Lasmart | Аналитика и рост в ритейле

Единые стандарты выкладки даже в условиях Крайнего Севера 🥶 Как выстроить единые стандарты выкладки, если срок поставки отдельных товаров может достигать 45 дней? Эту задачу решала компания ООО «Рубин», развивающая торговые сети «Океан» и «Зеленая линия» в Норильске и северных районах Красноярского края. Вместе с командой заказчика мы внедрили Планировщик пространства SpacePlanner и адаптировали процесс управления выкладкой под особенности региона. Вместо жесткого контроля каждой SKU основной акцент сделали на товарных блоках и категориях. Такой подход позволяет сохранять логику выкладки даже при временном отсутствии части ассортимента. В кейсе рассказываем: • почему компания решила автоматизировать управление выкладкой; • как проходило внедрение; • какие результаты получила сеть уже на первых этапах проекта. 🔗 Читать по ссылке Наш сайт Мы ВКонтакте

Почему 90% данных не готовы к работе с ИИ? 🤖 Многие компании уже тестируют AI-агентов и корпоративные ИИ-ассистенты. Но на практике большинство проектов сталкиваются с одной и той же проблемой: ИИ получает доступ к данным, но не понимает их контекст. В результате появляются неточные ответы, «галлюцинации» и ограничения при масштабировании решений. 📆 23 июня в 11:00 МСК приглашаем на бесплатный вебинар: «Почему 90% данных не готовы к работе с ИИ: архитектурный фундамент AI-агентов» На вебинаре разберем: 📊 почему прямого доступа к данным недостаточно для AI-агентов 📊 зачем нужен семантический слой, и как он помогает снизить количество ошибок 📊 какие компоненты включает AI-Ready архитектура 📊 как подготовить DWH, BI и корпоративные данные к работе с ИИ 📊 с чего начать внедрение и масштабирование AI-агентов Спикер — Павел Хамрин, руководитель AI-направления Lasmart. 🎁 Бонус участникам — персональный разбор вашего стека данных и рекомендации по подготовке архитектуры для запуска AI-агентов. 🔗 Регистрация по ссылке

Почему проблемы производительности БД сложно выявить ⚙️ Когда база данных начинает «тормозить», кажется, что причина где-то на поверхности: не хватает ресурсов, плохие запросы или выросла нагрузка. На практике всё сложнее — деградация почти никогда не возникает в одном месте. ⚠️ Проблемы накапливаются слоями. Инфраструктура, настройки СУБД, модель данных и SQL — каждый уровень может вносить свой вклад. В итоге симптомы проявляются в одном месте, а причина находится совсем в другом. Из-за этого команды часто «лечат» не то: ⚙️ добавляют ресурсы вместо оптимизации запросов, ⚙️ переписывают код вместо настройки конфигурации, ⚙️ или месяцами ищут проблему, которая лежит в устаревшей статистике. Сложность ещё и в том, что сама база «маскирует» проблемы. Неэффективные запросы могут работать нормально до роста данных, неправильные настройки — не проявляться до пиковых нагрузок, а архитектурные ошибки — накапливаться годами. Поэтому разовый анализ почти никогда не дает полной картины. К моменту, когда аудит завершен, часть проблем уже изменилась, а новые — появились. Рабочий подход здесь только один — системный. Смотреть на базу не как на «чёрный ящик», а как на набор уровней: 🔹 инфраструктура и ресурсы 🔹 конфигурация СУБД 🔹 модель данных и индексы 🔹 SQL-запросы Только такая декомпозиция позволяет понять, где именно возникает узкое место, и не тратить время на ложные гипотезы. И именно поэтому ручной аудит всё чаще заменяется автоматизированным мониторингом, когда система постоянно отслеживает состояние базы, находит отклонения и показывает не симптомы, а причины.

Когда компании действительно нужно DWH ⚙️ Хранилище данных становится актуальным в тот момент, когда текущая работа с данными перестает масштабироваться. Это хорошо видно по типовым ситуациям, которые регулярно повторяются в разных компаниях. Если вы узнаете себя хотя бы в нескольких пунктах, стоит задуматься о переходе к DWH 🔼 Важно: перечисленные признаки указывают на ограничения текущей архитектуры данных. По мере роста компании такие ограничения начинают напрямую влиять на скорость принятия решений и качество аналитики. Хранилище данных позволяет выстроить единую модель, зафиксировать метрики, разделить операционную и аналитическую нагрузку и обеспечить стабильную работу с историческими данными. При своевременном внедрении DWH аналитика становится системной и воспроизводимой. Это дает возможность быстрее находить закономерности, точнее оценивать ситуацию и принимать решения на основе согласованных данных 📈