Опубликовано: 16.10.2026 | Источник: CNews (новости)

BI-отчётность телеком-оператора в ВКР: от МСФО-данных до защищаемой архитектуры

30 марта 2026 года АО «ЭР-Телеком Холдинг» (ТМ «Дом.ru», «Дом.ru Бизнес») опубликовало консолидированные финансовые результаты за 2025 год по МСФО. Для выпускника ИТ-направления это не «новость про деньги», а готовый полигон: за каждой строкой отчёта стоит пайплайн, хранилище, витрина и контур контроля качества данных. Если вы делаете ВКР по Data Engineering, BI или аналитике, телеком-оператор — идеальный объект: мультисервисная модель, B2B и B2C, десятки источников, жёсткие сроки закрытия периода. Ниже — как превратить этот кейс в диплом, который комиссия воспримет как рабочую задачу, а не реферат.

FAQ: что студенты спрашивают до старта

Где взять данные, если реальные цифры оператора закрыты?

Используйте три источника: открытая отчётность (агрегаты из публикации), синтетический генератор на Python (Faker + numpy) и публичные датасеты телеком-оттока (например, Telco Customer Churn). В Главе 1 честно опишите ограничение: «промышленные данные заменены синтетическим эквивалентом с сохранением схемы и распределений». Комиссия принимает это, если вы покажете метрики качества генерации.

Какой стек выбрать, чтобы не переусложнить?

Для ВКР достаточно PostgreSQL (или ClickHouse для витрин) + Airflow + dbt + Superset/Power BI. Это связка, которую узнают на защите. Kubernetes и Spark добавляйте только если тема прямо про масштабирование — иначе усложните себе нормоконтроль и демо.

Как считать эффективность, если это «просто отчётность»?

Считайте TCO: часы аналитиков на ручную сборку × ставку × частоту × 12 месяцев против стоимости разработки и поддержки. Плюс метрики качества: доля расхождений между витриной и источником, время закрытия периода (days to close), количество ручных правок. Всё это ложится в Главу 3 и защищается цифрами.

Что требовать от нормоконтроля по схемам?

ГОСТ 34.601-90 для стадий, ГОСТ 19.701-90 для схем данных, UML/C4 — как нотация, но с расшифровкой. Главное: каждая схема должна иметь подпись, ссылку в тексте и объяснение, а не висеть «для красоты».

Темы ВКР: три вектора на базе кейса

• Тема 1. Проектирование хранилища данных для консолидированной отчётности телеком-холдинга.
  Актуальность: публикация результатов за 2025 год показывает, что холдинг consolidates несколько юрлиц и сервисов — значит, нужна единая модель данных.
  Цель: разработать архитектуру DWH и витрин для отчётности по МСФО.
  Задачи: анализ источников, выбор модели (звезда/снежинка), проектирование ETL/ELT, реализация витрин, оценка производительности.
  Структура: Гл.1 — анализ предметной области и стандартов; Гл.2 — проектирование DWH (C4, ERD); Гл.3 — реализация, тесты, метрики.
• Тема 2. Контур Data Quality для отчётности по МСФО.
  Актуальность: ошибка в одной строке — искажение EBITDA и репутационные риски. Кейс оператора это подчёркивает.
  Цель: построить систему правил и метрик качества данных.
  Задачи: классификация дефектов, реализация проверок, дашборд DQ, регламент реагирования.
  Структура: Гл.1 — теория DQ и ISO/IEC 25010; Гл.2 — проектирование правил и пайплайна; Гл.3 — эксперимент с «грязными» данными и метрики.
• Тема 3. BI-витрина для B2B-сегмента с прогнозом оттока.
  Актуальность: «Дом.ru Бизнес» — отдельный сегмент со своей экономикой; удержание клиентов напрямую влияет на выручку.
  Цель: разработать витрину и модель прогноза churn.
  Задачи: проектирование витрины, feature engineering, обучение модели, интеграция с дашбордом.
  Структура: Гл.1 — обзор рынка и методов; Гл.2 — архитектура и модель данных; Гл.3 — валидация модели, метрики ROC-AUC/F1, экономический эффект.

Основная часть: как встроить материал статьи в главы

Глава 1. Анализ: от новости к предметной области

Не пересказывайте пресс-релиз. Возьмите из него только подтверждённые факты: период (2025), стандарт (МСФО), структуру (холдинг, бренды). Дальше — ваш анализ: какие бизнес-процессы порождают данные, какие метрики критичны (выручка, EBITDA, ARPU, churn), кто потребители отчётности. Здесь уместны диаграмма Исикавы по источникам расхождений и контекстная диаграмма C4 (System Context) — оператор, источники, хранилище, потребители.

Глава 2. Проектирование и реализация пайплайна

Покажите поток: источники → сырой слой → нормализация → витрины. Зафиксируйте, почему ELT, а не ETL: сырые данные дешевле хранить, трансформации версионируются в dbt. Ниже — минимальный пример DAG для Airflow, который можно вставить в приложение ВКР.

from datetime import datetime, timedelta
from airflow import DAG
from airflow.operators.python import PythonOperator
from airflow.providers.postgres.hooks.postgres import PostgresHook

def load_raw():
    hook = PostgresHook(postgres_conn_id="dwh_src")
    hook.run("""
        INSERT INTO raw.finance_revenue (period, segment, amount)
        SELECT period, segment, amount FROM staging.finance_revenue
        WHERE load_dt = CURRENT_DATE;
    """)

def build_mart():
    hook = PostgresHook(postgres_conn_id="dwh_dst")
    hook.run("REFRESH MATERIALIZED VIEW mart.mv_ebitda_monthly;")

with DAG(
    dag_id="finance_reporting_daily",
    start_date=datetime(2026, 1, 1),
    schedule="0 3 * * *",
    catchup=False,
    default_args={"retries": 2, "retry_delay": timedelta(minutes=10)},
) as dag:
    t1 = PythonOperator(task_id="load_raw", python_callable=load_raw)
    t2 = PythonOperator(task_id="build_mart", python_callable=build_mart)
    t1 >> t2

Для Главы 2 также подготовьте ERD витрин и модель данных в нотации «звезда». Если используете dbt — приложите YAML с тестами (not_null, unique, relationships): это сразу закрывает часть вопросов по качеству.

Глава 3. Метрики, наблюдаемость и экономика

Здесь кейс раскрывается сильнее всего. Считайте две группы метрик:

Наблюдаемость пайплайнов удобно показать через OpenTelemetry: трассировка задач Airflow, экспорт метрик в Prometheus, алерты на превышение SLA. Это добавляет вашей работе инженерной зрелости и отличает её от типовых «дашбордов ради дашбордов».

Чему вы научитесь

• Проектировать слоистую архитектуру DWH и обосновывать выбор модели.
• Писать идемпотентные пайплайны и покрывать их тестами данных.
• Считать бизнес-метрики (EBITDA, ARPU, churn) и метрики качества данных.
• Оформлять архитектурные схемы по C4/UML с привязкой к ГОСТ 34.
• Оценивать TCO решения и защищать экономический эффект перед комиссией.

Источник: «ЭР-Телеком Холдинг» объявляет финансовые результаты за 2025 год (опубликовано 2026-03-30)