Опубликовано: 07.10.2026 | Источник: CNews (новости)

Аналитика расходов на персонал в ВКР: как превратить кейс «Аренадаты» в защищаемый проект

«Аренадата» показала выручку 8,75 млрд руб., OIBDA — 3,2 млрд, NIC — 2,8 млрд. Параллельно расходы на персонал выросли в полтора раза, и компания заявляет о желании «стабилизировать рост команды и оптимальное использование ресурсов». Для выпускника это не светская новость, а готовый бизнес-контекст: коммерческий успех есть, а экономика команды начинает давить на маржу. Если вы делаете ВКР по Data Engineering, HR-аналитике или системному анализу — вот сюжет, который защищается лучше десятка абстрактных «разработка информационной системы предприятия». Ниже — как упаковать тему, какие метрики считать и где студенты традиционно спотыкаются.

Три темы ВКР, которые прямо растут из кейса

Не распыляйтесь. Из одной новости получается три защищаемых угла — выбирайте по своему профилю подготовки и по тому, где у вас есть данные.

• Тема 1. «Разработка витрины данных для управления расходами на персонал»
  Актуальность: «Аренадата» столкнулась с ростом ФОТ в 1,5 раза — значит, компании нужен инструмент нормирования затрат через FTE, а не через абсолютные суммы.
  Цель: снизить трудозатраты на подготовку управленческой отчётности по персоналу.
  Задачи: 1) проанализировать источники данных (HRIS, бухгалтерия, табели); 2) спроектировать модель DWH по Кимбаллу; 3) реализовать ETL в Airflow + dbt; 4) оценить задержку и качество данных.
  Структура: Гл. 1 — анализ предметной области и требований; Гл. 2 — проектирование витрины (C4, ER-диаграмма, SCD2); Гл. 3 — реализация, тестирование, замер времени загрузки.

• Тема 2. «Прогнозирование текучести кадров на основе данных о стоимости команды»
  Актуальность: оптимизация ресурсов без учёта оттока превращается в экономию на бумаге.
  Цель: построить модель раннего предупреждения увольнений.
  Задачи: 1) собрать признаки (стаж, грейд, динамика ФОТ); 2) сравнить логистическую регрессию и градиентный бустинг; 3) валидировать по метрикам ROC-AUC и Recall; 4) обосновать порог срабатывания.
  Структура: Гл. 1 — обзор подходов HR-аналитики; Гл. 2 — конвейер подготовки признаков; Гл. 3 — обучение, кросс-валидация, интерпретация через SHAP.

• Тема 3. «Автоматизация бюджетирования ИТ-подразделения на основе метрик производительности»
  Актуальность: кейс показывает, что рост выручки не отменяет вопроса «сколько стоит единица работы».
  Цель: связать выпуск продукта с затратами на команду.
  Задачи: 1) описать процессы найма и распределения (BPMN); 2) ввести метрики cost per FTE и cost per story point; 3) спроектировать пайплайн сбора фактических данных; 4) оценить экономический эффект.
  Структура: Гл. 1 — теория управления ресурсами; Гл. 2 — проектирование системы KPI; Гл. 3 — расчёт эффекта и сценарное моделирование.

Как встроить материал статьи в главы ВКР

Глава 1: зачем вообще считать расходы на персонал

Тезисы из новости — это идеальный якорь для раздела «Анализ предметной области». Не цитируйте всухую: разберите связку выручка → OIBDA → ФОТ. Отсюда рождаются требования к системе. Именно тут уместны ссылки на ГОСТ 34 (требования к автоматизированным системам) и ISO/IEC 25010 (характеристики качества продукта) — вы показываете, что отчётность должна быть не просто «красивой», а соответствовать атрибутам надёжности, производительности и сопровождаемости.

Глава 2: архитектура и модель данных

Обязательный набор схем: контекстная C4 (кто потребитель), контейнерная C4 (HRIS → ETL → DWH → BI), ER-диаграмма витрин, BPMN процесса согласования штатного расписания. Отдельно проговорите SCD2: если вы не храните историю оргструктуры, отчёт «расходы за прошлый год» будет пересчитан задним числом — и цифры не сойдутся с бухгалтерией. Это ровно та ошибка, из-за которой реальные компании видят рост ФОТ там, где его не было.

Пример модели витрины cost per FTE:

-- dbt model: marts/hr_cost_per_fte.sql
with payroll as (
    select
        date_trunc('month', accrual_date) as period,
        department_id,
        sum(gross_amount)               as payroll_cost
    from {{ ref('stg_payroll') }}
    where accrual_date >= date '2023-01-01'
    group by 1, 2
),
headcount as (
    select
        period,
        department_id,
        avg(fte) as avg_fte
    from {{ ref('stg_headcount_scd2') }}
    group by 1, 2
)
select
    p.period,
    p.department_id,
    p.payroll_cost,
    h.avg_fte,
    round(p.payroll_cost / nullif(h.avg_fte, 0), 2) as cost_per_fte
from payroll p
join headcount h using (period, department_id)

Обратите внимание на nullif — типичный дефект студенческих работ: деление на ноль при пустом штатном расписании валит ночную загрузку, а вы узнаёте об этом на предзащите.

Глава 3: метрики, тестирование, эффект

Минимальный набор метрик: FTE (эквивалент полной занятости), cost per FTE, turnover rate, время формирования отчёта, полнота данных (data completeness). Тестирование разбейте на слои: dbt-тесты на уникальность и not-null в источнике, интеграционные проверки сверки с бухгалтерией, регрессионные замеры времени загрузки. Экономический эффект считайте честно: было N часов ручной работы × ставка, стало M часов. Если не можете обосновать — не выдумывайте миллионы, возьмите трудозатраты.

Чему вы научитесь на такой ВКР

• Проектировать хранилище с историчностью через SCD2 и объяснять это комиссии на языке бизнеса.
• Строить ETL-пайплайны в Airflow и описывать оркестрацию в терминах зависимостей, а не «скрипт по расписанию».
• Считать метрики поддомена: FTE, cost per FTE, turnover rate — и не путать показатель с индикатором.
• Разрабатывать требования по ГОСТ 34 и подтверждать качество через ISO/IEC 25010.
• Оформлять архитектуру в нотации C4/UML и защищать схему, а не просто её показывать.

FAQ: что реально спрашивают студенты

Где взять данные, если доступа к реальному HRIS нет?

Вариант 1 — синтетический генератор: сами задаёте распределение зарплат и текучести, зато полностью контролируете кейсы. Вариант 2 — открытые источники: Росстат по отраслевым зарплатам, HeadHunter-аналитика, датасеты Kaggle по HR. Вариант 3 — обезличенный срез с предприятия-партнёра. Для диплома достаточно синтетики, если честно описать методику генерации и её ограничения — это, наоборот, плюс к методологической части.

Нужен ли ML для прогноза текучести или хватит BI?

Зависит от целей. Если задача — «показать, где растут затраты», хватит витрины и дашборда. Если защищаете тему с прогнозом — берите логистическую регрессию как baseline и один бустинг для сравнения. Две модели, аккуратная кросс-валидация и обсуждение ложноположительных срабатываний весят больше, чем нейросеть ради хайпа.

Какой стек не перегрузит диплом?

PostgreSQL + dbt + Airflow + Metabase/Power BI — проверенная связка, которая поднимается локально в Docker за вечер. ClickHouse добавляйте только если защищаете производительность на объёмах, иначе это лишняя сущность для нормоконтроля и лишние вопросы комиссии.

Как оформить схемы, чтобы прошли нормоконтроль?

Каждая схема — со ссылкой в тексте («на рисунке 7 представлена…»), сквозной нумерацией, подрисуночной подписью и, если требуется, перечнем обозначений. ГОСТ 34 диктует состав документации на систему, ГОСТ 19 — на программу; уточните у кафедры, какой применять именно к вашей работе. Экспорт из draw.io или PlantUML в читаемый формат лучше «склеенных» скриншотов.

Чек-лист перед сдачей

Типичные ошибки

Источник: Расходы «Аренадаты» на персонал выросли в полтора раза. Компания хочет стабилизировать рост команды (опубликовано 2026-03-27)