88 готовых узлов покрывают подготовку, интеграцию, аналитику и машинное обучение. Ниже — по категориям, с объяснением, зачем это бизнесу и на каком примере это работает. Ни для одного из этих сценариев не нужно писать код.
Загрузка данных из файлов и систем и выгрузка результата в нужном формате. DataPrep сам распознаёт типы полей, кодировки (включая Windows-1251 из 1С и русского Excel) и разделители, а также умеет читать иерархический JSON/XML.
Зачем бизнесу: перестать «сводить руками» выгрузки из разных систем — данные попадают в работу сразу и корректно.
Пример: собрать в один отчёт продажи из CSV кассы, справочник товаров из JSON и план из Excel.
Ядро подготовки: фильтрация строк, группировка и агрегаты (суммы, средние, количества), соединение таблиц (JOIN), объединение источников (UNION), подстановка справочников, расчётные поля по формулам, сортировка, сводные таблицы (pivot), работа с датами.
Зачем бизнесу: любой отчёт или витрина данных собирается за часы — и потом повторяется одним нажатием.
Пример: обогатить заказы сегментом клиента из справочника и посчитать выручку по регионам и менеджерам.
Приведение «грязных» данных в порядок: заполнение пропусков, поиск дубликатов и противоречий, очистка выбросов, нормализация текста и справочников, перекодировка статусов в читаемые метки, разбор составных полей (ФИО, даты, JSON-строки).
Зачем бизнесу: решения принимаются на достоверных данных, а не на «мусоре» — меньше ошибок и переделок.
Пример: очистить клиентский справочник от дублей и опечаток перед рассылкой или сверкой.
Быстро понять, что внутри набора: статистика по полям, частоты значений, корреляции, факторный анализ (снижение размерности), автокорреляция и сезонность.
Зачем бизнесу: находить закономерности и аномалии до того, как они превратятся в проблему или упущенную возможность.
Пример: увидеть, какие темы обращений в поддержку растут и как они связаны с оттоком.
Готовые модели как обычные блоки: кластеризация (k-means, EM, сети Кохонена), регрессии, деревья решений, наивный Байес, нейросети, ассоциативные правила (анализ корзины). Есть проверка качества моделей (точность, ROC/AUC).
Зачем бизнесу: сегментация, скоринг и рекомендации становятся доступны без команды дата-сайентистов.
Пример: оценить вероятность оттока клиента и заранее удержать ценных.
Прогнозирование продаж и спроса (ARIMAX), сезонная декомпозиция (тренд + сезонность + остаток), сглаживание, когортный анализ удержания.
Зачем бизнесу: планировать закупки, производство и бюджеты на основе данных, а не интуиции.
Пример: спрогнозировать спрос по товарам на следующий сезон и рассчитать план поставок.
Наглядные результаты прямо в конвейере: столбчатые, линейные и круговые диаграммы, Парето, воронка, ABC, гистограммы, диаграммы рассеяния, сводный куб и тепловые карты, ROC-кривые, прогнозные графики.
Зачем бизнесу: увидеть картину и принять решение сразу — без выгрузки в отдельный BI-инструмент.
Пример: показать структуру выручки по регионам и динамику по месяцам на одном экране.
Сложную бизнес-логику собирают из блоков: ветвление по условиям (маршруты «да/нет»), циклы (повтор обработки по группам), вложенные подмодели — переиспользуемые «под-сценарии», в том числе рекурсивные.
Зачем бизнесу: описывать реальные регламенты и правила без программиста — и переиспользовать их между задачами.
Пример: «гейт качества»: партии выше нормы дефектов уходят на отдельную ветку обработки.
Работа с деревьями (каталоги, оргструктуры, вложенный JSON), взаимное преобразование «таблица ↔ дерево», обмен через XML, загрузка из внешних веб-сервисов (REST).
Зачем бизнесу: подключать данные из учётных систем и сервисов без ручного экспорта-импорта.
Пример: развернуть товарный каталог из вложенного JSON в плоскую таблицу для анализа.
Для нестандартной логики есть узел «JavaScript-процессор»: он позволяет описать произвольное преобразование прямо в мастере. Это остаётся частью визуального конвейера — логика видна и переносима, а не спрятана в отдельной системе.
Зачем бизнесу: не упираться в «так нельзя» — любую особенную формулу или правило можно выразить, не покидая инструмент.
Когда данных слишком много для браузера или нужен доступ к базам, подключается опциональный бэкенд: аналитический SQL и режим больших данных (DuckDB — проверено до 300 млн строк), REST-интеграции, публикация сценария по HTTP и планировщик регулярных прогонов.
Зачем бизнесу: тот же инструмент масштабируется с ростом компании — от отдела до корпоративного контура.
Посмотрите, как эти возможности решают конкретные бизнес-задачи.
Data