апрель    2026

Пн	Вт	Ср	Чт	Пт	Сб	Вс
		1	2	3	4	5
6	7	8	9	10	11	12
13	14	15	16	17	18	19
20	21	22	23	24	25	26
27	28	29	30

показать все 

24.04.2026

Использование рабочей почты на сторонних сервисах создает ИБ-риски

Читать далее 

24.04.2026

Группа «Московская Биржа» представила результаты внедрения Единой СЭД на платформе Docsvision

Читать далее 

22.04.2026

«Газинформсервис» и «AzInTelecom» заключили соглашение о взаимном признании электронной подписи между Россией и Азербайджаном

Читать далее 

21.04.2026

САКУРА 3.2 – новые возможности и улучшения

Читать далее 

21.04.2026

ЕМДЕВ выводит корпоративный портал Инкоманд на уровень 100% замещения Microsoft SharePoint

Читать далее 

показать все 

22.04.2026

Суверенные облака: стратегия на 2026–2028

Читать далее 

22.04.2026

Российское ПО дорожает: как обосновать бюджет?

Читать далее 

22.04.2026

Управление данными: искусство превращения хаоса в актив

Читать далее 

23.03.2026

Эволюция бизнес-процессов от ИИ-инструментов к мультиагентным командам

Читать далее 

23.03.2026

Время внедрения: ИИ в вашем бизнесе – эксперимент или реальная прибыль?

Читать далее 

29.07.2025

Точность до метра и сантиметра: как применяют технологии позиционирования

Читать далее 

18.04.2024

Как искусственный интеллект изменит экономику

Читать далее 

22.09.2023

Эпоха российской ориентации на Запад в сфере программного обеспечения завершилась

Читать далее 

22.09.2023

Сладкая жизнь

Читать далее 

22.09.2023

12 бизнес-концепций, которыми должны овладеть ИТ-руководители

Читать далее 

показать все 

Главная / Статьи / Опросы / Управление данными: искусство превращения хаоса в актив

Управление данными: искусство превращения хаоса в актив

Данных становится все больше, а доверия к ним, зачастую, все меньше. Исследование The Data Adventurers Guild «Управление данными в России 2025» показало, что только 10–15% компаний понимают ценность данных, а 85–90% воспринимают управление данными как бюрократию. При этом системное управление данными – фундамент стратегии цифровизации для каждой компании, внедряющей ИИ. Что думают об этом ИТ-лидеры?

1. Что мешает данным стать стратегическим активом: отсутствие стандартов, размытая ответственность или непонимание цели?
2. Как превратить хаос в систему, а данные в основу для аналитики?.
3. Можно ли убедить бизнес инвестировать в управление данными, если «всё и так работает»?

На вопросы «БИТа» отвечают эксперты компаний

Сергей Щербаков,
руководитель отдела аналитики данных и машинного обучения ICL Services

«Качественные данные стоят дорого, а на то, что не является критическим для выживания, денег сейчас нет»

1. На мой взгляд, все намного проще: стратегический ресурс — это всегда критически важные вещи. Потому что в текущей ситуации все то, что не является критически необходимым для выживания компании, не рассматривается в принципе. Соответственно, до тех пор, пока бизнес может обходиться без данных и их производных — аналитики, дашбордов и т. д. — в своей ежедневной работе, данные не станут критически важным и, следовательно, стратегическим активом.

С другой стороны, для того, чтобы бизнес начал использовать данные в ежедневной работе, необходимо, чтобы эти данные были, как минимум:

• регулярные;
• достоверные;
• доступные (и это не только про доступы).

И по факту есть некоторый замкнутый круг: с одной стороны, данные должны быть качественные, чтобы стать стратегическим активом. С другой стороны, качественные данные (будем реалистами) стоят дорого, а на то, что не является критическим для выживания, денег сейчас нет.

Поэтому все упирается в человека или в процесс, который стал бы драйвером такой трансформации хотя бы в одной части организации, и разомкнул этот замкнутый круг — показав на примере, как качественно меняется работа, если относиться к данным как к стратегическому активу.

2. Системный подход по работе с данными понятен и давно описан. Переход от 0 или 1-го уровня зрелости достаточно однозначен — сначала надо собрать данные в одном месте, обеспечить их регулярное обновление и качество, описать их, а дальше идти «продавать» их бизнесу, напрямую или через аналитику и дашборды. Это уже детали и специфика бизнеса.

С этого начнет накапливаться доверие к данным и вырабатываться привычка опираться на них при принятии решения. Ну а поскольку к хорошему быстро привыкают, то потребности будут только расти.

А по мере роста потребностей и степени критичности данных для бизнеса будет понятен вектор дальнейшего развития инфраструктуры данных — дашборды, качество данных, дата-каталоги или же управление данными.

3. Если честно, я не встречал ни разу ситуации, когда у всех было отлично с данными и «все и так работает». Всегда либо в данных есть проблемы, либо их не хватает, либо время на обработку и предоставление новых отчетов зашкаливает. В целом, если компания привыкла опираться на данные, то «аппетит приходит во время еды».

Другое дело, что очень сложно считать эффект от того, что появится еще один дашборд или будет подключен еще один источник. А без этого убедить бизнес инвестировать в данные действительно очень сложно. Только через скорость принятия решений и повышение эффективности работы сотрудников.

Светлана Иванова,
генеральный директор РДТЕХ

«В качестве наиболее эффективного пути зарекомендовал себя процесс первоначального внедрения систем интеллектуального поиска»

Еще 10–15 лет назад доминировала парадигма управления процессами, которая, не успев смениться парадигмой управления данными, в результате активного развития ML и генеративного AI, практически молниеносно трансформируется в управление знаниями. Знания становятся основным активом.

Как обычно в эпоху перемен, в компаниях не существует ни устоявшегося понятийного аппарата, ни стройной методологии формирования знаний и вовлечения их в коммерческий оборот. Однако активно развивающиеся технологические возможности ML и AI, а также фактическое их применение рядовыми сотрудниками заставляют руководителей среднего и высшего звена задумываться об эффективном и безопасном применении этих технологий в компаниях.

В качестве ключевых основ для эффективного применения ML и AI как инструмента управления стоит отметить уровень управленческой и технической зрелости компаний и менеджеров. С учетом наиболее очевидных и значимых преимущества этих технологий — скорости обработки большого количества информации с целью интеллектуального ее анализа и генерации решения — для эффективного их использования необходимо, прежде всего, ясно определить цель применения той или иной технологии, выявить необходимые для реализации этой цели знания, их достаточность и места формирования и хранения.

Даже если речь идет о довольно утилитарных чат-ботах службы поддержки, может оказаться, что для их эффективной работы зачастую требуется получить и проанализировать большое количество источников знаний: тикетные системы, корпоративные WiKi и базы знаний, файловые архивы и хранилища данных, ERP-системы и CRM. И это, увы, не гарантирует результата: может оказаться, что информации и данных все же будет не хватать. Как правило, это серьезно демотивирует незрелых руководителей и дальнейшие инициативы сворачиваются.

В качестве наиболее эффективного пути зарекомендовал себя процесс первоначального внедрения систем интеллектуального поиска. Это позволяет быстро выявить недостающие знания и организовать процесс их формирования. ИТ-решений, которые позволяли бы реализовать весь цикл управления знаниями компании от их формирования, интеллектуального поиска, создания ассистентов и агентов и в России, и на мировом рынке пока немного. AI-Solver РДТЕХ одно из немногих.

Максим Захаренко,
СЕО «Облакотека»

«Компании все чаще переходят к централизованным платформам и облачным решениям, где можно управлять доступами, версиями и потоками данных более прозрачно»

На мой взгляд, большинство компаний сегодня живут в иллюзии, что у них с данными все нормально. Они где-то хранятся, отчеты строятся, BI работает — значит, все ОК. Но как только возникает задача внедрить ИИ или сделать сквозную аналитику, быстро выясняется, что имеющиеся данные — это не актив, а хаотичный набор разрозненных источников.

Основная проблема здесь не в технологиях — инструментов сейчас более чем достаточно. Мешает, скорее, организационный хаос: у многих компаний нет единых стандартов, разные отделы ведут данные по-своему, а за качество данных вообще часто никто по факту не отвечает. В итоге бизнес принимает решения на основе ненадежной информации.

Второй важный момент — отсутствие понятной цели. Многие начинают «управлять данными ради управления данными»: внедряют хранилища, каталоги, регламенты. Но если нет четкого ответа на вопрос, какое бизнес-решение это улучшит, то проект либо буксует, либо превращается в формальность.

Превращение хаоса в систему начинается с практических шагов. Во-первых, нужно определить критичные для бизнеса данные — не все подряд, а именно те, от которых зависят деньги, клиенты и операционные решения. Во-вторых, назначить владельцев этих данных, потому что пока нет ответственного — не будет качества. В-третьих, выстроить базовую дисциплину, подразумевающую единые справочники, правила обновления, контроль изменений и т.д.

Отдельная история — инфраструктура. Когда данные лежат в разных системах, интеграции кривые, а доступы раздаются хаотично, никакой порядок не построить. Поэтому компании все чаще переходят к централизованным платформам и облачным решениям, где можно управлять доступами, версиями и потоками данных более прозрачно.

Что касается инвестиций, здесь работает простой аргумент: плохие данные всегда дороже хороших. Просто эта стоимость неочевидна. Но это ошибки в прогнозах, потерянные клиенты, неэффективные маркетинговые бюджеты — то есть, лишние и безрезультатные затраты. Как только бизнес начинает считать эти потери, разговор про инвестиции в data governance становится гораздо более предметным.

В итоге управление данными — это не ИТ-проект, а управленческая дисциплина. Именно так данные можно превратить из «шума» в реальный актив.

Юрий Слатин,
эксперт XR-агентства LikeVR

«ИИ не исправляет хаос в данных, а масштабирует его»

1. Если коротко, мешает отсутствие стандартов, из-за чего данные разрознены и не имеют единой логики.

Это распространенная проблема, особенно в молодых компаниях, когда данных много, но они разбросаны по разным местам — в таблицах, почте, чатах, CRM-системах, таск-трекерах, у сотрудников в голове.

Пока все идет своим чередом, кажется, что все работает нормально. Но как только нужно сделать что-то сложное, например, собрать общую аналитику по всей компании, автоматизировать процессы или внедрить ИИ, возникают проблемы. Выясняется, что данные надо собирать из разных мест, при этом они иногда противоречат друг другу и плохо пригодны для повторного использования.

Причина чаще всего в том, что нет ответственного лица, кто бы отвечал за сбор и стандартизацию. Все считают, что за это отвечает кто-то другой — IT-отдел, аналитики, руководители направлений. Отсюда вытекает проблема — каждый, кто так или иначе формирует данные, делает это по своему усмотрению. В результате одна и та же информация может храниться в разных местах, иметь разные названия, дублироваться и обновляться по разным правилам.

Но если смотреть глобальнее, то данные не становятся стратегическим активом в первую очередь из-за непонимания руководства, зачем вообще нужно управлять данными и как это влияет на бизнес. Часто это воспринимается просто как полезная привычка, поэтому руководитель не вкладывается в развитие. Ситуация поменяется только когда он поймет, что от качества данных напрямую зависит скорость принятия решений, точность отчетов, эффективность автоматизации и качество работы ИИ.

2. Не стоит пытаться выстроить систему разом. Лучше делать это поэтапно и начать самых важных направлений, где ошибки в данных напрямую приводят к потерям денег, срывам сроков или проблемам с управлением. Например, в работе с клиентскими данными, проектными статусами, финансами, документооборотом.

Если разобрать пошагово, то вот что нужно делать:

• сформировать единую модель сущностей;
• установить единые правила их заполнения и обновления;
• назначить ответственных за эти данные;
• прописать, кто и как может ими пользоваться;
• регулярно проверять качество данных;
• использовать их не только для хранения, но и для аналитики и автоматизации процессов.

Особенно важно это сейчас на фоне внедрения ИИ. ИИ не исправляет хаос в данных, а масштабирует его. Если вы скормите ему несогласованные статусы, дубли, мусорные записи и отсутствующий контекст, то получите такие же недостоверные рекомендации, отчеты и автоматические действия, только быстрее. Поэтому системное управление данными — уже не просто задача для ИТ, а основа для развития и цифровизации бизнеса.

3. Убедить бизнес инвестировать в эту область можно только через прикладную ценность. Не нужно бросаться громкими лозунгами вроде «данные — новая нефть». Лучше покажите понятные эффекты в конкретных цифрах: насколько сократится время на подготовку отчетности, уменьшится число ошибок, ускорятся процессы согласований, снизится объем ручного труда, повысится качество прогнозов и автоматизации. Как только вы дадите конкретную экономику процессов, разговор становится предметным, и выше шансы донести ценность до ЛПР.

Александр Мартынов,
учредитель ИТ-бренда «Севен Груп»

«Данные не становятся активом, потому что у них нет „хозяина“ и единых стандартов»

1. Разнообразных датчиков и информационных систем становится все больше, а количество разноформатных данных постоянно растет. Они дублируются и конфликтуют. Без эффективного управления данными невозможно говорить о серьезном внедрении ИИ. Искусственный интеллект, обученный на противоречивой информации, не станет «умным помощником», а превратится в «генератора ошибок» в масштабе всей организации.

Сегодня ИТ-ландшафт многих компаний напоминает «зоопарк». Данные живут в десятках несвязанных систем: CRM, ERP, MES, HRM — у каждой свои логика, справочники и форматы. Связи между ними представляют собой множество сложно поддерживаемых соединений «точка—точка». Когда систем уже чуть больше пяти, управлять таким ландшафтом становится не просто сложно, а долго и дорого.

Главная проблема в том, что данные не становятся активом, потому что у них нет «хозяина» и единых стандартов. Компании зачастую вспоминают про MDM (Master Data Management), но игнорируют факт, что это не «волшебная кнопка», а подход, основанный на правилах и дисциплине. MDM — это спорткар в области управления данными, но, как и любому автомобилю такого уровня, для его эффективного применения нужна команда подготовленных специалистов с назначенными ролями и распределенной ответственностью. Без этого данные так и остаются пассивом, требующим постоянного «ручного» труда.

2. В первую очередь, нужна правильно выстроенная архитектура, в основе которой — связка из MDM и интеграционной платформы (класс ESB). Представьте, что у вас в компании работает «главный архивариус» (MDM) и современная «логистическая служба» (интеграционная шина). Первый создает «золотые записи» по чувствительным для компании данным — клиентам, продуктам, контрактам, формируя единый источник правды. Вторая автоматически разносит эти эталонные данные по всем системам согласно бизнес-процессам.

Как это выглядит в жизни? Допустим, надо начислить сотрудникам зарплату. Интеграционная платформа собирает данные из разных систем (например, табели — из MES, коэффициенты — из HRM, ставки — из ERP), переводит их в единый формат и доставляет в бухгалтерскую программу 1С. Без Excel-таблиц и ручных правок.

3. Фраза «все и так работает» обычно означает: «Мы привыкли все делать руками, у нас есть штат „наблюдателей за Excel“, и мы уже заложили эти расходы в ФОТ». Чтобы показать неэффективность такого подхода, достаточно одного простого упражнения: подсчитать, сколько человеко-часов в месяц уходит на то, чтобы сверить данные в трех системах в различных таблицах и перенести их в 1С. Если умножить это на количество всех ручных операций, становится очевидно: покупка MDM и интеграционной платформы — это не затраты, а инвестиции с понятным ROI.

Для того чтобы убедиться в эффективности данного подхода, мы рекомендуем сначала протестировать новую систему в рамках одного подразделения или бизнес-процесса. Таким образом, вы получаете возможность обкатать логику работы, создать и внедрить регламенты. И только затем — тиражировать успешный опыт на организацию в целом. Это повышает лояльность топ-менеджмента, так как он видит результат не в теории, а на реальном, пусть и небольшом, участке работы.

Только когда проблема с качеством данных решена, можно приступать к полноценному внедрению ИИ.

Сергей Захарченко, основатель платформы продуктовой аналитики «Динамика»

«Грязные, разрозненные данные — не фундамент для искусственного интеллекта, это фундамент для дорогих галлюцинаций»

1. Главная проблема — не отсутствие стандартов и не размытая ответственность. Это непонимание цели. Стандарты и оргструктуру можно выстроить за квартал, но, если в компании нет ответа на вопрос «зачем нам эти данные?», любая политика управления данными превращается в бюрократию ради бюрократии.

На практике я вижу один и тот же паттерн: компания собирает данные «на всякий случай», складирует их в свое хранилище, а потом не может ответить даже на базовый вопрос — почему упала конверсия на прошлой неделе? Данных терабайты, а решения принимаются на интуиции. Проблема не в объеме, а в отсутствии связи между данными и конкретными бизнес-решениями.

2. Начинать нужно не с инфраструктуры, а с вопросов. Буквально: сесть и выписать 10 главных вопросов, на которые бизнес хочет получать ответы каждую неделю. Дальше — посмотреть, какие данные для этого нужны, откуда они берутся, кто отвечает за их качество. Это и есть ядро системы.

Мы в «Динамике» видим это на примере продуктовой аналитики: компании, которые начинают с конкретных метрик — возвращаемость пользователей, конверсия воронки, время до ценности продукта — выстраивают культуру данных быстрее тех, кто пытается сначала построить идеальное хранилище. Система растет от потребности, а не от архитектуры.

Второй важный шаг — замкнуть цикл. Данные должны не просто собираться и визуализироваться, а приводить к действиям. Если дашборд висит на стене, но никто не меняет процессы по его результатам — это не аналитика, это декорация.

3. «Все и так работает» — самая дорогая иллюзия в бизнесе. Обычно она означает: «мы не знаем, сколько денег теряем». Лучший способ убедить — показать конкретную упущенную выгоду на реальных цифрах.

Возьмите любую воронку продаж, посчитайте, сколько клиентов отваливается на каждом этапе, и переведите это в рубли. Когда руководитель видит, что 40% пользователей уходят на третьем шаге регистрации, а это 12 млн рублей в квартал — вопрос «зачем инвестировать в данные» снимается сам собой.

Еще один аргумент, который сейчас работает безотказно: ИИ невозможно внедрить без качественных данных, а ИИ — это то, что сегодня хочет внедрить каждый руководитель. Грязные, разрозненные данные — не фундамент для искусственного интеллекта, это фундамент для дорогих галлюцинаций. Эффективный ИИ начинается не с выбора модели, а с выстроенной системы работы с данными.

Мария Аверина, директор отделения управления мастер-данными IBS

«Низкое качество мастер-данных и наличие нескольких версий одного и того же справочника приводят к тому, что проекты по ИИ заканчиваются неудачей»

Причины низкого доверия к данным:

• Данных стало слишком много — практически любое подразделение бизнеса может оперировать своими наборами, формируя аналитику, кардинально отличающуюся от аналитики соседнего подразделения. Решение — создать единое корпоративное хранилище данных, которое станет основным источником информации.
• При консолидации данных в единое хранилище часто упускается из виду рассинхронизованность основных справочников — клиентов, продуктов и т.д. Это приводит к тому, что отчетность и аналитика не могут ответить на вопросы бизнеса, поскольку содержат массу дублей, невалидных значений. Решением этой проблемы будет нормализация данных и внедрение системы управления НСИ.
• Низкое качество мастер-данных и наличие нескольких версий одного и того же справочника приводит к тому, что проекты по ИИ заканчиваются неудачей. Это ведет к появлению сомнений о востребованности ИИ в бизнесе.
• Высокий порог входа для сотрудников. В компаниях отсутствует единое описание данных, которые доступны в аналитических системах, что ведет к слишком длительному периоду погружения или к ошибкам из-за неправильного понимания сути данных.

Необходимо показать связь бизнес-проблем и качества данных, чтобы убедить компанию инвестировать в управление ими. Например, предоставить директору по закупкам информацию по объему неликвидного товара на складах, причиной которого стал беспорядок в мастер-данных. Директору по маркетингу можно показать разницу между названием клиента в CRM и наименованием юридического лица, по которому ведется учет в ERP. Несоответствие терминов приводит к тому, что ключевой KPI маркетинга ROMI считается неверно.

Роман Инюшкин,
заместитель директора по технологиям «Софтлайн Решения» (ГК Softline)

«Первый шаг в создании системы управления данными — создание бизнес-глоссария, описание ключевых показателей»

1. Я бы сказал, что стать стратегическим активом данным мешает все перечисленное: отсутствие стандартов, размытая ответственность или непонимание цели. Однако отправная точка — понять, кому в компании нужно управление данными и кто за него отвечает.

Слово «данные» звучит в значительной степени технически, но на самом деле управление, основанное на данных, находится на стороне бизнес-заказчиков, руководителей ключевых подразделений и направлений бизнеса. А самый основной бизнес-заказчик в этом случае — генеральный директор, который в целевой модели имеет доступ к актуальным данным в аналитических отчетах на своем смартфоне/планшете/ноутбуке: выполнение плана продаж, исполнение бюджетов, аналитика работы в разрезе рынков, статус ключевых проектов и другие важные показатели.

Стремясь к управлению на основе данных, компании часто начинают с наиболее понятной и «приятной» части — визуализации аналитики, подбора графиков, их цветового оформления. В подобных проектах после создания красивых отчетов нередко наступает разочарование: представленные данные оказываются неактуальными, а разные подразделения, вкладывают разный смысл в одни и те же показатели.

Каждое из них, доказывая правоту собственной методики, предлагает использовать именно свой вариант расчета. Отдел продаж применяет свою методику расчета отгрузок продукции, отдел логистики — свою. Поэтому неизбежны определенные «искры» в обсуждении, когда каждый имеет в виду «свою версию правды».

2. Первый шаг в создании системы управления данными находится не в плоскости построения хранилища или выбора элементов визуализации для диаграмм и графиков, а в создании бизнес-глоссария, описания ключевых показателей, который затем будут использовать все подразделения, чтобы определить бизнес-сущности в аналитике. С определения объектов начинается движение сверху вниз, и многие компании этот этап пропускают.

Определившись с однозначным пониманием показателей, переходят к data governance — стратегическому управлению данными в организации, включающему систему правил, процессов, политик и зон ответственности в работе с данными.

Между бизнес-показателями и техническими данными в системах-источниках часто есть разрыв: выручка, объем производства, коэффициент технической готовности оборудования — все эти ключевые показатели не равны исходным записям в учетных системах. Для трансформации технических данных в бизнес-данные необходим промежуточный слой — ETL.

Бизнес-заказчики уже работают с показателями более высокого уровня. Именно здесь лежит путь к Data‑driven — принятию решений на основе данных. Чтобы компания могла самостоятельно работать с информацией, этот трансформационный уровень нужно построить, и методологически, и технологически.

Особый сегмент — промышленные данные. На многих предприятиях оборудование старое и, как говорят, «не оприборенное», т.е. оно не оснащено необходимыми приборами учета и датчиками, которые передавали бы сведения о материальных потоках, потреблении электроэнергии, работе и остановке оборудования.

Но забрать данные — только полдела. Их нужно подготовить, передискретизировать, нормализовать. Опрос датчиков идет с высокой дискретностью — раз в несколько секунд или чаще, что продиктовано необходимость диспетчера для оперативного мониторинга, контроля и оперативного управления.

Однако, чем выше уровень управления, тем более агрегированные данные нужны и дискретность требуется выше. Генеральному директору достаточно часовых или суточных сводок. Для многих компаний это суточные отчеты (в банках — закрытие операционного дня, на производстве — суточный рапорт или сводка), в которых отражаются объемы выпуска в разрезе номенклатуры, техническая готовность по основному оборудованию, ключевые отклонения, которые произошли.

Таким образом, проблема использования данных — как методологическая, так и техническая. Чтобы первые лица начали использовать дашборды, необходима стратегия управления данными, которая определяет ключевые показатели, лежащие в основе бизнеса, определение ответственных за них руководителей, регламент предоставления данных и изменение культуры управления. И тут ключевым является закрепление владельцев за каждым показателем.

Сложившаяся практика работы с аналитикой во многих компаниях часто сводится к использованию «промежуточного слоя» в ручном режиме: показатели собираются на уровне цехов, отделов, региональных офисов, затем агрегируются на уровне департамента, управления. При такой модели человеческий фактор в работе с данными напрямую влияет на скорость сбора и качество конечной аналитики.

Автоматизированная система, корпоративное хранилище, правильно построенный ETL-слой и витрины показателей позволяют агрегировать метрики быстро и без посредников в лице сотрудников, готовящих отчеты.

С финансовыми данными также есть своя специфика — ускорение сроков закрытия периода. Многие компании ищут решение, позволяющее прогнозно закрывать период, не дожидаясь фактического прихода бумажных документов от контрагентов. Для этого используются инструменты контроля закрытия периода.

3. Убедить бизнес инвестировать в управление данными — один из ключевых и сложных вопросов. Управление данными воспринимается скорее как технический проект, относящийся к зоне ответственности ИТ, что само по себе неверно.

Пока бизнес не вовлечен и не видит в этом ценности, инвестиций в управление данных (а они значительны) не будет. Если отделу продаж не нужны четкие показатели по сделкам, их никогда и не будет. Если директору по производству не нужны четкие индикаторы по техническому обслуживанию и ремонтам, он никогда не будет их собирать.

Единственно работающий подход — передать ответственность за управление данными в соответствующее бизнес-подразделение. Вместе с этой ответственностью появятся ресурсы и желание бизнеса инвестировать свое время и средства в, казалось бы, техническое направление «управление данными».

Переход к data‑driven подходу — решение уровня топ-менеджмента, и если это нужно бизнесу, то находятся средства, а все подразделения приходят к нужному консенсусу. За реализацией, естественно, дело возвращается к своим техническим партнерам — ИТ, который обеспечивает работу с источниками, выстраивание трансформационного слоя, хранилищ, дата‑лейков, витрин данных. В результате этого не самого простого пути компания приходит к той самой бизнес‑аналитике — красивой визуализации показателей на планшетах и экранах компьютеров руководителей.

Важно понимать: визуально привлекательными графики можно сделать и без корректных данных. Но когда технология заработает, информация становится не просто красивой — она объективна, точна, актуальна и собирается быстро. А скорость в бизнесе — конкурентное преимущество, возможность оперативно понять и занять новую нишу на рынке, принимать решения не интуитивно, а на основе данных. Это то, к чему все стремятся.

Однако это задача сложная, многоуровневая, затрагивающая и технологию, и методологию. Поэтому некоторые компании предпочитают интуитивно избегать ее и в результате многое теряют именно по бизнес‑составляющей. Речь не идет о тотальной автоматизации всего и вся. Задача — выстроить инструменты, которые объективно и экономически целесообразно нужны компании. По каждому показателю можно оценить экономический эффект от автоматизации и в терминах затрат рассчитать окупаемость data‑driven подхода.

Руслан Шарипов,
генеральный директор SimpleOne, корпорация ITG

«Когда нет единых правил, закрепленных ролей и согласованной модели данных, непонятно, кто отвечает за качество, полноту и единую версию правды»

1. Главный стоп-фактор — лоскутная автоматизация: в разных департаментах используются разные системы, внедренные под локальные задачи, и никто заранее не думал, как потом сводить данные в единый стандарт. В итоге данные фрагментированы, где-то их не хватает, где-то их сложно или невозможно корректно интегрировать, выгружать и сопоставлять. Отсюда же возникает размытая ответственность: когда нет единых правил, закрепленных ролей и согласованной модели данных, непонятно, кто отвечает за качество, полноту и единую версию правды.

2. Начать нужно с инвентаризации источников и стандартизации данных: привести их к сопоставимому виду, определить обязательные атрибуты и правила формирования показателей. Практичный путь — платформенный подход: вместо набора разрозненных решений стандартизировать архитектуру вокруг ядра платформ, которые одновременно поддерживают цифровизацию процессов и обеспечивают стандартизацию данных.

Ключевое условие — оцифрованные бизнес-процессы: когда процессы ведутся в системе, данные становятся их «следом», а значит — базой для достоверной аналитики и управленческих решений.

Можно привести в пример компании, внедряющие ESM-платформу: при сервисной модели становится видно, как идут взаимодействия между подразделениями, какие сроки, ресурсы и, при настроенном учете, стоимость у операций. На накопленных данных процессы можно выявлять узкие места, ускорять процессные циклы и автоматизировать типовые шаги, повышая масштабируемость по мере роста.

3. «Работает» часто означает «работает с техническим долгом». На старте он не болит, но при росте компании издержки быстро становятся заметными: дольше собираются отчеты, растут затраты на поддержку множества систем, увеличивается зависимость от ручных сверок и людей.

Параллельно растут риски информационной безопасности и соответствия требованиям — особенно в части персональных данных и ответственности за их обработку. Инвестиции в управление данными позволяют снизить этот долг: ускорить принятие решений, повысить надежность процессов и подготовить компанию к масштабированию.

Игорь Антоненко,
начальник отдела маркетинга НПП «СпецТек»

«Некомпетентный персонал не сможет установить требования ни к качеству данных, ни к порядку их сбора и использования»

Исследование «Asset and Service Data Gravity» выявило интересный факт: 77% респондентов считают, что темпы сбора цифровых данных, накапливаемых их организациями, опережают навыки тех, кто отвечает за использование данных. Поэтому начать нужно с подготовки персонала и приобретения компетенций, которые понадобятся для принятия решений на основе данных. При всей важности качества самих данных и регламентов, некомпетентный персонал не сможет установить требования ни к качеству данных, ни к порядку их сбора и использования. Ни, тем более, принять соответствующие решения на основе данных.

Имея основу в виде подготовленного персонала, превращение хаоса в систему — последовательность из нескольких шагов. Нужно определить, какие типы решений вы будете принимать.

Например, о капитальных инвестициях в производственные активы, решения, касающиеся операционных затрат или касающиеся расходования оборотных средств, например, на запчасти. Следует тщательно продумать, какие данные необходимы, чтобы принимать указанные решения.

Необходимо воздерживаться от соблазна собирать как можно больше данных, чтобы не попасть в ловушку возможностей, предоставляемых информационными технологиями. Разработать и ввести в действие спецификации, устанавливающие требования к содержанию и атрибутам данных.

Существуют международные стандарты, которые могут быть весьма полезны в данном случае. Например, «ISO 14224:2016 Промышленность нефтяная, нефтехимическая и газовая. Сбор и обмен данными по надежности и техническому обслуживанию оборудования».

По данным уже упомянутого исследования, только 50% респондентов сообщили, что они или другие руководители служб в их организациях полностью доверяют данным, к которым у них есть доступ. В этой ситуации очень трудно надеяться, что такие работники будут принимать решения на основе данных.

Поэтому необходим четкий, проработанный и обязательный регламент сбора данных, а также соответствующие меры административного и технического характера, которые обеспечили бы полноту, точность, своевременность и непротиворечивость данных, и как следствие — доверие пользователей к данным. Только в этом случае данные станут активом.

Очевидно, что помимо самого регламента необходимы технические средства, гарантирующие его выполнение. Как раз здесь свою роль должны сыграть средства цифровизации.

Например, в области управления производственными активами — это инфраструктура промышленного интернета вещей (IIoT, Industrial Internet of Things), обеспечивающая снятие данных непосредственно с источников (с активов), а также программные продукты класса EAM/APM, отвечающие за агрегирование, обработку и анализ данных.

Начиная решать проблемы, связанные с данными, необходимо сосредоточиться в первую очередь на компетентности и организационных возможностях, а во вторую — на самих данных и программном обеспечении.

Ключевые слова: данные, data‑driven, управление данными, ресурсы, CRM, ERP, облачные решения, искусственный интеллект, ИТ-ландшафт, клиенты, бизнес

В начало⇑

Комментарии отсутствуют

Комментарии могут отставлять только зарегистрированные пользователи