Qlever Solutions приняла участие в форуме «Управление данными 2026»: главные выводы экспертов о работе с корпоративными данными

Генеральный директор Qlever Solutions Дмитрий Киселев и технический директор Андрей Харлак приняли участие в форуме «Управление данными 2026» от издания «Открытые системы», посвященном современным подходам к работе с корпоративными данными.

За последние годы фокус в управлении данными заметно изменился. Если раньше компании преимущественно обсуждали архитектуру DWH, выбор BI-систем и автоматизацию отчетности, сегодня на первый план выходят качество и доступность данных, ответственность за них, единая семантика и готовность информационного контура к работе с ИИ.

По итогам форума эксперты Qlever Solutions выделили несколько ключевых тенденций, которые сегодня определяют работу с данными в компаниях.

Компании накопили большие объемы данных, построили корпоративные хранилища для их консолидации и внедрили BI, но данные часто остаются распределенными между различными системами и подразделениями. В результате значительная часть времени аналитиков и бизнес-пользователей уходит на поиск нужной информации, проверку ее актуальности и восстановление контекста.

Сегодня задача постепенно смещается от простого накопления данных к созданию среды, в которой пользователь может быстро найти нужную информацию и правильно ее интерпретировать. Поэтому вместе с развитием DWH и BI растет роль data-каталогов, бизнес-глоссариев и семантических слоев.

Семантический слой становится связующим звеном между физическими данными и их потребителями — BI-системами, Excel, ИИ-агентами. Он фиксирует единые определения терминов и показателей, методики расчета KPI, связи между данными и правила доступа, чтобы один и тот же показатель одинаково трактовался во всех системах.

Данные проходят через множество систем и подразделений: создаются в одном месте, преобразуются в другом, хранятся в третьем, а используются всей компанией.

Без четкого распределения ответственности становится сложно управлять качеством и актуальностью данных, а также устранять причины возникающих ошибок.

Поэтому Data Governance все меньше воспринимается как формальный набор регламентов. Рабочая модель предполагает определение владельцев данных, распределение зон ответственности между бизнесом, ИТ и функцией управления данными, а также закрепление этих ролей в реальные бизнес-процессы.

В результате управление данными становится не отдельной инициативой ИТ-функции, а частью общей системы управления бизнесом.

Проверки внутри DWH позволяют обнаруживать ошибки, но не всегда помогают устранить их первопричину. Если некорректные данные появились в исходной системе, исправление результата в хранилище решает проблему только временно.

Поэтому Data Quality развивается в сторону сквозного контроля: от момента возникновения данных до их использования в отчетности и аналитике.

Важно понимать не только наличие ошибки, но и ее источник, ответственного за исправление и влияние на конкретные бизнес-процессы.

Self-service BI существенно упростил доступ бизнеса к аналитике, но возможность самостоятельно построить визуализации не гарантирует получение ответа на возникающий вопрос. Пользователю важно понимать не только, что произошло, но и почему это произошло и что можно сделать.

Поэтому следующий этап развития self-service связан с переходом от самостоятельного просмотра данных к аналитике, которая помогает выявлять отклонения, проверять гипотезы, находить точки роста и оценивать результат принятых решений.

Соответственно меняются и критерии эффективности аналитики: ценность определяется уже не количеством созданных дашбордов, а тем, насколько данные помогают бизнесу принимать решения.

На форуме много внимания уделялось развитию архитектуры корпоративных данных.
Для многих компаний по-прежнему актуальны проблемы фрагментированного ИТ-ландшафта, дублирование данных в разных системах и необходимость одновременно сопровождать несколько аналитических платформ.

Одним из обсуждаемых направлений для решения этих проблем становится Lakehouse — подход, объединяющий задачи BI, обработки больших объемов данных, машинного обучения и GenAI. При этом классические DWH сохраняют свою актуальность: выбор архитектуры зависит от существующего ИТ-ландшафта, масштаба и сценариев работы с данными.

В результате фокус смещается с выбора одной технологии на построение связанного контура, в котором DWH, интеграционные процессы, Data Quality, MDM, метаданные и BI дополняют друг друга.

Искусственный интеллект становится новым потребителем корпоративных данных наряду с BI-системами. При этом ИИ-агентам необходимо корректно понимать бизнес-термины, показатели, связи между объектами и ограничения доступа к информации.

Поэтому развитие ИИ увеличивает значение уже знакомых практик: MDM, Data Quality, каталогизации, управления метаданными, Data Lineage и семантического слоя.

Если данные противоречивы, плохо описаны или имеют неоднозначную бизнес-логику, подключение ИИ не устраняет эти проблемы, а делает их более заметными.

Главный вывод Qlever Solutions по итогам форума: управление данными постепенно перестает быть преимущественно технологической задачей.

Построить DWH или внедрить BI уже недостаточно. Важно понимать, насколько легко найти нужные данные, можно ли им доверять, кто отвечает за их качество, одинаково ли подразделения интерпретируют показатели и помогают ли данные принимать более эффективные решения.

Поэтому внедрения DWH, BI, Data Quality, MDM или Data Governance все чаще рассматриваются не как отдельные проекты, а как части единой системы работы с корпоративными данными.

Развитие искусственного интеллекта дополнительно ускоряет этот процесс. Для внедрения ИИ компаниям в первую очередь необходим надежный фундамент: доступные, качественные, структурированные и понятные данные.