AI-хакатон в GlowByte: как мы прокачали DWH/BI на кейсе вымышленной сети "МегаБайт"
На связи BI-практика GlowByte. Мы провели внутренний хакатон AI Seasons - и он неожиданно оказался не "ещё одним обучением", а форматом, который реально двигает навыки и мышление в сторону продукта и бизнес-результата. В основе была простая идея: дать участникам понятный, близкий к реальности кейс и заставить решать его руками, быстро, с проверкой, а главное - с обязательным применением ИИ.
В качестве "полигона" мы придумали розничную сеть "МегаБайт": сотни магазинов, миллионы заказов, типичные для ритейла вопросы к данным и отчётности. Командам нужно было построить DWH/BI-решение и закрыть набор задач, используя AI как инструмент разработки и аналитики - от промптов до проектных артефактов.
Стартовали бодро: в начале сезона заявилось 28 команд. До конца марафона дошли только три - всего семь человек суммарно. Темп был спортивный: дедлайны каждую неделю, соперничество в таблице лидеров и заметная нагрузка. В итоге выжили не те, у кого "идеальные роли", а те, кто сумел держать ритм и собирать результат из маленьких побед.
Как был устроен GlowByte AI Seasons
Формат максимально прикладной и короткий: четыре недели практических заданий. Сдача - через Telegram-бота. Проверка - быстрая: первичное оценивание делал AI-судья. Работы, которые претендовали на топ-3, дополнительно проходили ревью "живого" жюри, чтобы финальные места определялись не только по автоматическим критериям.
Участвовать можно было одному или командой до трёх человек. Это сняло барьер "у нас нет команды" и дало шанс тем, кто обычно не идёт на хакатоны: не разработчикам, не дата-инженерам, не "олимпиадникам".
Призовой фонд сезона составил 225 000 ₽:
- 100 000 ₽ - за первое место,
- 50 000 ₽ - за второе,
- 50 000 ₽ - за третье,
- ещё 25 000 ₽ - в народном голосовании People's choice.
Кто дошёл до финала: роли, которые ломают стереотипы
Самое интересное - состав финалистов. Ни одна из команд не была "классической командой разработки". Людей объединил не отдел и не должностные инструкции, а интерес к задачам и готовность тянуть темп.
1 место - Hallucination Station (13 177 баллов).
Команда из трёх человек: маркетолог, ведущий бизнес-аналитик и бизнес-аналитик. Двое ежедневно разбирали требования и данные, третий переводил цифры на язык бизнеса. Их итог - не пачка документов "как надо", а работающая система.
2 место - EDA (13 100 баллов).
Тоже трое: администратор проектов, BI-консультант и руководитель отдела поддержки и обучения. Набор ролей максимально далёкий от привычного образа "хакатон = дата-инженеры", но именно эта команда взяла серебро, сделав ставку на прозрачность и проверяемость решений.
3 место - Me, Myself and AI (12 505 баллов).
Соло-участница из отдела маркетинга. Один человек против двух полноценных команд - и при этом полный комплект DWH-артефактов, аккуратная подача и честный расчёт результатов. Название команды, как легко догадаться, отражает подход без прикрас.
Дальше по ходу сезона мы называли их просто: первая, вторая и третья - по местам в таблице.
Как начислялись баллы: не "вкусовщина", а накопительная система
Важно: итоговый результат - это не субъективная оценка "понравилось/не понравилось", а накопленные баллы за четыре недели. Механика была строгой и понятной:
- Каждое задание оценивал AI-судья по трём направлениям: качество работы с промптом, техническая часть и бизнес-составляющая. Жюри могло вручную скорректировать оценку - и тогда участнику приходило отдельное уведомление.
- У каждой недели был свой максимум за одно задание:
1-я неделя - до 200 баллов,
2-я - до 300,
3-я - до 400,
4-я - до 500.
Логика простая: чем дальше, тем сложнее, тем выше ставка.
- На каждое задание давалось три попытки, но в зачёт шла только лучшая. Никакого "добивания суммой".
- Два бонуса, которые работали только на первой зачтённой попытке:
- бонус за скорость - от +10% до +30% в зависимости от того, сколько команд успело сдать до вас;
- +15% за "не своё задание", если в команде нет роли, на которую рассчитан конкретный тип задания.
Бонусы суммировались: условно, маркетолог, который первым сдавал задание "для дата-инженера", мог получить сверху до +45%.
- Отдельно начислялись баллы за пятничные вебинары: от 100 баллов за выступление на старте сезона до 500 - за финальную пятницу. Эти баллы не входили в недельные потолки по задачам, а добавлялись к общему счёту.
Поэтому 13 177 баллов у победителя - это не один "идеальный артефакт", а сумма десятков оценок за месяц плюс бонусы. И поэтому финиш получился настолько плотным: разрыв между первым и вторым местом - всего 77 баллов, то есть меньше половины стоимости одного задания на поздних неделях.
Финальный кейс "МегаБайта": что именно нужно было сделать
Сердцем сезона стал DWH/BI-кейс для розничной сети: участники проектировали хранилище, продумывали витрины, согласовывали определения метрик, описывали бизнес-логику и готовили BI-слой. При этом ИИ был не "игрушкой для текста", а инструментом, который помогал:
- ускорять разбор требований и превращать их в структуру задач;
- формулировать и уточнять определения показателей, чтобы не было двойного смысла;
- находить противоречия в логике расчётов и исключать "красивые, но неверные" цифры;
- быстро собирать черновики спецификаций, которые потом доводились до рабочего уровня.
Что отличало победителей: не магия, а дисциплина результата
Hallucination Station выиграли за счёт того, что "приземлили" решения: сделали упор на работоспособность, а не на идеальность описаний. Их подход напоминал продуктовую разработку: меньше философии, больше проверяемого эффекта.
EDA взяли серебро благодаря принципу "прозрачно и воспроизводимо". Если в решении есть расчёт - он должен проверяться. Если есть метрика - должно быть понятно, откуда она берётся и почему ей можно доверять.
Me, Myself and AI показали сильную "упаковку": ясная структура материалов, аккуратные формулировки, честная демонстрация возможностей и ограничений. Там, где можно было "приукрасить", участница выбирала точность - и это сыграло в плюс.
People's choice и отдельный урок про голосование
В сезоне было народное голосование People's choice: оно собрало 537 лайков и стало самостоятельной интригой. Параллельно мы вынесли важный урок про накрутку и правила: если уж делать "выбор зрителей", нужно заранее продумывать механику защиты, критерии валидности и то, как вы будете разруливать спорные ситуации. Народное признание - классный инструмент вовлечения, но только если он не ломает доверие.
---
Что мы поняли и что стоит забрать себе (добавленные выводы)
1) ИИ не заменяет эксперта - он ускоряет цикл "черновик → проверка → улучшение".
Лучшие результаты были у тех, кто относился к AI как к напарнику: быстро генерировал варианты, но обязательно проверял расчёты и логику. Там, где участники "верили модели на слово", качество проседало.
2) Недельные дедлайны сильнее мотивируют, чем длинный курс без контрольных точек.
Четырёхнедельный ритм с понятной ценой каждой недели (200/300/400/500) дисциплинирует лучше, чем "когда-нибудь сдадим финальный проект". Люди видят прогресс и понимают, что отставание быстро превращается в пропасть.
3) Бонус за скорость реально меняет стратегию.
Команды начинали думать как в реальной поставке: важно не только сделать "правильно", но и сделать раньше. При этом скорость без качества не спасала - AI-судья резал баллы за слабую технику и размытую бизнес-часть.
4) "Не своё задание" - мощный стимул выходить из профессионального пузыря.
+15% за задания "не по роли" заставляли маркетологов лезть в инженерные формулировки, а BI-специалистов - точнее описывать бизнес-ценность. В итоге участники лучше понимали соседние зоны ответственности.
5) Telegram-бот как канал сдачи - это минимум трения.
Чем проще отправить работу и получить оценку, тем меньше "организационного мусора" и тем выше шанс, что люди не сойдут с дистанции из‑за бюрократии.
6) Автопроверка экономит время, но финал должен оставаться за людьми.
AI-судья отлично подходит для регулярной, быстрой и одинаковой для всех оценки. Но призовые места - это зона, где важны нюансы: реализуемость, здравый смысл, качество предположений. Поэтому ревью жюри на топ-3 оказалось обязательным.
7) Самый ценный эффект - перенос в рабочие процессы.
После хакатона у участников остается не только опыт, но и привычка: фиксировать определения метрик, проверять логические цепочки, структурировать требования, вести диалог "данные ↔ бизнес" в одном поле. Это напрямую превращается в качество реальных DWH/BI-проектов.
8) Хакатон - хороший детектор "кто реально тянет продукт", а не "кто пишет красивые документы".
Финишировали те, кто мог держать нагрузку, уточнять требования, вовремя сдавать и улучшать. Этот формат отлично подсвечивает сильных исполнителей и будущих лидов, даже если их роль в компании формально другая.
Если нужно, могу дополнительно: (а) предложить структуру заданий на 4 недели под ваш кейс, (б) набросать критерии AI-судьи и шаблоны промптов, (в) продумать механику People's choice без спорных ситуаций.
