Когда в крупной госкорпорации — Объединённой двигателестроительной корпорации — внедряют единую платформу управления данными, это не просто новость из раздела «цифровая экономика». Это готовый каркас для выпускной квалификационной работы. Вы можете взять реальный промышленный кейс, разобрать его по косточкам и показать, как проектируются такие системы. В статье покажу, как встроить эту тему в ВКР, какие темы выбрать, чем наполнить главы и какие метрики считать, чтобы работа выглядела не студенческой, а инженерной.
Главная ценность статьи — не сам факт импортозамещения, а архитектурный подход. TData создаёт платформу, которая собирает данные из разрозненных систем ОДК в единое пространство: каталоги, метаданные, качество, доступы. Для ВКР этот кейс даёт три зацепки:
Главное — не пересказывать статью, а вытащить из неё структурные элементы: какие модули нужны, какие стандарты применяются, какие роли участвуют. Уже отсюда рождаются конкретные темы ВКР.
Для диплома по направлению «Data Engineering» или «Информационные системы» подойдут три рабочих варианта. Каждая тема закрывает свой угол кейса.
| Тема | Актуальность | Цель | Задачи | Структура глав |
|---|---|---|---|---|
| 1. Проектирование платформы управления данными для промышленного холдинга | ОДК и TData переходят на единую платформу — это пример создания корпоративного хранилища данных с нуля. | Разработать архитектуру платформы управления данными с учётом требований масштабируемости и безопасности. |
|
Глава 1 — теория и обзор платформ; Глава 2 — проектирование архитектуры; Глава 3 — тестирование на прототипе и расчёт эффективности. |
| 2. Разработка каталога данных и системы управления метаданными | Единая платформа данных невозможна без каталога — в кейсе TData это один из ключевых модулей. | Создать прототип каталога данных, автоматизирующего поиск и классификацию корпоративных данных. |
|
Глава 1 — анализ каталогов данных; Глава 2 — проектирование и реализация прототипа; Глава 3 — оценка точности метаданных и скорости поиска. |
| 3. Оценка качества данных при создании единой платформы управления данными | Данные из разных систем ОДК неоднородны, дублируются, содержат ошибки. Платформа должна это исправлять. | Разработать методику оценки качества данных и проверить её на выборке из промышленного контура. |
|
Глава 1 — понятие качества данных и стандарты; Глава 2 — проектирование методики и инструмента; Глава 3 — экспериментальная оценка на реальных данных. |
Такой таблицы достаточно, чтобы на защите показать: вы видите не абстрактную «информационную систему», а предметную область с конкретными модулями и исследованиями.
В работе обязательно должны быть схемы. Для платформы данных лучший выбор — C4 model, потому что она показывает все уровни: от контекста системы до деталей конкретного модуля. В главе 2 постройте четыре уровня:
Дополнительно используйте UML-диаграмму активности для процесса загрузки данных и BPMN — для регламента согласования метаданных. Это даёт сразу три вида диаграмм, которые любят комиссии.
Статья про платформу не будет «защищаемой», если вы не покажете, как измерять результат. Для платформы управления данными метрики считаются на двух уровнях: качество данных и операционная эффективность.
Пример SQL-профилирования для оценки полноты:
SELECT
COUNT(*) AS total_rows,
SUM(CASE WHEN customer_id IS NOT NULL THEN 1 ELSE 0 END) AS filled_customer_id,
SUM(CASE WHEN supplier_name IS NOT NULL THEN 1 ELSE 0 END) AS filled_supplier,
ROUND(100.0 * SUM(CASE WHEN customer_id IS NOT NULL THEN 1 ELSE 0 END) / COUNT(*), 2) AS completeness_pct
FROM raw.suppliers;Такие запросы вы должны показать в приложении к диплому и сделать выводы: полнота 87%, значит, нужно настроить обязательные поля при загрузке. Дополнительно рассчитайте экономию времени на поиск данных до и после внедрения платформы — это станет показателем эффективности для главы 3.
Для реализации прототипа не обязательно брать коммерческую TData. В учебном проекте можно использовать Open Source: Apache Atlas или DataHub как каталог, Airflow для оркестрации, dbt для трансформаций, PostgreSQL в качестве хранилища метаданных. Если пишете код, то Python + Pandas для профилирования. Это укладывается в бюджет — всё бесплатно, а навыки переносятся прямо на коммерческие платформы.
Да, реальные данные корпорации вам никто не даст. Но вы всегда можете использовать открытые данные, например, из государственных закупок, а для авиадвигателестроения — публичные характеристики двигателей или статистику авиаперевозок. Главное — показать методику, а не сами данные.
Начните с DMBOK (свод знаний по управлению данными), ГОСТ 34.601 для стадий создания АС, ГОСТ Р ИСО 25010 (вместо устаревшего ISO 9126) для качества. Обязательно укажите статьи про кейсы импортозамещения в промышленности.
Вы можете создать тестовый набор данных, сгенерировать дубликаты, пропуски и замерять время обработки до и после очистки. Либо взять открытый датасет, например, с Kaggle, и применить свою методику к нему. Это легально и достаточно для защиты.
Напишите ТЗ по ГОСТ 34.602-2020 на свою платформу. Это несложно: разделы «Общие сведения», «Назначение», «Требования к системе», «Состав работ». Многие студенты боятся, но это просто структурированный документ с вашими же данными из проекта.
Источник: ОДК и TData создают единую платформу управления данными (опубликовано 2026-03-17)