«Без Data Governance и качества данных ИИ ничего не сделает. У наших основных заказчиков, как у любой крупной компании, закрыт контур для внешних больших моделей из-за высоких рисков утечки информации и при этом средства защиты информации по этому вопросу практически отсутствуют, так что всё должно выполняться внутри. А внутри она заработает хорошо только при нормальном описании того, что происходит».
В финансовом секторе ИИ чаще всего используют для чат-ботов и виртуальных ассистентов (36,7% опрошенных). Он помогает выявлять мошенничества и проводить прогнозную аналитику (по 10%), автоматизировать документооборот (6,7%), а также выполнять кредитный скоринг и оценку рисков (3,3%).
«Банк активно пилотирует ИИ-технологии для автоматизации рутинных задач, в том числе для аналитики текстовых данных. О конкретных процессах пока рано говорить, так как пилоты не завершены. Организация поставки данных надлежащего качества — важный этап пилотирования и продуктивизации ИИ-решений. Отлаженные процессы Data Governance, безусловно, здесь помогают».
Среди принявших участие в опросе представителей финансового сектора к качеству данных относятся серьёзно 57% организаций: они назначают за него ответственных. У 44,8% ответственность распределена между ИТ и аналитикой без отдельной структуры; 27,6% создали полноценный отдел или роль, а 6,9% планируют это в 2026 году. При этом 20,7% считают качество данных общей задачей без фокуса.
«Технически за качество данных отвечает отдельная команда (дата-офис). При этом сейчас компания развивает роль владельцев данных в подразделениях, а также внедряет договорённости между бизнесом и дата-офисом, которые закрепляют ответственность за качество данных».
Лишь треть компаний считают себя полностью data-driven: они основывают более 70% бизнес-решений на данных (включая KPI и стратегии).
В 51% организаций ролевая модель доступа к данным внедрена частично: она охватывает ключевые системы вроде DWH и аналитики, но не все. Полностью её реализовали 30,6% респондентов, вместе с аудитом и принципом наименьших привилегий на всех уровнях. А в 14,3% случаев доступы не формализованы и управляются вручную.
«Ролевая модель — это важный этап при внедрении аналитических инструментов. Без ролевой модели невозможно централизованно контролировать права пользователей и доступы в информационные системы. Если говорить о платформе Исследования данных на базе Arenadata DB, то мы разработали отдельную ролевую модель, которая отражает текущую потребность всех пользователей платформы. Под каждое подразделение выделяется схема или несколько схем. Мы создали три основные роли для каждой схемы: разработчик, аналитик и владелец схемы — и наделили каждую роль набором прав (грантов). Если у пользователей есть необходимость чтения данных, ему выделяется роль аналитика, если необходимость создания объектов — роль разработчика. К примеру, роль разработчика или владельца схемы также позволяет выдать доступ к созданному объекту внутри схемы без обращения к администратору. Это упрощает работу команд. В ходе проекта возникали потребности, когда пользователю необходим был доступ на чтение отдельных таблиц в разных схемах, для этого совместно с владельцами схем был определён набор таблиц и создана отдельная гостевая роль с правами на чтение. Все новые пользователи получают доступы только при согласовании владельцев объектов».
Опрошенные выделили ключевые барьеры на пути внедрения data-проектов. На первом месте стоит неготовность бизнеса инвестировать в такие инициативы (36,2% респондентов). Почти столько же (34%) сталкиваются с внутренним сопротивлением изменениям. Третьей по значимости проблемой участники опроса считают дефицит квалифицированных специалистов (19,1%). А четвёртой — трудности интеграции с существующей ИТ-инфраструктурой (10,6%).
«Основная проблема заключается в том, что хранилища данных сами по себе не приносят компании денег. Поэтому экономический эффект таких проектов бывает очень трудно показать и, как следствие, непросто обосновать их бизнес-заказчику и получить инвестиции. Даже если бизнес во многом завязан на данных, убедить в необходимости внедрения нового решения всё равно непросто: со стороны кажется, что система уже есть, как-то работает, и этого достаточно. Но именно этот барьер ИТ и приходится преодолевать. При работе с данными и внедрении хранилища важно сразу исходить из продуктового подхода. Менять одно хранилище на другое бессмысленно, если вместе с этим не появляется дополнительная ценность. Проект должен решать новую бизнес-задачу, которую не удавалось закрыть на старой платформе, и должен быть нацелен не просто на замену, а на эффект. Времена, когда можно было бесконечно вкладываться во внедрения только ради самого факта их появления, уже прошли».
При этом респонденты отмечают заметный неиспользованный потенциал и высокий спрос на каталоги данных и MDM-системы, особенно в производственном секторе. Полностью внедрили эти инструменты лишь 10% организаций, частично 41%, а ещё 20% планируют запуск в 2026 году.
«При разработке продуктов для заказчиков мы перешли от визуального монолита, где все потоки данных были перед глазами, к кодоориентированному подходу, когда приходится разбираться с большим количеством данных, и разобраться в этом почти невозможно, если ты не разработчик этого кода. Дата-каталог как раз сканирует эти данные, строит lineage, объясняя, откуда что берётся. А если разработчики добавляют смысловые комментарии и документируют процессы хотя бы минимально, задача разбираться в потоках данных превращается из невыполнимой миссии во вполне реальную».
35,4% респондентов сообщают о полноценной дата-стратегии в своих компаниях: это дорожная карта на 1–3 года с чёткими целями по данным, утверждённая руководством, KPI и ежегодным пересмотром. У 29,2% она частично разработана в виде концепции или плана на год. 25% организаций обходятся без формальной стратегии, а 10,4% планируют её создать в 2026-м после аудита зрелости данных.
«Да, в компании утверждена дата-стратегия до 2028 года. Она затрагивает не только технологические изменения — модернизацию платформы данных, миграцию и развитие инструментов аналитики, — но и процессные: пересмотр подходов к управлению качеством данных, выстраивание Data Governance, формализацию ролей и ответственности за данные. Отдельный блок стратегии посвящён организационным изменениям: развитию data-культуры, обучению сотрудников работе с данными и повышению вовлечённости бизнеса в data-инициативы».
«Результаты опроса подтверждают нашу практику: рост ИИ-проектов тормозят не технологии, а недостаточная зрелость данных и отсутствие выстроенных процессов Data Governance. Без качественных данных и чётких процессов даже лучшие ИИ-модели дают ненадёжные результаты. Платформа Arenadata One, включающая продукты для работы с качеством данным, помогает клиентам быстро строить Data Governance: автоматизировать контроль качества, внедрять ролевые модели доступа и готовить данные для ИИ».
ArenaDAY — ведущая отраслевая конференция для специалистов по работе с данными, проводимая Группой Arenadata. Это место встречи data‑инженеров, архитекторов, CDO, CIO, CTO и всех, кто умеет превращать данные в реальную выгоду: снижать издержки, находить новые точки роста и внедрять масштабируемые решения. Своими кейсами и результатами внедрения проектов в области данных на ArenaDAY 2026 поделились ВТБ, Департамент информационных технологий правительства Москвы, Т-Банк, «Полюс Диджитал», ПСБ, Hoff Tech, ДОМ.РФ, «Купер», «Арнест ЮниРусь», «Комус», «Агропромцифра», ГПБ, «Росатом». Партнёрами конференции стали К2ТЕХ, Скала^р (Группа Rubytech), Т1 ИИ, «Инфосистемы Джет», Sapiens Solutions, Норбит, Selectel, Axenix, РЕД СОФТ, Navicon, IBS, ДАР («КОРУС Консалтинг»).