Введение
Уже давно данные стали главным активом бизнеса. Информационные системы на базе «1С:Предприятие» аккумулируют колоссальные массивы важной информации — от финансовых потоков и складской логистики до поведения клиентов. Однако сами по себе эти данные малополезны без корректной интерпретации. Именно качественная визуализация выступает тем самым мостом между «сырыми» цифрами в учётной системе и стратегическими решениями руководства, позволяя превращать рутинную отчётность в инструмент управления.
При использовании штатных средств «1С» можно столкнуться с рядом системных проблем. Либо встроенные средства визуализации оказываются слишком ограниченными для создания по-настоящему информативных и интерактивных дашбордов, либо требуют существенных трудозатрат разработчика при построении нестандартных отчётов. Использование внешних BI‑систем зачастую сопряжено со сложностями в эксплуатации либо связано со значительными затратами. При этом малым компаниям хочется иметь наглядную и эстетичную отчётность.
На помощь приходит искусственный интеллект. ИИ берёт на себя рутину построения графиков, находит скрытые паттерны, подсказывает оптимальные форматы отображения для конкретных метрик и генерирует готовые инсайты. Это позволяет бизнесу получать нужную информацию в понятном виде без лишних затрат.
Начнём с данных...
Сразу оговоримся: у нас нет желания отправлять конфиденциальную информацию на сторонние ресурсы. Будет использоваться не полный, а лишь достаточный для задачи набор данных, чтобы ИИ сгенерировал HTML-страницу с нужным дашбордом. Эта страница сохранится локально и будет обращаться к полному объёму информации.
Имеется конфигурация 1С — любая. Нужно получить данные. Для этого можно использовать «Универсальный отчёт», вывести данные и сохранить их в файл Excel. Это приемлемо для разовых случаев. Однако на постоянной основе мы будем использовать обработку «Консоль запросов», которая умеет сохранять данные в формате JSON (этот формат удобнее для состыковки с HTML). Но здесь есть ограничение: понадобятся навыки написания запросов 1С.
Итак, мы имеем выгрузку по продажам в разрезе документов с информацией о контрагенте, номенклатуре, количестве, сумме, номере документа и его дате. Берём её в урезанном формате и отправляем в ИИ.
Шаг 1. Задаём ИИ: «Имеем информацию по продажам за период. Какие графики для анализа ты можешь предложить?» Этот шаг можно пропустить, если вы знаете, что хотите сформировать.
По итогу вы получите описание графиков, что они позволят увидеть и какую тенденцию выявить. Будет даны рекомендации по отрисовки дашборда.
ИИ выдаст рекомендации — именно их мы и попросим реализовать. Но добавим одно техническое условие, чтобы иметь возможность просматривать результат на компьютере.
Шаг 2. Задаём ИИ: «Сформируй рекомендованный дашборд. Должен получиться файл HTML. Его можно будет открыть в браузере на компьютере без использования сторонних программ. Данные по продажам будут содержаться в файле „ПродажиНСИ.json“ — его нужно будет подключить к файлу HTML».
Результатом должен получиться макет HTML‑файла. В зависимости от возможностей ИИ этот макет можно будет скачать либо придётся вручную создать файл на компьютере и вставить в него сгенерированный ИИ код.
Шаг 3. Смотрим, что у нас получилось, и решаем, что нужно изменить, а что можно оставить как есть. То есть запускаем полученный HTML‑файл и выбираем JSON‑файл с данными.
И Да, мы хотим внести правки.
Шаг 4. Задаём ИИ: «Удали из отображения контрагента „Розничный покупатель“. Для графика „Динамика выручки по месяцам“ сравни динамику между годами».
Сохраняем файл и смотрим полученный результат. Правки внесены
Итого
Вы получаете мощный инструмент для экспериментов с визуализацией — и это не просто набор готовых графиков, а гибкая основа, которую можно адаптировать под разные задачи и уровни детализации. Такой подход позволяет тестировать различные варианты представления данных: от экспресс‑отчётов для оперативного контроля до развёрнутых дашбордов для стратегического анализа.
Обратите внимание: стилистика запросов к ИИ в примерах рассчитана на пользователя без технического бэкграунда. Это сделано намеренно — чтобы даже специалист из предметной области (например, руководитель отдела продаж или аналитик без навыков программирования) мог быстро получить полезный результат. При этом формат взаимодействия остаётся рабочим: ИИ корректно обрабатывает нестрогие формулировки и выдаёт осмысленную визуализацию.
Конечно, лучше формулировать запросы конкретнее и давать ИИ более чёткие рекомендации — так итоговый результат будет точнее соответствовать ожиданиям. Например, можно использовать ролевую постановку задачи: «Ты — аналитик данных в крупной компании по продаже матрёшек. Твоя задача — проанализировать работу отдела продаж, выделить ключевые тренды по кварталам и предложить 3 графика, которые лучше всего покажут динамику выручки и структуру клиентской базы». При такой постановке задачи ИИ будет работать более структурированно, учитывать контекст бизнеса и предлагать решения, близкие к практике реальных компаний.
Умение составлять такие запросы приходит с опытом: со временем появляется понимание, какие детали особенно важны для визуализации (периоды сравнения, исключения из выборки, целевые метрики), и как их корректно передать в промпте. Кроме того, сам процесс итеративной доработки (сначала базовый вариант, затем уточнения и правки) помогает лучше разобраться в данных и увидеть неочевидные зависимости — а это уже отдельный полезный эффект от работы с ИИ.
P. S.
Сразу напрашивается вопрос: «Какую нейросеть использовали?»
Ответ: во‑первых, бесплатную; во‑вторых, решение проверено на всех доступных нейросетях — в той или иной мере все справляются. Где‑то требуется более детальное объяснение запроса, где‑то — ручное сохранение файла. Но все они в той или иной степени справляются с задачей, но перечислю основные GigaChat, Алиса, DeepSeek, Qwen.
Вложения ниже, скачать:
