Организации выделяют отдельные бюджеты на внедрение ИИ, но исправление исходных данных по-прежнему считают второстепенной задачей. По данным опроса Arenadata, каталоги данных и MDM полностью внедрены лишь у 10% организаций, а у трети регулярно встречаются ошибки в данных. Пилотные ИИ-проекты стартуют на неподготовленных данных: пилот работает, а масштабирование в продуктиве буксует. Разбираемся в проблеме и способах ее решения.
На конференции ArenaDAY 2026 более 60% участников опроса назвали качество данных и управление ими критически важными для ИИ. При этом полноценная стратегия работы с данными есть лишь у 35,4% опрошенных организаций, каталоги и
Согласно опросу Arenadata, чаще всего этому мешает нежелание бизнеса инвестировать (36,2%) и сопротивление изменениям внутри компаний (34%). Нехватку специалистов отметили 19,1%, сложности с интеграцией систем — 10,6%. Проблема не только в технологиях. Во многих организациях до сих пор не определено, кто отвечает за достоверность информации, кто должен исправлять ошибки и оплачивать эту работу.
Когда «активный клиент» означает разное
Больше половины опрошенных в целом доверяют корпоративной информации. При этом 31,3% регулярно замечают в ней ошибки и пробелы. Но само по себе доверие мало что значит: даже отчет с правильными итоговыми цифрами может вводить в заблуждение, если подразделения по-разному понимают один и тот же показатель.
Например, отдел продаж считает активным клиента, который что-то купил за последние 90 дней. Для маркетингового отдела достаточно, чтобы человек за этот период открыл письмо или зашел на сайт. Обе системы работают без сбоев, но значения показателя различаются. Если использовать их вместе для прогноза оттока клиентов, модель получит противоречивые сведения. Программа найдет пропуски, дубли, ошибки в форматах и задержки загрузки. Однако она не решит, кого считать активным покупателем, по какой дате учитывать выручку и когда включать заказ в статистику. Об этом должны договориться сами подразделения: утвердить определения, правила расчета и основной источник для каждого показателя. Поэтому качество информации имеет смысл оценивать не вообще, а в контексте конкретной бизнес-задачи.
Стратегия есть, ответственных нет⠀
У 35,4% опрошенных организаций утверждена стратегия работы с данными на один — три года с целями и KPI. Еще у 29,2% она есть в сокращенном виде, а у 25% отсутствует. Однако даже подробный документ бесполезен, если разные отделы продолжают работать по своим правилам.
⠀
Допустим, компания хочет точнее прогнозировать товарные запасы. Для этого модели нужны сведения о продажах, возвратах, остатках и сроках поставок. Они поступают из разных систем, за которые отвечают разные команды. Аналитики ИТ-службы могут собрать информацию в одном хранилище, но не вправе самостоятельно решать, в какой момент считать продажу состоявшейся или как учитывать возвраты.
⠀
Именно поэтому в стратегии необходимо указать, какие сведения важны для бизнеса, кто за них отвечает и кто ими пользуется. Нужны единые правила расчета показателей, требования к их качеству и порядок разрешения разногласий. Важно также определить, кто вправе менять эти правила и как сообщать об изменениях всем заинтересованным командам.
⠀
Например, специалисты, которые обслуживают ERP, изменили название поля или значение статуса заказа. Если об этом не предупредить аналитиков, отчеты и прогнозы могут неделями строиться неправильно. Для важных источников помогают контракты данных — заранее согласованные требования к структуре и качеству, соблюдение которых система проверяет автоматически.
⠀
Как уточнили участники форума «Цифровые решения», принявшие участие в опросе Arenadata о внедрении и контроле искусственного интеллекта в организациях, проблема распределения ответственности затрагивает и безопасность данных. ИИ уже используют 76% опрошенных организаций, но в 78% нет действующей политики его применения. Более чем в половине организаций работу сотрудников с ИИ никак не контролируют, а почти 70% респондентов замечали, как коллеги передавали ИИ закрытую корпоративную информацию. При этом DLP-защиту внедрили только 26% участников опроса.
⠀
По поводу ответственности за ошибки единого мнения тоже нет: 59% респондентов считают, что отвечать должен сотрудник, 41% выступает за ее разделение между человеком и технологией. На практике обязанности нужно закрепить за конкретными подразделениями. Владелец бизнес-процесса определяет, для каких задач допустимо применять ИИ и кто проверяет результаты; владелец данных отвечает за качество исходной информации; ИТ-служба — за работу и изменения системы; служба информационной безопасности — за права доступа и предотвращение утечек. Без такого распределения компания рискует получить не только неверные выводы модели, но и инцидент с конфиденциальными данными.
Почему каталог и MDM не решают проблему сами по себе
По данным опроса Arenadata, каталоги данных и
Например, один контрагент записан в CRM под сокращенным названием, в ERP — под полным юридическим, а в системе документооборота фигурирует с разными реквизитами. Если не сопоставить эти записи, в аналитике можно дважды учесть продажи или задолженность. MDM помогает связать их одним идентификатором. Однако сначала нужно решить, по каким признакам считать записи совпадающими, каким источникам доверять при расхождениях и кто исправляет ошибки в исходной системе. Иначе автоматизация только распространит неточности.
У каталога тоже есть ограничения. Он сможет автоматически найти таблицы и определить связи между ними, но не объяснит, почему «дата продажи» в одной системе означает день оплаты, а в другой — день отгрузки. Для этого нужны согласованные определения показателей и история их формирования: из каких источников они взяты и как изменялись при обработке. Для ИИ такая прозрачность особенно важна. Если модель дала неверный ответ, нужно проверить не только ее версию, но и исходные сведения, а также правила их подготовки.
Порядок действий должен быть известен заранее. Проверка обнаруживает ошибку, стюард выясняет ее причину, владелец принимает решение, ответственная команда исправляет запись в исходной системе. Затем нужно убедиться, что корректные сведения попали и в связанные отчеты. Без такого процесса сотрудники могут годами исправлять одни и те же расхождения вручную.
Сколько стоит экономия на качестве данных
В опросе Arenadata 36,2% участников назвали главным барьером недостаток инвестиций в данные. Однако на деле бизнес все равно платит за качество данных, только позже и дороже. Деньги обычно находятся уже после инцидента: неверного прогноза, ошибочной закупки, штрафа регулятора или испорченного отчета для руководства. Тогда компания платит трижды. Сначала за срочное устранение последствий: работу аналитиков и ИТ в авральном режиме, ручные сверки, привлечение подрядчиков. Затем за бизнес-убытки: потерянную выручку, лишние запасы, санкции, ущерб репутации. И наконец, за тот же каталог, MDM и правила контроля, которые все равно приходится внедрять, только теперь в спешке и дороже. Профилактика обходится в разы дешевле, но ее ценность сложно показать, пока никто не посчитал, во сколько компании обходятся ошибки в данных.
Именно поэтому начинать расчет необходимо со стоимости ошибок, а не с цены платформы. Предположим, десять сотрудников раз в месяц по четыре часа сверяют три отчета. Это 40 рабочих часов. Их стоимость можно рассчитать с учетом затрат работодателя на труд, а отдельно оценить потери от ошибочных закупок и задержек в принятии решений. После исправления источника остается сравнить, сколько времени занимают сверки и как часто приходится переделывать отчеты. Важно не записывать сэкономленные часы и рост производительности тех же сотрудников как два разных эффекта: получится двойной счет.
В смету также входит поддержка справочников и правил, обработка сложных случаев, инфраструктура. Не всегда выгодно устранять каждую ошибку. Например, можно технически добиться 99% корректных записей, но остановиться на 95%, если оставшиеся неточности редки, не влияют на решения, а их исправление слишком дорого. Требования к качеству должны зависеть от возможного ущерба, а не от стремления получить идеальный показатель.
Вторая проблема, которую назвали участники опроса, — сопротивление изменениям (34%). Представим, что неверные карточки товаров мешают закупкам и аналитике. Исправлять их должен отдел, который создает карточки, а выгоду от этой работы получают другие подразделения. У первого отдела появляются дополнительные обязанности без очевидного результата для его собственных KPI. Именно поэтому ошибки могут оставаться в системе месяцами. Никакой MDM не исправит такую организационную проблему.
Нужно четко распределить обязанности: кто утверждает правила, кто следит за их выполнением, кто исправляет ошибки в источнике и кто принимает решение, если устранить их сразу нельзя. Ответственным сотрудникам необходимы полномочия и рабочее время.
Окончание следует
Источник: Игорь Моисеев, директор по развитию бизнеса DataCatalog (входит в Группу Arenadata)
Иллюстрация предоставлена пресс-службой компании
















.jpg)

