"Дайджест статей 📰 OneDWH VK: как мы консолидировали данные 35 бизнес-вертикалей 🔗 https://habr.com/ru/companies/vk/articles/1064978/ 💡 Вывод: VK перенесла 0,5+ EB из 35 вертикалей на единую облачную платформу, сознательно отказавшись от переноса ""как есть"": каждый из 30 тысяч data-объектов описывался заново, с дедупликацией, data-контрактами и ролевой моделью вместо ручных заявок. Главный вывод авторов: успех единого DWH определяется не стеком, а способностью компании договориться о единых правилах работы с данными. 📰 Migrating a Data Platform: 20% technology, 80% everything else 🔗 https://medium.com/datamindedbe/migrating-a-data-platform-20-technology-80-everything-else-6a24472650f4 💡 Вывод: миграции проваливаются не на переводе SQL, а на несогласованных заранее критериях успеха, владении и порогах валидации. С AI-кодингом исполнение тривиализируется: миграция теперь 75% анализа и 25% execution, и ломается она там, где discovery-фазу пропустили как ""непрогресс"". 📰 8 Pillars of Modern Data Engineering 🔗 https://medium.com/@bvsarathc06/8-pillars-of-modern-data-engineering-5b36870c729f 💡 Вывод (по частичному тексту, пейволл Medium): инженерию данных преподают как список инструментов, хотя устойчивость даёт понимание анатомии системы, пути данных от источника до потребителя. Инструменты вроде dbt и Airflow - соединительная ткань, а не органы. 📰 Как я собрала локальную MCP-платформу для мониторинга промышленных данных 🔗 https://habr.com/ru/articles/1064802/ 💡 Вывод: воспроизводимый Docker Compose стенд (PostgreSQL, Airflow, MinIO, Superset, шесть MCP-сервисов, Ollama) с полным путём данных от ETL до пояснений метрик. Ключевой паттерн: LLM подключается после детерминированного расчёта и ограничена комментарием, числа формирует код. 📰 Чек-лист по настройке системы дашбординга 🔗 https://habr.com/ru/companies/magnit/articles/1061480/ 💡 Вывод: Magnit OMNI сводит типовые боли дашбординга к шести фреймам: процессы с заказчиками, базовая гигиена отчётов, единая точка входа, скорость доставки, доверие к метрикам, процессы развития. Итог - чек-лист с приоритетами, переводящий систему из реактивного режима в проактивный. 📰 Как «Дикси» мигрировала с Power BI на Sigla Vision за 5 месяцев 🔗 https://habr.com/ru/companies/glowbyte/articles/1063906/ 💡 Вывод (материал интегратора GlowByte): миграцию 155 дашбордов строили от ранжирования по использованию: сначала топ-5, обучение команды в процессе, затем спринт переноса. Платформу выбрали под порог входа команды, а не под функциональность; T2M сократился с 210 до 112 дней. 📰 Как LLM могут помочь определить Data Lineage 🔗 https://habr.com/ru/companies/sberbank/articles/1058618/ 💡 Вывод: Сбер извлекает target и sources из SQL через GigaChat: F1 0,92 у GigaChat 2 Pro на базовом промпте, агент-рефлексия на LangGraph довёл до 0,93. Lineage позиционируется не как документация, а как механизм управления миграциями: заранее видны все потребители данных. 📰 Как мы подружили LLM с А/Б-тестами 🔗 https://habr.com/ru/companies/vk/articles/1063862/ 💡 Вывод: Дзен ушёл от BI, не потянувшего объём, к генерируемым HTML-отчётам с ботом как точкой входа. LLM работает ""микроштатным аналитиком"" и даёт итоговую рекомендацию по раскатке с учётом стратегического контекста компании. Переопределение успешного А/Б: важно не ""всё зелёное"", а кто именно выиграл и проиграл. 📰 Дата-агенты поверх BI: кто такая Dora 🔗 https://habr.com/ru/companies/glowbyte/articles/1064590/ 💡 Вывод (перевод вендора FanRuan с комментарием GlowByte): дата-агенты автоматизируют цепочку от алерта до задачи поверх готовых BI-активов: моделей, метрик, прав доступа. Ценная оговорка интегратора: агент наследует текущий беспорядок, три способа считать выручку станут тремя уверенными ответами, а фильтры интерфейса превращаются в контур безопасности."