Передать бухгалтерию эксперту — это удобноЛичный бухгалтер заберет налоговый учет под ключ
Подробнее
Подробнее
Подробнее
Идеи для бизнесаБизнес с нуляОнлайн‑торговляБухгалтерия⚡️ Новое в 2027СправочникШаблоны документов
Идеи для бизнесаБизнес с нуляОнлайн‑торговляБухгалтерия⚡️ Новое в 2027СправочникШаблоны документов

За последние несколько лет подход компаний к работе с данными заметно изменился. Если раньше аналитика сводилась к отчетам и дашбордам, то сегодня она становится основой для управленческих решений, прогнозирования и внедрения искусственного интеллекта. Вместе с этим меняются и требования к аналитическим проектам: недостаточно выбрать современную BI‑платформу — важно выстроить процессы, обеспечить качество данных и вовлечь бизнес в работу с ними.

О том, как понять, что бизнес перерос привычную отчетность, почему аналитические проекты часто терпят неудачу и что сегодня отличает лидеров рынка, мы поговорили с техническим директором Qlever Solutions и победителем рейтинга «Лидеры цифровизации. Топ‑50 руководителей» Андреем Харлаком.

Когда обычной отчетности уже недостаточно

Еще пару лет назад большинство компаний приходили к интеграторам с запросом автоматизировать отчетность. Сегодня перед бизнесом стоит стратегическая задача: построить единую систему работы с данными, которая позволит быстрее принимать решения, легко масштабировать аналитику и использовать технологии искусственного интеллекта.

Что изменилось в подходе компаний к внедрению BI за последние несколько лет?

За последние несколько лет мы наблюдаем существенное изменение запросов со стороны бизнеса.

Еще три‑четыре года назад большинство проектов начиналось с вполне понятной задачи: отказаться от ручной подготовки отчетов и настроить удобные дашборды для руководителя. По сути, BI воспринимался как инструмент визуализации данных.

По мере роста компаний стало очевидно, что сами по себе красивые дашборды не решают проблему качества и порядка в данных. Сегодня фокус постепенно смещается с визуализации на управление данными. Бизнес начинает выстраивать единые правила работы с данными, уделяет внимание их качеству, внедряет корпоративные хранилища (DWH), унифицирует справочники и только после этого выбирает BI‑систему.

В результате BI становится частью корпоративной data‑платформы, которая объединяет инструменты и правила хранения, обработки, контроля качества и трансформации данных для аналитики, машинного обучения и искусственного интеллекта.

Сегодня многие уже используют BI‑системы, однако руководители по‑прежнему сталкиваются с ручной подготовкой отчетов и расхождениями в цифрах. Почему современные инструменты аналитики не всегда решают эти проблемы?

Наличие BI‑системы само по себе не означает, что компания решила проблему работы с данными. BI отлично справляется с визуализацией и автоматизацией отчетности, но не устраняет причины, из‑за которых данные оказываются неполными, противоречивыми или неактуальными.

Особенно ощутимо это становится по мере роста бизнеса: увеличивается количество подразделений, информационных систем и аналитических запросов. В какой‑то момент руководители начинают получать разные ответы на один и тот же бизнес‑вопрос, и вместо принятия решений время уходит на поиск причин расхождений. Это один из первых сигналов того, что компании пора менять привычную модель аналитики.

Как руководителю понять, что компания уже переросла существующий подход к работе с данными? Какие признаки вы считаете самыми показательными?

По нашему опыту есть несколько характерных признаков.

Первый — скорость изменений в бизнесе становится выше скорости развития аналитики. Руководители слишком долго ждут новые отчеты, стоимость поддержки аналитических решений повышается, вместо решения задач бизнеса компания постоянно что‑то дорабатывает и настраивает.

Второй — появляется несколько версий одной и той же информации. Разные подразделения используют свои технологии и методики расчета, на совещаниях обсуждают не причины отклонений, а то, чьи цифры считать правильными.

И третий, самый опасный сигнал — руководители начинают принимать решения на основе собственного опыта или интуиции, потому что перестают доверять данным. Именно в этот момент становится понятно, что проблема уже не в BI‑платформе, а в работе с данными.

BI отлично справляется с визуализацией и автоматизацией отчетности, но не устраняет причины, из‑за которых данные оказываются неполными, противоречивыми или неактуальными

Т-Бизнес секреты: новости, анонсы событий, советы предпринимателей
Т‑Бизнес секреты: новости, анонсы событий, советы предпринимателей

Ошибки, из‑за которых аналитические проекты терпят неудачу

Сегодня неудачные аналитические проекты редко связаны с выбором конкретных технологий. Гораздо чаще причины лежат в организации самого проекта, постановке целей и взаимодействии бизнеса с ИТ.

Часто компании инвестируют в аналитику, но не получают ожидаемый эффект от проекта. Почему так происходит?

Главная ошибка — считать аналитический проект исключительно ИТ‑инициативой по внедрению программных продуктов. На самом деле это проект организационных изменений, который требует выработать единую систему KPI, распределить ответственность, пересмотреть бизнес‑процессы и выстроить корпоративные правила работы с данными.

Поэтому самые успешные проекты, которые мы реализовывали, всегда были совместной работой бизнеса и ИТ. Именно бизнес определяет, какие показатели действительно влияют на принятие решений, а ИТ помогает превратить эти требования в устойчивую архитектуру данных.

Какие еще ошибки компании чаще всего допускают до старта проекта?

Мы часто сталкиваемся с ситуацией, когда компания решает внедрить BI или строить корпоративное хранилище данных, потому что так делают все вокруг, а уже потом пытается понять, какие задачи нужно решить и какие аналитические отчеты действительно нужны руководителям. В результате появляются красивые дашборды, которыми практически никто не пользуется.

Еще одна распространенная ошибка — попытка реализовать сразу все возможные сценарии аналитики. Практика показывает, что гораздо эффективнее определить приоритетные задачи, реализовать MVP (Minimum Viable Product) для закрытия ключевых потребностей и постепенно развивать систему, получая измеримый результат на каждом этапе.

И, наконец, самая дорогая ошибка —строить аналитику поверх некачественных данных. Если в разных системах по‑разному рассчитываются показатели, справочники содержат дубли, а данные регулярно требуют ручной корректировки, никакие современные технологии не обеспечат достоверную аналитику. Именно поэтому вопросам качества данных (Data Quality) стоит уделять внимание еще до начала внедрения аналитической системы, а не после ее запуска.

Когда бизнесу действительно нужно DWH

Когда источников данных становится много, а аналитика начинает использоваться для принятия управленческих решений, компании неизбежно сталкиваются с новой задачей — обеспечить единый и достоверный взгляд на бизнес. Именно в этот момент возникает вопрос: действительно ли компании уже необходимо корпоративное хранилище данных (DWH)?

Что сегодня включает в себя понятие «качество данных»?

Качество данных — это степень их пригодности для решения бизнес‑задач и возможность использовать их в системах‑потребителях: BI, ML, AI. Важно, чтобы данные были полными, актуальными, непротиворечивыми и одинаково трактовались всеми подразделениями компании.

Поэтому работа с качеством данных — это не разовая ручная очистка базы, а постоянный процесс, который включает внедрение единых правил их хранения, обработки и трансформации, контроль изменений и распределение ответственности.

Именно поэтому тема DWH стала настолько востребованной именно сейчас?

Во многом — да. Корпоративное хранилище данных помогает выстроить единый процесс работы с данными и создать основу для их качества.

В условиях постоянно изменяющихся требований рынка и непредсказуемости экономики бизнес острее сталкивается с последствиями «лоскутной аналитики». Данные существуют отдельно друг от друга: ERP, CRM, Excel, маркетплейсы, облачные сервисы хранят большое количество ценной информации, которая не используется в полной мере. В какой‑то момент бизнес понимает, что отчетов много, а единой картины деятельности и полезных инсайтов — нет.

DWH помогает объединить данные в единый контур, устранить противоречия, поддерживать актуальность данных и создать надежную основу для масштабируемой аналитики.

Значит ли это, внедрение DWH становится обязательным этапом развития аналитики в компании?

Не всегда. DWH — это не обязательный этап развития любой компании, а инструмент для решения вполне конкретных задач. Если аналитика строится на одном источнике данных и существующая архитектура справляется с количеством запросов, отдельное корпоративное хранилище данных может быть не нужно.

Но если компания использует несколько систем‑источников, каждому подразделению необходимы свои персонализированные отчеты, важно обеспечить безопасность данных и не перегрузить информационные системы, а также планируется внедрение прогнозной аналитики, ML и ИИ, внедрение корпоративного хранилище данных становится логичным следующим шагом.

Из чего сегодня состоит современная data‑платформа

Комплексная аналитика уже давно не ограничивается одной BI‑системой. В большинстве крупных проектов она включает:

  • DWH — единое корпоративное хранилище данных;
  • BI — аналитика и визуализация показателей;
  • MDM — управление нормативно‑справочной информацией;
  • Data Quality — контроль качества данных;
  • Data Governance — правила управления данными и распределение ответственности;
  • AI и ML — прогнозирование, поиск закономерностей и автоматизация анализа.

Вместе эти компоненты позволяют превратить данные в полноценный инструмент управления бизнесом.

Будущее принадлежит компаниям, которые умеют работать с данными

Рынок аналитики меняется быстрее, чем когда‑либо. Если раньше компании стремились автоматизировать отчетность, то сегодня они готовят инфраструктуру для искусственного интеллекта, прогнозной аналитики и принятия решений на основе данных. Какие изменения ждут рынок в ближайшие годы и к чему бизнесу стоит готовиться уже сейчас?

Сегодня много говорят про ИИ. Как вы оцениваете его влияние на аналитику?

ИИ уже начинает серьезно менять рынок аналитики, но главный эффект будет не в замене аналитиков, а в ускорении работы с данными и снижении порога входа.

ИИ помогает автоматизировать рутинную работу, ускорить подготовку данных, упростить работу пользователей с аналитическими системами. При этом фундамент остается прежним: если в компании несогласованные и низкокачественные данные, хаос в data‑архитектуре, не отлажены организационные процессы, никакой искусственный интеллект ситуацию не спасет.

Именно поэтому значение Data Quality и Data Governance в ближайшие годы будет только возрастать. Компании, которые уже сейчас инвестируют в качество данных, окажутся в более выгодной позиции для внедрения AI‑решений и получат от них реальную бизнес‑ценность.

Каким вы видите будущее рынка BI и DWH в России?

На мой взгляд, рынок уже перестал обсуждать отдельные технологии и двигается в сторону развития комплексных data‑платформ. Компании постепенно уходят от набора разрозненных инструментов к единой экосистеме данных, где объединяются DWH, BI, MDM, ИИ, ML и современные подходы к управлению.

Но ключевым фактором успеха будут не конкретные инструменты и технологии. Побеждать будут компании, которые научатся адаптировать свои процессы к новым требованиям рынка быстрее конкурентов и использовать данные как полноценный управленческий актив.

Что важно предпринять компаниям, чтобы успевать за тенденциями?

Я бы рекомендовал не начинать с выбора очередной технологии. Намного важнее сначала создать фундамент, на котором эта технология действительно может принести ценность бизнесу.

Первый шаг — договориться о единых правилах работы с данными. Все подразделения должны одинаково понимать, как рассчитываются ключевые показатели и какие данные являются эталонными. На практике это означает создание единого корпоративного языка данных: чтобы один и тот же клиент, товар, контрагент, подразделение или номенклатура были одинаково описаны и интерпретировались во всех информационных системах компании. Для этого может потребоваться внедрение MDM и единых корпоративных «золотых» справочников.

Второй шаг — сделать управление качеством данных непрерывным процессом. Данные должны регулярно проверяться на полноту, актуальность и корректность, а любые изменения — быть прозрачными и контролируемыми. Исправлять ошибки вручную уже недостаточно, особенно если компания планирует масштабировать аналитику.

Следующий уровень зрелости — выстроить полноценную систему управления данными (Data Governance). На этом этапе формируются единые регламенты работы с данными, распределяются роли и ответственность между владельцами данных, внедряются процессы согласования изменений в нормативно‑справочной информации, контроля качества данных и мониторинга их происхождения (Data Lineage). В результате данные перестают быть исключительно зоной ответственности ИТ. Они становятся корпоративным активом, за который отвечают и бизнес, и технические специалисты.

И только после этого стоит переходить к масштабному использованию искусственного интеллекта. Наибольший эффект сегодня дают не громкие эксперименты, а прикладные сценарии с понятным бизнес‑результатом: ускорение подготовки отчетности, автоматизация рутинных операций, поиск закономерностей и поддержка принятия решений.

Главное, что стоит помнить руководителям: искусственный интеллект не заменит качественную работу с данными, а лишь позволит быстрее использовать тот потенциал, который компания уже создала. Если фундамент слабый, ИИ масштабирует существующие проблемы. Если данные качественные и процессы выстроены, он станет мощным инструментом развития бизнеса.

Актуальные статьи и свежие тренды
Счет с прозрачными тарифами

Предложение от Т‑Банка

Счет с прозрачными тарифами
  • Первые 2 месяца обслуживания на любом тарифе — 0 ₽
  • Вывод на свои карты — до 3,7 млн рублей, платежи и переводы внутри банка — 0 ₽
  • Бесплатная бизнес‑карта и онлайн‑бухгалтерия
Узнать больше

Комментарии проходят модерацию по правилам редакции


Больше по теме
Новости

Бесплатно делитесь опытом и экспертизой от имени вашей компании и от себя