Работа с аналитической платформой Loginom

МИНИСТЕРСТВО НАУКИ И ВЫСШЕГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ  
ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ 
«ЮЖНЫЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»
Экономический факультет
Е. А. Березовская, 
С. В. Крюков
РАБОТА С АНАЛИТИЧЕСКОЙ 
ПЛАТФОРМОЙ LOGINOM
Учебное пособие
Ростов-на-Дону — Таганрог
Издательство Южного федерального университета
2024

УДК 334.72:303.732.4(075.8)
ББК 65.29+65.053 я73
Б 48
Печатается по решению кафедры экономической  кибернетики 
экономического факультета  Южного федерального университета  
(протокол № 7 от 06 июня 2024 г.)
Рецензенты:
доктор экономических наук, доцент, заведующий кафедрой информационных 
систем и прикладной информатики Ростовского государственного 
экономического университета (РИНХ) С. М. Щербаков;
кандидат экономических наук, доцент кафедры экономической кибернетики 
Южного федерального университета М. А. Масыч
 
Березовская, Е. А.
Б 48  
Работа с аналитической платформой Loginom : учебное пособие / 
Е. А. Березовская, С. В. Крюков ; Южный федеральный университет. —
Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2024. — 98 с.
ISBN 978-5-9275-4731-9
Учебное пособие содержит изложение основ и примеров работы с современной отечественной аналитической платформой Loginom, основанной на принципах минимального применения кодирования при разработке приложений, 
для решения разнообразных задач в области экономики, бизнеса и управления. 
На примерах показана взаимосвязь развития бизнес-аналитики с появлением 
программного обеспечения, позволяющего создавать бизнес-приложения без 
использования (или с минимальным использованием) кодирования. 
Характер изложения учебного материала способствует развитию навыков 
самостоятельной исследовательской работы. Приведены задания для выполнения самостоятельной работы в рамках аналитической платформы Loginom, 
а также вопросы для проверки усвоения учебного материала. 
Разработано с учетом нормативных документов Министерства науки и 
высшего образования Российской Федерации. 
Пособие адресовано студентам, магистрантам, аспирантам, работникам 
высшей школы и практикам, специализирующимся в области экономической и бизнес-аналитики. 
ISBN 978-5-9275-4731-9 
УДК 334.72:303.732.4(075.8) 
 
ББК 65.29+65.053 я73
 
© Южный федеральный университет, 2024
 
© Березовская Е. А., Крюков С. В., 2024
 
© Оформление. Макет. Издательство 
Южного федерального университета, 2024

СОДЕРЖАНИЕ
Введение 
.............................................................................................................4
1. Основы работы с аналитической платформой Loginom
1.1. Появление аналитических платформ с низким уровнем  
кодирования 
.............................................................................................5
1.2. Начало работы с Loginom 
.....................................................................10
1.3. Компоненты и узлы ..............................................................................13
1.4. Первый сценарий ..................................................................................24
2. Основы работы с аналитической платформой Loginom 
(продвинутый уровень)
2.1. Автосинхронизация ..............................................................................28
2.2. Переменные 
...........................................................................................34
2.3. Компоненты «Условие» и «Замена» 
....................................................41
2.4. Подмодели .............................................................................................48
2.5. Внешние компоненты и библиотеки 
...................................................54
2.6. Визуализация данных 
...........................................................................57
3. Примеры бизнес-кейсов на платформе Loginom
3.1. Приложение для проведения кредитного скоринга 
...........................68
3.2. Приложения для проведения совместного ABC/XYZ-анализа ........77
3.3. Приложение для анализа структуры чека ..........................................87
Заключение 
......................................................................................................95
Литература ......................................................................................................96

ВВЕДЕНИЕ
В последние два десятилетия серьезно изменилась работа бизнес-аналитиков. Если до этого при анализе данных они использовали или статистические пакеты, или специализированные программные продукты, разработка 
которых требовала широкого использования кодирования, то в 2000-х годах 
все большее распространение получают так называемые аналитические 
платформы с низким уровнем кодирования. Это позволило значительно 
ускорить разработку бизнес-приложений, а также привлечь к этому процессу самых разных специалистов, не имеющих профессиональной подготовки в области программирования.
Аналитическая платформа Loginom разработана в России на основе 
принципов низкого уровня кодирования. Именно поэтому с платформой 
могут работать пользователи разного уровня подготовки в области программирования — от инженеров по данным до бизнес-аналитиков и даже 
лиц, принимающих решение.
В учебном пособии представлены теоретические основы работы с аналитическими платформами с низким уровнем кодирования, а также методы 
и инструменты создания бизнес-приложений в рамках аналитической платформы Loginom.
Изложение материала сопровождается рисунками и примерами, помогающими самостоятельно освоить приемы и способы работы с аналитической платформой Loginom. 
Учебное пособие адресовано студентам, магистрантам, аспирантам и 
практикам, специализирующимся в области экономики, бизнес-информатики, экономической и бизнес-аналитики.

1. ОСНОВЫ РАБОТЫ С АНАЛИТИЧЕСКОЙ 
ПЛАТФОРМОЙ LOGINOM
1.1. Появление аналитических платформ 
с низким уровнем кодирования
До появления аналитических платформ анализ данных осуществлялся 
в основном в статистических пакетах. Их использование требовало хорошей математической подготовки, а большинство реализованных алгоритмов не позволяло эффективно обрабатывать большие объемы информации. 
Для автоматизации операций приходилось использовать встроенные языки 
программирования и скрипты. Такой подход доминировал в первое десятилетие появления настольных персональных компьютеров.
В конце 1980-х годов произошел стремительный рост объемов информации, которая накапливалась в основном на машинных носителях, а также 
возросли потребности бизнеса по применению анализа данных. В ответ на 
эти запросы появились: 
• хранилища данных — это разновидность системы управления данными, которая обеспечивает поддержку бизнес-аналитики. Хранилища 
данных предназначены только для выполнения запросов и анализа 
и обычно содержат большие объемы исторических данных. Данные 
обычно поступают в хранилище из самых различных источников, таких как журналы приложений и приложения транзакций. «Хранилище 
данных служит для централизации и консолидации больших объемов 
данных из различных источников. Аналитические инструменты дают 
возможность компаниям извлекать из собственных данных ценные 
для бизнеса сведения и повышать эффективность принятых решений. 
Со временем в хранилище накапливаются записи за прошедшие периоды, которые представляют большую ценность для специалистов 
по изучению данных и бизнес-аналитиков. Эти возможности делают 
хранилища данных единым источником проверенной информации 
компании»1;
1 URL: https://www.oracle.com/cis/database/what-is-a-data-warehouse/ (дата обращения: 
21.07.2024).

Е. А. Березовская, С. В. Крюков. Работа с аналитической платформой Loginom 
 
• машинное обучение — это использование математических моделей 
данных, которые помогают компьютеру обучаться без непосредственных инструкций. Оно считается одной из форм искусственного интеллекта. При машинном обучении с помощью алгоритмов выявляются 
закономерности в данных. На основе этих закономерностей создается 
модель данных для прогнозирования. Чем больше данных обрабатывает такая модель и чем дольше она используется, тем точнее становятся результаты. Это очень похоже на то, как человек оттачивает 
навыки на практике. «Благодаря адаптивному характеру машинного 
обучения оно отлично подходит для сценариев, в которых данные постоянно изменяются, свойства запросов или задач нестабильны или 
написать код для решения фактически невозможно»1;
• Deep Learning — это разновидность машинного обучения, в рамках 
которого искусственные нейронные сети обучаются на огромных объемах данных. Работу Deep Learning обеспечивают уровни нейронных 
сетей, которые представляют собой алгоритмы, действующие примерно так же, как человеческий мозг. Обучение на больших объемах 
данных позволяет настроить нейроны в нейронной сети. В результате 
образуется модель Deep Learning, которая после окончания обучения 
способна обрабатывать новые данные. Модели Deep Learning получают информацию из множества источников и анализируют эти данные в режиме реального времени без вмешательства человека. Deep 
Learning лежит в основе многих технологий искусственного интеллекта (ИИ), которые могут улучшить автоматизацию и аналитику. Большинство людей сталкиваются с глубоким обучением каждый день, 
когда ищут что-то в интернете или пользуются своим мобильным телефоном. Deep Learning используется не только в многочисленных приложениях, но и для создания субтитров для видеороликов на YouTube, 
в системах распознавания речи на телефонах и умных динамиках, для 
распознавания лиц на фотографиях, а также в автомобилях с автономным управлением. «И по мере того, как исследователи и специалисты 
по изучению данных выполняют все более сложные проекты, используя возможности Deep Learning, этот тип искусственного интеллекта 
будет занимать все более значимое место в нашей жизни»2;
1 URL: https://azure.microsoft.com/ru-ru/resources/cloud-computing-dictionary/what-is-machinelearning-platform (дата обращения: 21.07.2024).
2 URL: https://www.oracle.com/cis/artificial-intelligence/machine-learning/what-is-deep-learning/ 
(дата обращения: 21.07.2024).

1. Основы работы с аналитической платформой Loginom 
 
7
• Data Mining — процесс «просеивания» больших массивов данных с 
целью извлечь из них ценную информацию для конкретного применения. Он является неотъемлемой частью науки о данных и бизнес-аналитики и направлен в первую очередь на поиск закономерностей. Из 
собранных и помещенных в хранилище данных необходимо извлечь 
знания — иначе они будут бесполезны. «Data Mining выполняется 
различным образом, в том числе с использованием машинного обучения и сложных адаптивных алгоритмов. Более традиционные методы 
включают работу аналитиков данных. Это эксперты, обученные извлекать знания из сложной информации и составлять отчеты, на основе которых руководители могут принимать решения»1;
• Knowledge Discovery in Databases (KDD) — широкий процесс поиска 
знаний и данных с высоким уровнем применения конкретных методов, ориентированных на данные. Представляет интерес для исследователей в области машинного обучения, распознавания образов, баз 
данных, статистики, искусственного интеллекта, сбора знаний для 
экспертных систем и визуализации данных. «Объединяющей целью 
процесса KDD является извлечение знаний из данных в контексте 
больших баз данных. Процесс обнаружения знаний является повторяющимся, интерактивным и состоит из последовательных шагов. 
Процесс повторяется на каждом этапе, это означает, что, возможно, 
придется вернуться к предыдущим шагам»2;
• Big Data — это разнообразные данные больших объемов, которые хранятся на цифровых носителях. В их число входит общая статистика 
рынков и личные данные пользователей: информация о транзакциях 
и платежах, покупках, перемещениях и предпочтениях аудитории. 
«Объем больших данных исчисляется терабайтами. Это и тексты, и 
фотографии, и машинный код. Такой массив информации просто невозможно проанализировать силами человека или с помощью обычного компьютера, для этого нужны специальные инструменты. Технологии, связанные с хранением и обработкой больших данных, также 
называют Big Data»3.
Все эти технологии способствовали популяризации анализа данных и уже позволили решить большое число бизнес-задач с большим 
1 URL: https://www.kaspersky.ru/resource-center/definitions/data-mining/ (дата обращения: 
21.07.2024).
2 URL: https://csveda.com/knowledge-discovery-in-databases/ (дата обращения: 21.07.2024).
3 URL: https://www.unisender.com/ru/glossary/chto-takoe-bigdata/ (дата обращения: 21.07.2024).

Е. А. Березовская, С. В. Крюков. Работа с аналитической платформой Loginom 
 
экономическим эффектом, что было недоступно при использовании статистических пакетов. Однако подавляющая часть программного обеспечения 
в области Data Mining и подобных технологий была настольной, а промышленные системы стоили очень дорого, на рынке присутствовало несколько 
крупных игроков.
В начале 2000-х годов на рынке анализа данных стали доминировать 
специализированные программные системы — аналитические платформы, которые практически полностью автоматизируют все этапы анализа 
данных — от получения и интеграции данных до эксплуатации моделей и 
интерпретации результатов. Такие платформы стали базироваться на принципах low-code (т. е. низкого уровня кодирования), когда язык программирования (код) используется только в сложных ситуациях, а все остальные 
процессы обработки данных настраиваются в визуальном редакторе.
Основным преимуществом разработки приложений с низким уровнем 
использования кода (по сравнению с традиционным подходом к разработке 
приложений на основе широкого использования программирования) является экономия средств и времени, что в конечном итоге позволяет многим 
компаниям выпускать свою продукции быстрее и с меньшими затратами 
(что важно в конкурентной борьбе).
Важно понимать, что аналитическая платформа с низким уровнем кодирования не будет автоматически выполнять всю работу. Но она значительно 
расширит контингент пользователей внутри компании, причастных непосредственно к разработке и использованию в повседневной работе функциональных и эффективных приложений.
Современная экономика и бизнес переходят на цифровые рельсы. Это 
означает, что использование цифровых решений является обязательным 
требованием практически для каждого сотрудника компании, вне зависимости от его базового профессионального образования. Применение в компании аналитической платформы с низким уровнем кодирования облегчает 
переход к цифровым инструментам всем сотрудникам компании, особенно 
тем, кто не имеет специального образования в сфере программирования.
Параллельно с аналитическими платформами большое развитие получили новые языки программирования для анализа данных: Python, R. 
Библиотеки алгоритмов машинного обучения, которые в них реализованы, 
позволяют обращаться к ним из low-code платформ, благодаря чему можно 
с высокой скоростью проектировать прикладные решения любой сложности. Это также повлияло на популяризацию аналитики данных.

1. Основы работы с аналитической платформой Loginom 
 
9
Платформа Loginom — это low-code аналитическая платформа для 
создания законченных прикладных решений в области анализа данных. 
Реализованные в Loginom технологии позволяют на базе единой архитектуры пройти все этапы построения прикладного решения: от интеграции 
данных до построения моделей и визуализации полученных результатов.
Платформа Loginom может быть установлена и запущена в одном из двух 
режимов: локальном, как автономный продукт, и распределенном, когда клиентское приложение взаимодействует с удаленным сервером, что важно при 
обработке больших объемов данных и коллективном использовании.
Платформа Loginom поставляется в нескольких редакциях. Их отличия 
связаны с кейсами использования и интеграцией в корпоративную IT-среду. 
Для настольной работы предназначены только редакции Community 
и Personal.
В процессе развертывания и использования аналитической платформы 
с ней взаимодействуют различные категории пользователей. 
Аналитик отвечает за следующие процессы:
• реализацию логики обработки данных в пакетах Loginom;
• построение, оценку и интерпретацию моделей;
• настройку отчетов;
• настройку конвейерной и пакетной обработки данных;
• шифрование и защиту пакетов Loginom.
Инженер по данным. В зону его ответственности входят такие этапы 
работы:
• интеграция Loginom с внешними приложениями посредством настройки API-интерфейсов;
• настройка и развертывание веб-сервисов, работающих под управлением серверных компонентов Loginom;
• оптимизация доступа к источникам данных.
Администратор. Его круг обязанностей таков:
• установка и конфигурирование серверной и клиентской частей платформы Loginom;
• мониторинг работы Loginom в тестовой и промышленной среде;
• управление пользователями и общими папками.
Лицо, принимающее решение (ЛПР), использует просмотр готовых 
отчетов. Это реализовано с помощью отдельной лицензии Loginom Viewer 
с ограниченными правами. В рамках этой лицензии сценарий обработки 
данных не доступен для просмотра и редактирования.

Е. А. Березовская, С. В. Крюков. Работа с аналитической платформой Loginom 
 
1.2. Начало работы с Loginom
После входа на страницу Loginom открывается окно выбора действий 
(домашняя страница). Нажмем на кнопку «Создать черновик» (см. рис. 1).
Рис. 1. Loginom — домашняя страница1
В результате будет создан новый пакет с новым модулем, в котором будет открыто окно для создания сценария. Окно содержит несколько рабочих 
зон. Слева расположено боковое выдвижное меню с кнопками: «Меню», 
«Пакеты», «Навигация», «Файлы», «Развернуть», «Процессы».
На панели «Меню» можно увидеть:
• имя пользователя, для которого открыта текущая сессия Loginom;
• команду «Начало» для перехода на домашнюю страницу;
• команду вызова справки;
• пункт «Задать вопрос» (открывает сервис «Вопрос & Ответ»;
• пункт «О программе» (открывает страницу с информацией о версии 
Loginom, редакции и т. п.);
1  В учебном пособии использованы изображения экранов (скриншоты), полученные в процессе работы на платформе Loginom или размещенные в качестве рисунков на сайте платформы, 
расположенном по адресу: www.loginom.ru.