ASP • финансы и стратегия

Комитет Госдумы поддержал фиксацию порога НДС на 20 млн ₽ для малого бизнеса — затронет ~360 000 МСП. 🔗 vedomosti.ru

Прежде чем автоматизировать — научись считать экономику каждого товара. Дарю калькулятор Самая частая дыра, которую я вижу: компания знает общую прибыль, но не знает, какой товар её приносит, а какой тихо съедает. Считают «в среднем». А среднее — это когда у тебя один SKU кормит весь бизнес, а пять висят в минус, и в общей куче этого не видно. Пока ты не разложил экономику по позициям, автоматизировать нечего — ты просто быстрее будешь продавать то, что приносит убыток. Поэтому собрал тебе рабочий Excel-калькулятор экономики SKU. Вводишь по позиции: цену, закупку, переменные расходы (упаковка, эквайринг, логистика), долю постоянных. На выходе видишь по каждому товару: маржу, маржинальность в процентах, точку безубыточности в штуках и вклад позиции в общую прибыль. С формулами и заполненным примером — бери и подставляй свои цифры. Это та самая база, которую потом не стыдно автоматизировать: сначала понимаешь логику на таблице, потом переносишь в систему. Записывайся на консультацию - рассчитаем все вместе и примем решение @potemkin_as

GPT-5.6: премьера 22–28 июня, контекст 1,5 млн токенов, API дешевле втрое Усиленный агентный кодинг, версии Pro и Mini. 🔗 https://www.geeky-gadgets.com/gpt-5-6-june-2026-release/

Посмотрите на опыт крупных компаний. Автоматизация процессов - дает 80% результата бизнеса. Обучение команды только 20%. Так почему, вы вкладываете больше денег в обучение? Макдольдс, Х5, банки, маркетплейсы. Не думаю, что они делают это, просто так.

Четыре места, где автоматизация у среднего бизнеса окупается первой. Не вся автоматизация одинаково полезна. Где у компании 10–800 млн выручки она даёт деньги быстрее всего — по опыту работы с цифрами клиентов: • Документооборот и обработка заявок. Самая дорогая рутина, которую почти никто не считает. Счета, акты, заявки, согласования — это часы людей каждый день. Здесь автоматизация окупается раньше всего. • Финансовый и управленческий учёт. Ручной сбор данных из банка, кассы, 1С в одну таблицу — это не работа, это археология. Автоматический сбор превращает «отчёт к десятому числу» в «дашборд каждое утро». • Сверки и контроль. Сверка с поставщиками, контроль дебиторки, поиск расхождений. Машина делает это без устали и без «забыл». • Типовые ответы клиентам. Первая линия — частые однотипные вопросы. Их можно снять с человека, оставив ему сложное. Заметь: ни в одном пункте речь не про «уволить». Речь про то, чтобы дорогие люди занимались дорогими задачами, а не переписыванием цифр из окна в окно.

Росстат 24 июня публикует недельную инфляцию и промпроизводство Ориентир для рынка перед заседанием ЦБ 24 июля. 🔗 https://www.interfax.ru/chronicle/stavka-cb-rf.html

Databricks объявил конец эпохи пайплайнов. На Data + AI Summit 2026 компания представила новую архитектуру LTAP (Lake Transactional/Analytical Processing), которая должна объединить транзакционные системы, аналитику, стриминг и AI на одной копии данных. Идея радикальная: приложения, BI-системы и AI-агенты работают с одним источником данных напрямую, без CDC, ETL и бесконечных репликаций между OLTP и аналитическими хранилищами. Последние двадцать лет типичная архитектура выглядела примерно так: PostgreSQL → CDC → Kafka → ETL → Data Warehouse → BI → AI Каждый новый слой добавлял задержки, повышал стоимость владения и создавал новые точки отказа. Особенно болезненно это стало с появлением AI-агентов, которым нужны актуальные данные в реальном времени, а не копия пятиминутной давности. Ответ Databricks — хранить операционные и аналитические данные в одном месте. В основе подхода лежит Lakebase, PostgreSQL-совместимая система, работающая поверх объектного хранилища и интегрированная с Lakehouse. Компания называет это первым LTAP-подходом, который должен заменить как традиционные ETL-процессы, так и многочисленные реплики баз данных. Конечно, заявления о «смерти пайплайнов» стоит воспринимать осторожно. Интеграции между компаниями, обмен данными с внешними системами, специализированные стриминговые сценарии и гибридные архитектуры никуда не денутся. Но сам тренд выглядит очень интересным. Если раньше индустрия спорила, что лучше — Data Lake или Data Warehouse, то теперь главный вопрос звучит иначе: Нужно ли вообще перемещать данные между системами, если все сервисы, аналитика и AI могут работать поверх одной копии данных? Похоже, именно вокруг этого вопроса и будет строиться следующая большая битва в мире Data Engineering.

Автоматизируешь бардак — получишь быстрый бардак Есть соблазн: «у нас всё запутанно, давай поставим систему — она наведёт порядок». Не наведёт. Система не лечит процесс. Она его ускоряет — какой есть. Если у тебя заявки теряются, потому что нет понятного порядка их обработки, то после внедрения CRM они будут теряться быстрее и с уведомлениями. Если учёт ведётся «как помнили», то автоматизация просто перенесёт хаос в базу данных — и теперь он будет выглядеть солидно. Сначала процесс. Потом инструмент. Перед любой автоматизацией ответь на три вопроса: кто за это отвечает, в каком порядке идут шаги, что считается результатом. Если ответов нет — автоматизировать нечего, но есть много работы. Хорошая новость: когда ты честно описываешь процесс перед автоматизацией, часть лишних шагов отваливается сами. Иногда выясняется, что половину работы можно просто не делать — и никакой бот не нужен. Автоматизация усиливает то, что есть.

Три разных модели, но логичных подход для данных бизнесов.

Финтех-2026: переход к модели «прозрачность по умолчанию» (Forbes) Растёт спрос на сервисы, берущие на себя отчётную прозрачность 🔗 https://www.forbes.ru/mneniya/553886-finteh-posle-storma-kakim-budet-rynok-b2b-servisov-v-2026-godu