Демо
Обучение
Блог
Главная

Приложение 3.

Практические бизнес-сценарии

В данной части описаны несколько бизнес-сценариев, в которых для решения задачи используется плагин Р7 Слайдер Данные.
Сценарий 1 - Подготовка сводного финансового отчета
Описание проблемы
  • Компания: Торговая сеть из 15 магазинов
  • Отдел: Финансово-экономический
  • Роль: Главный экономист Анна Петрова
Текущая ситуация
Каждый месяц Анна тратит 3-4 дня на подготовку сводного финансового отчета для руководства, объединяя данные из:
  • MySQL (основная учетная система) - данные по продажам и остаткам товара
  • Excel-файлы от региональных менеджеров - данные по аренде и операционным расходам
  • CSV-выгрузки из банка - движения по расчетному счету
  • CSV-файлы от поставщиков - данные о закупках и задолженностях
Проблемы старого процесса:
  1. Много ручной работы: Скачивание 10-15 файлов из разных систем
  2. Риск ошибок: Копирование данных через буфер обмена, формулы ВПР на 500+ строк
  3. Нет автоматизации: При изменении данных нужно пересчитывать все заново
  4. Время: 25-30 часов в месяц только на техническую работу
  5. Версионность: Сложно отследить, какие данные откуда взяты
  6. Форматы файлов: CSV от банка, Excel от менеджеров, MySQL выгрузки - все по-разному
Решение с плагином Слайдер Данные
Подход
  • Время внедрения: 1 неделя
  • Окупаемость: 1 месяц
  • Сложность обучения: Низкая (базовые знания SQL)
  • Подходит для: Компаний с 3+ источниками финансовых данных
Настроим один гетерогенный запрос, который автоматически объединяет все источники.
Подготовка окружения - Запуск прокси-сервера

bash
# В Windows
xldb-database-proxy.exe

# В Linux
./xldb-proxy-astra
Проверить порт прокси через браузер – ввести http://127.0.0.1:55080 и получить ответ «Ок»

Подготовка источников данных
  • Файловые источники данных Excel и CSV (выгрузки от региональных менеджеров, из банка и от поставщиков) организованы в следующих папках
C:\demo_slider_data\
├── excel\regions_operational_costs.xlsx
├── csv_bank\bank_statements.csv
└── csv_suppliers\suppliers_data.csv
Файл regions_operational_costs.xlsx содержит плоскую таблицу с операционными расходами по регионам

Файл bank_statements.csv

Файл suppliers_data.csv

Реляционная база данных содержит источники данных таблицы с магазинами shops, продажами
по периодам sales.

Таблица shops – 5 магазинов

Таблица sales – 15 записей о продажах

В материалах к бизнес-сценарию (папка Сценарий 1) размещены скрипты для создания баз данных MySQL и PostreSQL с аналогичной структурой и данными. Пользователь может выбрать один из двух скриптов. Продолжим пример далее с помощью PostgreSQL.
Настройка подключений к источникам (один раз)
Соответствующие файлы примеров данных представлены в папке «Сценарий 1 -Подготовка сводного финансового отчета»
  • PostgreSQL база данных: Подключение к системе учета продаж и товаров (таблицы salesи shops).
  • Базу можно развернуть с помощью скрипта в приложениях – сделайте это самостоятельно или обратитесь к системному администратору. Попробуем создать соединение из нашего плагина.
  • Excel-файлы: Папка с регламентированными файлами от филиалов
  • CSV банка: Автоматическая обработка файлов банковских выписок
  • CSV поставщиков: Обработка файлов с данными о закупках
Формируем запросы в Менеджере SQL

Переходим в Менеджер SQL и создаем запросы, регистрируем их как гетерогенные источники данных.
Обращаемся к данным за январь.
  • Запрос shops_data к БД
SELECT
   s.shop_id,
   s.shop_name,
   s.region,
   sales.sales_revenue,
   sales.period
FROM shops s
LEFT JOIN sales ON s.shop_id = sales.shop_id
WHEREsales.period = '2025-01'

  • Предпросмотр → должны увидеть 5 строк с данными за январь
  • Зарегистрируем как источник запрос excel_costs к источнику excel_regions
SELECT * FROM regions_operational_costs
WHERE period = '2025-01'

  • Предпросмотр → должны увидеть 5 строк с расходами за январь
  • Зарегистрируем как источник запрос bank_data к источнику csv_bank
SELECT
   shop_id,
   SUM(CASE WHEN transaction_type = 'income' THEN amount ELSE 0 END) as total_income,
   SUM(CASE WHEN transaction_type = 'expense' THEN amount ELSE 0 END) as total_expense
FROM bank_statements
WHERE period = '2025-01'
GROUPBY shop_id

  • Предпросмотр → должны увидеть 5 строк с суммами по магазинам за январь
  • Зарегистрируем как источник запрос suppliers_info к источнику csv_suppliers
SELECT
   shop_id,
   SUM(purchase_amount) as total_purchases,
   SUM(payable_amount) as total_payable
FROM suppliers_data
WHERE period = '2025-01'
GROUPBY shop_id

  • Предпросмотр → должны увидеть 5 строк с суммами закупок за январь
Проверим, что источники доступны после регистрации.
Создаем итоговый гетерогенный запрос для отчета
  • В Менеджере SQL выберите «Гетерогенные запросы» –«Создать Гетерогенный запрос»->consolidated_report

SELECT
   s.shop_id,
   s.shop_name,
   s.region,
   s.sales_revenue,
   e.operational_costs,
   b.total_income,
   b.total_expense,
   sup.total_purchases,
   sup.total_payable,
   (s.sales_revenue - e.operational_costs - b.total_expense + b.total_income - sup.total_payable) AS net_profit
FROM
   shops_data s
LEFT JOIN
   excel_costs e ON s.shop_id = e.shop_id
LEFT JOIN
   bank_data b ON s.shop_id = b.shop_id
LEFT JOIN
   suppliers_info sup ON s.shop_id = sup.shop_id
ORDER BY
s.shop_id

  • После предпросмотра выгружаем в документ – отчет показывает полную финансовую картину по каждому магазину - выручка, расходы, банковские операции, закупки и итоговая прибыль за январь 2025
Дополнительно - использование переменных
Для большего контроля можно настроить использование переменных в запросах через узел дерева «Документ», например
{selected_month} = '2025-01' // Можно менять период одним кликом
{min_revenue} = 500000       // Фильтр по минимальной выручке
Результаты внедрения
Экономия времени
Процесс
До внедрения
После внедрения
Экономия
Подготовка данных

2 дня

30 минут
92%
Сверка и проверка

1 день

15 минут
97%
Форматирование отчета

4 часа

15 минут
94%
ИТОГО

25-30 часов

1-1.5 часа
95%
Качественные улучшения
  • Актуальность: Данные обновляются одним кликом
  • Точность: Исключены ошибки ручного копирования
  • Прозрачность: Видно, откуда взята каждая цифра
  • Гибкость: Можно быстро изменить период или добавить фильтры
  • Аудит: История всех изменений сохраняется
Экономический эффект
  • Экономия времени специалиста: 25 часов/месяц × 12 месяцев = 300 часов/год
  • При ставке 3000 руб/час: 900 000 рублей экономии в год
  • Повышение качества решений: Больше времени на анализ вместо рутины
  • Снижение рисков: Минимизация человеческих ошибок
  • Масштабирование решения
Дополнительные возможности
  • Еженедельные сводки - тот же запрос с параметром периода
  • Отчеты по регионам - фильтрация по переменной {region}
  • Бюджет vs факт - добавление данных планирования
  • Drill-down анализ - детализация по товарным группам
Тиражирование
  • Настройки соединений экспортируются в файл .con
  • Запросы передаются другим экономистам
  • Обучение нового сотрудника: 2 часа вместо 2 недель
  • Ключевые факторы успеха
  • Стандартизация источников: Договорились с филиалами о едином формате Excel
  • Регулярность: Обновление данных стало частью ежедневной рутины
  • Обучение: 4-часовой тренинг для команды экономистов
  • Поддержка ИТ: Помощь в первоначальной настройке подключений
Сценарий 2. Многомерная аналитика продаж для руководства
Описание проблемы
  • Компания: Федеральная розничная сеть "Продторг"
  • Отдел: Аналитический департамент
  • Роль: Ведущий аналитик Дмитрий Коваленко
Текущая ситуация
Каждую неделю Дмитрий готовит аналитические дашборды для топ-менеджмента по продажам сети из 50+ магазинов. Руководству нужны ответы на вопросы:
  • Какие товарные группы показывают рост по регионам?
  • Как динамика продаж текущего квартала сравнивается с прошлым годом?
  • Какие магазины требуют внимания по показателям эффективности?
  • Как сезонность влияет на разные категории товаров?
Источники данных для анализа:
  • Adventure Works OLAP-куб - стандартная демонстрационная база Microsoft
  • Измерения: Date, Geography, Product, Customer, Sales Territory
  • Меры: Internet Sales Amount, Reseller Sales Amount, Sales Amount, Order Quantity
Проблемы традиционного подхода:
  • Сложность доступа к OLAP: Нужны специальные клиенты (Excel + Power Pivot, Tableau)
  • Ограничения Excel Power Pivot:
  1. Медленная работа с большими кубами
  2. Сложность создания нестандартных срезов данных
  3. Невозможность сохранить и переиспользовать сложные MDX-запросы
  • Время на создание отчетов: 6-8 часов еженедельно на подготовку стандартных срезов
  • Ограниченная гибкость: Трудно быстро ответить на ad-hoc вопросы руководства
  • Отсутствие истории запросов: Сложно вспомнить, как был построен отчет месяц назад
Решение с плагином Слайдер Данные (OLAP-раздел)
Подход
  • Время внедрения: 3 дня
  • Окупаемость: 2 недели
  • Сложность обучения: Средняя (базовые знания MDX)
  • Подходит для: Компаний с корпоративными OLAP-кубами
Запуск плагина
  • Открыть Слайдер Данные → Многомерные данные (OLAP)
  • Настройки → установить параметры:
  • Максимальное количество строк: 100000
  • Максимальное количество столбцов: 500
Подключение к демонстрационному OLAP-серверу с кубом Adventure Works:
  • Сервер: Публичный OLAP-сервер
  • Куб: Adventure Works
  • Измерения: Date, Geography, Product, Customer, Sales Territory
  • Меры: Internet Sales Amount, Reseller Sales Amount, Order Quantity
Создание соединения c кубом (если его нет в поставке):
  • Менеджер соединений → Новое соединение
  • Заполнить параметры:
  • Имя соединения: Adventure Works
  • URL: https://olap.flexmonster.com/olap/msmdpump.dll (или уже добавленный источник).
  • Источник данных: Adventure Works DW Standard Edition
  • Каталог: Adventure Works DW Standard Edition
  • Username: (оставить пустым)
  • Password: (оставить пустым)
  • Нажать «Проверить» → «Сохранить». Истоник должен добавиться в список
Создание аналитических запросов в Менеджере запросов в OLAP модуле
Заходим в модуль OLAP, выбираем менеджер запросов и создаем соответствующие запросы к кубу

Запрос "Интернет-продажи по годам и странам"

SELECT
 [Date].[Calendar Year].[Calendar Year].Members ON COLUMNS,
 [Geography].[Country].[Country].Members ON ROWS
FROM [Adventure Works]
WHERE [Measures].[Internet Sales Amount]
Результат: Матрица интернет-продаж по странам и годам

Запрос "ТОП-10 продуктов по интернет-продажам"

SELECT
 TopCount(
   [Product].[Product].[Product].Members,
   10,
   [Measures].[Internet Sales Amount]
 ) ON ROWS,
 [Measures].[Internet Sales Amount] ON COLUMNS
FROM [Adventure Works]
Результат: Рейтинг продуктов по выручке в интернете

Запрос "Продажи по кварталам с ростом"

WITH
 MEMBER [Measures].[Previous Quarter Sales] AS
   ([Measures].[Internet Sales Amount], [Date].[Calendar Quarter of Year].PrevMember)
 MEMBER [Measures].[Growth] AS
   [Measures].[Internet Sales Amount] - [Measures].[Previous Quarter Sales]
SELECT
 {[Measures].[Internet Sales Amount], [Measures].[Previous Quarter Sales], [Measures].[Growth]} ON COLUMNS,
 [Date].[Calendar Quarter of Year].[Calendar Quarter of Year].Members ON ROWS
FROM [Adventure Works]
Результат: Квартальная динамика с расчетом роста

Запрос "Анализ продаж по категориям и территориям"

SELECT
 [Product].[Category].[Category].Members ON COLUMNS,
 [Sales Territory].[Sales Territory Country].[Sales Territory Country].Members ON ROWS
FROM [Adventure Works]
WHERE [Measures].[Internet Sales Amount]
Результат: Кросс-анализ категорий товаров по странам продаж

Результаты внедрения

Экономия времени
Процесс
До внедрения
После внедрения
Экономия
Создание стандартных срезов

4 часа

30 минут
87%
Ad-hoc анализ по запросу

2 часа

15 минут
92%
Подготовка презентации

2 часа

30 минут
75%
ИТОГО в неделю

8 часов

1.25 часа
84%

Качественные улучшения

  • Скорость ответов: От запроса руководства до результата - 15 минут вместо 2 часов
  • Гибкость анализа: Любые срезы данных без ограничений Excel
  • Переиспользование: Сохраненные MDX-запросы для регулярных отчетов
  • История: Полный аудит всех выполненных аналитических запросов
  • Масштабируемость: Работа с кубами любого размера

Экономический эффект

  • Экономия времени аналитика: 7 часов/неделю × 50 недель = 350 часов/год
  • При ставке 4000 руб/час: 1 400 000 рублей экономии в год
  • Качество решений: Руководство получает ответы в режиме реального времени
  • Конкурентное преимущество: Быстрая реакция на изменения рынка

Дополнительные возможности

  1. Прогнозная аналитика: Запросы с временными функциями MDX для трендов
  2. Сегментация клиентов: Анализ по измерению Customer с расчетными мерами
  3. Географическая аналитика: Drill-down от федеральных округов до конкретных магазинов
  4. Сезонный анализ: Сравнение продаж по аналогичным периодам разных лет

Тиражирование решения

  • Экспорт соединений: Файлы .json с настройками OLAP-подключений
  • База знаний MDX: Библиотека готовых запросов для типовых задач
  • Обучение команды: 6-часовой тренинг по основам MDX и работе с кубами
  • Шаблоны отчетов: Стандартизированные запросы для разных уровней менеджмента