Федеральный центр компетенций в сфере производительности труда использует ИТ-платформу как основной цифровой контур взаимодействия с участниками программы и органами управления: предприятиями, региональными центрами компетенций и наблюдательными структурами.
Платформа работает в масштабе федерального сервиса – более 300 тысяч активных пользователей, высокая частота операций и постоянное взаимодействие с пользователями. Поэтому при развитии функциональности мы изначально закладывали требования к производительности, отказоустойчивости и управляемости изменений так как любые доработки должны были быть совместимы с непрерывной эксплуатацией и не ухудшать поведение системы под нагрузкой.
В основе платформы заложена ролевая модель: у каждой группы пользователей свой кабинет с различающимися правами доступа, интерфейсом и сценариями работы. В контуре эксплуатации существует более десяти типов пользователей — потому что задачи предприятия, регионального центра и органа наблюдения принципиально разные: от операционной работы по заявкам и внедрениям до мониторинга показателей и управленческой аналитики.
Развитие федеральной ИТ-платформы и бизнес-модулей
Задача BPA в проекте – развитие федеральной платформы АНО «ФЦК»: мы дорабатывали ключевые модули и личные кабинеты, через которые предприятия ведут внедрение «Лучших практик».
В рамках этого проводились работы по развитию функциональности подбора и сопровождения практик, рабочий цикл работы с заявками, отчетам и согласованиям с федеральными и региональными наблюдательными структурами, а также сервисы, которые используются в ежедневной работе предприятия: LMS платформа обучения сотрудников, бенчмаркинг (сервис оценки экономических показателей по отрасли), панель администратора для управления контентом всей ИТ-платформы.
Разработка ИИ -ассистента, BI-системы и аналитических дашбордов
Одним из ключевых направлений проекта стала разработка LLM-ассистента и нового аналитического контура федеральной платформы.
Для пользователей был создан AI-консультант, обученный на базе знаний ФЦК и интегрированный непосредственно в рабочий контур системы. Ассистент помогает находить релевантные практики, методические материалы, рекомендации и ответы на вопросы с учетом профиля предприятия или учреждения. При формировании ответа система учитывает контекст пользователя и помогает быстрее ориентироваться в большом объеме накопленной экспертизы платформы.
Основная задача решения заключалась не в создании отдельного чат-бота, а в обеспечении удобного доступа к знаниям и лучшим практикам, представленным на федеральной платформе. Это позволило сократить время поиска информации, повысить доступность экспертных материалов и упростить работу пользователей с цифровыми сервисами ФЦК.
Параллельно команда BPA Technologies разработала новый аналитический контур платформы. Были созданы BI-дашборды с отчетными метриками, макро- и микропоказателями РФ, а также аналитические панели для различных категорий пользователей: предприятий, региональных центров компетенций и органов управления.
Отдельное внимание было уделено качеству данных и методологии расчета показателей. Совместно с заказчиком были проработаны источники данных, правила расчета, допущения и трактовки метрик, чтобы результаты стали воспроизводимыми и согласованными между всеми модулями платформы.
Дополнительно был реализован контур ручного управления данными. Часть показателей и планов требовала ввода и корректировок, а внешние данные не всегда были доступны через автоматические интеграции. Для решения этой задачи разработан отдельный интерфейс загрузки и управления данными, включающий редактирование, запись изменений и контроль версий.
В результате заказчик получил единую аналитическую экосистему, объединяющую инструменты бизнес-аналитики, отчетности и интеллектуального поиска знаний, что позволило повысить доступность данных и эффективность работы пользователей федеральной платформы.
Модернизация легаси-системы и переход к микросервисной архитектуре
Инженерная часть проекта включала работу с накопленным легаси-кодом и слабодокументированной структурой данных. Это означает, что перед любыми доработками нужно было сначала аккуратно разобрать зависимости: какие модули и данные связаны между собой и на что повлияет изменение, чтобы обновления не приводили к неожиданным сбоям.
В рамках проекта мы начали переход от монолитной к микросервисной архитектуре: модули, которые мы развивали и создавали, выделялись в отдельные сервисы. Проще говоря, вместо одного большого «комка» логики часть функциональности выносилась в самостоятельные компоненты с более понятными границами. Это снижало связанность компонентов, позволяло развивать отдельные части независимо и уменьшало риск каскадных регрессий, когда правка в одном месте неожиданно ломает другое.
С учетом федерального масштаба и большого числа одновременных пользователей платформы параллельно выполнялись работы по повышению производительности и стабилизации поведения системы. На практике это означало системную backend-разработку и frontend-разработку в действующем контуре: анализ и рефакторинг критичных участков, уточнение доменных границ модулей, вынос логики в сервисный слой, укрепление аналитического контура (кабинеты, показатели, дашборды) и доведение изменений до промышленного качества в условиях непрерывной эксплуатации сервисов.
Структурирование данных и работа с 1500+ таблицами
Наиболее чувствительная сложность проекта была связана не с отдельным модулем, а с тем, как устроен слой данных и как на него опирается аналитика. В исходном контуре у заказчика фактически существовали две разные базы данных с большим массивом «сырых» первичных данных; суммарно речь шла примерно о полутора тысячах таблиц. Для крупных, долго развивавшихся государственных платформ это типовая ситуация: данные накапливаются годами, меняются команды и требования, а единая формализация предметной модели и «карта» хранилища не всегда успевают за развитием.
В этой точке мы взяли на себя задачу инвентаризации и структурирования данных: восстанавливали логику связей, определяли первичные и производные сущности, выявляли дублирование и зоны фактического использования. В том числе применяли методы кластеризации и систематизации массива таблиц и связей, чтобы ускорить первичную навигацию по хранилищу и выстроить понятную структуру для дальнейших изменений. Это создало основу, без которой развитие аналитических модулей неизбежно давало бы спорные результаты и требовало бы постоянных ручных уточнений.
