Популярные вопросы

Подключение происходит через готовые коннекторы к популярным ERP и CRM-системам. Данные попадают в KPI-систему автоматически, а если в компании уже есть Power BI, дашборды интегрируются без потери наработок.

Да. Интеграция выполняется через REST API платформы, вебхуки или промежуточный сервис обмена. Самые частые сценарии — единый вход через корпоративный аккаунт (Active Directory, LDAP, SSO) и синхронизация пользователей и структуры подразделений из кадровой системы.

Для внешнего учебного контента работают стандарты SCORM, xAPI и LTI. Конкретный перечень интеграций определяется на этапе анализа требований — в зависимости от того, какие системы уже использует учреждение.

KPI — это измеримые показатели эффективности текущей деятельности, а OKR — метод постановки амбициозных целей с ключевыми результатами. Они не взаимоисключающие: OKR часто опираются на те же данные, что и система KPI.

Да. Переносятся курсы, учебные материалы, база пользователей и история прохождения. Если материалы сейчас существуют в виде документов, презентаций и видео, они собираются в структурированные курсы; если в другой LMS — используется экспорт в стандартных форматах.

Миграция выполняется как управляемый проект: сначала тестовый перенос на копии, затем сверка данных и только после этого запуск в продуктивной среде. План отката готовится заранее.

Стандартно доступны отчёты о прогрессе и завершении курсов, результатах тестов, активности пользователей, журнал оценок и логи действий. Их можно фильтровать по подразделению, группе, курсу и периоду и выгружать в файл.

Если учреждению нужна форма отчёта, которой нет в ядре платформы, мы разрабатываем кастомный отчёт — например, сводку по выполнению обязательных программ в разрезе территориальных подразделений.

Да. Поддержка Moodle работает по SLA и включает обновления ядра и плагинов, в том числе патчи безопасности, мониторинг производительности, реакцию на инциденты и консультации для администраторов учреждения.

Отдельно ведётся развитие платформы: новые курсы и подразделения, дополнительные интеграции и отчёты. Например, систему корпоративного обучения, которую мы модернизировали для ведущего банка Украины, после запуска оставили на нашем сопровождении.

AI-решение для бизнеса — это система, которая обучается на данных компании и берёт на себя решение или действие, ранее требовавшее человека: спрогнозировать спрос, оценить риск оттока клиента, классифицировать обращение, подобрать рекомендацию, найти ответ в корпоративных документах.

Искусственный интеллект для бизнеса отличается от обычной автоматизации тем, что работает не по жёстко прописанному правилу, а по закономерности, выведенной из исторических данных.

AI-автоматизация быстрее всего даёт эффект на повторяющихся операциях, которые не сводятся к простому правилу: обработка и проверка документов, классификация и маршрутизация обращений, подготовка и нормализация данных, формирование типовых текстов.

Там, где процесс описывается чёткими условиями, дешевле сработает классическая автоматизация бизнес-процессов. Мы разделяем эти два слоя: AI берёт на себя именно тот шаг, где нужно «понимание» текста, документа или поведения.

AI-аналитика данных применяется там, где объём информации превышает возможности ручного разбора: поиск закономерностей в транзакциях, поведенческая кластеризация клиентской базы, выявление аномалий, проверка бизнес-гипотез на исторических данных.

В проекте для Планеты Кино ML-алгоритмы разложили базу на поведенческие кластеры по данным более чем года транзакций, а результаты проверялись вместе с маркетинговой командой через глубинные интервью.

Предиктивная аналитика — это прогноз будущих событий на основе исторических данных: спроса, продаж, загрузки, остатков, вероятности оттока клиента. В отличие от обычной отчётности, которая описывает прошлое, прогнозная аналитика даёт время на действие.

Практический пример: для группы компаний «Новые Продукты» ансамблевая ML-модель прогнозирует объёмы производства с точностью более 80%. Компания перешла от реакции на дефицит или излишек постфактум к заблаговременному планированию объёмов.

Да, и именно это делает решение рабочим. Интеграция AI выполняется через REST API, очереди сообщений, вебхуки или прямое подключение к хранилищу данных — в зависимости от вашей инфраструктуры.

Пример из практики: в Планете Кино оценка риска оттока передаётся в Salesforce Marketing Cloud, и пользователь получает сообщение, адаптированное под его уровень риска. Так же прогнозы могут попадать в ERP для планирования производства или в BI-отчётность.

Да, разработка AI-решений под конкретные процессы компании — основной формат нашей работы. Кастомные AI-решения нужны тогда, когда готовый сервис не учитывает специфики бизнеса.

Показательный случай — GoodWine: клиент планировал использовать готовый рекомендательный сервис, но при тестировании выяснилось, что модель не принимает во внимание остатки товаров на складе. Собственная модель, объединившая поведенческие и логистические факторы, дала +5% к среднему чеку и +10% к ротации запасов.

Нужна история событий, которые вы хотите прогнозировать или классифицировать: транзакции, обращения, заказы, показатели производства, поведение пользователей. Важен не только объём, но и глубина периода и полнота фиксации.

Состояние данных почти всегда оказывается отдельной задачей. В кейсе «Новых Продуктов» часть торговых точек не фиксировала нулевые остатки, и система путала отсутствие продаж с отсутствием спроса — методы аппроксимации исправили это искажение и существенно улучшили прогноз. Поэтому внедрение AI мы начинаем с аудита данных, а не с выбора модели.

Срок зависит от состояния данных и от того, сколько систем затрагивает интеграция. Для ориентира — реальные сроки наших проектов: модель прогнозирования оттока для Edenred заняла 5 месяцев, аналитика и модель оттока для Планеты Кино — 8 месяцев, прогнозирование производства для «Новых Продуктов» и рекомендательная система для GoodWine — по 12 месяцев вместе с внедрением.

Проверить гипотезу на PoC обычно можно значительно быстрее. Точную оценку даём после аудита данных и фиксации объёма первого этапа.

Да, и для большинства задач это самый разумный старт. PoC проверяет одну вещь: есть ли в данных сигнал, достаточный для нужной точности. Это переводит решение о дальнейших вложениях в плоскость фактов, а не ожиданий.

Такой подход мы применяем системно. Первая версия модели для «Новых Продуктов» была построена на ограниченном наборе признаков ещё на этапе тендера и, несмотря на простоту, показала наивысшую точность среди всех участников. Полноценная ансамблевая модель разрабатывалась уже после подтверждения гипотезы.

Да. После запуска модель требует сопровождения: качество прогнозов контролируется, а сама модель переобучается на новых данных, потому что поведение клиентов и рынок меняются.

Масштабирование обычно идёт двумя путями: расширение на смежные задачи и категории — в «Новых Продуктах» первая модель стала фундаментом для других товарных направлений — или подключение новых каналов и систем, как в Планете Кино, где рекомендации работают одновременно в push, email и мобильном приложении.