Семантический слой, управляемые метрики и агентные AI-сценарии приходят на смену «дашбордам для всех» и расхождению показателей между отделами.
В течение последних трёх лет запросы российских компаний к аналитическим платформам претерпели качественную эволюцию. Первоначальный интерес к самостоятельному построению отчётов (self-service, то есть самообслуживанию в работе с данными) сменился осознанием рисков: фрагментация метрик, дублирование витрин, отсутствие единой версии истины. Сегодня рынок переходит к модели governed self-service — управляемому самообслуживанию, где скорость аналитики сочетается с централизованным контролем метрик, ролевой моделью и прозрачным качеством данных. Эти и другие тренды зафиксированы в исследовании «Self-service круг Громова 2026», подготовленном аналитическим проектом «Круги Громова».
В отличие от традиционных обзоров, авторы отказались от построения рейтингов. Вместо этого они проанализировали восемь сквозных доменов обработки данных — от управляемого хранения (Managed Service) и интеграции (ETL) до семантического слоя, визуализации и сценарного планирования (IBP). Ключевой вывод: российский рынок переходит от децентрализованной модели, где каждый аналитик создавал собственную «правду», к governed self-service, где самостоятельность бизнеса ограничена едиными правилами, но не подавляется.
Шесть трендов, формирующих новую реальность
1. Self-service становится свойством всей архитектуры данных
Ранее самообслуживание ассоциировалось преимущественно с возможностью построить график в BI. Сегодня концепция расширяется: пользователь должен самостоятельно получать управляемое хранилище, настраивать загрузку данных, формировать семантическую модель и создавать сценарии планирования — без постоянного обращения к ИТ.
Арустамов Алексей, директор компании Loginom, отмечает: «Рядом с децентрализованным self-service существует рынок governed self-service, спрос на который растёт. Эти два типа запросов не заменяют, а дополняют друг друга. Более 70% из них — это запросы на децентрализованный self-service, но число „тяжёлых“ проектов с семантическим слоем и ролевым управлением также увеличиваются».
Сергей Сошников, директор по развитию Yandex DataLens, добавляет: «Модель governed self-service работает, когда команды, которые отвечают за данные, за их качество и за аналитику, действуют из единой платформы — с общими правилами и общим пониманием, что означает каждая цифра в отчёте. Сам по себе этот тренд не новый, и он активно развивался и поддерживался глобальными представителями BI-рынка. Компании, которые хотят принимать решения на основе данных и использовать возможности ИИ в аналитике, приходят к этому неизбежно».
2. Управляемое самообслуживание (governed self-service) приходит на смену хаосу
Компании, активно внедрявшие self-service, столкнулись с «метрическим хаосом» — когда один и тот же показатель по-разному рассчитывался в разных подразделениях. Ответом стало внедрение централизованных правил: единого семантического слоя, ролевых моделей доступа, контроля качества данных.
Кирилл Кузнецов, генеральный директор Modus, рассказывает: «Еще три года назад большинство входящих обращений звучало примерно так: „дайте нам дашборды, хотим видеть цифры“. Сегодня запросы качественно иные. Мы наблюдаем два потока: миграционный — с Tableau, Qlik, Power BI на отечественные решения, где заказчики требуют сохранить ролевую модель и логику метрик; и первичный — компании среднего сегмента, которые после Excel-хаоса осознали, что расхождение цифр между отделами — это операционная проблема. Значительная часть сделок
3. Семантический слой становится дирижёром аналитики
Он перестал быть просто удобной прослойкой между базой данных и отчётом. Теперь это исполняемый мост между бизнесом и ИТ, а также контекстная основа для работы языковых моделей. Без формализованных определений показателей любой AI-ассистент может предоставить ненадёжные результаты.
Павел Шалавин, владелец продукта DataForge, комментирует: «По оценке DataForge, рынок переходит от „семантики как документации“ к „семантике как исполняемому коду“. Бизнес-логика показателей не просто описывается в глоссарии, а транслируется в SQL и материализуется в хранилище. Без такого исполняемого слоя conversational BI остаётся ненадёжным: языковая модель не может доверять несогласованным определениям. Именно governed self-service на основе единой семантической модели становится фундаментом для агентной аналитики и массового самообслуживания».
Анастасия Остапенко, руководитель Центра компетенций BI, Axenix отмечает: «AI-аналитика становится все более востребованной в корпоративной практике. Как следствие, растет интерес к семантическому слою, поскольку его наличие становится важным пререквизитом масштабирования AI-агентов. Он превращает описание метрик, связей, агрегаций и правил доступа в воспроизводимый расчет во всех каналах потребления данных. Мы в Axenix считаем наиболее перспективным подход, когда LLM отвечает за распознавание намерения пользователя, а семантический слой — за алгоритмическое исполнение расчетной логики. Это обеспечивает стабильность ответа независимо от „продвинутости“ используемой LLM вне зависимости от количества итераций запроса. Стоит отметить, что рынок семантических слоев находится сейчас в стадии формирования, и потребность в соответствующих решениях будет только расти. Компании, которые сегодня начнут выстраивать семантический контракт метрик, завтра получат готовую основу для масштабирования AI-аналитики».
4. Эволюция: от разговорного BI к управляемому исполнению (Agentic Enterprise)
На смену системам, отвечающим на вопросы естественным языком (conversational BI), приходит следующий уровень: AI-агенты, которые совершают действия в рамках заданных политик, т.е. корректируют цены, запускают рекламные кампании, инициируют задачи. При этом каждое действие подтверждается человеком.
Павел Дубинин, руководитель продуктового развития DataLens, — об AI-агентах: «Самый устойчивый спрос сегодня — на разговорный BI. Из инновации этот инструмент становится нормой. Параллельно формируется следующий слой — интегрированные сценарии, когда BI перестаёт быть изолированным инструментом и начинает работать в связке с CRM, task tracker-ами и другими корпоративными системами. Именно такую связку и предлагает Agentic Enterprise. Публичное API DataLens уже позволяет внешним агентам участвовать в сквозных сценариях: обнаружить аномалию — завести задачу в трекере».
5. Разработка силами пользователей (Citizen Development) требует зрелого управления данными
Предоставление бизнесу lowcode-инструментов без правил владения данными ведёт к новому хаосу. Успешное развитие разработки силами пользователей (Citizen Development) напрямую зависит от управления данными (Data Governance): корректного определения владельцев данных, правил качества и процедур утверждения изменений.
Сергей Сошников, директор по развитию Yandex DataLens, уточняет: «Более 35% обращений к нам включают запрос на инструменты управления внутри BI. Простота self-service работает только при наличии надёжного управляемого слоя — без него „дашборды для всех“ через год превращаются в „свои цифры у каждого отдела“».
6. Наблюдаемость данных (Data Observability) становится инфраструктурой доверия
При масштабном использовании аналитики, когда речь идет о десятках и сотнях пользователей, простого мониторинга — «загрузилось / не загрузилось» — недостаточно. Требуется система, которая в реальном времени показывает причины устаревания данных, влияние изменений на витрины и возникновение аномалий.
Виктория Рамейкина, директор аналитического центра «Круги Громова» комментирует: «Наблюдаемость — это не надстройка над данными, а предпосылка для того, чтобы governed self-service вообще работал. Если пользователь не уверен, что цифры в дашборде актуальны и корректны, он возвращается к Excel и звонит в ИТ. Мы видим в исследовании характерную закономерность: компании, которые вложились в инструменты самообслуживания, но не выстроили контур наблюдаемости, через год-полтора сталкиваются с кризисом доверия к данным — и фактически начинают путь заново. Data Observability — это то, что превращает аналитическую платформу из технического решения в институт доверия внутри организации».
На что ещё исследование обращает внимание
Эксперты «Кругов Громова» выделили также три аспекта, которые ранее практически не анализировались в российском контексте.
Доменный подход
Исследование рассматривает self-service не как функцию отдельного инструмента (например, BI), а как сквозную характеристику всей архитектуры работы с данными. Авторы выделили восемь доменов — логических слоёв, которые охватывают полный жизненный цикл данных. Эти домены сгруппированы в три блока.
Первый блок — Platform (инфраструктурный фундамент): хранение данных (Data Storage), загрузка и интеграция данных (Data Ingestion), выполнение запросов и OLAP-вычисления (Data Query and Processing). Второй блок — Usage (прикладное использование): семантический слой (Semantic Layer), визуализация и BI (Data Visualization), сценарное планирование и генерация новых данных (Data Generation / IBP). Третий блок — Trust & Control (контур доверия): управление мастер-данными (MDM), качество данных (Data Quality) и наблюдаемость (Data Observability).
Такой подход позволяет выявить «слабые звенья» в цепочке. Например, высокий уровень самообслуживания в BI (пользователь легко строит дашборды) при отсутствии управляемой интеграции (данные подтягиваются кустарно, без чётких ETL-процессов) и семантической согласованности (одна и та же метрика по-разному определена в разных отделах) неизбежно ведёт к фрагментации метрик, расхождению цифр между подразделениями и потере доверия к аналитике. Именно поэтому зрелый self-service возможен только при согласованном развитии всех восьми доменов.
Роль Data Steward получила признание
Бизнес-пользователь инициирует изменение данных, а стюард (Data Steward) отвечает за их качество и соответствие стандартам. Self-service в управлении мастер-данными (MDM) и контроле качества данных (DQ) без этой роли невозможен.
«Рост числа источников данных, переход к доменной ответственности за информацию и развитие концепций управления данными и децентрализованной сети данных делают централизованные модели управления мастер-данными всё более заметным тормозом для бизнеса. В ответ на это формируется спрос на управляемый self‑service в MDM, который воспринимается не в качестве неограниченной свободы, а как инструмент ускорения процессов при сохранении контроля. Ключевое отличие от BI здесь в появлении ещё одной, не‑ИТ роли — специалиста по управлению данными. Без неё невозможно разделить ответственность: бизнес-пользователь инициирует изменения — создаёт нового поставщика, заводит товар, а Data Steward отвечает за качество, дедупликацию и соответствие корпоративным стандартам. Именно такой специалист, а не ИТ-отдел, становится центром управления правилами, процессом согласования и источником „золотой записи“. Без этой роли self‑service в MDM и контроле качества данных остаётся лишь декларацией», — комментирует Виктория Рамейкина.
Кирилл Кузнецов (Modus), отмечает: «Пока единицы заказчиков явно прописывают в ТЗ роль Data Steward как выделенной штатной позиции. Но функционально — ответственный за качество данных присутствует почти в каждом крупном проекте».
Связка семантического слоя и RAG-архитектур (AI)
Хотя многие вендоры стали включать в список функций наличие AI-ассистента, исследование объясняет технологический инсайт: без формализованного семантического слоя языковая модель легко может галлюцинировать. Именно семантический слой предоставляет LLM контекст — согласованные определения показателей, правила расчёта, ограничения. Без этого любая диалоговая аналитика (т.н. conversational BI) превращается в генератор правдоподобных, но не гарантированно верных ответов.
Источник: Пресс-служба компании «Круги Громова»
