Успешные практики дата-инноваций 2026 года

Какие практики работы с данными уже доказали свою эффективность в российских компаниях? В каких областях они дают максимальную отдачу? Своими наблюдениями на эти темы мы попросили поделиться экспертов, планирующих посетить форум «Данные+ИИ — 2026».

Наши эксперты выделяют широкий спектр сценариев в области работы с данными, успешно зарекомендовавших себя в российских организациях.

«Внедрение дата-решений в России перешло от фазы экспериментов в стадию прагматичной зрелости: уже можно выделить конкретные практики, приносящие ощутимый и измеримый результат, — делится своими наблюдениями Дмитрий Красников, руководитель направления Big Data & BI в компании К2Тех. — Фокус сместился с поиска “волшебной” технологии на построение надежной организационной и управленческой основы. Когда компания всерьез намерена извлекать ценность из данных для решения бизнес-задач, первым и необходимым организационным шагом становится создание роли связующего звена между ИТ и бизнесом — центра ответственности за данные (дата-офиса) во главе с директором по данным (CDO). Но эта роль работает лишь тогда, когда CDO в равной степени хорошо владеет и языком технологий, и языком бизнес-задач — от оптимизации маржи до ускорения вывода продуктов на рынок».

Дмитрий Красников: «Фокус сместился с поиска “волшебной” технологии на построение надежной организационной и управленческой основы»

Кроме того, добавляет Красников, сейчас наблюдается ожидаемый в условиях поиска решений по оптимизации затрат ренессанс технологии MDM: «В условиях экономической неопределенности ее рассматривают как инструмент снижения издержек: единый выверенный справочник контрагентов, материалов, товаров позволяет оптимизировать закупки, складские запасы и логистику. Меняется и сам подход к реализации — на смену “монолитным” проектам, рассчитанным на годы, пришла гибкая поэтапная методология: проекты разбиваются на итерации, каждая из которых за несколько месяцев должна принести заметный результат. Бизнес-пользователи вовлекаются в проекты с самого начала — это позволяет оперативно корректировать курс и быстро демонстрировать ценность, поддерживая мотивацию бизнеса и финансирование проектов. Так или иначе, даже самая совершенная методология не сработает без главного — изменений в корпоративной культуре. Поэтому эффективные компании целенаправленно формируют дата-культуру: обучают сотрудников работе с данными, вводят KPI, связанные с их качеством, и выстраивают понятную систему подотчетности. Данные становятся частью повседневной работы многих сотрудников, а не уделом отдельных аналитиков».

В условиях импортозамещения российские компании не только адаптируются к новым реалиям, но и активно внедряют практики, приносящие измеримый результат, дополняет общую картину Ярослав Славченко, директор по продажам компании CedrusData: «Яркий пример — построение единой платформы данных для самостоятельной (self-service) работы пользователей с аналитическими инструментами. Показателен опыт авиакомпании S7 Airlines, перешедшей с зарубежного решения на нашу Lakehouse-платформу. Эта миграция позволила предоставить бизнес-пользователям прямой доступ к данным для анализа. Благодаря внедрению около 200 сотрудников из 43 команд подразделений маркетинга, коммерции и продаж получили возможность самостоятельно строить отчеты и проводить оперативный анализ, что повысило скорость принятия решений и доверие к данным. Кроме того, новая архитектура снизила нагрузку на источники данных. Платформа сегодня обрабатывает свыше 113 тыс. запросов в месяц массивам консолидированной информации общим объемом 56 ТБайт. Этот кейс подтверждает эффективность подхода, сочетающего выбор отечественной высокопроизводительной платформы, современную архитектуру Lakehouse и ориентацию на аналитику с возможностью “самообслуживания”. Компания смогла не только выполнить требования по импортозамещению, но и получить значительный операционный эффект».

Даниил Макас: «Зрелые компании управляют не только централизованными данными, но и бизнес-глоссариями и следят за качеством данных»

Даниил Макас, директор дивизиона развития технологий искусственного интеллекта направления Т1 ИИ (ИТ-холдинг Т1), выделяет три уровня зрелости применения практик работы с данными: «Первый — децентрализованная работа с данными, когда компания еще не создала единого хранилища и не определила бизнес-логику их интерпретации. Такие компании начинают осознавать важность консолидации данных. Второй уровень — организации, которые уже сформировали единый бизнес-контекст, создали КХД и разработали консолидированную отчетность по всем системам. Все эти инструменты помогают значительно улучшить принятие решений, так как данные становятся доступными для более обоснованных выводов. Третий уровень зрелости — это компании, активно внедряющие процессы Data Governance и Data Quality. Эти компании управляют не только централизованными данными, но и бизнес-глоссариями и следят за качеством данных, чтобы принимать взвешенные и обоснованные решения, учитывая метрики качества данных».

Павел Егоров: «Внедрив “классический” BI, бизнес нередко переходит к внедрению аналитики в режиме, близкому к реальному времени»

Павел Егоров, руководитель направления Big Data компании «Инфосистемы Джет», продолжает: «КХД и BI уже широко используются в десятках отраслей для круглосуточного отслеживания ситуации в бизнесе и более быстрого принятия управленческих решений благодаря опоре на данные. Внедрив “классический” BI, бизнес, стремящийся повысить свою операционную эффективность, переходит к внедрению аналитики в режиме, близкому к реальному времени. С ее помощью промышленные предприятия, например, непрерывно отслеживают состояние производственных мощностей. Также нужно отметить тренд на внедрение технологии Lakehouse, помогающей объединить корпоративные хранилища и озера данных, не вкладываясь при этом в дорогостоящую инфраструктуру. Коммерческих внедрений этой технологии пока немного, но рынок ею активно интересуется».

Денис Смирнов: «Один из наиболее устойчивых трендов — переход к инструментам Low-Code и No-Code в аналитике»

Один из наиболее устойчивых трендов, по мнению Дениса Смирнова, генерального директора компании «Денвик Аналитика», — переход к инструментам Low-Code/No-Code в аналитике: «Для российского рынка с его дефицитом дата-инженеров это становится прагматичным ответом на кадровые и ресурсные ограничения. Еще одна работающая практика — отказ от масштабных внедрений в пользу итерационного подхода: большинство аналитических гипотез изначально оказываются неверными, и успешные компании принимают это как норму, выстраивая процессы их быстрой проверки и корректировки. Также растет спрос на коробочные решения — экстракторы, типовые слои трансформации и стандартные витрины данных. Их преимущество — не столько в гибкости, сколько в устойчивости и предсказуемости сопровождения. Наконец, все более практическое значение приобретает Data Governance, в частности, определение владельцев данных, единых терминов и правил качества — без этого аналитика плохо масштабируется и быстро теряет ценность».

Андрей Телюков: «Без качественных данных любой ИИ будет бесполезен, а управленческие решения могут оказаться ошибочными»

Андрей Телюков, технический директор компании TData, соглашается с коллегой: «Внедрение практик и решений Data Governance, безусловно, позволяет навести порядок в активах данных и взять их под контроль. Основываясь на этом фундаменте, можно успешно проводить и затем масштабировать эксперименты с новыми технологиями. В конце концов, без качественных данных любой ИИ будет бесполезен, а управленческие решения могут оказаться ошибочными».

Андрей Евтихов: «Хорошо себя зарекомендовали профайлинг пользователей, персонализация контента, динамическое ценообразование, модели перекрестных и дополнительных продаж, управление оттоком клиентов»

По мнению Андрея Евтихова, управляющего директора направления GigaData в «Сбербанке», уже успели себя хорошо зарекомендовать профайлинг пользователей (создание специализированных продуктов для отдельных сегментов пользователей и др.), персонализация контента (для маркетинговых коммуникаций и не только), динамическое ценообразование (управление пиковым спросом, оптимизация юнит-экономики продукта и пр.), модели перекрестных и дополнительных продаж (они дают увеличение среднего чека пользователя и не только), модели управления оттоком клиентов (позволяют оптимизировать клиентскую базу).

Евгений Кузьмичев: «Наибольшую эффективность по-прежнему демонстрируют “классические” BI-инструменты»

«Что касается ИИ-агентов, то они, несмотря на хайп, пока позволяют лишь точечно получать прибыль и сокращать расходы бизнеса, — добавляет Евгений Кузьмичев, директор по развитию бизнеса департамента Data Insights в компании Navicon. — Наибольшую эффективность по-прежнему демонстрируют “классические” инструменты, такие как автоматизированная подготовка данных, обеспечение их качества и актуальности, а также аналитика в BI-системах. Новый виток развития получила предиктивная аналитика, в том числе цифровые двойники, математическое моделирование и прогнозирование. Этими технологиями пользуются самые разные компании — от производственных и добывающих до ретейла и сферы услуг, отличаются лишь бизнес-области их применения».

Области дата-инноваций с максимальной отдачей

«Как известно, бизнес в первую очередь стремится повысить свои доходы, — отмечает Кузьмичев. — Продажи и маркетинг — обычно наиболее прогрессивные направления работы с данными, и именно здесь наблюдается наибольшее количество успешных проектов и инициатив. Производственные компании также преуспевают в автоматизации и оптимизации технологических процессов — сейчас уже сложно представить промышленное предприятие без аналитики».

Согласно выводам Красникова, эффект сегодня бизнес видит там, где данные можно напрямую конвертировать в операционную эффективность или снижение рисков: «В банках это использование ИИ для скоринга и борьбы с мошенничеством, а также переход на предиктивные модели оценки рисков, во многом стимулируемый требованиями регулятора. В промышленности главный сценарий — прогнозное обслуживание оборудования, в котором анализ данных с датчиков позволяет предотвращать многомиллионные простои и аварии. В ретейле и FMCG актуальной остается “классическая” задача тонкой оптимизации цепочек поставок, управления ассортиментом и складскими запасами, где каждый процент эффективности дает значимый финансовый результат. В энергетике востребована аналитика для работы с дебиторской задолженностью, позволяющая выявлять причины просрочек и точно прогнозировать денежные потоки, что критически важно для устойчивости бизнеса».

Макас видит максимальную отдачу от практик на основе дата-инноваций именно в ретейле и финансовом секторе — в этих отраслях данные активно используются для персонализации предложений, улучшения клиентского сервиса и оптимизации процессов.

Евгений Осьминин: «В числе наиболее эффективных сценариев — кредитный скоринг и антифрод в банковской сфере»

Евгений Осьминин, директор по развитию и цифровой трансформации РДТЕХ, в числе наиболее эффективных сценариев называет кредитный скоринг и борьбу с мошенничеством в банковской сфере, оптимизацию логистики и управление складскими запасами в ретейле, прогнозирование аварийных ситуаций и их предотвращение на производстве.

Ярослав Славченко: «Ценность Lakehouse максимально раскрывается там, где есть потребность в гибридных рабочих нагрузках

Славченко, комментируя практики Lakehouse, выделяет два типа задач, в которых достигается максимальная отдача: «Первая — гибридные аналитические нагрузки, когда нужно быстро готовить операционную и регламентную отчетность (как в КХД) и проводить ее анализ и одновременно тренировать ML-модели на “сырых” или полуструктурированных данных (как в озере данных). Устранение разрыва между этими мирами ускоряет получение ценных выводов с нескольких месяцев до считанных дней. Вторая задача — работа со сложными разнородными данными, когда ценность извлекается из комбинации строго структурированных транзакционных данных (продажи, операции) и информации из неструктурированных источников (тексты, системные журналы, изображения, данные телеметрии). Единая платформа упрощает создание всестороннего видения объекта или процесса. Таким образом, ценность Lakehouse максимально раскрывается там, где есть потребность в гибридных рабочих нагрузках — одновременной поддержке быстрой SQL-отчетности и сложных экспериментов с данными на базе единой, непротиворечивой и актуальной копии данных. Это делает Lakehouse стратегическим активом в условиях импортозамещения: компании могут перестраивать свои технологические стеки, не теряя в скорости и глубине аналитики, и при этом закладывать фундамент для работы с открытыми форматами данных, обеспечивающий технологический суверенитет».

Как видим, российский рынок сейчас активно нарабатывает и анализирует опыт в области использования данных в бизнесе. Уже есть ряд прикладных и предметных областей, где дата-инновации дают ощутимый позитивный результат. И это, вероятнее всего, только начало: по мере проведения новых пилотных проектов, с одной стороны, и повышения доверия бизнеса к данным для принятия управленческих решений, с другой, количество сфер, где востребованы дата-инновации, будет неуклонно расти.