Данные знают раньше нас: кто сегодня учит бизнес предсказывать будущее

Фото: Пресс-служба МАИ / Архив

Ещё недавно корпоративная аналитика в основном объясняла то, что уже произошло. Руководитель получал отчёт о продажах за месяц, сравнивал расходы с планом, разбирался в причинах срыва поставок и принимал решение, когда последствия проблемы уже успевали проявиться. Сегодня от цифровых систем ждут большего: они должны не просто описывать прошлое, а заранее замечать риск, прогнозировать спрос, находить аномалии и предупреждать компанию о возможных потерях.

Именно поэтому данные всё чаще называют одним из главных ресурсов современной экономики. В отличие от нефти, металла или электроэнергии, сами по себе они ничего не производят. Накопленные в таблицах цифры, журналы операций, история покупок и показания датчиков становятся ценными только после того, как их удалось собрать, проверить, сопоставить и превратить в решение.

Такой подход закрепляется и на государственном уровне. С 2025 года в России реализуется национальный проект «Экономика данных и цифровая трансформация государства». Его задачи включают развитие отечественных цифровых платформ, искусственного интеллекта, программного обеспечения, кибербезопасности и подготовку специалистов для ИТ-отрасли. Само название проекта отражает важный сдвиг: данные рассматриваются уже не как побочный результат работы организаций, а как инфраструктура, на которой строятся новые сервисы и модели управления.

Однако накопить большой массив информации недостаточно. Устаревшие, разрозненные или неправильно собранные данные способны не улучшить решение, а придать ошибке убедительный цифровой вид. Поэтому главный вопрос сегодня заключается не в том, сколько информации есть у компании, а в том, умеет ли она превращать её в знание.

О том, почему данные начали влиять на управление бизнесом именно сейчас, где проходит граница между аналитической системой и руководителем и какие специалисты создают платформы, способные предупреждать о проблемах заранее, 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, работающий в отрасли более 18 лет.

Когда информация перестаёт быть архивом

Компании собирали сведения о продажах, клиентах и производстве задолго до появления современных нейросетей. Проблема заключалась в стоимости их обработки. Чтобы объединить информацию из разных систем, разработать правила анализа и создать отдельный программный продукт, требовалась команда программистов, инженеров данных и аналитиков. Любое изменение логики означало новый этап разработки, а ожидаемый экономический эффект нередко оказывался меньше стоимости проекта.

Искусственный интеллект не отменил эту работу, но позволил быстрее проверять гипотезы, искать закономерности и создавать первые версии аналитических систем. Задачи, которые раньше выполнялись вручную или считались слишком дорогими для автоматизации, постепенно становятся экономически оправданными.

По словам Олега Громова, именно изменение стоимости и скорости разработки объясняет, почему данные только сейчас превращаются в массовый инструмент управления.

— Раньше инженерам по данным и программистам нужно было создавать отдельную систему. Любые правки — это снова программисты, снова инженеры. В итоге рентабельность таких решений часто вызывала вопросы: компания тратила миллионы, а экономический эффект мог не соответствовать затратам. Сейчас с помощью искусственного интеллекта аналитическую систему можно собрать значительно быстрее, поэтому меняются и скорость, и экономика подобных проектов, — объясняет эксперт.

При этом возможности искусственного интеллекта напрямую зависят от материала, на котором он обучается. Три завершённых проекта или несколько десятков операций редко позволяют увидеть устойчивую закономерность. Когда примеров становится несколько сотен, тысяч или десятков тысяч, система получает возможность сравнивать разные ситуации, замечать повторяющиеся признаки и оценивать вероятность будущего события.

Но количество не гарантирует качества. Если в массиве представлены только успешные проекты, модель не поймёт причин неудач. Если данные собраны в одном регионе или относятся к одному типу клиентов, выводы могут оказаться неприменимыми к остальному бизнесу. Национальный институт стандартов и технологий США отдельно предупреждает, что данные для обучения ИИ могут не соответствовать реальным условиям применения, содержать систематические искажения или устаревать по мере изменения среды. Всё это способно снизить надёжность получаемых результатов.

— Если мало информации, то с ней ни программист, ни искусственный интеллект ничего не сделают и не смогут дать адекватных выводов. А если компания не умеет работать с информацией, то всё бесполезно, сколько бы её ни было. Поэтому важны обе задачи: и сбор данных, и умение их использовать, — подчёркивает Олег Громов.

Хрестоматийным примером возможностей аналитики стала история американской торговой сети Target. Компания действительно разрабатывала модель, которая по сочетанию покупок оценивала вероятность беременности клиентки и могла предположить примерный срок. В 2012 году широкую известность получила история о том, как отец девушки пожаловался на рекламу товаров для беременных, а позднее выяснил, что его дочь действительно ждёт ребёнка.

Однако этот пример важно трактовать осторожно. Target не ставил медицинский диагноз и не «знал» о беременности конкретного человека: система рассчитывала вероятность на основании потребительского поведения. Кроме того, наиболее драматичная часть истории об отце и дочери была передана через анонимный рассказ сотрудника и независимо не подтверждена. Тем не менее кейс показал одновременно силу аналитики и её опасность: алгоритм может сделать вывод о чувствительных обстоятельствах жизни человека, которыми он не собирался делиться с компанией или близкими.

Сегодня проблема бизнеса всё чаще состоит не в недостатке информации, а в её избытке. Руководитель может получать десятки отчётов из CRM, бухгалтерской системы, отдела продаж, логистики, производства и службы поддержки. Если эти документы приходится изучать вручную, данные не ускоряют управление, а создают дополнительную нагрузку.

Одним из наиболее востребованных применений ИИ становится сбор сведений из нескольких источников и подготовка краткого резюме: что изменилось, где появилась аномалия, какой показатель отклонился от нормы и на что необходимо обратить внимание. Однако такое резюме не следует воспринимать как безусловную истину. Если система пропустила документ, неверно поняла показатель или использовала устаревший массив, компактный и убедительный ответ лишь скроет исходную ошибку.

Справка: что нужно сделать с данными до запуска аналитики

Сначала компания должна определить, какие сведения ей действительно нужны и откуда они поступают. Затем требуется настроить регулярный сбор, удалить дубли и ошибочные записи, привести даты, наименования, единицы измерения и другие параметры к единому формату. Этот процесс называют очисткой и нормализацией данных.

Только после этого информацию можно загружать в хранилище, сопоставлять между собой и использовать для отчётов, прогнозов или обучения моделей. По оценке Олега Громова, в некоторых проектах до 70% затрат может приходиться именно на приведение исходной информации в пригодный для работы вид. Это экспертная оценка, а не универсальный показатель для любой системы, но она хорошо показывает масштаб скрытой работы: наиболее сложной частью проекта часто оказывается не алгоритм, а наведение порядка в корпоративных данных.

Алгоритм не становится директором

Вопрос о границе между классической бизнес-аналитикой и искусственным интеллектом часто формулируют как спор двух технологий. На практике, считает Олег Громов, эта граница во многом определяется экономикой.

Если автоматизация задачи требует вложений в десять раз больше ожидаемой выгоды, компания продолжает выполнять её вручную. Если новые инструменты позволяют быстрее и дешевле создать систему, проверить гипотезу и получить измеримый эффект, проект становится оправданным. Поэтому машинное обучение распространяется не только потому, что решает принципиально новые задачи, но и потому, что делает доступными те виды анализа, которые раньше были слишком дорогими.

При этом алгоритм не должен подменять руководителя. Его задача — показать закономерность, рассчитать вероятность, обратить внимание на отклонение и предложить варианты. Решение остаётся за человеком, который понимает контекст и несёт ответственность за последствия.

— Мне кажется неверным утверждение, что руководители всё чаще просто принимают решения, предложенные алгоритмом. Скорее они анализируют данные, которые даёт искусственный интеллект, и с их помощью проверяют правильность собственного решения. Человек, много лет работающий в определённой области, многое понимает интуитивно, а аналитическая система помогает дополнительно проверить эту интуицию и снизить влияние случайной ошибки, — говорит Олег Громов.

Особенно осторожно следует относиться к решениям, затрагивающим людей. По цифрам можно оценить производительность сотрудника, количество выполненных задач и финансовый результат его проектов. Но таблица не всегда отражает сложность работы, отношения внутри команды, влияние руководителя или обстоятельства, в которых был получен результат.

— Решение о том, увольнять ли сотрудника, закрывать ли компанию или менять ли партнёра, нельзя принимать только по цифрам. Здесь необходимо учитывать факторы, которые алгоритм может не увидеть: человеческие отношения, договорённости и политический контекст. B2B — это не абстрактный бизнес с бизнесом. В конечном счёте это человек с человеком, — отмечает эксперт.

Подобная осторожность соответствует общим принципам ответственного применения искусственного интеллекта. NIST рекомендует заранее определять, кто принимает окончательное решение, каким образом человек проверяет результат системы и как обнаруживаются ошибочные или неблагоприятные последствия. Прозрачность при этом не равна точности: возможность объяснить, откуда появился ответ, ещё не доказывает, что он правильный.

Одна из главных ошибок компаний — использование данных, которые перестали описывать текущую ситуацию. Информация годовой давности может быть полезна для изучения долгосрочной динамики, но опасна как единственная основа для оперативного решения. За это время могли измениться цены, законодательство, логистические маршруты, поведение клиентов, состав поставщиков и сама технология производства.

Поэтому сбор информации должен быть не разовой инвентаризацией, а постоянно работающим процессом. Системе важно знать не только значение показателя, но и время его получения, источник, способ расчёта и степень достоверности. В противном случае точный математический аппарат будет анализировать реальность, которой уже не существует.

Следующим этапом станет переход от реакции к предупреждению. Аналитическая система будет сообщать о риске не после того, как он отразился в отчёте, а в момент появления первых признаков.

Олег Громов приводит условный пример с кассовым разрывом. Алгоритм может заметить изменение поступлений, рост обязательств и сезонную динамику и предупредить компанию, что через два месяца ей может не хватить средств для текущих платежей. Руководитель проверит, какие факторы были учтены, задаст дополнительные вопросы и только после этого примет меры.

Именно в таком взаимодействии раскрывается реальная ценность технологии. Машина замечает слабый сигнал среди тысяч показателей, а человек определяет, что этот сигнал означает для конкретной компании.

Кто учит бизнес видеть будущее

За коротким сообщением «через два месяца возможен кассовый разрыв» стоит работа целой команды. Данные необходимо получить из разных систем, проверить, обновить, связать между собой, передать модели и представить результат в форме, понятной руководителю.

Инженер данных создаёт инфраструктуру: настраивает автоматический сбор, хранилища и процессы очистки. Аналитик ищет закономерности, проверяет гипотезы и переводит цифры на язык бизнес-задач. Специалист по машинному обучению создаёт и тестирует прогнозные модели. Архитектор определяет устройство всей системы, её производительность, устойчивость, точность и взаимодействие с другими корпоративными сервисами.

На практике границы между этими профессиями не всегда жёсткие. В небольшой команде аналитик может самостоятельно готовить данные и работать с моделью, а инженер — участвовать в постановке бизнес-задачи. Олег Громов предлагает прежде всего отделять архитектора, отвечающего за системные решения, от специалистов, которые непосредственно собирают и реализуют отдельные компоненты платформы.

Описание этих ролей подтверждает и современная практика найма. Инженер данных отвечает за то, чтобы информация из CRM, приложений, журналов операций и таблиц превратилась в устойчивый и безопасный поток. Аналитик очищает массивы, ищет тенденции и аномалии, строит прогнозы и объясняет результаты другим подразделениям.

Перспективность направления связана с тем, что подобные специалисты требуются уже не только технологическим компаниям. С данными работают банки, промышленность, транспорт, ритейл, медицина, энергетика и государственное управление. Согласно Future of Jobs Report 2025, специалисты по большим данным, финтех-инженеры и эксперты по искусственному интеллекту и машинному обучению вошли в тройку наиболее быстрорастущих профессий в процентном выражении до 2030 года. Навыки в области ИИ и больших данных также названы самыми быстрорастущими среди технологических компетенций.

При этом одного знания Python, SQL или конкретной аналитической платформы недостаточно. Специалисту необходимо понимать, как устроен бизнес-процесс, какие показатели действительно влияют на результат и почему два похожих набора цифр могут описывать совершенно разные ситуации.

— Школьникам и студентам стоит развивать основы программирования и понимание того, как строятся алгоритмы и архитектура систем. Один язык можно выучить, чтобы понимать сам принцип, а остальные инструменты осваиваются уже быстрее. Но не менее важны коммуникативные навыки, потому что человеческий фактор и взаимодействие людей первичны при построении подобных систем, — считает Олег Громов.

Чем больше решений автоматизируется, тем важнее становится способность специалиста объяснить результат понятным языком и вовремя усомниться в красивом прогнозе. Данные не отменяют профессиональный опыт. Они дают ему дополнительную опору — при условии, что собраны вовремя, приведены в порядок и не используются вне контекста.

Компания будущего не передаст управление алгоритму полностью. Скорее между человеком и системой возникнет постоянный диалог: машина будет замечать риск и предлагать сценарии, руководитель — задавать уточняющие вопросы, проверять предположения и отвечать за выбор.

Конкурентное преимущество получит не тот, кто накопил больше всех цифр, а тот, кто сумел задать им правильный вопрос до того, как проблема стала очевидной.