ИССЛЕДОВАНИЕ И АНАЛИЗ СОВРЕМЕННЫХ МЕТОДИК ПОСТРОЕНИЯ АРХИТЕКТУР ДАННЫХ
Аннотация
В статье рассматриваются современные подходы к построению архитектур данных для задач оценки и рационализации ИТ-инфраструктуры предприятия в условиях роста объема, скорости обновления и разнообразия источников информации. Актуальность исследования обусловлена усложнением ИТ-ландшафта организаций, необходимостью интеграции технических, операционных и финансовых данных, а также повышением требований к обоснованности управленческих решений в сфере ИТ. Целью исследования является уточнение и апробация методики построения аналитической платформы, обеспечивающей консолидацию разрозненных данных, сохранение полной истории изменений и поддержку расчёта ключевых показателей эффективности инфраструктуры. В работе проведён сравнительный анализ архитектурных подходов Inmon, Kimball и Data Vault 2.0 с точки зрения параметров гибкости, масштабируемости, трудоёмкости внедрения и способности поддерживать историчность данных. По результатам анализа обоснован выбор методологии Data Vault 2.0 как наиболее адаптивной модели для динамично изменяющейся ИТ-среды. Разработанная методика реализована с использованием технологического стека Apache Airflow, dbt и PostgreSQL в рамках парадигмы ETL/ELT, предусматривающей загрузку данных с последующей трансформацией внутри целевой СУБД. Апробация выполнена на примере создания витрины данных для автоматизации отчётности ИТ-интегратора на основе CRM Bitrix24. В результате внедрения достигнуто сокращение времени подготовки аналитической отчётности, повышение производительности выполнения запросов и выявление резервов оптимизации инфраструктурных ресурсов. Расчётный экономический эффект пилотного сегмента свидетельствует об актуальности внедрения и использования предлагаемой методики на типичном предприятии, и предполагается, что целесообразно ее масштабировать на другие направления управления ИТ-инфраструктурой.
Литература
Gudz S.S., Tsukanova O.A. BI systems as a tool for data-driven enterprise management. Peterburg economic journal. 2024. N 2. P. 124–134. (in Russian).
Laverychev M.A., Sarkisova I.O., Sokolov A.A. Semantic integration and adaptation of data in heterogeneous corporate information systems. https://cyberleninka.ru/article/n/semanticheskaya-integratsiya-i-adaptatsiya-dannyh-v-geterogennyh-korporativnyh-informatsionnyh-sistemah/viewer. (in Russian).
Polekhin A.S., Galiaskarov E.G., Kosmina S.V. Exploring the capabilities of LLM and RAG for building an enterprise expert system. Ivecofin. 2025. N 3(65). P. 111-118. DOI: 10.6060/ivecofin.2025653.738. (in Russian).
Vorobeva G.R. Methodological foundations for processing heterogeneous spatial and temporal information in decision support systems. Systemic engineering and information technologies. 2023. Vol. 5. N 2. P. 40–50. (in Russian).
Lennerholt C., van Laere J., Söderström E. Challenges in data warehouse development: a systematic literature review. Information Systems Frontiers. 2020. Vol. 22. P. 635–659.
Sawadogo P., Darmont J. Data warehouse architectures: from data marts to data lakes. Journal of Data and Information Quality. 2021. Vol. 13. N 2. P. 1–20.
Kimball R., Ross M. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Indianapolis: John Wiley & Sons. 2013. 600 p.
Linstedt D., Olschimke M. Building a Scalable Data Warehouse with Data Vault 2.0. Morgan Kaufmann. 2015. 684 p.
Linstedt D. Data Vault 2.0: A Guide to Agile Data Warehouse Modeling. Moscow: Alpina Publisher. 2021. 478 p. (in Russian).
Konakov P.O., Smolentseva T.E. Development of enterprise data warehouse architecture using Data Vault 2.0 methodology. Stolyipin Bulletin. 2022. N 8. P. 45–53.
Zlobina A.V., Kochergin K.S. Review of Data Vault methodology and architecture. Modern information technologies and IT education. 2021. Vol. 17. N 4. P. 897–906. (in Russian).
Kosmina S.V., Galiaskarov E.G. Artificial intelligence as a tool for training professionals to service technical systems of enterprises. Ivecofin. 2024. N 3(61). P. 104-112. DOI: 10.6060/ivecofin.2024613.695. (in Russian).
Espinoza F., Maryska M., Doucek P. Modern data architectures: evaluation framework for selecting suitable data platforms. Quality Innovation Prosperity. 2025. Vol. 29. N 2. P. 45–62.
Machado I.A., Costa C., Santos M.Y. Data mesh: concepts and principles of a paradigm shift in data architectures. Procedia Computer Science. 2021. Vol. 196. P. 263–271.
Priebe T., Neumaier S., Markus S. Finding your way through the jungle of big data architectures. IEEE International Conference on Big Data. 2021. P. 5994–5996.
Mikhailov A.N., Aksenova M.V. Using Apache Airflow for data processing orchestration. Prikaspiyskiy journal: management and high tech. 2023. N 2 (62). P. 60–71. (in Russian).
Apache Software Foundation. Apache Airflow Documentation. https://airflow.apache.org/docs/.
Khaire S., Ware R., More R. Transforming data engineering with DBT: modeling and automation techniques. International Journal of Advanced Research in Science, Engineering and Management. 2024. Vol. 11. N 6. P. 112–118.
dbt Labs. dbt Documentation. https://docs.getdbt.com/.
PostgreSQL Global Development Group. PostgreSQL Documentation. https://www.postgresql.org/docs/.
Astrakhantseva I.A., Astrakhantsev R.G., Bobkov S.P. Agent-based intelligent systems from the point of view of system analysis. Modern High Technologies. Regional Application. 2025. N 4(84). P. 101-109. DOI: 10.6060/snt.20258404.00014. (in Russian).
C-Bitrix. Bitrix24 REST API Documentation. https://dev.1c-bitrix.ru/rest_help/. (in Russian).
Khasanova A.M., Abdullaev E.I. Process mining based on event logs of information systems. International Journal of Open Information Technologies. 2022. N 5 (215). P. 30–38. (in Russian).
Zimnurov M.F., Astrakhantseva I.A. Usage of large language models for building multi-vectored and multi-linked data model of work process. Modern High Technologies. Regional Application. 2025. N 1(81). P. 76-83. DOI: 10.6060/snt.20258101.0009. (in Russian).
