Сергей Сошников: «Система хороша настолько, насколько хороша архитектура данных»

Диалог вместо просмотра дашбордов

Классическая проблема бизнес-аналитики (BI) прошлых поколений – сложность интерфейса, интуитивно непонятного для обычного бизнес-пользователя. Даже для базового план-фактного анализа менеджер предпочтет не разбираться с дашбордом, а выгрузить данные в Excel и свести привычные таблички. В результате BI превращается в красивую витрину, которой никто не пользуется, а решения по-прежнему принимаются на основе таблиц, собранных вручную.

Новое поколение BI-систем позволяет задавать вопросы на обычном языке: не строить отчет руками, а сформулировать запрос и получить структурированный ответ. Например, «Какой канал продаж дает самый низкий ROI и почему?», «Где эффективнее открыть новый склад?». Так, наш ИИ-агент «Нейроаналитик» уже позволяет выявлять бизнес-инсайты на 30% быстрее благодаря диалоговому режиму. Он сам выбирает нужные данные, находит связи между показателями и выдает результат.

Например, сетевой ритейлер «Магнит» использует DataLens для анализа программ лояльности и сервисов доставки. Менеджеры могут задавать вопросы прямо в интерфейсе BI и получать ответы без долгой подготовки отчетов или привлечения аналитиков. Такой подход не заменяет аналитику – он высвобождает время специалистов для действительно сложной работы вместо рутинного сбора цифр.

Однако важно понимать, что ИИ работает лучше, когда в системе четко определено, что означает каждый показатель: выручка – это по отгрузке или по оплате, отток клиентов считается за месяц или за квартал и в каких случаях какой показатель использовать. Без этих уточнений даже умный интерфейс может дать ответ, который звучит правдоподобно, но на деле опирается на неверную логику.

Встроенная аналитика вместо переключения между системами

Классическая ситуация: менеджер по продажам работает в CRM, замечает, что крупный клиент стал реже заказывать, и, чтобы разобраться, открывает BI-систему, ищет нужный дашборд, настраивает фильтры. На это уходит 20–30 минут. Иногда он просто откладывает задачу «на потом».

Согласно исследованиям, 89% финансовых команд по-прежнему полагаются на таблицы для ключевых процессов из-за проблем с интеграцией разных систем. При этом традиционно поиск ответа на сложный вопрос типа «Какие сегменты клиентов показывают наибольший риск оттока по трем региональным базам данных?» требует 2–4 недель работы аналитиков.

В 2026 г. аналитика будет встраиваться туда, где человек уже работает: в CRM, ERP, систему управления складом. Менеджер открывает карточку клиента и сразу видит динамику его покупок, риск оттока, рекомендации по следующему контакту – все это формируется автоматически, без переключения в другую систему.

Один из примеров – маркетплейс KazanExpress («Магнит маркет»). Перед компанией стояла задача дать тысячам продавцов инструмент для анализа своих продаж. Вместо того чтобы разрабатывать собственные графики с нуля (что долго и дорого), они встроили дашборды DataLens прямо в «Личный кабинет продавца». В результате партнеры маркетплейса получили профессиональную аналитику по заказам, возвратам и остаткам внутри привычного интерфейса, а сама площадка сэкономила месяцы разработки, просто интегрировав готовый BI-движок.

Другой пример – сервис умного поиска для интернет-магазинов SearchBooster. Чтобы доказать клиентам эффективность своего алгоритма, они встроили аналитические отчеты DataLens в клиентские кабинеты. Теперь каждый директор интернет-магазина видит в реальном времени, как работает поиск на его сайте и сколько выручки он приносит, не запрашивая выгрузки у менеджеров.

Другие примеры встроенной аналитики: панель закупщика в системе управления складом подсказывает, какой товар заканчивается быстрее прогноза или интерфейс HR-системы отображает динамику увольнений по подразделениям и факторы риска.

ИИ как помощник, а не волшебная палочка

ИИ в BI перестал быть экспериментом. Системы умеют выявлять аномалии в данных, определять факторы, вызвавшие изменения, генерировать текстовые выводы. По данным IDC, организации, внедрившие ИИ с высокой степенью зрелости инфраструктуры и управления данными, добиваются улучшения доходов на 24,1% и снижения затрат на 25,4%. Но в реальных проектах видна четкая связь: выводы ИИ-агента хороши ровно настолько, насколько хорошо организована архитектура данных, к которым обращается агент. Там, где наборы данных аккуратно организованы, ИИ быстро находит осмысленные закономерности: например, видит мошенничество среди 1 млн обычных транзакций, обнаруживает корреляции между событиями, которые часто кажутся независимыми, предсказывает тренды, которые только начинают формироваться.

Если данные разрознены и плохо документированы, ИИ просто масштабирует путаницу. Поэтому при оценке BI-системы имеет смысл смотреть не на громкие обещания про «умную аналитику», а на конкретные вопросы: из каких именно источников система берет данные для анализа; кто отвечает за их актуальность; как пользователю показывается логика вывода, а не только готовый ответ.

Облако и локальные системы: поиск баланса

У крупных компаний в России запрос почти всегда один: «Хотим скорость облака и контроль над данными на своей инфраструктуре». В ответ появляются гибридные архитектуры. По данным IKS-Consulting, более 50% крупных и средних организаций в России применяют модели гибридной облачной инфраструктуры. Критическое место здесь – не сама BI-платформа, а то, как организован общий слой данных. Если каждое подразделение строит свою мини-BI рядом с локальной системой, компания получает десяток версий истины. Гибридный подход работает, только когда есть единая модель данных и общие справочники для всех подразделений.

От анализа прошлого к предсказаниям будущего

Традиционный BI отвечает на вопрос: «Что произошло?» Дашборд показывает, что выручка упала на 15% – это факт. Но что с этим делать и как это предотвратить в следующем месяце, остается неясным.

Предсказательная аналитика работает иначе. Система анализирует историческое поведение клиентов, сезонность, внешние факторы и выдает прогноз: в этом квартале, вероятнее всего, упадет продажа в сегменте SMB из-за сезонности, а в категории премиум есть риск потери крупного клиента. На основе этого можно подготовить маркетинговую кампанию или встречу с ключевым контрагентом до того, как он уйдет.

Но здесь есть важный момент: предсказания – это не магия. Качество предсказательных моделей зависит от того, как собирались исторические данные: по единой ли методике, полные ли они, как часто менялись правила сбора. Даже неполные данные можно использовать для прогнозов, но нужно понимать, какие допущения за этим стоят и где граница применимости модели. Поэтому, перед тем как внедрять предсказательную аналитику, нужно убедиться, что фундамент данных надежен.

На что смотреть при выборе BI в 2026 г.

Чтобы BI-система через два года не превратилась в дорогостоящую проблему, при выборе платформы имеет смысл ответить на несколько практических вопросов:

1. Оцените уровень зрелости данных и инфраструктуры.

Перед внедрением или расширением BI-системы важно понять, насколько у вас выстроена инфраструктура данных. Если у вас есть единое хранилище (Data Warehouse или Data Lake), обеспечивающее актуальность и качество данных, то можно рассматривать более сложные решения. Если же данные разбросаны по разным системам, а их интеграция требует больших усилий, стоит подумать о платформах со встроенными средствами интеграции или постепенном объединении источников.

В сети гипермаркетов Hoff столкнулись именно с этим вызовом. У компании накопились терабайты данных, и локальные решения не справлялись со скоростью обработки. Hoff построила гибридную аналитическую платформу: тяжелые вычисления и хранение перенесли в облако Yandex Cloud (Managed Service for ClickHouse), а визуализацию настроили через DataLens. Это позволило сократить время построения сложных аналитических витрин с нескольких недель до дней, сохранив при этом контроль над критическими данными.

2. Проведите «тест-драйв» на своих данных, а не на демопримерах вендора.

Дайте команде из 2–3 ключевых пользователей реальную бизнес-задачу (например, проанализировать отток клиентов за квартал) и посмотрите, сколько времени у них уйдет на получение ответа в предложенной системе. Демонстрации всегда выглядят красиво, но только реальная задача покажет, насколько инструмент интуитивен и подходит для ежедневной работы.

3. Обратите внимание на интеграцию.

BI редко живет отдельно: вокруг всегда есть CRM, ERP, системы лояльности, производственные системы. При выборе платформы важно проверить, есть ли готовые интеграции с ключевыми системами; возможно ли работать с данными без их дублирования в еще одно хранилище; как организованы права доступа и аудит. Чем меньше специальных доработок требуется, тем меньше технического долга вы создаете с самого начала.

4. Оцените не только BI-платформу, но и экосистему вокруг нее.

Узнайте, сколько на рынке сертифицированных партнеров и независимых консультантов, работающих с этим продуктом. Наличие сильного сообщества и партнеров – это страховка на случай, если вам понадобится быстро масштабировать решение или решить сложную задачу. Платформа без экосистемы делает вас заложником одного вендора.

5. Запросите у вендора дорожную карту развития на 2–3 года вперед.

Как именно планируется развивать AI-инструменты, поддержку новых источников данных, инструменты для управления доступом? Важно, чтобы видение вендора совпадало с вашими долгосрочными планами. Покупка BI – это не разовая сделка, а долгосрочное партнерство.

6. Спросите о «стоимости владения», а не только о цене лицензий.

Полная стоимость включает не только лицензии, но и затраты на внедрение, обучение сотрудников, техническую поддержку и, возможно, услуги партнеров. Иногда решение с более дорогими лицензиями, но быстрым внедрением и простой поддержкой в итоге оказывается выгоднее «бесплатного» open-source или дешевого, но сложного в настройке продукта. &

Yandex DataLens, «Нейроаналитик» Yandex Cloud – 18+

ROI – возврат на инвестиции, CRM – система управления взаимоотношениями с клиентами, ERP – система управления ресурсами, HR – управление кадрами, SMB – средний и малый бизнес, AI – искусственный интеллект, open source – открытый исходный код