Блог

Разберем, как сопоставлять данные 1С и CRM, проверять решения модели и согласовывать изменения до записи в справочники.

На вебинаре Степан Пыстин, технический директор «Денвик Аналитика», разбирает ограничения OData, риски нагрузки на продуктивную 1С и показывает, как построить независимый контур данных для AI-аналитики с помощью Экстрактора 1С, ClickHouse и MCP.

В данной статье на видео мы демонстрируем практический кейс AI-аналитики: ИИ-агент Codex через MCP помогает настраивать ETL-процессы в DVT, объединять данные 1С и Service Desk (Zammad) и создавать аналитическую отчётность в Yandex DataLens.

Статья – о том, как подготовить данные 1С для AI-аналитики: построить витрину данных для ИИ, проверить ее готовность к работе с моделью и получить показатели, которые сходятся с отчетами 1С. На примере выручки с возвратами разберем, как правила обработки данных влияют на итоговую сумму.

Где заканчиваются возможности стандартных отчетов 1С, когда Excel стоит оставить, а когда пора автоматизировать получение и подготовку данных? Разбираем путь от обычного отчета до отдельного аналитического контура вместе с техническим директором «Денвик Аналитика».

Как сохранять полную историю изменений данных из 1С без UPDATE и DELETE? Разбираем архитектуру Append-only: инкрементальную выгрузку, аудит-след, обработку удалённых записей и пустых сегментов, формирование актуального среза в DWH, а также пошаговую настройку режима «Добавление» в Экстракторе 1С.

Как понять, когда 600 единиц товара – большой запас, а когда уже риск дефицита? Разбираем Retail BI на расчётах запасов, прогнозировании спроса, экономике промо, российских исследованиях и реальных архитектурах данных.

Пошагово показываем, как получить и установить Экстрактор 1С, подключить его к Yandex DataLens и выполнить первую выгрузку данных. Разбираем весь путь от регистрации и лицензирования до появления таблицы из 1С в DataLens для дальнейшей аналитики.

Разбираем, как локализовать источник ошибки, организовать сверку данных и в каких случаях типовой синхронизации уже недостаточно и нужен управляемый интеграционный контур.

Разбираем, что нужно подготовить до создания управленческих дашбордов в Yandex DataLens: от бизнес-задач, метрик и KPI до источников, модели данных и правил обновления отчетности.

Разбираем Data Governance простыми словами: кто отвечает за данные, как согласовать правила, чем управление данными отличается от Data Management и с чего начать внедрение.

Собрали запись вебинара и подробные ответы экспертов на 25 вопросов о том, как выгружать данные из 1С, строить ETL-конвейеры, готовить витрины и создавать единый источник данных для BI.

Разбираем, как MDM-система объединяет мастер-данные из 1С, CRM, ERP и других источников, устраняет дубли, формирует эталонные записи и готовит единые данные для DWH и BI.

Разбираем, куда выгружать данные из 1С для BI: ClickHouse, PostgreSQL, MS SQL, 1С:Шина, Kafka или Artemis. Сравниваем варианты по объему, скорости, стоимости, сопровождению и BI-интеграциям.

В статье мы рассмотрим, что такое качество данных и Data Quality, какие критерии используют для оценки данных, как выявить ошибки, дубли, неполноту и несогласованность

Разберем, как low-code ETL помогает ускорить подготовку данных, упростить обновление отчетов и уменьшить объем ручной работы.

Рассмотрим, какие сведения появляются на разных этапах, кто с ними работает и как PLM связывает эту информацию.

В статье рассказываем, как объединить данные из 1С, CRM и других источников, исключить дубли и ошибки, а также автоматизировать обогащение информации для BI-аналитики и корпоративной отчетности.