Одногодинний склад даних Plata та кінець Tableau

Будь-який керівник платформи, що займався аналітикою у роздрібному банку, знає щоденний ритм: сховище оновлюється вночі, сплески шахрайства виявляються о 10 ранку, а команда операцій витрачає другу половину дня на ліквідацію збитків, заподіяних о 3 ночі. Plata, найбільш швидкозростаючий мексиканський фінтех-банк, вирішила, що така затримка неприйнятна. Сховище даних тепер оновлюється щогодини та забезпечує від 80 до 90 відсотків усіх процесів обробки даних у компанії.

Це одне архітектурне рішення, прийняте три з половиною роки тому, коли команда налічувала вісім людей, пояснює, чому у відділі тепер понад п'ятдесят співробітників. І саме тому Plata впевнена, що може повністю відмовитися від Tableau.

Цифри

Почнемо з кривої зростання. Команда сховища даних виросла з 8 людей до більш ніж 50, організованих приблизно у 10 спеціалізованих команд, за три з половиною роки. Це 6-кратне збільшення кадрового складу у галузі, де більшість фінтехів досі сперечаються про те, чи є аналітична інженерія справжньою посадою. Як повідомляв FinTech Magazine, керівник відділу сховища даних Іван Щукін побудував функцію з нуля після того, як технічний директор Андрій Шелєхін переманив його, прямо сказавши: «нам потрібно створити найкращий продукт».

Операційні показники важливіші за кількість персоналу. Годинна затримка оновлення замість 24-годинної, яка досі характеризує більшість банківських сховищ, кардинально змінює можливості аналітики. При затримці у 24 години ви займаєтеся розслідуванням. При затримці в одну годину — ви керуєте операціями. Сплеск відхилених карткових авторизацій о 11 ранку перетворюється на інцидент, який можна вирішити до обіду, а не на тікет у Jira, який аналітична команда подасть завтра.

Цифра від 80 до 90 відсотків — це те, що я б підкреслив для кожного технічного директора, який читає це. Коли одне сховище забезпечує таку частку процесів обробки даних з автоматизованими перевірками якості та сповіщеннями для кожного пайплайну, ви централізували джерело істини так, як більшість банків можуть лише намалювати на дошці. Виробничі інциденти, які я спостерігав у фінтехах подібного розміру, майже завжди пов'язані з двома або трьома паралельними сховищами даних, що виходять із синхронізації. Plata виключила цей сценарій збою з архітектури.

Варто також згадати рішення щодо повного версіонування. Кожна зміна кожного запису фіксується та зберігається. Щукін відверто зізнається, що «більшість гравців ринку бояться цього». І він має рацію, вказуючи на це. Повне версіонування збільшує витрати на зберігання, ускладнює запити на видалення даних у стилі GDPR та ускладнює еволюцію схеми. Впровадження цього підходу з першого дня у банку — або сміливий, або безрозсудний крок. Показник охоплення процесів у 80–90 відсотків свідчить про те, що це виправдало себе.

П'ятдесят людей — це недешево. Для компактного фінтеху це суттєва стаття бюджету, легко еквівалентна двом інженерним командам. Противагою є те, що Plata планує запускати кожен новий ринок у Латинській Америці лише з двома-чотирма аналітичними інженерами, спираючись на інструменти, вже побудовані центральною командою. Це і є вся концепція: важко інвестувати в платформу, а потім масштабуватися на нові ринки з мінімальними командами.

Що справді нового

Годинне сховище не є новим за принципом. Потокова CDC у Snowflake або ClickHouse була технічно можлива роками. Нове те, що мексиканський роздрібний банк реально працює на цьому як на стандарті, а не як на виключенні, та будує 80–90 відсотків своїх потоків даних навколо цього припущення.

Справді новою ставкою є план поступово відмовитися від Tableau та Apache Superset повністю. Не доповнити їх. Не інтегрувати зверху LLM. А вивести з експлуатації. Формулювання Щукіна: «протягом наступного року кожен аналітик писатиме власні невеликі BI-інструменти за допомогою AI-агентів». Замінником слугують згенеровані AI-застосунки Streamlit, індивідуальні Python-візуалізації, створені на вимогу, а не дашборди, підготовлені центральною командою.

Це справжній відхід від усталеної практики. Модель дашборда як артефакту є галузевим стандартом протягом п'ятнадцяти років. У кожній корпоративній команді даних є цвинтар застарілих Tableau-воркбуків, про які ніхто вже не пам'ятає. Заміна їх одноразовими згенерованими Streamlit-застосунками перевертає модель власності. Аналітик більше не є споживачем дашбордів, що запитує зміни у BI-команди. Він є автором, з LLM як партнером з програмування.

Інший новий елемент — внутрішнє IDE. Зараз співробітники Plata використовують близько 10 різних інструментів для роботи з даними: Airflow для планування, Snowflake-аркуші для SQL, Tableau та Superset для дашбордів, та інші. Щукін хоче «лише одне вікно для будь-якого завдання». Консолідація їх в єдине середовище з підтримкою AI включена до дорожньої карти на рік.

Моя думка: консолідація IDE є складнішою проблемою і більш цінною. Будь-хто може швидко створити Streamlit-застосунок за допомогою Claude. Побудувати інтегроване середовище, де планування, запити, моделювання, візуалізація та відстеження походження даних знаходяться в одній панелі з агентом, що розуміє вашу конкретну схему, — це багаторічна інвестиція в платформу. Plata сигналізує, що будуватиме це самостійно, а не чекатиме на постачальника. Зважаючи на те, як погано нинішні BI-постачальники впоралися з переходом на LLM, це може бути правильним рішенням.

Що вже очікується від команд з даних

Більшість старших керівників у сфері даних вже очікують, що аналітична інженерія стане стандартною посадою для всіх, хто знаходиться між сирими пайплайнами та бізнес-користувачами. Такі інструменти, як dbt, зробили цю роль зрозумілою. Plata стверджує, що була «серед перших», хто наймав під назвою аналітичного інженера, і ці строки виглядають правдоподібно. Що вже є очікуваним: сама дисципліна. Що ще не є очікуваним: укомплектування цілого відділу з п'ятдесяти людей навколо неї та ставлення до власне інженерії даних як до допоміжної функції.

Годинний цикл оновлення також дедалі більше очікується серед фінтехів, які серйозно ставляться до шахрайства та ризиків. Команди, що займаються платежами, вже запускають потокові стеки для потоків авторизації. Що тут дивує — це масштаб: не один гарячий шлях, а 80–90 відсотків усіх процесів обробки даних компанії на одній майже-реальночасовій основі.

Те, що застане команди з даних зненацька, — це чесне визнання Щукіним обмежень LLM поверх сховищ. Він відкидає подачу постачальників про те, що можна «інтегрувати LLM з будь-якою базою даних, і вона стане простим комп'ютером, якому можна ставити будь-які запитання». Його відповідь: «спочатку потрібно описати свої дані, і саме над цим ми зараз працюємо». Це проблема семантичного шару, і це реальна робота, яку ніхто не хоче фінансувати. Кожна команда, що робить ставку на text-to-SQL як на ярлик, наштовхнеться на цю стіну.

Незручний висновок: більшість фінтехів витратили 2025 рік на купівлю AI-функцій у свого BI-постачальника і назвали це стратегією. Plata виконує нецікаву роботу з документування своєї схеми настільки добре, щоб LLM міг міркувати про неї. Ось у чому конкурентна перевага.

Контраріанська точка зору

Контраріанська позиція полягає в тому, що відмова від Tableau є помилкою, або принаймні передчасною. Дашборди існують з причини. Вони забезпечують спільне бачення цифр. Коли кожен аналітик генерує власний індивідуальний Streamlit-застосунок на вимогу, ви отримуєте аналітичний еквівалент тіньових IT: сорок дещо різних визначень «активного клієнта», кожне підтверджене LLM, що галюцинував JOIN.

Управління даними є контраргументом. Підготовлений дашборд Superset має власника, журнал змін і, в ідеалі, сертифіковану модель даних за собою. Згенерований AI Streamlit-застосунок не має нічого з цього, якщо тільки Plata не впровадить серйозні запобіжники у своє внутрішнє IDE. Годинне оновлення не допоможе, якщо два аналітики дійдуть різних висновків з одних і тих самих даних, тому що їхні згенеровані запити розійшлися у логіці фільтрів.

Є також кадровий ризик. План Plata щодо запуску нових ринків LATAM з двома-чотирма аналітичними інженерами передбачає, що платформа настільки хороша, що витримає навантаження. Якщо платформа дасть збій, ці крихітні осередки стануть вузькими місцями, а центральна команда опиниться в режимі пожежогасіння одразу у п'яти країнах. Модель компактних осередків чудово працює — поки не перестає.

Ключові висновки

• Годинна затримка — це тепер мінімальна вимога для серйозних фінтехів. Якщо ваше сховище досі оновлюється з 24-годинним циклом, ви займаєтеся розслідуванням, поки конкуренти керують операціями.
• Повне версіонування дороге — і того варте. Plata впровадила його з першого дня і тепер запускає 80–90 відсотків процесів обробки даних на цій основі. Впровадження пізніше — вкрай болісно.
• BI-постачальники отримали попередження. Якщо згенеровані AI Streamlit-застосунки замінять підготовлені Tableau-воркбуки у масштабі, модель ліцензійного доходу традиційних BI обвалиться протягом кількох років.
• Аналітична інженерія — це тепер правильна посада для найму. Plata запускає нові ринки з осередками з двох-чотирьох людей. Якщо ваша організація досі наймає «аналітиків даних», які не можуть моделювати або доставляти рішення, ви відстаєте.
• Семантичний шар — це справжня AI-перевага. Text-to-SQL не працює без ретельного опису даних. Це нудна, дорога документаційна робота, і саме вона відрізняє демо від виробничого середовища.