Назад
Компания: CARELY Group (производство косметики)
Оборот: ~2 млрд ₽ в год
Каналы продаж:
~50% — маркетплейсы
~50% — сеть «Золотое яблоко»
Продукты: 3 бренда косметики: Verifique, Structura, ART&FACT (~400 SKU, ~2 млн клиентов)
Особенность: полный цикл — от производства до аналитики внутри компании
Оборот: ~2 млрд ₽ в год
Каналы продаж:
~50% — маркетплейсы
~50% — сеть «Золотое яблоко»
Продукты: 3 бренда косметики: Verifique, Structura, ART&FACT (~400 SKU, ~2 млн клиентов)
Особенность: полный цикл — от производства до аналитики внутри компании
Несмотря на позиционирование как Data-Driven, в компании наблюдались системные сложности:
- Данные собирались медленно (дни вместо минут)
- Высокая зависимость от дата-инженеров
- Частые ошибки в отчетности (например, потеря ~200 тыс. ₽ в P&L)
- Ручная агрегация данных из множества источников: 1С, Airtable, Excel, маркетплейсы, Jira / Tempo, платёжные системы
Как сделать данные понятным и доступным инструментом для команды.
Экстрактор, сырой слой DWH и архитектура, которая выдерживает рост данных.
Мифы о data-driven и почему 90% компаний на самом деле не Data-Driven.
Гипотезы (мифы), которые не сработали
Миф 1: «Найм IT-специалистов решит проблему»
Что сделали:
- Внедрили DWH (Postgres / ClickHouse)
- Использовали Airflow, DBT, Metabase
- Настроили ETL через OData
- Полная выгрузка данных → нагрузка росла вместе с объемом
- ETL выполнялся часами
- Ночные падения без мониторинга
Аналитик → Дата-инженер → Код → Исправления
Итог: медленно, дорого, нестабильно
Технологический ландшафт:
Проблемы
- Документов становится всё больше, мы выгружаем их полностью, и это занимает часы
- Пока идёт выгрузка — база перегружена, поэтому запускать её можно только ночью
- Если выгрузка падает — всё начинается сначала, и отчёты снова задерживаются
- Любая задача требует аналитика и data-инженера, поэтому изменения в аналитике делаются медленно
Миф 2: «Нанимаем специалиста по 1C и становимся data-driven»
Задача:
Автоматически фиксировать поступление товара на склад
Проблема:
В 1С слишком сложная структура документов
Невозможно быстро определить нужное событие
Много итераций — без результата
Итог: автоматизация не достигнута
Интеграция 1С и таск-трекера
Идея: завести авто-задачу при первом поступлении товара на склад.
- Создание продукта — сложный процесс, он управляется в трекере задач, а не в 1С
- Чтобы процесс продолжался, важно знать, когда продукт впервые поступил на склад
ПРОБЛЕМЫ В ЭТОЙ ИНТЕГРАЦИИ
- С трудом выбрали документ для подписки
- С первого раза заработало неверно
- Долгие итерации
- Наладить так и не смогли
Миф 3: «Назвались data-driven и стали data-driven»
Реальность:
- Формально есть DWH и BI
- Фактически:
данные разрознены
ошибки неизбежны
3 бренда косметики
400+ SKU
1.8 + млрд оборот компании
50% занимает доля маркетплейсов
Кажется, что достаточно:
- нанять аналитиков
- завести DWH
- собрать дашборды
Но реальность сложнее …
Ключевая причина проблем:
Главная проблема — архитектура работы с данными, а не отсутствие инструментов.
- Полные выгрузки вместо инкрементальных
- Отсутствие событийной модели (CDC)
- Зависимость от разработчиков
- Нет автоматической доставки данных
Задача: P&L группы компаний
Чтобы построить P&L, нам уже нужно было выгружать огромный объём данных из 1С
- продажи и себестоимость
- движение безналичных средств
- зарплаты и начисления
- внутреннее потребление
- казначейство
- сроки РБП
И ещё дополнительные данные вне 1С
- Airtable — платежи и финансы ИП
- SolarStaff — подрядчики
- Jira + Tempo — трудозатраты
- Excel — учёт подрядчиков
- ЛК клиентов — логистика
И тут становится понятно: почему PNL собирался руками
Решение:
Внедрение продукта Экстрактор 1С (Денвик Аналитика)Что изменилось:
| Было | Стало |
|---|---|
| Полная выгрузка | Инкрементальная (CDC) |
| ETL по расписанию | Событийная загрузка |
| Нагрузка от объема | Нагрузка от изменений |
| Дата-инженеры в каждой задаче | Аналитики работают сами |
Как работает новое решение
Архитектура
- Аналитик находит нужные документы в 1С
- Настраивает подписку на изменения
- При изменении данных: событие фиксируется, а данные автоматически отправляются в DWH
- При сбое — автоматический retry
Скачать презентацию с выступления на Data+AI 2026
Видео с выступления на Data+AI 2026:
Ключевые инсайты и выводы
Технические эффекты
- Доставка данных: с дней → до минут
- Отказ от ночных ETL
- Отсутствие пропусков данных
- Снижение нагрузки на 1С
Бизнес-эффекты
- Устранение ошибок в отчетности
- Быстрое принятие решений
- Снижение затрат на разработку
- Уменьшение зависимости от IT
Организационные изменения
- Аналитики стали самостоятельными
- Дата-инженеры переключились на сложные задачи
- Упростилась коммуникация с бизнесом
Общий итог
Компания прошла путь от:
❌ сложной, медленной и дорогой аналитики
к:
✅ быстрой, событийной и управляемой системе данных
❌ сложной, медленной и дорогой аналитики
к:
✅ быстрой, событийной и управляемой системе данных
1. Data-Driven — это не про инструменты
Наличие DWH и BI ≠ Data-Driven
2. Важна событийная модель (CDC)
Инкрементальные изменения → основа эффективности
3. 1С — не проблема, а актив
Это структурированный источник данных, если правильно подключить
4. Самообслуживание аналитиков — критично
Чем меньше посредников — тем быстрее бизнес
Наличие DWH и BI ≠ Data-Driven
2. Важна событийная модель (CDC)
Инкрементальные изменения → основа эффективности
3. 1С — не проблема, а актив
Это структурированный источник данных, если правильно подключить
4. Самообслуживание аналитиков — критично
Чем меньше посредников — тем быстрее бизнес
Понравился проект?
Хотите подобную работу? Оставьте заявку и мы отправим вам персональное
предложение!
Оставьте
заявку
Вы уже работаете с BI-системами?
Экстрактор данных 1С - инструмент для быстрой и безопасной выгрузки
данных из программы 1С или файлов Excel во внешнюю базу данных. Больше не нужно привлекать
программиста для настройки обмена и открывать внешний доступ к базе 1С.
Заказать демо
Примеры других проектов
Оптимизация работы с данными из 1С в федеральной финансовой сети
-
Задача:
Компании нужно было перевести работу с данными из ручного и контролируемого процесса в полностью автоматизированный и устойчивый.
Как выстроить первый этап автоматизации выгрузки данных из учетной системы
-
Задача:
Перейти от разрозненных и во многом ручных сценариев выгрузки данных к единому, управляемому и масштабируемому процессу поставки данных в аналитическую систему.
Как упростить доступ к данным из 1С ERP для аналитики: кейс компании ООО «Милорада»
-
Задача:
Упростить получение данных из 1С для аналитических задач.
Основные требования к инструменту: возможность выгружать необходимые таблицы и данные из 1С, формировать новые выборки данных для аналитики и отчетов.
Как крупная логистическая компания восстановила обмен данными между WMS и 1С с помощью Инжектора 1С
- Задача: Восстановить двусторонний обмен между WMS и 1С в максимально короткие сроки — и сделать его стабильным, предсказуемым и не зависящим от ручных сценариев.
Синхронизация между конфигурациями 1С: новая шина данных от Денвик
- Задача: Синхронизировать справочники в программах «Бух» и «УНФ» так, чтобы можно было формировать регламентированную отчётность и анализировать результаты работы компании, избегая при этом выгрузки ненужных данных