Процесс импортозамещения в области Data Governance & Management постепенно завершается. Какие направления становятся сейчас наиболее актуальными, какие проекты приобретают первостепенную важность и есть ли свой особый путь у практик управления данными в России? Мы побеседовали об этом с экспертами в преддверии XI ежегодного форума «Управление данными. Основы цифровой экономики», который состоится 24 сентября.

«Импортозамещение, конечно же, еще не завершилось, если рассматривать управление данными в широком смысле. Дата-менеджмент включает вопросы перемещения и хранения данных, а у ряда заказчиков до сих пор работают корпоративные информационные и транзакционные системы именитых западных вендоров», — констатирует Олег Гиацинтов, технический директор DIS Group. Наиболее актуальными остаются вопросы подготовки данных, в том числе обеспечения их качества. Однако если раньше данные готовили для предиктивной аналитики, работы дата-сайентистов и отчетности, то сейчас все чаще для того, чтобы «кормить» ИИ-агентов. Активно развивается направление массово-параллельной архитектуры, включая системы Data Lakehouse. Такие системы позволяют готовить аналитику в режиме времени, близком к реальному, и поставлять большое количество онлайн-данных. Data Governance переориентируется с простого описания данных на то, чтобы быстро и точно сообщать, где какие данные находятся, какую выборку и как надо сделать, чтобы ИИ-агент это понимал и чтобы процессы были выстроены правильно. На основе подходов и использования продуктов Data Governance необходимо выстраивать конвейер по обработке дата-запросов.

«Завершение активной фазы импортозамещения сместило фокус с простой замены ПО на построение управляемой архитектуры данных, способной стать фундаментом для ИИ», — говорит Александр Юрасов, директор по разработке инструментов управления данными TData. Здесь можно выделить три ключевых направления. Первое из них — переход от точечных экспериментов к комплексным платформам управления данными. Рынок осознал, что эффективность ИИ зависит не от выбора модели, а от качества и управляемости данных. Второе — качество данных как критический фактор успеха искусственного интеллекта. ИИ превратился в индикатор цифровой зрелости: если данные собираются бессистемно, никакие интеллектуальные агенты не дадут устойчивого результата. Третье — движение от Data Governance к AI Governance. Классического управления с метриками качества уже недостаточно, поскольку ИИ не только использует, но и генерирует данные, создавая новые риски. На смену «цифровому суверенитету любой ценой» приходит «управляемый ИИ», в котором качественные данные, прозрачный контекст и комплексные решения работают в едином контуре.

По мнению Марата Сабурова, менеджера по развитию бизнеса DATAREON, после завершения этапа активного импортозамещения на первый план вышли несколько направлений. Во-первых, предприятия сфокусировались на глубокой интеграции с отечественным стеком — BI-системами, операционными системами и СУБД. Во-вторых, выросла потребность в построении и поддержке Data Lineage в условиях меняющегося ландшафта, включая миграцию хранилищ и работу с метаданными старых и новых систем. В-третьих, усилился запрос на расширенные механизмы безопасности — контроль доступа, аудит изменений и защиту данных в соответствии с требованиями регуляторов. И наконец, стали активнее развиваться инструменты для работы с российскими доменами данных (паспорт, ИНН, адрес), включая специализированные инструменты маппинга и профилирования.

«Главное изменение состоит в переходе от логики простой замены зарубежного продукта на отечественный к построению управляемой архитектуры данных. Импортозамещение отвечает на вопрос, чем заменить конкретное решение, а импортонезависимость — на вопрос, может ли организация самостоятельно поддерживать, развивать и контролировать критичный контур, не будучи зависимой от недоступного поставщика, закрытой технологии или единственного подрядчика», — уверен Масич. На первый план выходят единые семантические модели предметной области, управление мастер-данными и НСИ, контроль качества непосредственно в процессах создания данных, их изменения и передачи между системами, а не после загрузки данных. Не менее важны прослеживаемость изменений, открытые интерфейсы и возможность переноса данных и развития модели без полной зависимости от поставщика. Для промышленности особенно важны связи между оборудованием, тегами, документацией, 3D-моделями, требованиями и эксплуатационными сведениями. Если эти сведения ведутся раздельно, один и тот же объект получает разные обозначения на этапах проектирования, закупок, строительства и эксплуатации, а данные приходится собирать и сверять заново. Следующий этап зрелости заключается в том, чтобы проверенные данные не создавались заново на каждой стадии жизненного цикла объекта, а сопровождали его от проектирования и строительства до ремонта и эксплуатации. Именно это превращает импортонезависимость из формального соответствия требованиям в реальную технологическую устойчивость.

Как отмечает Александр Учаев, менеджер по продукту «1С:MDM Управление нормативно-справочной информацией» фирмы «1С», по завершении активного этапа импортозамещения на первый план выходят задачи повышения качества мастер-данных, их интеграции и использования как стратегического актива бизнеса. Ключевыми направлениями становятся автоматизация процессов управления данными, внедрение ИИ-инструментов для обеспечения качества и безопасности, а также развитие пользовательской аналитики. Особое значение приобретает построение единых корпоративных стандартов, что позволяет организациям перейти от технического администрирования к управлению мастер-данными как ценным активом.

«Отечественная платформа сама по себе не создает Data Governance. Она может подсветить дубли, показать происхождение данных, потребовать назначить владельца или заблокировать публикацию некачественного набора. Но она не способна решить, что именно считать “клиентом”, кто отвечает за его карточку и вправе ли бизнес изменить правило качества. Это уже организационная зрелость: ответственность, полномочия и готовность принимать решения на основе общих правил», — напоминает Василий Борисов, генеральный директор компании «Серч-Сентрик», разработавшей платформу Memoza.

«Стартовать необходимо с комплексного аудита ИТ-инфраструктуры — без объективной картины текущего состояния любые инвестиции будут точечными. Далее следует внедрение MDM для устранения хаоса в НСИ, построение каталога данных с бизнес-глоссарием для прозрачности и формализация ABAC-политик, которые учитывают атрибуты пользователя и контекст запроса. Это дает быстрый результат и создает базу для масштабирования», — рекомендует Сергей Коваленко, главный инженер Удостоверяющего центра «ЭТП ГПБ Консалтинг».

«За годы эксплуатации в системах, как правило, накапливается много мусорных и неактуальных данных, а модули интеграции держатся на “костылях” — миграция такой конструкции оказывается крайне сложной и затратной. В этой ситуации проект по нормализации данных и внедрению MDM становится фундаментом для новой ERP: он позволяет не просто перейти на другую систему, но и повысить эффективность ключевых бизнес-процессов за счет приведения в порядок накопленных данных», — считает Евгений Обелов, технический директор Arenadata Harmony MDM. Другой важный тренд — запуск ИИ-проектов. Но если такие проекты не обеспечены качественными данными, то вместо пользы они могут нанести бизнесу вред — выдавать некорректные прогнозы и искаженную аналитику. Поэтому каталогизация данных, инструменты Data Quality и системы управления мастер-данными — обязательное условие успешного внедрения ИИ.

«В первую очередь следует запускать проекты, связанные с управлением качеством данных. Именно здесь можно сравнительно быстро получить измеримый результат — снизить количество ошибок в отчетности, аналитике и производственных процессах, которые возникают из-за неполных, несвоевременных или некорректных данных», — полагает Игорь Моисеев, директор по развитию бизнеса DataCatalog (входит в Группу Arenadata). Еще несколько лет назад российский рынок практически не предлагал специализированных решений класса Data Quality. Организациям приходилось либо использовать зарубежные продукты, либо самостоятельно разрабатывать наборы проверок и инструменты для их запуска. Их внедрение позволяет реализовать принцип Data Quality by Design, когда данные проверяются до того, как попадут в корпоративное хранилище и начнут использоваться. После создания базового контура качества целесообразно последовательно развивать каталог данных, ролевую модель, управление метаданными и другие процессы.

«Организациям следует сосредоточиться на проектах, создающих фундамент для управляемой и прозрачной работы с данными», — согласен Юрасов. Первое направление — инвентаризация и классификация данных с внедрением отечественного каталога.  Это позволяет разметить критичные и чувствительные атрибуты. Второе — миграция хранилищ данных на суверенные платформы, это один из самых востребованных проектов, он становится базой для дальнейшей цифровизации. Наконец, пилотный проект по управлению качеством данных. Стоит начать с автоматизации проверок и создания бизнес-глоссария на отечественном ПО, закладывая основу для будущих ИИ-решений. Важно не зацикливаться на тотальной замене всего сразу, а стартовать с пилотных проектов, получая быструю обратную связь.

«На наш взгляд, приоритетным направлением является автоматизация управления качеством данных и создание корпоративных систем управления мастер-данными с назначением ответственных владельцев — стюардов данных», — говорит Учаев. Важным шагом становится интеграция MDM-решений с различными учетными системами для обеспечения консистентности данных во всех подразделениях предприятий, а также повсеместное внедрение инструментов мониторинга и версионирования данных, что позволяет поддерживать их актуальность и прослеживаемость изменений в реальном времени.

«Во-первых, нужно выстроить ролевую модель и распределить зоны ответственности — это фундамент, который задает правила до внедрения инструментов. Во-вторых, важно запустить профайлинг и управление качеством данных: платформа DATAREON позволяет определить контролируемые параметры и выявить аномалии. В-третьих, следует внедрить MDM-конфигурацию для работы с мастер-данными — это поможет устранить рассинхронизацию из-за разных форматов в системах и создать “единый источник истины”», — предлагает Сабуров. При этом лучше начинать с пилотных доменов, чтобы отработать процессы перед масштабированием.

«Универсального Data Starter Pack не существует, отправной точкой должна быть бизнес-задача. Если компании нужно ускорить разработку и повторное использование данных, первыми становятся каталог и реестр данных. Если ключевая проблема в достоверности отчетности и цифровых сервисов, то нужно выстроить процесс управления качеством данных. Для согласованной работы бизнеса и ИТ необходимы бизнес-глоссарий, единый реестр показателей и правила их ведения», — отмечает Павел Егоров, руководитель направления Big Data «Инфосистемы Джет». Перед запуском прикладных ИИ-решений важно зафиксировать, какие данные есть у компании, кто за них отвечает и как контролируется их качество. Другими словами, следующий этап связан не столько с развитием самих моделей, сколько с качеством контекста, который они получают.

«Хороший инструмент должен делать правильное действие самым простым: предлагать шаблоны доменов, автоматически собирать метаданные, измерять качество, встраивать согласование в рабочие процессы и превращать нарушения в понятные задачи по их исправлению. Но автоматизация плохой практики не исправляет ее — она лишь делает ее быстрее и масштабнее», — напоминает Борисов. Поэтому первыми должны стать не проекты по внедрению очередной платформы, а проекты по изменению практик. Начинать следует с одного ценного домена — клиента, контрагента, товара или договора — и закрепить владельца, глоссарий, правила качества, эталонную запись и права доступа.

Масич рекомендует отдавать приоритет не максимально широкому проекту «по всем данным компании», а тем контурам, где плохое качество или недоступность информации напрямую создают финансовые, производственные либо проектные риски. Начинать следует с выбора одного критичного домена или инвестиционного проекта, определения владельца данных и фиксации модели объектов и правил качества. Далее можно выделить три приоритетных направления: формирование единой модели критичных мастер-данных и НСИ; встраивание контроля качества в процессы создания, изменения, загрузки и передачи данных; создание единого пространства инженерных данных инвестиционного проекта, где связаны оборудование, техническая документация, проектные модели и требования. Для каждого контура необходимо заранее определить базовые показатели и целевой эффект: сократить сроки поиска информации, снизить число ошибок при передаче данных, уменьшить долю неполных записей и трудозатраты на верификацию. После подтверждения результата на одном домене решение можно расширять на связанные системы и этапы жизненного цикла. Тогда Data Governance перестаёт быть методологической надстройкой и становится инструментом управления сроками, стоимостью и рисками. В промышленном проекте это означает не просто наличие российского ПО, а сохранение проверенной цифровой информации при переходе от проектирования к закупкам, строительству, пусконаладке и эксплуатации.

«С технологической точки зрения отечественные поставщики инструментов Data Governance будут держаться в русле общемировых тенденций. Западные решения пока еще превосходят российские по функциональности, да и число внедрений и вендоров на глобальном рынке несопоставимо больше. Так что в этом отношении мы будем догонять и ориентироваться на основных игроков мирового рынка», — признает Обелов.

Юрасов уточняет, что отечественные инструменты управления данными обязательно будут ориентироваться на зарубежный опыт, но одновременно идти своим путем. Мировые практики Data Governance более зрелые — там профессионально работать с данными стали намного раньше, поэтому накопился большой опыт. Российские вендоры давно находятся в позиции наблюдателей, у нее есть плюсы: можно применять те практики, которые показали реальную и осязаемую пользу. Специфика же заключается в упоре на информационную безопасность и соответствие правовым нормам и правилам регуляторов. Яркий пример — соблюдение закона 152-ФЗ «О персональных данных».

«Наш опыт показывает, что практика и решения по управлению данными в России развиваются, исходя из требований заказчиков. А они — крупные компании и организации — смотрят в первую очередь на собственные процессы, а не на то, что делается в мире. Мы это очень хорошо почувствовали, когда стали активно вкладываться в разработку», — констатирует Гиацинтов. Поэтому развитие идет однозначно не тем путем, который виден на Западе, где ставка делается на облачные технологии и мультитенантность — способность обслуживать сразу несколько независимых клиентов.

«Российский подход в Data Governance & Management сейчас, скорее, идет своим путем, но не изолируется полностью. Фокус смещен на суверенитет — глубокую интеграцию с отечественным ИТ-стеком и жесткие требования регуляторов», — отмечает Сабуров. При этом базовые принципы — ролевые модели, каталоги данных, Data Lineage, контроль качества — остаются общемировыми, просто инструменты и сценарии их применения адаптированы под локальные задачи.

«По нашим наблюдениям, российский рынок Data Governance в целом движется в русле мировых тенденций, но на базе суверенного стека и с учетом локальных требований», — согласен Егоров. Крупнейшие отечественные поставщики (например, Arenadata, DIS Group, TData) используют open source, собственные разработки и опыт международных платформ, но сохраняют общую функциональную логику: управление каталогами, качеством данных, метаданными и бизнес-терминами. Такой подход позволяет не изобретать решения заново, но сохранять совместимость с корпоративным стеком. И важно, что эти продукты можно использовать и развивать в суверенном контуре.

«Концепция полностью автономных процессов Data Governance, где ИИ-агенты самостоятельно и без участия человека управляют жизненным циклом данных, выглядит крайне привлекательной для бизнеса», — признает Учаев. В экосистеме «1С» уже работают прикладные ИИ-ассистенты, которые автоматически распознают ключевые атрибуты мастер-данных из загруженных данных и готовят проекты записей для внесения в базу. Однако финальное утверждение изменений требует контроля со стороны дата-стюардов. Только такой гибридный подход гарантирует безопасность и соответствие корпоративным стандартам.

«Полностью автономный контур сегодня нереалистичен, и дело не в зрелости моделей, а в конструкции ответственности: решения об изменении глоссария, критичности атрибута или прав доступа имеют регуляторные последствия и подписываются человеком», — полагает Шевцов. Что реально работает — агенты в режиме human-in-the-loop: регистрация и первичная классификация инцидентов качества, маршрутизация на владельца домена, черновики описаний объектов при миграции, сверка изменений в источнике с моделью. Ключевое ограничение автономии — предсказуемость и обратимость: действие можно доверить агенту только там, где определен «радиус поражения» при ошибке и предусмотрен откат. На горизонте двух-трех лет можно ожидать «автономию в песочнице», а измеряться она будет долей решений без вмешательства человека при отсутствии ухудшения контрольных метрик.

«Полностью автономные процессы, где ИИ-агенты единолично принимают стратегические решения, пока недостижимы», — поддерживает Сабуров. ИИ действительно помогает автоматизировать рутину: классифицирует данные, ищет дубли в мастер-справочниках, проводит профайлинг и помогает строить Data Lineage. Однако ключевые элементы — определение политик, назначение владельцев данных, разрешение неоднозначных случаев — остаются за человеком. Такой гибридный подход позволяет масштабировать эффективность без потери контроля.

Егоров также считает, что полностью автономный Data Governance на текущем этапе развития технологий пока не выглядит целесообразным. Агент способен предложить правило, сформировать проверку или подготовить новую метрику, однако оценить достоверность и принять ответственность за изменение должен владелец процесса. Кроме того, многие проверки качества данных невозможно вывести только из структуры таблиц или SQL-запросов. Например, в банке резкое снижение числа заявок на кредит может быть связано с завершением рекламной кампании, изменением скоринговой модели или технической ошибкой интеграции. Без дополнительного контекста система видит лишь отклонение показателя, и только эксперт может определить, допустимо ли изменение или оно требует вмешательства. Поэтому в ближайшей перспективе ИИ, скорее всего, будет выступать как система поддержки принятия решений, а не заменять людей в контуре управления. Однако роль ИИ-агентов с высокой вероятностью будет расти.

«Отечественные практики пойдут по пути осмысленного синтеза: методологически — в русле глобальных трендов (DAMA, Data Mesh), но с жесткой адаптацией под регуляторные требования (152-ФЗ, 187-ФЗ, стандарты ЦБ РФ) и суверенный технологический стек», — добавляет Коваленко. Это единственно разумный подход: он позволяет сохранить конкурентоспособность, исключая регуляторные риски и не создавая архитектуры, оторванные от реальных условий эксплуатации.

«Российская практика не обязана изобретать собственную методологию: принципы Data Governance универсальны», — резюмирует Борисов. Свой путь нужен в архитектуре, регулировании и интеграции с локальным стеком, но не в отказе от мирового опыта. Формула следующего этапа проста: софт должен мягко принуждать к хорошим практикам, а люди — быть готовыми сделать их нормой.