Компании тратят миллионы на хранилища данных, BI-платформы и визуализацию, но топ-менеджеры все равно не доверяют отчетам. Показатели разнятся от департамента к департаменту, совещания превращаются в споры о том, «как правильно считать отгрузки» вместо обсуждения стратегии. Проблема не в технологиях. В погоне за управлением на основе данных компании первым делом выбирают красивые графики, но забывают договориться о главном, о смыслах. В итоге данные остаются техническим балластом, а не работающим инструментом. Как превратить хаос в систему? Ответ — в последовательном выстраивании ответственности и методологии, и лишь затем — технологий. Об этом в статье рассказывает Роман Инюшкин, заместитель директора по технологиям «Софтлайн Решения» (ГК Softline).
Первый шаг: выровняться в понятиях
Начать нужно не с покупки платформы, а с закрепления владельца данных и КПЭ из бизнеса. Управление данными до сих пор воспринимается как зона ответственности ИТ, и это ошибка. Пока бизнес-подразделения не вовлечены и не видят ценности, системное развитие управления данными будет выглядеть, как технический проект, необходимый ИТ.
Если отделу продаж не нужны четкие показатели по конверсии, среднему чеку, ретроспективному анализу продаж, то они не появятся по инициативе ИТ. Единственный работающий подход — передать ответственность за управление данными и показателями в соответствующее бизнес-подразделение. Речь не о том, чтобы заставить отдел продаж писать SQL-запросы. Речь о введении роли «владелец данных» — руководителе, который утверждает трактовку показателя, алгоритм расчета, приоритизирует доработки и несет ответственность за качество исходных данных. Вместе с этой ответственностью появляются ресурсы и желание тратить время и средства на управление данными и аналитику. Переход к управлению, основанному на данных — вопрос уровня топ-менеджмента. Саму техническую реализацию отдают в ИТ-подразделение, которое обеспечивает работу с источниками, выстраивают трансформационный слой, хранилища и витрины.
Первый шаг — не построение хранилища, а создание бизнес-глоссария и описание ключевых показателей, которые затем будут использоваться в масштабах всей компании. Например, если отделы продаж и логистики считают по-разному отгрузку, то каждый будет иметь свою «трактовку». Почему бизнесу так трудно договориться? Во-первых, у каждого отдела свои KPI: продажи хотят зачесть отгрузку по факту заключения договора, логистика — в момент физической отгрузки. Во-вторых, ручная агрегация показателей снизу вверх позволяет незаметно «подгонять» отчеты под нужный месседж топ-менеджменту.
Согласование отчетов разных подразделений с разной трактовкой «доходов» или «активов», «ROI» — задача на уровне руководства. Если ее не решать, то тогда к показателям разных подразделений не появится доверия. Почему различаются цифры в этих показателях, в частности, можно понять и из бизнес-глоссария, и из дата-каталога, который собирает источники данных, и по ним можно отследить разницу.
К тому же инвестиции в управление данными не дают быстрой и очевидной окупаемости в отличие, скажем, от покупки нового станка или расширения склада.
Когда бизнес-глоссарий готов, следующий шаг — инвентаризация источников данных. Нужно ответить на вопросы: существуют ли необходимые данные в принципе, где и в каком виде они хранятся. Если их нет (например, оборудование не оснащено датчиками), то решением будет ставить датчики или искать обходные способы измерения.
Технологический слой: ETL и трансформация данных
Между показателями и данными в системах-источниках часто есть разрыв: чистая маржа, коэффициент технической готовности оборудования считаются по методике на основе данных учетных системах. Для трансформации технических данных в бизнес-показатели необходим промежуточный слой — ETL. Бизнес обычно работает с метриками более высокого уровня, именно здесь лежит путь к Data‑driven. Чтобы компания могла самостоятельно работать с информацией, этот трансформационный уровень нужно построить и методологически, и технологически.
Приведу пример. Забрать данные — только полдела, их нужно подготовить, передискретизировать, нормализовать. Опрос датчиков идет с высокой дискретностью — раз в несколько секунд или чаще, что продиктовано необходимостью диспетчеризации для оперативного мониторинга, но чем выше уровень управления, тем более агрегированные данные нужны. То есть трансформации это не только техническое преобразование данных, но и их согласование, проверка качества, использование единых справочников.
Генеральному директору достаточно часовых или суточных сводок по работе производственного оборудования. Для многих компаний это ежедневные отчеты (в банках — закрытие операционного дня, на производстве — суточный рапорт или сводка), в которых отражаются объемы выпуска, списание сырья, отгрузки и ключевые отклонения.
Почему ручной сбор — это проблема бизнеса, а не ИТ
Сложившаяся практика ручного сбора — когда показатели агрегируются снизу вверх, от цехов до департаментов, — напрямую влияет на скорость и качество аналитики. Человеческий фактор вносит искажения и задержки. Технически эту проблему решают автоматизированная система, корпоративное хранилище данных и правильно построенный ETL-слой — они позволяют выстроить конвейер данных без посредников в лице сотрудников, готовящих отчеты.
Вопрос «сколько это стоит и когда окупится?» неизбежен. Наша практика показывает, что компания теряет часть управленческой эффективности из-за разрозненных данных — от неверных решений, дублирования отчетов и простоев. Внедрение системного управления данными (data governance) не является сугубо технической задачей и направления получения бизнес-эффектов могут быть не только сокращение ручных операций, а также снижение складских запасов, ускорение закрытия периода, снижение простоев. По каждому показателю можно оценить экономический эффект от автоматизации и рассчитать ROI.
От красивых графиков к объективной аналитике
В результате этого непростого пути компания приходит к той самой бизнес‑аналитике — красивой визуализации показателей на планшетах и экранах руководителей. Визуально привлекательные графики можно сделать и без корректных данных. Но когда технология заработает, аналитика становится не просто эстетичной — она объективна, точна, актуальна и формируется в режиме реального или приближенного к нему времени. Скорость и обоснованность управленческих решений -это существенные конкурентные преимущества. Это то, к чему все стремятся.
ИИ и данные: от метаданных до аналитики по запросу
Теперь об искусственном интеллекте. ИИ, особенно классическое машинное обучение, опирается на данные. Если накоплен массив данных для обучения, то можно построить модель и на ее основе перейти к предсказательной аналитике. Хотя управление данными и не новая технология, датацентричный подход до сих пор не реализован во многих организациях. Десять лет назад звучали те же тезисы, ставились те же задачи, и многие из них так и не решены. Все упирается в сложность самого процесса: он одновременно и процессный, и проектный, требует постоянного внимания и вовлечения бизнеса.
Современные ИИ-инструменты дают значительный шаг вперед на разных уровнях работы с данными. Первое — автоматизация метаданных и ETL-слоя. Между учетными данными в учетных системах и бизнес-показателями всегда был разрыв. Раньше трансформационный слой создавался вручную бизнес-аналитиками или дата-инженерами долго, дорого и с ошибками. Сегодня генеративный ИИ способен распознавать исходные поля, сопоставлять их с бизнес-глоссарием, формируя понятные описания. Это многократно ускоряет реализацию, построение и адаптацию конвейеров данных, и существенно экономит затраты на DataOps, инженеров данных.
Второе — аналитика по запросу и запросы к данным на естественном языке (NLQ). Традиционные аналитические отчеты были статичны: чтобы получить ответ на новый вопрос, нужно заказывать доработку у аналитиков. Но сейчас инструменты движутся в сторону аналитики по запросу. Сейчас пользователь в мессенджере пишет: «А сколько у нас была выручка по мужской обуви за прошлый месяц?», и система не только выдает цифру, но и уточняет: «Необходимо в разрезе магазинов или по группе компаний целиком?». Это уже не просто отчет, а диалог с данными.
Третье — применение ИИ в управлении мастер-данными (MDM). Это стержневые справочники: материалы, контрагенты, продукты, те сущности, на которые нанизываются все остальные данные. Идеальная модель — «золотая запись», когда каждый объект уникален и однозначно идентифицирован. Но на практике справочники раздуты, дублируются, а главное, трудно находить аналоги. Особенно остро это стало после ухода крупных поставщиков: например, при переходе на аналогичные картриджи или комплектующие нужно понять, что этот картридж соответствует предыдущему по свойствам. Традиционный семантический поиск по ключевым словам не справляется, нужен — по смыслу или потребительским свойствам. ИИ как раз способен на это: он может сопоставлять разные позиции, выявлять их функциональную эквивалентность и предлагать замены. На многих предприятиях склады забиты материалом, но из-за того, что никто не знает о существовании аналогов, возникает «эффект женского гардероба»: всего много, а одеть нечего. Искусственный интеллект помогает навести порядок в этом хаосе.
Четвертое — предиктивная аналитика и сценарное моделирование. Когда данные выстроены, а справочники очищены, можно переходить к прогнозированию. Искусственный интеллект позволяет не только отвечать на вопрос «что было?», но и моделировать будущее. Например, располагая сведениями по связке «продажи — производство — обеспечение» (классический треугольник Sales&Operations), можно построить модель, которая предсказывает последствия того или иного сценария. Исходя из этого, можно принимать объективные решения и строить производственную программу. Отсутствие информации не позволяет этого делать, и компании вынуждены полагаться на экспертные оценки, основанные на опыте. Но опыт — скорее из плоскости ощущений.
Пятое — сокращение сроков подготовки показателей. Современные средства на основе ИИ нацелены на сокращение времени от запроса бизнеса до получения показателя в аналитике. Если раньше на формулировку, согласование, разработку и тестирование отчета уходили недели, то с использованием NLQ и автоматизированного ETL это время сокращается до минут. Это позволяет бизнесу быстрее реагировать на изменения рынка и принимать решения на основе свежих данных.
Вывод
Данные становятся стратегическим активом тогда, когда компания проходит все уровни зрелости: от хаотичного сбора и ручной агрегации — к единой методологии, закрепленной ответственности, прозрачной трансформации данных и, наконец, к качественной визуализации и прогнозной аналитике. Путь этот непрост и требует времени. Но плохая альтернатива — вечные споры о версиях «правды», интуитивные решения и упущенные возможности. И здесь важно не перепутать порядок действий: начинать не с покупки BI-платформы и не с найма дата-инженеров, а с вопроса «А мы договорились о наборе и структуре показателей, и кто за них отвечает?». Когда в этом появляется ясность, остальное становится вопросом последовательной реализации.
Искусственный интеллект — мощный ускоритель, но только если фундамент уже заложен. Он не заменит человеческих договоренностей, но может автоматизировать рутину, подсказать аналоги и дать каждому руководителю возможность общаться с данными на естественном языке. Компании, которые совмещают строгую методологию с ИИ-инструментами, получают не просто «красивые графики», а настоящий актив, который помогает опережать конкурентов.
Источник: Роман Инюшкин, заместитель директора по технологиям «Софтлайн Решения» (ГК Softline)
