Лилия Калиничева: «Прозрачность данных меняет не технологии, а саму модель управления»

28 мая 2026, 18:27

© Лилия Калиничева, руководитель по работе с ключевыми клиентами «БАРС Груп»

С масштабированием АПК «Безопасный город» в регионах госсектор всё чаще внедряет аналитические платформы, дашборды и прогнозные модели для своих сотрудников. При этом само наличие аналитической системы ещё не означает перехода к управлению на основе данных. Почему цифровые инструменты нередко остаются лишь красивой визуализацией, какие барьеры мешают превратить отчётность в рабочий инструмент управления и как аналитика помогает предвидеть инфраструктурные риски, рассказала руководитель по работе с ключевыми клиентами «БАРС Груп» Лилия Калиничева.

Почему аналитика не превращается в управление

RUБЕЖ: Почему само внедрение аналитической платформы ещё не означает переход к управлению регионом на основе данных?

Л. Калиничева: Потому что платформа сама по себе — это только инструмент. И, как бы банально это ни звучало, именно это приходится объяснять чаще всего.

До сих пор существует устойчивый миф: если внедрили BI (Business Intelligence, систему бизнес-аналитики — прим. ред.), значит управление сам по себе стало аналитически обоснованным. На практике это так не работает.

Это примерно как купить абонемент в спортзал и считать, что результат уже достигнут. Дашборды могут быть современными, источники данных подключены, показатели обновляются в реальном времени, но решения при этом продолжают принимать так же, как и раньше: по привычке, интуитивно или по принципу «мы всегда так работали».

И тем более, если платформа начинает показывать неудобную правду (провалы в сроках, нецелевое использование бюджета). Естественная реакция — игнорировать платформу, принимать решения по старинке и жаловаться, что «цифра не отражает реальной сложности».

RUБЕЖ: Какие шаги требуются, чтобы система работала?

Л. Калиничева: Если говорить о том, что действительно необходимо для работающей системы, то ключевые вещи лежат не столько в области технологий, сколько в области управления.

Во-первых, должен быть конкретный владелец данных по каждому направлению. Не абстрактный ИТ-специалист, а человек, который понимает предметную область и отвечает за качество информации.

Во-вторых, аналитика должна быть встроена в управленческие процессы и регламенты. Если данные не влияют на отчётность, KPI и реальные управленческие действия, ими очень быстро перестают пользоваться.

И, наверное, самое сложное — готовность принимать решения вопреки собственной интуиции, если цифры показывают другую картину. Для многих организаций это до сих пор серьёзный культурный барьер.

При этом сама платформа тоже играет большую роль. Например, в региональных проектах мы часто сталкиваемся с тем, что пользователям нужна не просто визуализация, а возможность быстро «проваливаться» в проблему до уровня конкретного муниципалитета, учреждения или процесса. В платформе бизнес-аналитики AW BI именно на это сделан большой акцент: система позволяет работать не только с итоговыми цифрами, но и с детальной многомерной аналитикой, что особенно важно для управленческих сценариев.

От визуализации к действию: где ломается аналитика

RUБЕЖ: Где чаще всего появляется проблема в работе с данными: при их сборе, интеграции в системы или принятии решений? Как дашборды становятся действительно рабочим инструментом?

Л. Калиничева: Проблемы бывают на всех этапах, но наиболее критичная точка — это переход от аналитики к действию.

Сейчас у многих организаций уже нет серьёзных сложностей с визуализацией или сбором данных. Современные BI-платформы позволяют относительно быстро подключать источники, автоматизировать ETL-процессы — сбор, обработку и загрузку данных — и строить дашборды. Например, AW BI поддерживает работу с большим количеством СУБД, API, файловых источников и корпоративных систем, что существенно упрощает интеграцию даже в сложных ИТ-ландшафтах.

Но сама по себе аналитика не гарантирует изменений. Очень показательный кейс — проекты, где до внедрения BI разные подразделения работали с собственными версиями данных. Например, в одном из проектов внедрения AW BI в крупной распределённой компании аналитика строилась на ручной обработке данных из CRM, 1С, телефонии и маркетинговых систем. В результате между подразделениями постоянно возникали расхождения в цифрах и интерпретациях. После перехода на единую аналитическую платформу удалось выстроить сквозную аналитику и существенно сократить время принятия решений.

Это хороший пример того, что панель мониторинга становится рабочим инструментом только тогда, когда появляется единая точка доверия к данным и понятный сценарий действий.

Если у показателя нет владельца, если не определено, кто и как должен реагировать на отклонение, то даже самый современный дашборд остаётся просто визуализацией.

Три барьера на пути к управлению на основе данных

RUБЕЖ: Существуют ли организационные и управленческие барьеры, которые мешают регионам полноценно внедрять цифровые инструменты и использовать аналитику?

Л. Калиничева: Да, и эти барьеры вполне конкретные.

Первый — кадровый дефицит. Но речь не столько про нехватку ИТ-специалистов, сколько про дефицит людей, которые одновременно понимают предметную область и умеют работать с данными. Например, разбираются в здравоохранении, социальной сфере или городском хозяйстве и при этом способны интерпретировать аналитику. Таких специалистов немного, и коммерческий сектор активно их привлекает.

Отчасти поэтому мы в AW BI делаем большой акцент на доступности системы для нетехнических пользователей. Аналитика должна быть инструментом предметного эксперта, а не только команды разработчиков или аналитиков данных.

Второй барьер — прозрачность управления. Когда управление становится прозрачным, часть руководителей теряет возможность управлять отчётностью в свою пользу. И здесь иногда возникает сопротивление: данные «ещё уточняются», интеграция «находится в процессе», система «не до конца готова». На практике такие процессы могут затягиваться очень надолго.

Третий фактор — горизонт планирования. Реальный эффект от data-driven подхода появляется не за несколько месяцев. Обычно это два-три года последовательной работы. Но политический и управленческий цикл часто требует быстрых результатов и красивых отчётов уже сейчас. Поэтому многие инициативы остаются на уровне пилотов и презентаций.

Когда данные мешают управлению

RUБЕЖ: Какие данные чаще всего непригодны для управленческой аналитики?

Л. Калиничева: Чаще всего проблемы возникают с данными, у которых отсутствует единая методология.

Типичная ситуация: разные муниципалитеты считают один и тот же показатель по-разному, причём сама методика могла несколько раз меняться. Формально данные есть, но сравнивать их между собой уже нельзя.

В эту же копилку — запаздывающие данные. Если информация поступает через месяц или полтора, то для оперативного управления она уже теряет значительную часть ценности, даже если остаётся точной.

Сложности возникают и там, где высока доля ручного ввода. Без системы перекрёстной проверки и автоматической валидации такие данные сложно использовать как надёжную основу для принятия решений.

И ещё один важный момент — избыточная агрегация. Средние показатели по региону часто создают ощущение благополучия, хотя внутри отдельных муниципалитетов ситуация может быть критической. Поэтому при работе с региональной аналитикой мы всегда стараемся строить детализацию до уровня конкретной территории, а не ограничиваться усреднённой картиной.

Например, в AW BI и Alpha BI большое внимание уделяется многомерной аналитике и OLAP-подходу — многомерному анализу данных, когда пользователь может быстро переходить от общего показателя к детализации по территории, учреждению, периоду или конкретному процессу. Для государственного управления это критически важно, потому что позволяет видеть реальные причины отклонений, а не только итоговую цифру.

Где уже выстроена культура работы с данными

RUБЕЖ: Можно ли сегодня говорить, что в регионах формируется системный подход к управлению данными как стратегическим ресурсом? Какие регионы вы бы отметили?

Л. Калиничева: Такие системы постепенно появляются, но пока скорее у отдельных регионов, чем на уровне массовой практики. Большинство всё ещё находится на этапе накопления и консолидации данных. До полноценного управления данными как стратегическим активом дистанция пока остаётся большой.

Если говорить о регионах, которые действительно последовательно движутся в этом направлении, я бы в первую очередь отметила Республика Татарстан. И не только потому, что я здесь работаю и вижу изнутри. Здесь цифровая инфраструктура развивается системно уже много лет, и это даёт накопительный эффект: зрелые процессы, выстроенный межведомственный обмен, сильная внутренняя экспертиза.

Отдельно отмечу Сахалинскую область. После форума «Цифровой маяк» осталось очень приятное впечатление от уровня управленческой дискуссии. Вопросы, которые задавали руководители на форуме, были не про «как красиво нарисовать», а про то, как реально встроить данные в управление. Это хороший признак, значит, люди уже прошли стадию восторга от технологии и думают о том, что с ней делать.

Но даже у лидеров пока скорее формируется набор сильных практик, чем полноценная система data governance в её зрелом понимании. До единых стандартов качества, прозрачной ответственности и регулярного аудита данных ещё предстоит пройти серьёзный путь.

Прогноз вместо реакции — когда аналитика начинает предсказывать

RUБЕЖ: Может ли аналитика помогать в прогнозировании инфраструктурных и социальных рисков?

Л. Калиничева: Да, и это уже не история про «технологии будущего». Предиктивная аналитика в государственном и корпоративном управлении используется не первый год и постепенно становится полноценным рабочим инструментом.

Сегодня аналитические платформы позволяют не только фиксировать текущую ситуацию, но и прогнозировать развитие событий на основе накопленных данных. Речь может идти о перегрузке социальной инфраструктуры, росте аварийности в ЖКХ, дефиците медицинских ресурсов, транспортных рисках или, например, о прогнозировании сезонных пиков нагрузки на отдельные системы.

По сути, задача предиктивной аналитики — увидеть проблему раньше, чем она станет критической.

Но здесь важно понимать, что точность прогноза напрямую зависит от качества исходных данных и зрелости процессов. Если данные поступают с задержкой, содержат ошибки или собираются по разным методологиям, даже самая сильная модель будет давать искажённый результат.

Сейчас мы видим, что регионы всё чаще переходят от классической отчётной аналитики к прогнозным сценариям. Руководителям уже недостаточно понимать, что происходит сегодня. Им важно видеть, к чему приведут текущие тенденции через полгода, год или несколько лет.

В AW BI это направление развивается достаточно активно. В платформе уже есть ML-модули прогнозирования «из коробки», которые позволяют строить предиктивные модели без сложной отдельной разработки. Это особенно важно для региональных и государственных проектов, где скорость внедрения и доступность инструментов часто становятся критичным фактором.

При этом ключевая ценность таких решений не в самом алгоритме, а в возможности принимать управленческие решения заранее, а не реагировать постфактум, когда проблема уже перешла в кризисную стадию.

Обратная сторона цифровой трансформации

RUБЕЖ: Какие риски возникают при перестройке систем управления?

Л. Калиничева: О рисках цифровой трансформации говорят значительно реже, чем об эффектах. Хотя именно они часто определяют успех или неуспех проекта.

Первый риск — переходный период. Когда старая система уже перестаёт работать эффективно, а новая ещё не стабилизировалась. В результате какое-то время процессы действительно могут работать хуже, чем раньше. В социальной сфере или здравоохранении это особенно чувствительно, потому что за цифрами всегда стоят реальные люди.

Второй риск — зависимость от платформы. Чем глубже цифровая интеграция, тем выше цена технического сбоя, отказа инфраструктуры или кибератаки. Это не аргумент против цифровизации, но серьёзный повод уделять повышенное внимание архитектурной устойчивости, резервированию и безопасности. Для нас как для вендора это один из ключевых приоритетов при развитии и AW BI, и Alpha BI.

Есть и ещё один важный момент — постепенное делегирование мышления алгоритму. Когда система начинает выдавать рекомендации, возникает соблазн воспринимать их как готовое решение. Но любая модель ограничена теми параметрами, которые в неё заложены. Реальная жизнь всегда сложнее любой аналитической конструкции. Управленец не может полностью передавать ответственность системе.

И, наконец, риск потери локального контекста. Цифровые инструменты хорошо работают с тем, что можно измерить. Но у каждой территории есть своя специфика, исторические особенности, человеческий фактор. Если полностью заменить живую экспертизу «объективными данными», можно получить формально правильные, но практически неработающие решения.