Yandex.Datalens - Опыт реализованных проектов компании

О чем эта история

KazanExpress — торговая площадка, на которой представлены товары с бесплатной доставкой за один день в более, чем 70 городах России. Аналитическое решение на базе платформы данных Yandex Cloud позволило компании обеспечить демократизацию данных. Результат — принятие обоснованных решений на всех уровнях, увеличение лояльности партнеров и повышение прозрачности бизнеса.

Мониторинг ключевых метрик в реальном времени минимизировал недополученную прибыль и обеспечил рост прибыльных направлений, а возможности геоаналитики сервиса Yandex DataLens помогли за короткое время проанализировать локации для открытия более 90 ПВЗ в 25 городах России и заложить основу для роста компании.

Выбор облака

KazanExpress.ru — торговая площадка, на которой представлены товары с бесплатной доставкой за один день в 60 городах России. Аналитическое решение на базе платформы данных Yandex Cloud позволило компании обеспечить демократизацию данных. Результат — принятие обоснованных решений на всех уровнях, увеличение лояльности партнеров и повышение прозрачности бизнеса.

До внедрения BI-решения в компании не было единого способа сбора и анализа данных. Например, финансовый отдел KazanExpress собирал данные из различных источников и составлял отчеты в Microsoft Excel. Это занимало много времени, не было автоматизировано и приводило к ошибкам в данных, а сами отчеты быстро теряли свою актуальность. Поэтому к новой системе бизнес-анализа компания предъявила целый ряд требований:

Поддержка различных источников данных. В основном компания пользовалась двумя СУБД — PostgreSQL и ClickHouse.
Неограниченное число пользователей. Покупать персональные лицензии для каждого сотрудника и внешнего партнера (пункта выдачи заказов, продавца маркетплейса, маркетингового агентства) сложно и дорого, поэтому система должна поддерживать простое и быстрое добавление новых пользователей по мере необходимости.
Гибкие настройки доступа и RLS (Row Level Security). В системе множество категорий пользователей, в том числе внешних, права доступа которых нужно разграничивать.
Скорость запуска и простота развития системы. Для аналитики действительно важна скорость и простота работы, особенно, когда речь идет про быструю проверку гипотез молодого стартапа.
Простота поддержки. Не хотелось раздувать штат сотрудников, чтобы обеспечивать работоспособность инфраструктуры и системного ПО. Также была важна поддержка от самого вендора.

Компания проверила четыре BI-системы на соответствие своим требованиям:

Apache Superset™ — требует самостоятельной настройки и поддержки системы;
Tableau® — дорогой и сложно лицензируемый продукт;
Cube.js — требует трудоемкой кастомизации и настройки;
Yandex DataLens — подходит по совокупности всех факторов. Важно то, что продукт входит в состав платформы данных Yandex Cloud — экосистему облачных сервисов и партнерских решений, которая обеспечивает полный цикл работы с данными.

Кабинет аналитики для партнеров маркетплейса

Первой задачей, решенной с помощью Yandex DataLens, стал кабинет аналитики продавца — дашборд, в котором собрали ключевую информацию для менеджеров, продавцов и партнеров:

список всех магазинов продавца с указанием рейтингов;
выручка, количество заказов, покупателей, оборот товаров и фактические наценки;
топ категорий товаров по популярности, остатки на складе и их себестоимость;
оценки и отзывы на товары, динамика изменения рейтингов и последними отзывами;
возвраты с указанием их причин (это помогает выявить, например, брак в партии) и подсчет убытков;
промокоды и эффективность маркетинга.

Дашбордом сначала пользовались только категорийные менеджеры и сотрудники отдела привлечения партнеров, а затем внешний доступ получили активные продавцы площадки. Аналитик настраивал дашборд всего несколько дней, тогда как в другой системе над этим могла бы работать целая команда больше двух недель. В ходе тестирования недочеты исправляли за пару кликов и сразу показывали новую версию сервиса пользователям. Благодаря такой скорости команда смогла быстро понять, какая аналитика была нужна продавцам.

После реализации первого дашборда Yandex DataLens было решено использовать и другие сервисы Yandex Cloud для решения задач операционной аналитики, геоаналитики и машинного обучения.

Операционная аналитика

Для построения операционных отчетов с помощью Yandex DataLens подключились к базе данных CRM на PostgreSQL. Но командам маркетинга и продукта были важны не только данные CRM, но и события — информация о том, как пользователи проводят время на сайте и в приложении KazanExpress, как покупают товары.

Для быстрого запуска дата-пайплана, способного обрабатывать сотни гигабайт событий с сайта и мобильных приложений, использовали брокеры управляемого сервиса Yandex Managed Service for Apache Kafka® в качестве транспорта и управляемую базу данных Yandex Managed Service for ClickHouse для обработки данных.

На самостоятельное развертывание такого решения ушло бы очень много времени и ресурсов команды — пришлось бы закупать и настраивать инфраструктуру, нанимать сотрудников для ее поддержки. Управляемые сервисы платформы данных Yandex Cloud позволили KazanExpress сосредоточиться на разработке решения, а все задачи настройки, обслуживания, поддержки и резервирования взяла на себя облачная платформа.

Как сейчас используется аналитика:

финансовый отдел получает полную отчетность и аналитику по контрагентам маркетплейса;
категорийный отдел контролирует товарный ассортимент маркетплейса;
менеджеры продукта снимают продуктовые метрики в разрезе времени, платформ и пользовательских сессий;
отдел маркетинга отслеживает Acquisition и Retention: число пользователей, пришедших после промоакций, и действия этих пользователей в приложении.

Также, используя данные с сайта, в сервисе Yandex DataSphere начала работать над задачами машинного обучения (ML) команда дата-саентистов для решения задач антифрода, предсказания оттока и прогнозирования конверсий по сегментам клиентов.

Геоаналитика для открытия новых пунктов выдачи заказов

Компания воспользовалась геоаналитикой, чтобы безошибочно определять локации новых пунктов выдачи заказов (ПВЗ). Yandex DataLens как часть экосистемы Яндекса позволяет очень просто и быстро визуализировать бизнес-данные на Яндекс.Картах.

Для эффективного определения локаций использовали как собственные данные (текущие ПВЗ, адреса доставок), так и внешние (геослои из маркетплейса DataLens, открытые данные конкурентов). DataLens объединяет множество геослоев на одной карте, что позволяет компании и партнерам принимать обоснованные решения для открытия новых ПВЗ.

Результат

Актуальные данные для принятия решений теперь есть у всех сотрудников компании и внешних партнеров (продавцов и ПВЗ). Всё реализовано с тонким разграничением прав доступа.

Несколько примеров:

Мониторинг остатков товара на складе и анализ оборачиваемости конкретных товаров помогает продавцам заранее просчитывать закупки. Купить товар, подготовить его, отправить на склад и дождаться появления в продаже — не всегда быстрый процесс, и часто оказывалось так, что несколько дней продавцы оставались без прибыли. Сейчас отдел сопровождения партнеров вовремя определяет время поставки новой партии товара. Таким образом минимизируются потери продавцов.
Мониторинг возвратов и отзывов позволяет быстро заметить брак в партии товаров или путаницу в характеристиках (например, в размерах). Аналитика, отражающая эти события, позволяет категорийным менеджерам и модераторам вовремя замечать проблемы и оповещать продавцов, тем самым сокращая убытки и повышая лояльность покупателей.
Визуализация событий позволяет заметить неочевидные тенденции и быстро найти причину тех или иных событий, например, увеличение активности пользователей во время акций, реакции на новые подборки товаров или мошеннические операции.

С помощью геоаналитики компания смогла за два месяца открыть 90 ПВЗ и запланировать еще 250 локаций.

Благодаря внедрению аналитической платформы от Yandex Cloud сократились операционные расходы, расходы на поддержку инфраструктуры и IT-лицензии при активном развитии существующих проектов и запуске новых:

Управляемые и SaaS-сервисы Yandex Cloud позволяют экономить сотни тысяч рублей в месяц и переключать людей с рутинных задач на развитие проекта.
Автоматическая подготовка отчетности через BI позволяет сэкономить и повысить лояльность и доверие партнеров, так как все актуальные данные для них доступны онлайн.
Нет необходимости покупать дорогостоящие лицензии корпоративного BI-решения.

Мнение

Юрий Гаврилин, руководитель отдела Анализа Данных KazanExpress:

С ежегодным ростом компании на 800% было сложно рассчитать планируемую нагрузку и сформулировать требования для предстоящих задач стартапа. Благодаря широкому выбору управляемых сервисов и их удобной интеграции друг с другом команда разработки сконцентрировалась на процессах и целях, доверив обслуживание сервисов Yandex Cloud.

О компании

ООО «МПЗ Богородский» — российский производитель мясной продукции, наиболее известный под торговой маркой «Окраина». Единственный в отрасли производитель с собственным каналом онлайн-продаж. Имеет сеть фирменных магазинов и интернет-магазин с доставкой.

ООО «Призма Пик» — системный интегратор в сфере пищевой промышленности, разработчик программного обеспечения для автоматизации промышленного производства.

Недостатки старой аналитики и необходимость модернизации

В современном мире успешен бизнес, который способен обратить в свою пользу огромный поток информации, поступающий со всех сторон: от своих сотрудников, клиентов, поставщиков и даже конкурентов. Данные нужно сохранять, обрабатывать и использовать для принятия эффективных решений.

До недавнего времени целый штат аналитиков вручную собирал данные из всех доступных источников:

четырех конфигураций на платформе 1С;
онлайн-систем управления транспортной логистикой;
Яндекс.Метрики для интернет-магазина;
Яндекс.Погоды и Яндекс.Пробок для фирменной розницы.

Данные приводили в единообразную форму и заносили в Microsoft Excel, где и создавались отчеты для принятия управленческих решений. При такой громоздкой и медленной схеме обработки информации неизбежно возникали серьезные ошибки, расходовалось слишком много времени, людских и вычислительных ресурсов.

Эволюционное развитие информационных систем и специфика отраслевых решений привели к появлению множества форматов хранения и передачи данных, а их объемы продолжали расти. Система «Окраины» перестала справляться с требованиями бизнеса.

Чтобы оценить эффективность промомероприятий, необходим был сравнительный анализ маркетинговой информации и анализ рыночной ситуации, что еще расширило перечень источников и форматов данных.

Для улучшения качества аналитики потребовалось решение с высокой степенью автоматизации, способное быстро обрабатывать поступающие данные. Оно должно справляться с объемами информации и легко масштабироваться при их увеличении. Важна низкая стоимость входа и эксплуатации, а также доступность инструментов и удобство работы с ними. Всем этим критериям лучше всего отвечают облачные сервисы.

Разреженные данные — в облако

Для реализации проекта «Окраина» обратилась к своему стратегическому партнеру — системному интегратору «Призма Пик». С февраля по август «Призма Пик» внедряла проект. Инженеры «Окраины» обеспечивали доступ к ресурсам и подготовку источников данных.

Почему выбрали Yandex DataLens и Managed Service for ClickHouse

В первые три месяца тестировали и сравнивали СУБД и BI-сервисы различных провайдеров. Затем проанализировали систему отчетности, перестроили иерархию ключевых показателей и распределили по уровню достоверности источники данных.

В фоновом режиме экспериментировали с выгрузкой данных из 1C в несколько СУБД и просматривали системы BI. Изучали потребности в сторонних данных. Были реализованы функции выгрузки DDL и данных в формате CSV для импорта в тестируемые СУБД: PostgreSQL, MySQL и MS SQL.

В результате пришли к выводу, что, если источники данных прямо подключать к локальным СУБД, производительность оставляет желать лучшего. Поэтому в апреле решили протестировать специализированную OLAP-СУБД для обработки аналитических данных — ClickHouse.

Постепенно подключалась загрузка данных из всех возможных источников:

несколько конфигураций 1С;
таблицы Excel;
кассовая система SET Retail на 3–4 БД PostgreSQL;
покупаемые данные из магазинов;
Яндекс.Метрика.

Загружать и обрабатывать данные пробовали в разных СУБД, и в итоге остановили выбор на ClickHouse. Она отлично подходит для импорта данных из 1С и других источников с разнородной структурой данных, так как не требует их преобразования. А управляемый сервис Managed Service for ClickHouse позволяет создавать кластеры баз данных автоматически, а также устанавливает исправления и обновления СУБД.

Как и другие системы этого класса, 1C развивалась эволюционно в течение нескольких десятилетий. В итоге таблицы справочников 1С часто состоят из сотен полей с разреженными данными, где многие ячейки имеют пустое значение (NULL). В универсальных СУБД обработка таких таблиц требует больше ресурсов и выполняется гораздо медленнее.

ClickHouse показывает высокую производительность в работе с большими таблицами с плоской структурой, которые часто встречаются при большом наборе источников данных. Например, обработка сторонних данных о продажах в торговых сетях ускорилась многократно. Раньше обработка блока данных размером 500 МБ занимала до двух недель, теперь он оказывается в БД через несколько минут после получения и с данными сразу можно работать, строя выборки и проекции.

И наконец, при построении аналитических запросов на полученных данных ClickHouse, как специализированное решение, ожидаемо оказалась значительно быстрее конкурентов.

Для визуализации аналитических данных после тестирования был выбран сервис Yandex DataLens. Этот инструмент бесплатен для первичных экспериментов, не требует установки дополнительного ПО на компьютеры пользователей, прост в освоении и одинаково подходит для офиса и удаленной работы.

Серия экспериментов показала главные преимущества связки ClickHouse и DataLens:

разреженные данные, типичные для систем 1C, обрабатываются быстро;
скорость импорта больших объемов данных через открытый формат CSV высокая;
разнородные данные из внешних файлов обрабатываются и становятся доступны гораздо быстрее;
пользователи могут самостоятельно создавать и настраивать отчеты;
единая платформа позволяет внедрять методологию и культуру хранения исторических данных.

Завершением подготовительного этапа стала разработка промоверсии аналитической системы на реальных данных о продажах, планах, данных интернет-магазина и купленных данных торговых сетей. Она была закончена в мае, после чего проект представили на утверждение заказчику.

Построение новой системы

Самая интенсивная часть разработки пришлась на летние месяцы. Одновременно с разработкой новой системы развертывали сопутствующую инфраструктуру в Yandex Cloud, переводили в облачные сервисы часть разработки под 1С и проводили эксперименты с данными в 1С.

Была сформирована рабочая группа из руководителей части подразделений завода, включая отделы продаж, маркетинга, фирменной розницы и интернет-магазина. Она занялась разработкой механизмов сбора и импорта данных, до тех пор существовавших только в формате таблиц Excel. Обсуждались форматы представления данных, были созданы чарты с обобщенными данными. Добавили обмен данными с СУБД PostgreSQL, которую использует кассовая система SET.

В июле к рабочей группе подключились экономисты и сотрудники с производства. Сформировалась обратная связь с разработчиками 1С, так как при сборе данных выполняется аудит и оптимизируется работа систем.

Следующим шагом стало создание документации по развертыванию системы и отлаживание механизмов и регламента взаимодействия систем. Были собраны новые порции внешних данных, на которых создается раздел с фильтрами для их анализа в интересующих проекциях.

В августе завершили основные работы для задач отдела продаж, фирменной розницы, интернет-магазина, отдела маркетинга, экономистов и производства. Разработчикам 1С были сформулированы задачи для подготовки ранее не использовавшихся специфических данных.

Пока систему осваивали, была произведена тонкая настройка в ClickHouse и DataLens, а пользователей обучили базовым навыкам редактирования дашбордов и чартов. После первых аналитических сессий началось практическое применение отчетов в деятельности компании. Значительная часть работ пришлась на период самоизоляции, что наглядно показало преимущества облачной аналитики перед ручной обработкой данных.

На завершающем этапе реализации проекта были сделаны специализированные дашборды. Экономисты получили отчеты по себестоимости и подготовке сырья, а также себестоимости основной продукции. Для транспортного отдела созданы дашборды с данными по маршрутам и затратам на топливо, а для производства — по финальным стадиям реализации продукции.

Решение готово к тиражированию

На основе Yandex DataLens была построена система автоматического сбора данных и сквозной аналитики из всех доступных источников. Для каждого подразделения компании создан набор дашбордов с широкими возможностями настроек и фильтров. Полученные данные используются для проведения как оперативных совещаний, так и отчетных по итогам работы за период.

Высокая производительность ClickHouse позволила поднять качество аналитики на новый уровень, который до этого был недоступен из-за низкой производительности использовавшихся систем и методов. Удобство и простота настройки дашбордов DataLens помогли привлечь к их разработке сотрудников подразделений, снизив нагрузку на ИТ-службу «Окраины».

Сейчас аналитикой в DataLens пользуется более 20 человек, в основном это руководство компании. В дальнейшем планируется создать базу бережливого производства и подключить к аналитике до 100 пользователей. Также будут интегрированы Яндекс.Погода, Яндекс.Пробки и другие онлайн-сервисы. Высокая масштабируемость облачных сервисов поможет оптимально решить проблемы: оперативно предоставлять данные, добиться глубины аналитики и внедрять новые алгоритмы.

В результате положительного опыта использования облачных сервисов рассматриваются варианты размещения на них серверов, в том числе перевод на вычислительные мощности Yandex Cloud ресурсоемких систем оперативного управления предприятием.

Успешное внедрение ClickHouse и DataLens в «Окраине» вызвали интерес к этому решению у других производителей мясоперерабатывающей отрасли. Оно востребовано рынком, и нужен удобный механизм его тиражирования как для территориальных подразделений компании, так и в коммерческих целях. Для этого планируется создать модуль выгрузки данных из типовых решений 1С и собственных разработок в ClickHouse. В качестве «коробочного» продукта будет предоставляться преднастроенная БД в Managed Service for ClickHouse и набор дашбордов в DataLens. Такой подход на основе облачных технологий позволит будущим клиентам существенно сократить трудозатраты и время внедрения.

Мнение

Виталий Степанович Деледивка, генеральный директор ООО «МПЗ Богородский»:

Раньше для принятия управленческих решений нам приходилось иметь дело с информацией из множества разных источников. На подготовку и обработку данных затрачивалось много времени, и терялась возможность оперативно реагировать на ситуацию. Поэтому было принято решение структурировать разрозненные данные аналитики в одном месте и организовать доступ к ним в удобо-читаемом виде с любого устройства. Скорость работы ClickHouse и наглядность представления данных в DataLens позволяют оперативно, динамически меняя разрезы аналитики, работать с большими массивами данных, ранее никак не сопоставляемых. Мы смогли увидеть в цифрах связь между внешними событиями и динамикой продаж в розничных точках, сопоставить интернет-рекламу и офлайн-продажи, понять причину изменения качества продукта в зависимости от конкретных единиц оборудования, через которые он прошел в процессе производства. Что самое важное, эти связи видны оперативно, когда еще можно успеть принять управленческое решение и предотвратить потери или извлечь максимальную выгоду.

О чем эта история

Команда сервиса Яндекс Go во главе с руководителем аналитики внутренней эффективности Ксенией Колесниковой провела в МФТИ курс по продуктовой аналитике для поиска перспективных стажеров и младших специалистов. Для быстрого старта курса и эффективного обучения студентов использовали сервисы Yandex Cloud — управляемую базу данных Yandex Managed Service for PostgreSQL, сервис для ML-разработки Yandex DataSphere, предоставляющий бессерверные Jupyter® Notebook, и Yandex DataLens для визуализации полученной информации.

24 студента начали обучение, 22 — прошли курс, 7 — были приняты в команду Яндекс Go.

Практикующие преподаватели и реальные данные

В России довольно маленький рынок аналитиков, потому что этой профессии не обучают в высших учебных заведениях. Когда у команды Яндекс Go появилась задача найти перспективных стажеров-аналитиков, решили не просто позвать студентов на стажировку, а обучить их аналитике на реальных данных.

Для этого создали курс «Продуктовая аналитика», а вести его пригласили преподавателей-практиков из Яндекс Go, а также экспертов из Yandex Cloud. На курсе они рассказывали о задачах, с которыми сталкиваются каждый день, и технологиях, применяющихся в работе аналитиков. Курс содержал 13 теоретических тем и 10 практических домашних работ, объединенных в проект.

Яндекс давно сотрудничает с МФТИ. Физтех входит в мировой топ-300 лучших технических вузов сразу двух агентств: Quacquarelli Symonds и Times Higher Education. Таких вузов в России только три — МГУ, МФТИ и ВШЭ. Например, кафедра «Анализ данных», одна из базовых на Факультете инноваций и высоких технологий, создана и поддерживается Яндекс. Поэтому первый курс по аналитике данных решили провести в именно в этом вузе.

Перед началом обучения студентам предстояло пройти отбор: из 80 претендентов 24 поступили на курс. Студентов разбили на 6 команд по 4 человека. У каждой команды был куратор.

Облако для быстрого запуска

Стать аналитиком просто изучая теорию невозможно. Нужны практические занятия, желательно на реальных больших данных. Поэтому студентам дали информацию, собранную Яндекс Go в разных городах.

В процессе подготовки курса появился вопрос о том, как организовать работу с большими данными. Обычно аналитики используют профессиональные сервисы, под которые покупается или арендуется инфраструктура и разворачиваются базы данных. Изучать данные по таблице в Microsoft Excel не получится.

Но если обеспечить студентов такими инструментами, подготовка курса замедлится, станет значительно дороже и потребует от команды Яндекс Go привлечь дополнительных людей, которые будут заниматься администрированием инфраструктуры. Более эффективным решением стало использование сервисов облачной платформы Yandex Cloud. Для хранения данных и доступа к ним использовалась управляемая база данных Yandex Managed Service for PostgreSQL, а для их анализа — сервис для ML-разработки Yandex DataSphere, предоставляющий бессерверные Jupyter® Notebook, и Yandex DataLens для визуализации полученной информации.

Как происходило обучение

Чтобы организовать рабочую среду для студентов, команда преподавателей Яндекс Go загрузила собранные данные в Yandex Managed Service for PostgreSQL — сервис для управления кластерами PostgreSQL в инфраструктуре Yandex Cloud. Это позволило отказаться от поддержки базы данных. Yandex Managed Service for PostgreSQL позволяет за несколько минут выделить ресурсы, установить СУБД и создать базы данных. А в дальнейшем автоматически создает резервные копии и устанавливает обновления.

Затем каждой команде студентов раздали доступы к сервису для ML-разработки Yandex DataSphere с удобным интерфейсом Jupyter® Notebook. С его помощью студенты могли обрабатывать и анализировать данные из подключенной базы. Yandex DataSphere позволил студентам работать над командным проектом совместно, а также делиться наработками с преподавателями. Для визуализации полученных результатов в виде графиков и дашбордов студенты использовали Yandex DataLens.

Итоги курса

Из 24 студентов курс окончили 22: 7 из них уже пришли работать в команду Яндекс Go. Студенты высоко оценили работу с практикующими преподавателями и кураторами, а также возможность погрузиться в реальные данные агрегатора. Команда Яндекс Go планирует методически усилить курс, провести его еще раз в МФТИ, а также масштабировать на другие вузы.

Возможности

Используя технологии Yandex Cloud, можно подготовить и провести курсы по любым направлениям, связанным с обработкой и анализом данных:

Промышленная аналитика
Deep learning & Machine learning
Программирование на Python
Natural language processing
Введение в искусственный интеллект

При этом не нужно покупать или арендовать инфраструктуру, поднимать базы данных, настраивать окружение, поддерживать пользователей. В Yandex Cloud облачные сервисы для выполнения любых работ с данными разворачиваются очень быстро и работают только в то время, когда идут практические и домашние задания. Это значительно ускоряет запуск курсов и сокращает стоимость инфраструктуры.

Мнение

Федор Лаврентьев, куратор курса, CDO Yandex Go:

В Yandex Cloud легко развернуть учебные стенды, организовать командную работу, настроить ролевые доступы для студентов и преподавателей. Понравилась готовая обвязка для мониторинга — по ней сразу видно, хватает ли ресурсов. А когда не хватает, можно легко добавить еще мощностей. А для DataSphere даже этого не нужно — он сам включает и выключает свои виртуалки, и получается очень удобно.

Другие

Дамир Рафкатович Якупов, CDO MoneyCare:

Миграция в Yandex Cloud позволила нам быстрее строить отчеты, в некоторых случаях до 10 раз, а также сократить стоимость эксплуатации аналитической системы. В планах развивать геоаналитику в DataLens, а также в целом постепенная миграция в Yandex Cloud оставшихся сервисов платформы и реализация новых внутренних сервисов на базе машинного обучения.

Егор Михайлович Орлов, Менеджер по развитию бизнеса Anywayanyday.com:

Благодаря переходу на технологии Yandex Cloud мы смогли агрегировать данные из разных источников и визуализировать их в DataLens, сократить затраты на поддержку и предоставить доступ к отчетности всем подразделениям. Сотрудники больше не зависят от ИТ, им не приходится дожидаться выполнения запросов на выгрузку данных. Отчеты в DataLens доступны для самостоятельного освоения и настройки. Отдел маркетинга постоянно мониторит ситуацию, может делать adhoc-отчеты и срезы и быстро реагировать на изменения, основываясь на актуальных данных.

Юрий Казанкин, СTО SevenTech:

Мы постоянно пробуем разные решения как в существующих продуктах, так и в новых разработках. Сейчас мы работаем над расширением платформы на Managed PG с использованием Yandex Managed Service for Apache Kafka®. Managed PG довольно органично занял место в нашем dev-окружении — коллеги со стороны разработки и QA довольны. Некоторые из наших внутренних приложений уже готовы к миграции из локальных инсталляций БД в managed-вариант, и мы будем пробовать это сделать в ближайшее время.

Андрей Хохлов, Основатель, CIO CarTaxi:

Переход на инфраструктуру Яндекс.Облака оказал позитивное влияние на технологическое и качественное развитие CarTaxi. С помощью технологий Яндекса нам удалось повысить отказоустойчивость программных компонентов сервиса, автоматизировать работу по оптимизации бизнес-процессов, улучшить ключевые показатели бизнеса, юнит-экономику, что в совокупности позволило выйти на новый уровень качества предоставляемых услуг при одновременном снижении трудозатрат персонала.

Максим Суятинов, Начальник управления ИТ НефтеТрансСервис:

Большая ценность облака — возможность быстрой проверки гипотез, создание MVP и масштабирование удачных решений. Это удается достичь, если вкладывать усилия в разработку прототипов и продуктов, а не на подготовку IT-инфраструктуры для них.

Кирилл Иванов, Директор Data‑офиса Группы М.Видео-Эльдорадо:

Потребности наших покупателей стремительно меняются, и чтобы оставаться лидером в своем деле, нам нужно опережать их потребности и предвосхищать ожидания. Облачные решения позволяют сконцентрировать и человеческие, и финансовые ресурсы на действительно важных вещах — идеях, моделях, продуктах. Благодаря команде Yandex Cloud мы имеем инфраструктуру, которая нам нужна, тогда, когда в ней есть потребность, развитие наших продуктов ограничено теперь только фантазией и бизнес-задачами.

Александр Черкасов, Директор по продуктам ООО «Цифровое образование»:

У нашей платформы плавающая нагрузка: олимпиада начинается — нагрузка резко возрастает, олимпиада заканчивается — нагрузка падает. Даже за 2–3 месяца до старта мы не были уверены в точном количестве ресурсов, которое нам понадобится, а также в том, насколько они будут востребованы в дальнейшем. Yandex Cloud был выбран как раз с целью легкого масштабирования. Гибкость тарифов стала еще одним аргументом в пользу выбора именно этого провайдера: наши задачи сезонные и нам важно иметь возможность регулировать затраты на инфраструктуру.

Алексей Соловченко, Профессор кафедры биоинженерии МГУ, зав. лабораторией технологий точного садоводства ФНЦ им. И. В. Мичурина:

На биофаке мы занимаемся фундаментальными вопросами. Дистанционный мониторинг растений — один из них. Использование экосистемы сервисов Yandex Cloud позволило сосредоточиться на разработке системы мониторинга и собственной робоплатформы и не отвлекаться на создание и поддержку инфраструктуры под неё. Построенная распределённая система мониторинга насаждений и урожая была протестирована на площадках в ботаническом саду МГУ и в экспериментальном саду ФНЦ имени Мичурина: от сбора данных с помощью робоплатформы, их хранения и обработки в Yandex Cloud до аналитики и формирования отчётов в Yandex DataLens.