка такой сценарий нехарактерен из-за деформации локальной венчурной и финансовой системы, однако на глобальном уровне процессы идентичны.

- На момент написания текста в США насчитывается 1226 частных компаний с оценкой выше $1B, а в Китае — 470.

«Полоса»

⬆️ Этот макротренд неизбежно продолжится, сжигая покупательную способность валюты. Приток капитала в венчурные и публичные фонды будет только расти: инвесторы стремятся защитить активы от обесценивания.

- Мы видим разогрев оценок, миллиардные привлечения под управление — и деньги, тающие на глазах.

Самое печальное, что доходы большинства людей не успевают за этим темпом. В России реальные доходы населения сильно отстают от инфляции, а в США нарастает диспропорция: капитал стремительно концентрируется в руках тех, кто занят в технологическом секторе и той занятости, где происходит форвардирование инфляции.

Общественная тревожность будет расти вместе с расслоением общества: высшее и профессиональное образование больше не гарантируют высокого качества жизни, как и доступа к благам, создаваемым бизнесом и государством.

В долгосрочной перспективе этот макротренд может поставить под вопрос устойчивость текущей финансовой системы и ускорить пересмотр экономических нормативов, что на фоне снижения реальных доходов населения создаст предпосылки для политических сильных трансформаций.

—

Автор: Виктор Кох