Всем привет! На связи команда BI‑практики GlowByte.

У нас прошел внутренний хакатон AI Seasons. Он вдохнул жизнь в корпоративное обучение и дал участникам ощутимую бизнес‑ценность. Хочу поделиться этим опытом и подкинуть вам идею для масштабирования истории у себя. Ниже расскажу подробно, а пока вкратце опишу основную идею, как это реализовали у нас в GlowByte.

Итак, мы взяли вымышленную розничную сеть «МегаБайт» с сотнями магазинов и миллионами заказов. Поставили перед командами задачу реализовать DWH/BI‑кейс, решать задачки нужно было с помощью ИИ. На старте участвовали 28 команд, до финиша добрались три: было по‑спортивному напряжённо, горячо и энергично, так что не все смогли потянуть битву в таком темпе.

Под катом я расскажу:

• как устроен наш хакатон;

• как оценивались задания;

• какие ошибки мы допустили;

• что было ценного и что мы уже забираем в текущие рабочие процессы.

Будет здорово, если вам зайдет тема и организуете подобный «боевик» для специалистов у себя. Потом обязательно поделитесь в комментариях! 

Как устроен GlowByte AI Seasons

Формат простой: четыре недели практических заданий, сдача через Telegram‑бота, быстрая обратная связь от AI‑судьи. Работы, претендующие на первые три места, обязательно проходят ревью живого жюри. Участвовать можно соло или командой до трёх человек. Призовой фонд сезона 225 000 ₽: 100 000 ₽ за первое место, по 50 000 ₽ за второе и третье, ещё 25 000 ₽ разыгрывается в народном голосовании People’s choice.

У нас на старте было 28 команд, как я уже отметила выше, но устояли в гонке только три — семь человек суммарно. Ни одна из команд‑участниц не была «командой разработки» в привычном смысле: людей собирал не отдел, а интерес к задаче.

• Первая команда (Hallucination Station) — трое: маркетолог, ведущий бизнес‑аналитик и бизнес‑аналитик. Двое каждый день разбирали требования и данные, третий объяснял цифры бизнесу. Победитель хакатона (13 177 баллов).

• Вторая команда (EDA) — трое: администратор проектов, BI‑консультант и руководитель отдела поддержки и обучения. Состав максимально далёкий от стереотипа «хакатон для дата‑инженеров». Он и взял серебро (13 100 баллов).

• Третья команда (Me, Myself and AI) — соло‑участница из отдела маркетинга. Один человек против двух команд, полный комплект DWH‑артефактов и третье место (12 505 баллов). Название команды, как видите, говорящее.

Дальше по тексту мы называем их первой, второй и третьей — по местам в итоговой таблице.

Как начислялись баллы

Баллы — это не абстрактная «оценка жюри», а накопительная сумма за четыре недели. Механика такая:

• Каждое задание оценивает AI‑судья по трём критериям: работа с промптом, техническая часть и бизнес‑составляющая. Жюри может скорректировать итог вручную, тогда участнику приходит отдельное уведомление.

• У каждой недели свой потолок за одно задание: 200 баллов на первой неделе, 300 — на второй, 400 — на третьей и 500 — на четвёртой. Задания от недели к неделе усложняются, поэтому и стоят дороже.

• На каждое задание даётся три попытки, но в зачёт идёт только лучшая. Баллы попыток не суммируются.

• Есть два бонуса, оба работают только на первой зачтённой попытке. За скорость: если вы сдали задание раньше других команд, к итогу добавляется от 10% до 30% в зависимости от того, сколько команд успело до вас. И плюс 15% за «не своё задание», если в команде нет ни одной роли из тех, на кого задание рассчитано. Бонусы складываются: маркетолог, первым сдавший задание для дата‑инженера, получал 45% сверху.

• Отдельно идут баллы за пятничные вебинары: от 100 за выступление на открытии сезона до 500 за последнюю пятницу. В потолок за задания они не входят, а прибавляются к строке команды в таблице лидеров.

Отсюда и порядок чисел. 13 177 баллов у победителя — это не один блестящий артефакт, а сумма десятков оценок за четыре недели плюс бонусы за скорость и вебинары. Отсюда же понятно, насколько тесным был финиш: 77 баллов разницы между первым и вторым местом — это меньше половины стоимости одного задания самой лёгкой, первой недели.

Ещё одно следствие правил стоит держать в голове: бонус «не своё задание» прямо поощряет вылезать из своей роли. Поэтому в финале и оказались маркетологи с администратором проектов, а не только аналитики.

По пятницам участники по желанию вели вебинары: рассказывали коллегам, как именно они применяют ИИ в работе. Темы говорящие: «Не Клодом единым. Собираем свой AI‑стек», «Вайбкодинг. От создания „1 session product“ к управляемой последовательной разработке сложного продукта», «Личный AI‑ассистент 24/7: промты, которые реально меняют жизнь» и «Рай для интроверта: как Claude AI разгрузил мой Telegram».

В основе сезона лежит принцип, который мы формулируем так: ИИ ускоряет сбор черновика, накидывание структуры и проверку формулировок, но не превращается в специалиста, который подписывается под результатом перед клиентом. Финальная ответственность и сложные решения остаются за человеком. Поэтому участники вели «паспорт делегирования»: что отдали ИИ, что поправили руками и почему, какой получился итог.

Финальный кейс: DWH и BI для сети «МегаБайт»

Хакатон построили вокруг одного кейса. Вымышленной розничной сети «МегаБайт» нужны DWH и BI‑слой поверх него, на масштабе сотен магазинов и миллионов заказов. Все получили одну и ту же задачу и сдали полный комплект наработок: от dbt‑моделей и Airflow‑пайплайнов до дашбордов и документов передачи. Каждая команда защитила решение на вебинаре.

Общий зачёт получился плотным. Первая команда набрала 13 177 баллов. Вторая шла по пятам и с разрывом всего в 77 баллов взяла серебро — 13 100. Бронзу отдали за 12 505 баллов. Дальше разберём, в чём конкретно сила каждого решения: жюри подробно расписало все три работы, и там есть что забрать в свою практику.

Первое место (Hallucination Station): рабочая система, а не комплект документов

Команда взяла первое место благодаря тому, что собрала решение, которое можно показать заказчику как работающую систему, а не просто набор файлов. Сверка сходится без расхождений, дашборды живые и продуманные. Главное отличие от остальных в том, что команда проектировала не «сдачу на хакатон», а эксплуатацию: как это будет считаться по расписанию, что произойдёт при сбое и кто это будет чинить.

Забрали себе в работу:

• Стенд, который запускается одной командой. База, планировщик, модели и проверки качества собраны в одном docker compose, с одной командой верификации. Отличный шаблон для пилотов и демо заказчику.

• Трёхслойный контроль качества. Тесты в моделях данных, автоматические проверки в YAML и SQL‑сверка источника с витриной. В проде так и должно быть: не один инструмент контроля, а несколько линий обороны.

• Набор регрессионных тестов. Эталонные кейсы с типами ошибок: дубли, потеря строк, неверная формула. Полезно при смене разработчика или миграции SQL.

• Сверку, которая учитывает пограничные случаи бизнеса. Магазины с нулевой выручкой не выпадают из сверки. Редкая, но важная деталь для розницы.

• Инструкции для дежурного. Что делать при сбое и когда запускать полный пересчёт. Шаблон для любого расчёта, который идёт по расписанию без присмотра.

• Стек: PostgreSQL, Docker, Apache Airflow, dbt с dbt_utils, Soda Core, Chart.js, Python, Lightdash как BI поверх dbt, Wren AI для вопросов на русском с переводом в SQL, MinIO, Qdrant.

Второе место (EDA): прозрачность и проверяемость как продукт

Команда присудили серебро за прозрачность и проверяемость решения. У каждого артефакта прослеживается цепочка: что требовалось, что сделала нейросеть, что поправили и почему, как это доказать. К этому добавилась зрелая подготовка к запуску: команда заранее продумала, кому что сказать и каким документом.

Что из их подхода коллеги из GlowByte забрали в свою практику:

• Любой артефакт можно размотать назад до исходного промпта. На каждую задачу заводится папка с промптами и два файла: чем подтверждается приёмка и как воспроизвести запуск. Благодаря этому жюри, аудитор или новый человек в команде может разобраться в решении сам, без созвона. Хороший стандарт для любой разработки с участием ИИ.

• Проверяющие скрипты на Python. Один проверяет структуру артефактов, второй корректность расчётов, третий убеждается, что код реально запускается. Готовый чек‑лист для автоматической сборки в любом BI‑проекте.

• SETUP.md как пошаговую инструкцию. «Как проверить решение с нуля за 10 минут». Удобный шаблон для введения в проект нового ревьюера или заказчика.

• Отчёт не уходит руководству без визы аналитика. Публикация в пайплайне физически заблокирована, пока человек не подтвердил данные. Ответственность закреплена за человеком, а не за расписанием. Модель рабочая, переносится в продакшен без переделки.

• Готовый план, кому и что сказать на запуске. Список заинтересованных сторон, расписание сообщений на три дня до, день до и два дня после, шаблоны писем, ответы на частые вопросы. Каркас, по которому можно выводить любой BI‑продукт внутри компании.

• Карту потребления и руководство пользователя. Кто смотрит какую метрику и что делать при «красном» статусе. Применимо в любом проекте, где у данных несколько ролей‑потребителей.

Стек у команды открытый: PostgreSQL, Docker, Python (PyYAML, Pillow, openpyxl, python‑pptx), dbt с dbt_utils, Apache Airflow, Soda Core, HTML/CSS для портала и BI‑прототипов. Отдельно отметили генерацию артефактов из кода: Excel с инцидентами, PNG‑макет дашборда и PPTX‑презентация собираются не руками, а воспроизводимым пайплайном.

Третье место (Me, Myself and AI): продуктовая упаковка и честные цифры

Третье место соло‑участница взяла за упаковку продукта: понятные документы для заказчика и верная бизнес‑логика в расчётах. Лендинг и главный экран дашборда получились самыми продуктовыми среди трёх решений, а документы написаны так, что разработчик может начать работу без десятка уточняющих вопросов.

Что забираем себе в практику GlowByte:

• Документ передачи. Источники данных, правила расчёта, DDL, проверки, риски интерпретации. Шаблон, по которому консультант передаёт витрину команде заказчика.

• Финансовую логика в сверке. Валовая и чистая выручка явно разделены, без «красивых, но ложных» цифр в отчётности. Это правило мы в GlowByte можем переносить в любой розничный DWH без исключений.

• Schema.yml как договор между DWH и BI. Не только dbt‑тесты, но и метаданные для BI‑инструмента: названия полей, форматы, владелец метрики. Снижает трение на стыке двух команд.

• Проверки данных по уровням важности. Разделены на блокирующие и предупреждающие, отдельно проверяется консистентность среднего чека. Практичная и не избыточная модель для продакшена.

• Разбор после генерации. README с перечислением конкретных ошибок нейросети и того, как их исправили. По сути стандарт код‑ревью после генерации кода, которого многим командам не хватает.

Стек: PostgreSQL, Docker, dbt‑core, Apache Airflow, Soda Core, Python, HTML/CSS. Отдельная находка: production‑shaped DAG, где публикация блокируется при ошибке сверки, есть SLA‑callback для COO и экспоненциальный backoff. Паттерны, которые переносятся в прод без адаптации.

People’s choice: 537 лайков и урок про накрутку

В конце сезона все три команды вышли с отдельной презентацией: показали подход к решению кейса и поделились впечатлениями о хакатоне. Параллельно с зачётом жюри шло народное голосование в библиотеке решений. Лидером стала первая команда с 537 лайками, у второй 409, дальше отрыв резко растёт: у третьего места в голосовании всего 78.

Здесь столкнулись с неожиданным: часть лайков пришла с незарегистрированных аккаунтов. Их исключили из официального результата и описали правило публично. Это не испортило итог, но дало хороший урок для тех, кто делает голосования на внутренних порталах: механику фильтрации голосов лучше продумать до старта, а не после.

Ценность

Мой главный вывод по следам ИИ‑хакатона в GlowByte: AI‑ассистированная разработка работает хорошо тогда, когда у неё есть проверяемый след. Не «нейросеть написала dbt‑модель», а конкретная цепочка из промпта, артефакта, человеческой правки и обоснования.

Показательно, что призовые места взяли не те, кто меньше пользовался ИИ. Разница была в другом: победители писали решение так, будто завтра уходят в отпуск, а разбираться с ним будет посторонний человек и звонить с вопросами ему будет некому.

Сеть «МегаБайт» вымышленная, а задача настоящая, и в проектах она выглядит примерно так же. У нас есть отдельное направление AI‑консалтинга для DWH и BI: помогаем встроить генерацию кода и документов в пайплайн так, чтобы не потерять контроль над качеством и ответственностью. Если у вас похожий сюжет, от выбора стека до выстраивания прослеживаемости внутри команды, напишите нам напрямую на bi@glowbyteconsulting.com.