Главный ресурс бизнеса — не нефть и не деньги: как данные превращаются в управленческие решения

Фото: Пресс-служба МАИ / Архив

Компания может хранить миллионы строк информации и при этом управлять практически вслепую. В её распоряжении оказываются история продаж, обращения клиентов, отчёты сотрудников, сведения о поставках, показатели оборудования и результаты завершённых проектов. Но одна часть данных лежит в таблицах, другая — в корпоративных системах, третья не обновлялась несколько месяцев, а значение некоторых показателей разные подразделения понимают по-своему. Цифр становится всё больше, однако ясности они не прибавляют.

Именно поэтому данные нельзя считать ценным ресурсом только по факту их существования. Нефть можно добыть, металл — переплавить, электроэнергию — передать потребителю. Информация начинает приносить пользу лишь после длинной цепочки преобразований: её необходимо своевременно собрать, проверить, привести к сопоставимому виду, связать с конкретной задачей и превратить в вывод, на основании которого можно действовать.

Генеральный директор компании «Северсталь — Центр Единого Сервиса» Кира Лапина формулирует эту разницу предельно точно: «Метрики без связи с решениями превращаются в отчётность, а не в инструмент управления». Компания может построить десятки информационных панелей, но если за изменением показателя не следует вопрос «что нам теперь делать?», цифровизация заканчивается красивым экраном.

Переход к управлению на основе данных сегодня становится отдельным направлением развития экономики. С 2025 года в России реализуется национальный проект «Экономика данных и цифровая трансформация государства», в который входят развитие отечественных цифровых платформ, искусственного интеллекта, программного обеспечения, кибербезопасности и подготовка специалистов для ИТ-отрасли. Само название проекта показывает изменение отношения к информации: она рассматривается уже не как побочный результат работы организаций, а как основа для новых систем управления.

Но чем больше решений компании пытаются передать аналитическим платформам и искусственному интеллекту, тем важнее становятся вопросы качества данных, стоимости разработки и ответственности за ошибку.

О том, почему три завершённых проекта почти бесполезны для обучения модели, чем опасны прошлогодние показатели и почему алгоритм не должен становиться директором компании, в рамках проекта «Как это работает?», реализуемого при поддержке Министерства науки и высшего образования Российской Федерации в рамках Десятилетия науки и технологий, рассказал Олег Громов — генеральный директор и основатель российской ИТ-компании Extyl.

Много данных — ещё не значит достаточно

Искусственный интеллект учится не на абстрактном «опыте компании», а на конкретных примерах. Если организация выполнила всего три похожих проекта, система не сможет достоверно определить, почему один оказался успешным, а другой привёл к убыткам. Любое совпадение она рискует принять за устойчивую закономерность.

Ситуация меняется, когда примеров становится несколько сотен, тысяч или десятков тысяч. Тогда алгоритм может сравнивать разные условия, замечать повторяющиеся сочетания факторов и оценивать вероятность результата.

— Когда у вас есть три кейса или три проекта, искусственный интеллект научится на них плохо и не будет эффективен. Когда таких кейсов триста, три тысячи или тридцать тысяч, появляется прекрасное поле для обучения. Причём данные могут поступать не только из одной компании или одного бизнеса, — объясняет Олег Громов.

Однако количество примеров — лишь половина задачи. Если информация собиралась по разным правилам, содержит ошибки или описывает слишком узкий круг ситуаций, большой объём не сделает вывод надёжным. Модель, обученная только на успешных сделках, плохо объяснит причины провалов. Система, которая знает поведение клиентов одного региона, может ошибиться после выхода компании на другой рынок.

Поэтому данные должны быть не просто многочисленными, но и сопоставимыми, актуальными и достаточно разнообразными. Национальный институт стандартов и технологий США рекомендует организациям отдельно определять требования к качеству информации, на которой обучаются модели, измерять риски и регулярно проверять системы после внедрения. Надёжность ИИ нельзя оценить один раз при запуске и считать вопрос закрытым.

Олег Громов считает одинаково ошибочными две крайности: попытку делать серьёзные выводы по слишком малому массиву и бессистемное накопление всей доступной информации.

— Если данных мало, ни программист, ни искусственный интеллект не смогут сделать адекватный вывод. А если компания не умеет с ними работать, то не имеет значения, сколько их накоплено: весь массив останется бесполезным. Важны и сбор информации, и умение её использовать.

Само стремление собрать как можно больше сведений может создать новую проблему. Руководитель начинает получать десятки отчётов из бухгалтерии, отдела продаж, производства, логистики и службы поддержки. Вместо недостатка информации возникает её избыток: чтобы принять одно решение, человеку приходится изучать множество документов, составленных по разным правилам.

Именно здесь особенно заметна роль современных систем искусственного интеллекта. Они способны объединить материалы из нескольких источников, выделить основные изменения и подготовить краткое резюме. Руководитель получает не несколько сотен страниц, а перечень отклонений, рисков и показателей, которым необходимо уделить внимание.

Но сокращение документа не гарантирует правильности вывода. Система может пропустить важный файл, неправильно понять показатель или использовать устаревшие сведения. Чем лаконичнее и убедительнее выглядит ответ, тем выше риск, что пользователь не станет проверять, на чём он основан.

Широко известной иллюстрацией возможностей аналитики стала история американской торговой сети Target. Компания действительно разрабатывала модель, которая по покупательскому поведению оценивала вероятность беременности клиенток и примерный срок. Позднее распространился рассказ о том, что рекламные рекомендации якобы сообщили семье о беременности девушки раньше неё самой.

Эту историю часто пересказывают как доказанный случай почти сверхъестественной точности алгоритма. В действительности Target занимался вероятностным прогнозированием, а самая драматичная часть рассказа о девушке и её отце не получила независимого подтверждения. Сам кейс реален, но его популярная версия заметно упрощена.

Тем не менее он хорошо показывает две стороны работы с данными. Аналитическая система способна обнаружить связь, которую человек не увидел бы при изучении отдельных покупок. Одновременно она может сделать вывод о чувствительных обстоятельствах чужой жизни, которыми человек не собирался делиться.

Следовательно, вопрос заключается не только в том, может ли алгоритм найти закономерность. Необходимо решить, имеет ли компания право использовать её таким образом и какие последствия возникнут после автоматического действия.

Алгоритм советует, но не становится директором

Развитие ИИ изменило не только точность аналитики, но и экономику её создания.

Раньше для автоматизации нестандартной задачи компании требовалось привлечь программистов, инженеров данных и аналитиков, разработать отдельную систему и затем снова обращаться к технической команде при каждом изменении. Даже если решение обещало экономию, стоимость разработки могла оказаться значительно выше ожидаемого эффекта.

— Допустим, оптимизация приносит компании миллион рублей, а создание классической системы стоит десять миллионов. Экономика не сходится. Если теперь аналитик с помощью современных инструментов может решить ту же задачу условно за пятьсот тысяч, проект уже становится оправданным. Искусственный интеллект ускоряет исследовательскую и разработческую работу и позволяет автоматизировать то, чем раньше было дешевле заниматься вручную, — говорит Олег Громов.

Это не означает, что один сотрудник с нейросетью способен создать надёжную корпоративную систему без разработчиков и инженеров. ИИ снижает стоимость проверки гипотез, подготовки прототипов и отдельных операций, но промышленное решение всё равно требует архитектуры, защиты данных, тестирования и сопровождения.

Граница между классической бизнес-аналитикой и машинным обучением поэтому проходит не только по сложности алгоритма. Она зависит от того, окупается ли автоматизация, достаточно ли у компании информации и можно ли проверить полученный результат.

При этом Олег Громов не согласен с представлением, будто руководители постепенно превращаются в исполнителей решений, предложенных машиной.

— Скорее руководитель принимает решение на основании опыта, а затем использует данные и искусственный интеллект, чтобы его проверить. Если человек много лет работает в определённой сфере, он способен многое оценить интуитивно. Система даёт ему дополнительный способ проверить себя и снизить влияние случайной человеческой ошибки.

Такой подход ближе не к полностью управляемой данными модели, а к управлению, информированному данными. Цифры, прогнозы и алгоритмы участвуют в выборе, но не отменяют профессиональное суждение. Специалисты НИУ ВШЭ также указывают на целесообразность сочетания расчётных и экспертных методов при принятии управленческих решений.

Особенно важен человеческий контроль там, где решение затрагивает сотрудников, партнёров или клиентов. Таблица может показать снижение производительности, нарушение сроков или рост числа ошибок. Но она не всегда отражает причины: сложность порученной задачи, конфликт внутри команды, состояние человека или действия руководителя.

— Решения о том, увольнять ли сотрудника, прекращать ли сотрудничество или закрывать ли компанию, нельзя принимать только на основании цифр. Алгоритм плохо учитывает человеческие отношения, политические обстоятельства и неформальные договорённости. В B2B взаимодействуют не абстрактные компании — в конечном счёте человек работает с человеком, — подчёркивает Олег Громов.

Поэтому задача аналитической системы заключается не в том, чтобы заменить руководителя, а в том, чтобы сделать незаметное заметным. Она может показать аномалию, сравнить сценарии, рассчитать вероятность и предупредить о риске. Ответственность за выбор и его последствия сохраняется за человеком.

Но даже такая вспомогательная система будет бесполезна, если работает с устаревшей информацией.

По наблюдению Олега Громова, одна из самых распространённых ошибок компаний — нерегулярный сбор данных. Руководство пытается строить стратегию на показателях годовой давности, хотя за это время могли измениться цены, поведение клиентов, логистические маршруты, технологии и внешние условия.

Исторический массив сохраняет ценность для изучения динамики, но не должен притворяться фотографией сегодняшнего дня. Каждая запись нуждается в контексте: когда она получена, по какой методике рассчитана и можно ли сравнивать её с более новыми значениями.

Справка: почему данные приходится нормализовать

Информация редко поступает в аналитическую систему в готовом виде. В одной таблице название компании написано полностью, в другой — сокращено, в третьей организация обозначена числовым кодом. Даты, адреса, единицы измерения и категории товаров также могут храниться в разных форматах.

Перед анализом данные очищают от ошибок и дублей, сопоставляют между собой и приводят к единым правилам. Этот процесс называют нормализацией.

По оценке Олега Громова, в отдельных проектах с большими данными на такую подготовку может приходиться до 70% затрат. Это не универсальная статистика для любой аналитической системы, а экспертная оценка, показывающая реальное соотношение работ: наиболее сложной частью проекта нередко становится не создание модели, а приведение исходной информации в пригодный для неё вид.

Без единых справочников и правил одна компания может получить несколько разных ответов на один вопрос. Отдел продаж будет считать клиента активным, бухгалтерия — должником, а служба поддержки — закрытым обращением. Аналитическая платформа лишь ускорит распространение противоречия.

Поэтому управление на основе данных начинается не с покупки дорогой системы искусственного интеллекта. Сначала компания должна определить, какие показатели связаны с её целями, где находится исходная информация, кто отвечает за её качество и что должно произойти после обнаружения отклонения.

Кто превращает информацию в решение

Между сырой записью в базе и сообщением руководителю о возможном кассовом разрыве работает целая команда.

Инженер данных создаёт инфраструктуру для регулярного сбора информации. Он соединяет корпоративные системы, настраивает передачу сведений, следит за их сохранностью и устраняет ситуации, при которых часть массива теряется или дублируется.

Аналитик формулирует гипотезы, выбирает показатели и ищет закономерности. Ему необходимо не только владеть инструментами анализа, но и понимать устройство бизнеса: иначе он может построить математически точный отчёт, не имеющий управленческого смысла.

Специалист по машинному обучению создаёт и проверяет модели, способные прогнозировать спрос, выявлять аномалии или оценивать вероятность события. Архитектор отвечает за систему целиком: её нагрузку, точность, взаимодействие компонентов, безопасность и возможность дальнейшего развития.

Олег Громов считает, что границы между этими ролями на практике часто размыты.

— Особенно при работе с искусственным интеллектом аналитик может самостоятельно подготовить данные, проверить гипотезу и выполнить часть задач, которые раньше относились к машинному обучению. Я бы прежде всего отделял архитектора, который отвечает за системные вопросы, нагрузку и точность, от специалиста, непосредственно создающего и настраивающего решение.

Но универсализация не отменяет квалификацию. Чем проще становится доступ к аналитическим инструментам, тем важнее умение проверить их выводы и увидеть, что система использовала неподходящие данные.

Спрос на такие компетенции продолжает расти. В докладе Всемирного экономического форума Future of Jobs Report 2025 специалисты по большим данным занимают первое место среди наиболее быстрорастущих профессий до 2030 года. Следом идут финтех-инженеры и специалисты по искусственному интеллекту и машинному обучению. Исследование основано на опросе более тысячи компаний, представляющих свыше 14 миллионов работников.

При этом потребность возникает не только в технологических компаниях. Аналитики и инженеры данных работают в промышленности, транспорте, финансах, торговле, медицине, энергетике и государственном управлении. Везде, где решения зависят от большого числа меняющихся факторов, возникает потребность в специалистах, способных собрать их в единую систему.

Российский рынок труда также сталкивается не столько с нехваткой людей, умеющих открыть готовый ИИ-сервис, сколько с дефицитом профессиональных компетенций, необходимых для интеграции технологий в реальные процессы. Исследование ИСИЭЗ НИУ ВШЭ на основе данных Росстата показывает, что наиболее заметен такой разрыв среди ИКТ-специалистов, технических работников, руководителей и сотрудников, которым приходится анализировать сведения и готовить отчёты.

Поэтому школьникам и студентам, которые хотят работать с данными, недостаточно изучить одну программу или язык. Необходимы основы математики, статистики, алгоритмов и архитектуры информационных систем. Одновременно нужно уметь разговаривать с представителями бизнеса, выяснять смысл задачи и объяснять выводы людям без технической подготовки.

— Можно выучить один язык программирования, чтобы понять основные принципы построения алгоритмов. Остальные инструменты потом осваиваются значительно легче, в том числе с помощью ИИ. Но человеческий фактор и коммуникация остаются первичными при создании таких систем, — говорит Олег Громов.

Через десять лет, по его прогнозу, аналитические платформы будут всё чаще предупреждать компании о проблемах до того, как они отразятся в отчётности.

Система сможет заметить изменение поступлений, рост обязательств и сезонную динамику и сообщить руководителю, что через два месяца возможен кассовый разрыв. Человек задаст дополнительные вопросы: какие факторы учтены, не пропущен ли ожидаемый платёж, насколько надёжен прогноз. Только после этой проверки последует решение.

Так управление постепенно смещается от реакции на уже произошедшее событие к работе с вероятностями. Цель прогноза при этом заключается не в обещании абсолютной точности, а в снижении неопределённости и возможности начать действовать раньше.

Данные действительно становятся одним из главных ресурсов бизнеса. Но преимущество получает не компания, которая накопила больше всех цифр.

Впереди оказывается та, где инженеры сумели привести информацию в порядок, аналитики — задать ей правильный вопрос, а руководители — не перепутать подсказку алгоритма с окончательным решением.