Андрей Харлак, Qlever Solutions: «Лидерство — это способность адаптироваться быстрее рынка»

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.

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 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.

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.


Материал подготовлен для © Т-Бизнес секреты: https://secrets.tbank.ru/blogi-kompanij/liderstvo-eto-sposobnost-adaptirovatsya-bystree-rynka/