Tradeshift, платформа для управления кредиторской задолженностью и e-инвойсинга, заменила самописный BI-инструмент на Amazon Quick с агентным ИИ. Результат: скорость выполнения запросов выросла в 30 раз, совокупная стоимость владения (TCO) снизилась на 40%, а встроенная аналитика превратилась из центра затрат в продукт, генерирующий 2% прироста годового повторяющегося дохода (ARR). Под капотом - 16 встроенных дашбордов, обработка до 100 млн записей менее чем за 3 секунды и четырехуровневая безопасность с 14 000 правил row-level security.
Почему Tradeshift отказалась от самописного BI: боли роста и требования клиентов
Платформа Tradeshift обрабатывает огромные объёмы транзакционных данных - счета, заказы на поставку, платежи - для тысяч корпоративных клиентов. Собственный BI-инструмент, созданный годами ранее, перестал справляться с нагрузкой. Команда столкнулась с тремя критическими проблемами: запросы выполнялись неприемлемо долго, поддержка legacy-кода пожирала ресурсы инженеров, а клиенты требовали современной аналитики с возможностью задавать вопросы на естественном языке.
Когда самописный BI становится тормозом: симптомы перегрузки
Первый симптом - деградация времени отклика. По мере роста данных запросы, которые раньше выполнялись за секунды, начали занимать десятки секунд и минуты. Это напрямую влияло на пользовательский опыт: клиенты, работающие с платформой для управления кредиторской задолженностью, не могли оперативно получить отчёт по своим счетам.
Второй симптом - раздувание команды поддержки. Самописный BI требовал постоянных доработок под новые требования клиентов. Каждый кастомный дашборд, каждое изменение схемы данных превращалось в проект с привлечением разработчиков. Инженеры тратили время на поддержку старого кода, а не на развитие продукта.
Третий симптом - отставание от рынка. Конкуренты уже предлагали встроенную аналитику с элементами AI, а Tradeshift продолжала поддерживать инструмент, который не мог ответить на простой вопрос пользователя без написания SQL-запроса. Аналитика была центром затрат - дорогим в обслуживании, но не приносящим дохода активом.
Архитектура решения: как Amazon Quick с агентным ИИ встал на место legacy BI
Команда Tradeshift выбрала Amazon Quick как единую платформу для встроенной аналитики. Ключевые компоненты: 16 встроенных дашбордов, более 270 ежедневно обновляемых наборов данных SPICE и агентный слой ИИ, который включает чат-агента на естественном языке, автоматизированные workflow (Flows) и аналитические отчёты (Research). Архитектура заточена под обработку от 1 до 100 млн записей менее чем за 3 секунды.
Агентный ИИ в действии: чат-агент, автоматизированные workflow и аналитические отчёты
Чат-агент Amazon Quick позволяет пользователям задавать вопросы на естественном языке без знания SQL. Финансовый директор может спросить: «Покажи просроченные счета по поставщикам из Европы за последний квартал» - и получить визуализацию за секунды. Агент сам определяет нужные поля, строит запрос и выбирает оптимальный тип графика.
Flows автоматизируют рутинные операции: ежедневное обновление данных, рассылку отчётов по расписанию, триггерные уведомления при аномалиях в платежах. Research генерирует инсайты - например, выявляет паттерны задержек платежей по конкретным контрагентам или предсказывает кассовые разрывы на основе исторических данных.
Этот подход радикально отличается от классической корпоративной ИИ-архитектуры, где data agents требуют отдельной интеграции и настройки. Здесь агентный слой встроен в BI-платформу изначально.
SPICE и 270 наборов данных: почему запросы летают даже на 100 млн записей
SPICE (Super-fast, Parallel, In-memory Calculation Engine) - это in-memory движок Amazon Quick, который вытягивает данные из источников, сжимает их и держит в оперативной памяти. Когда пользователь задаёт вопрос, вычисления происходят на заранее подготовленных данных, без обращения к медленным дисковым хранилищам.
Tradeshift настроила более 270 наборов данных SPICE с ежедневным инкрементальным обновлением. Механизм инкремента загружает только изменившиеся записи, а не весь объём. Это позволяет держать данные актуальными без деградации производительности. Результат: даже запросы на 100 млн записей выполняются менее чем за 3 секунды.
Четырехуровневая безопасность для B2B-платформы: Okta SSO, изоляция тенантов, signed URLs и row-level security
Для B2B-платформы, обслуживающей тысячи корпоративных клиентов, безопасность данных - не опция, а фундамент. Tradeshift построила четырёхуровневую модель: аутентификация через Okta SSO, изоляция данных тенантов, подписанные URL для встраивания дашбордов и 14 000 правил row-level security.
Okta SSO обеспечивает единую точку входа с корпоративными политиками паролей и многофакторной аутентификацией. Изоляция тенантов гарантирует, что клиент A никогда не увидит данные клиента B - каждый тенант работает со своим экземпляром данных. Signed URLs защищают встроенные дашборды от несанкционированного доступа: ссылка действительна ограниченное время и привязана к конкретной сессии пользователя.
14 000 правил row-level security: как обеспечить точечный доступ к данным
Row-level security (RLS) решает задачу разграничения доступа внутри одного тенанта. Крупная корпорация может иметь сотни пользователей с разными ролями: финансовый директор видит все счета, менеджер по закупкам - только своих поставщиков, бухгалтер - только счета своего подразделения.
Tradeshift реализовала 14 000 правил RLS, которые динамически фильтруют данные на уровне строк в зависимости от роли пользователя. Правила управляются централизованно и применяются автоматически при каждом запросе. Влияние на производительность минимально - фильтрация происходит на стороне SPICE до выполнения основного запроса.
От центра затрат к источнику дохода: как встроенная аналитика принесла +2% к ARR
До миграции на Amazon Quick аналитика была внутренним инструментом, который потреблял ресурсы инженеров и не приносил дохода. После внедрения Tradeshift упаковала встроенную аналитику в продукт и начала продавать её клиентам как дополнительную ценность.
Модель монетизации проста: клиенты получают базовый набор дашбордов в стандартном тарифе, а расширенная аналитика с агентным ИИ, кастомными отчётами и предиктивными инсайтами доступна в премиум-подписке. Результат: 2% прироста годового повторяющегося дохода (ARR). Для платформы масштаба Tradeshift это миллионы долларов нового дохода, который раньше просто не существовал.
Схожий подход к монетизации данных через AI-агентов мы разбирали в кейсе Amazon Quick Sales AI, где автоматизация полного цикла продаж возвращает продавцам 60% времени.
Измеримые итоги: ускорение в 30 раз, снижение TCO на 40% и другие цифры
Ключевые метрики проекта сведены в таблицу. Каждая цифра - результат конкретного архитектурного решения, описанного выше.
| Метрика | Результат | За счёт чего достигнут |
|---|---|---|
| Скорость выполнения запросов | Рост в 30 раз | In-memory движок SPICE, отказ от дисковых запросов |
| Совокупная стоимость владения (TCO) | Снижение на 40% | Отказ от поддержки самописного BI, облачная модель оплаты |
| Прирост ARR | +2% | Монетизация встроенной аналитики как продукта |
| Время обработки 100 млн записей | Менее 3 секунд | SPICE с инкрементальными обновлениями |
| Встроенных дашбордов | 16 | Стандартизация отчётности для клиентов |
| Наборов данных SPICE | 270+ | Ежедневное инкрементальное обновление |
| Правил row-level security | 14 000 | Тонкая настройка доступа под роли пользователей |
Снижение TCO на 40% складывается из трёх факторов. Первый: прекращение затрат на поддержку legacy-кода - команда инженеров переключилась на развитие продукта. Второй: облачная модель Amazon Quick с оплатой за использование вместо фиксированных затрат на инфраструктуру. Третий: автоматизация через Flows сократила ручной труд по подготовке отчётов.
Уроки Tradeshift: что можно применить в вашем проекте уже сегодня
Опыт Tradeshift содержит несколько принципов, которые работают независимо от масштаба компании. Первый: агентный ИИ демократизирует доступ к данным. Когда пользователь может задать вопрос на естественном языке, аналитикой начинают пользоваться не только аналитики, но и финансисты, операционные менеджеры, руководители. Второй: облачная архитектура снижает TCO за счёт отказа от поддержки инфраструктуры. Третий: безопасность - фундамент для B2B, без которого монетизация данных невозможна. Четвёртый: встроенная аналитика может быть самостоятельным продуктом с собственной моделью дохода.
С чего начать миграцию на агентный BI: чек-лист на основе опыта Tradeshift
- Оцените текущие затраты. Посчитайте не только инфраструктуру, но и время инженеров на поддержку самописного BI. Скорее всего, реальная стоимость выше, чем кажется.
- Запустите пилот на одном дашборде. Выберите самый востребованный отчёт и перенесите его на Amazon Quick с подключением SPICE. Замерьте время запросов до и после.
- Проработайте модель безопасности. Определите уровни доступа: кто какие данные должен видеть. Начните с SSO и базовой изоляции тенантов, row-level security добавляйте итеративно.
- Посчитайте потенциальный доход от монетизации. Оцените, сколько клиентов готовы платить за расширенную аналитику. 2% прироста ARR от Tradeshift - ориентир, но ваш результат может быть другим.
- Подключите агентный слой. Внедрите чат-агента для запросов на естественном языке и Flows для автоматизации рутины. Это ключевой шаг, который превращает BI из инструмента для избранных в продукт для всех.
Миграция на агентный BI - не технический проект, а бизнес-трансформация. Tradeshift доказала: аналитика может приносить доход. Вопрос в том, кто сделает это первым в вашей нише.