Поделиться
Дашбордами уже никого не удивишь — бизнесу нужны прогнозы и рекомендации
В условиях высокой турбулентности качественная аналитика и возможность строить прогнозы на основе реальных показателей становятся важным условием выживания. Еще одна причина интереса к работе с данными — необходимость обучения искусственного интеллекта. На этом фоне российский рынок данных растет в 2 раза быстрее мирового. Как бизнес использует аналитику и какие ИИ-сервисы помогают в работе с данными, обсудили участники организованной CNews Conferences конференции «Рынок аналитики и больших данных 2026».
Рынок больших данных и аналитики
Эра хранилищ данных началась в 90-е годы XX века — данные использовались для подготовки финансовой и регуляторной отчетности, план-факторного анализа, контроля складских остатков. В 2005 г. с появлением Hadoop наступила эра больших данных, появилась возможность решать задачи в режиме онлайн и зарабатывать на этом. В 2015 г. началась эра облаков и Data-as-a-Service, для обработки данных стали применять машинное обучение. Сейчас мы перешли на следующий этап — этап Lakehouse, Databricks и ИИ.
Юрий Пчелин, директор Департамента ИТ-сервиса и отказоустойчивости «Дикси», модератор конференции, отметил, что главными событиями на российском рынке больших данных в 2025 г. стали массовое импортозамещение стека Hadoop, появление первых российских Lakehouse-платформ, усиление внимания к безопасности озер данных и применение синтетических данных.
«Данные — ключевой драйвер цифровой экономики: без качественных массивов данных невозможны ни искусственный интеллект, ни цифровизация экономики и государственного сектора в целом», — начал свое выступление Сослан Габуев, заместитель директора Департамента развития искусственного интеллекта и больших данных Минцифры России. Российский рынок данных растет в 2 раза быстрее мирового и к 2030 г. достигнет ₽1,2 трлн.
Как бизнес использует аналитику и какие ИИ-сервисы помогают в работе с данными, обсудили участники организованной CNews Conferences конференции «Рынок аналитики и больших данных 2026»
Юрий Пчелин, директор Департамента ИТ-сервиса и отказоустойчивости «Дикси»: Рынок больших данных перешел на следующий этап — этап Lakehouse, Databricks и ИИ
Евгений Лящук, коммерческий директор «СберАналитика»: При выборе BI-решения решающее значение имеет его качество, а отнюдь не стоимость
Эдуард Федечкин, эксперт по системам бизнес-аналитики компании «Терн»: «Терн Юниверс» воспринимает запросы на человеческом языке
Сослан Габуев, заместитель директора Департамента развития искусственного интеллекта и больших данных Минцифры России: Российский рынок данных растет в 2 раза быстрее мирового и к 2030 г. достигнет 1,2 трлн руб
Николай Галкин, директор Департамента информационных технологий компании «Кофемания»: Внедрение аналитики для многих — коренное изменение мышления и взгляда на принятие решений
Максим Чернухин, СТО «СберСтрахование жизни»: Все компании хотят быть data-driven, но на деле таких совсем немного
Однако, обмен данными между компаниями в России развит слабо. Большинство компаний предпочитает собирать данные пользователей самостоятельно. Существует несколько бизнес-моделей рынка данных: P2P, подразумевающая прямой обмен данными между поставщиком и потребителем; брокер, когда посредник обеспечивает доступ к данным и сделку; каталог, когда создается витрина предложений, а контакт с поставщиком осуществляется через платформу; маркетплейс — сделка через платформу с контролем платежей и правил; биржа, обеспечивающая стандартизированную торговлю данными с участием доверенных посредников и контроля качества.
Сослан Габуев отметил, что для развития рынка данных пока есть существенные препятствия: ограничение доступа к персональной информации и врачебной, банковской, налоговой тайне, а также технические блокеры. По его мнению, в России следует развивать государственные и частные биржи данных, с четкими правилами лицензирования и сертификации, однако для этого надо решать еще целый ряд вопросов.
Евгений Лящук, коммерческий директор «СберАналитика», поделился результатами исследования, проведенного в феврале 2026 г. Как выяснилось, в компаниях, где внедрен ВІ, сотрудники регулярно с ним работают. Чаще всего, BI используют подразделения, которые занимаются исследованиями, финансами, автоматизацией, логистикой и продажами. С помощью BI решаются задачи, направленные на оптимизацию расходов, планирование и анализ причин и факторов.
Исследование показало, что при выборе BI-решения решающее значение имеет его качество, а отнюдь не стоимость. Заказчики ценят производительность, удобство визуализации, возможность интеграции с различными источниками данных, использования больших данных, а также наличие экосистемы и качество технической поддержки.
К сожалению, пока самостоятельная работа с BI не получила широкого распространения — такую возможность предоставляет весьма ограниченное число систем. Тоже самое можно сказать и о GenAI — ИИ-инструменты содержатся только в 15% решений. В их числе «Навигатор BI» — российская платформа бизнес-аналитики и визуализации данных, разработанная «Сбером». В ней реализован целый ряд ИИ-инструментов: визуализация по запросу на основе исходных данных, подключение ИИ-агентов к мультиагентной системе, умный поиск по дашбордам на базе голосовой или текстовой команды пользователя, автоматическая визуализация ключевых показателей, RAG Q&A — ответы на вопросы по содержимому библиотеки документов.
От аналитики к прогнозированию
Компания «Терн» работает на рынке ИТ с 1991 г. В 1997 г. она начала предлагать в России Business Objects, а затем, основываясь на опыте работы с этим решением, начали разрабатывать собственную платформу «Терн Юниверс». «Сегодня это одно из BI-решений промышленного уровня», — говорит Эдуард Федечкин, эксперт по системам бизнес-аналитики компании «Терн».
«Терн Юниверс» работает с данными из любых систем. При этом пользователь получает не наборы данных, а готовые аналитические показатели — на платформе создан визуальный конструктор в повседневных терминах бизнеса для самостоятельного извлечения информации, анализа, построения произвольных отчетов и дашбордов, содержащих таблицы, графики, диаграммы и визуальные объекты. Кроме того, «Терн Юниверс» воспринимает запросы на человеческом языке — платформа переводит их в запросы, понятные системе, и формирует аналитику. Компания «Терн» также предлагает утилиту для миграции данных из Business Objects в «Терн Юниверс».
«Внедрение аналитики для многих — коренное изменение мышления и взгляда на принятие решений», — говорит Николай Галкин, директор Департамента информационных технологий компании «Кофемания». В его компании используется решение FineBI. «Специфика работы ресторанов «из-под ножа» приводит к тому, что в аналитике надо учитывать множество параметров», — рассказал Николай Галкин. Еще недавно планирование в «Кофемании» осуществлялось на базе экспертного мнения шеф-поваров, затем компания пыталась использовать простые статистические методы в Excel. Однако самым эффективным стало ML-прогнозирование.
Николай Галкин рассказал, как происходило обучение модели. В результате удалось добиться 99% точности прогноза продаж, а списание сократилось на 30%. В планах переход от дневного к внутридневному прогнозированию, интеграция внешних факторов: праздники, погода, трафик, полная автоматизация цепочки: от прогноза до автоматического формирования заказа поставщику и самообучение системы.
«Все компании хотят быть data-driven, но на деле таких совсем немного», — говорит Максим Чернухин, СТО «СберСтрахование жизни». Сегодня многие компании уже имеют Data Lake, BI, ML и LLM, но их бизнес не изменился. И причина не в технологиях, а в отсутствии ответственности, процессов и культуры принятия решений на основе данных.
Максим Чернухин рассказал, какой должна быть идеальная data-архитектура и как перейти к AI-Native процессам, когда ИИ сможет самостоятельно отслеживать события и тенденции и предлагать превентивные меры. Он подчеркнул важность обучения сотрудников и их привлечения к реализации проекта создания Data Driven компании.
Аналитики не успевают обрабатывать запросы бизнеса во многом из-за того, что они часто бывают недостаточно полные и требуют множества уточнений. В «Альфа-Лизинг» решили создать портал для пользователей, где они могли бы четко указать, какая аналитика им необходима и какие данные для ее подготовки надо использовать. Об архитектуре портала рассказал Александр Воробьев, руководитель управления стратегического проектирования и цифровых инноваций «Альфа-Лизинг».
Предварительный анализ требований пользователей производит ИИ — он проверяет их полноту, валидизирует поля и атрибуты, сопоставляет с Data Catalog, выявляет противоречия. Через 3 мин он выдает чек-лист найденных «пробелов» в требованиях, предложения по их дополнению, условия проверки качества данных и потенциальные источники данных. В результате аналитики могут не тратить время на согласование требований с заказчиками, а заняться аналитической работой.
Как управлять данными
«Многие считают, что есть идеальный фреймворк, который надо использовать, чтобы выстроить управление данными. Но на практике можно все сделать строго по фреймворку, но ничего не будет работать», — говорит Дарья Куликова, руководитель департамента по управлению данными ФГ БКС. Она поделилась принципами, которых надо придерживаться, чтобы достичь успеха.
Во-первых, надо «лечить боли, а не симптомы». Во-вторых, помнить, что управление данными заканчивается там, где бизнес принимает решение. В-третьих, не пытаться автоматизировать хаос. Главный KPI внедрения решений — это доверие и скорость. «Также надо помнить, что за каждым внедрением стоит лидер, который горит этой идеей и способен зажечь ей команду», — говорит Дарья Куликова.
Игорь Татаренко, директор департамента «Мастер Дата» компании «Русклимат», начал свое выступление с примеров, когда неправильное управление данными становится причиной серьезных проблем. Например, ни один маркетплейс не умеет работать с комплектами товаров из нескольких коробок. Он поделился своим мнением, как можно использовать данные и мастер-данные. Например, для обучения искусственного интеллекта в «Русклимате» существует чат-бот для сотрудников по правилам внесения данных, ИИ также занимается очисткой информации, поиском ошибок, дублей номенклатуры и аналогов с разными наименованиями.
Еще одна сфера применения — системы роботизации и автоматической обработки грузов на складах. И, конечно, без данных невозможно планирование производства, продаж и т.д. При этом очень важно внедрить единое управление данными и тщательно просчитывать эффективность автоматизации.
На портале Наш.дом.рф собраны данные обо всем строящемся в России жилье. Их очень много — это фотографии объектов, и документация. Этими данными пользуются агентства недвижимости, застройщики, банки, производственные компания, маркетинговые агентства и т.д. «Наш портал — это первый и основной источник данных обо всех строительных проектах», — говорит Анна Богдашкина, руководитель по стратегическому развитию «ДОМ.РФ Технологии».
Через API можно получить максимальное количество данных в машиночитаемом виде — это информация о коммерческих и нежилых помещениях, даты выдачи ключей и пр. В декабре 2025 г. на базе Дом.РФ была запущена отраслевая платформа данных строительной отрасли РФ. Анна Богдашкина пригласила застройщиков подключаться к платформе.
Виктор Романенко, заместитель генерального директора по внутренним процессам и проектам Торгового дома «Ренна», рассказал, как его компания строила Data Driven-бизнес. Начали с создания хранилища данных, навели в них порядок, затем занялись внедрением аналитики. В качестве технологической основы выбрали ClickHouse и Delta BI. Виктор Романенко рассказал, как развивался проект.
Дарья Куликова, руководитель департамента по управлению данными ФГ БКС: Многие считают, что есть идеальный фреймворк, который надо использовать, чтобы выстроить управление данными. Но на практике можно все сделать строго по фреймворку, но ничего не будет работать
Игорь Татаренко, директор департамента «Мастер Дата» компании «Русклимат»: Ни один маркетплейс не умеет работать с комплектами товаров из нескольких коробок
Анна Богдашкина, руководитель по стратегическому развитию «ДОМ.РФ Технологии»: Наш портал — это первый и основной источник данных обо всех строительных проектах
Александр Воробьев, руководитель управления стратегического проектирования и цифровых инноваций «Альфа-Лизинг»: Аналитики не успевают обрабатывать запросы бизнеса во многом из-за того, что они часто бывают недостаточно полные и требуют множества уточнений
Виктор Романенко, заместитель генерального директора по внутренним процессам и проектам Торгового дома «Ренна»: Будьте готовы к тому, что первые полгода вы бегаете за заказчиком и просите согласовать и профинансировать проект, зато потом он бегает за вами с просьбой сделать для него новый дашборд
Геннадий Гребеник, директор по трансформации «Фора Банка»: Основным двигателем цифровой трансформации сегодня является ИИ, однако для него нужны хорошие данные
Сергей Земелькин, руководитель направления корпоративных данных «Росхим»: Самой большой проблемой оказалась нормализация данных
«Будьте готовы к тому, что первые полгода вы бегаете за заказчиком и просите согласовать и профинансировать проект, зато потом он бегает за вами с просьбой сделать для него новый дашборд», — говорит он. Результаты проекта налицо: время подготовки ежедневных отчетов сократилось с полутора часов почти до нуля, аналитической системой пользуется уже более 130 человек.
«Фора Банк» — небольшой банк, который очень внимательно относится к эффективности любых проектов. «Основным двигателем цифровой трансформации сегодня является ИИ, однако для него нужны хорошие данные», — говорит Геннадий Гребеник, директор по трансформации «Фора Банка». В банке решили создать единую аналитическую платформу. Начать предполагалось с построения надежного фундамента, фактически, с реализации большого инфраструктурного проекта масштаба всей организации — построения слоя детальных данных DDS, витрины GDM.
Однако в итоге пришлось реализовывать проект поэтапно — пойти по пути решения самых актуальных задач бизнеса. Сначала реализовали сервис «Управленческий баланс», затем «Воронка продаж банковских карт», после этого «Доходность клиентов и продуктов». Геннадий Гребеник рассказал о сложностях проекта и полученном опыте.
«Росхим» использует 10–15 доменов данных, в том числе ежедневные выгрузки и накопления, а также данные из внешних источников. Для построения аналитической платформы компания решила не создавать дорогую Big Data платформу, а пойти по пути построения On‑prem решения на базе PostgreSQL, рассказал Сергей Земелькин, руководитель направления корпоративных данных «Росхим».
Самой большой проблемой оказалась нормализация данных — для ее решения ввели стандарты атрибутов и единый формат идентификаторов, запустили контроль версий, регламенты и автоматическую валидацию. В результате удалось наладить парсинг внешних данных и локальная нормализация, автоматизированы сбор и загрузка. «Однако, самый быстрый ROI дал отказ от дорогих внешних сервисов, а не BI», — поделился Сергей Земелькин. В ближайших планах расширение списка доменов и областей ответственности, углубление трансформации процессов и роли владельцев данных, развитие витрин для управленческих и оперативных задач и построение масштабируемой архитектуры с предсказуемым TCO.
Короткая ссылка
