ГЛАВА 11

Аналитика и BI

Без BI (бизнес-аналитика) цифровая трансформация буксует. Не потому, что BI «модно», а потому, что без неё невозможно измерить эффект от других проектов. ERP (система планирования ресурсов предприятия) внедрили — но как понять, сократилось ли время закрытия периода? MES (система оперативного управления производством) внедрили — но где видна динамика OEE (общая эффективность оборудования) по цехам? Машинное зрение поставили — но как доказать СД (совет директоров), что брак снизился, если все цифры по-прежнему в Excel у разных служб?

BI — это инструмент управления через метрики. Не «дашборды для красоты», а механизм, превращающий данные из ERP, MES, EAM (система управления активами), IIoT (промышленный интернет вещей) в видимые числа, на которые реагируют управленческие решения.

В этой главе — три типа аналитики, российский рынок BI 2026 (что осталось после ухода Power BI, Qlik, Tableau), нужны ли среднему предприятию DWH (корпоративное хранилище данных)/Data Lake (в большинстве случаев — нет), что такое процессная аналитика и когда он реально полезен, и главное правило: 80 % дашбордов в любой компании никто не смотрит.

Три типа аналитики

Прежде чем выбирать BI-платформу, разделите три разные задачи. Каждая решается по-своему, и попытка решить все три одной системой — типичная ошибка.

Три типа аналитики — схема

Оперативная аналитика — это дашборды в реальном времени. OEE цеха, простои, брак, остатки, текущий статус заказов. Источник данных — обычно MES, IIoT, ERP. Обновление частое (минуты), детализация высокая. Аудитория — мастера, начальники смен, начальники участков.

Управленческая аналитика — это отчётность и сводки для топ-менеджмента. Выручка, EBITDA (прибыль до уплаты процентов, налогов и амортизации), себестоимость, оборачиваемость, KPI (ключевой показатель эффективности) по департаментам. Источник — обычно ERP, BI-агрегаты. Обновление редкое (сутки, неделя, месяц), детализация средняя. Аудитория — CEO (генеральный директор), CFO (финансовый директор), COO (операционный директор), СД.

Исследовательская аналитика — это ad-hoc, гипотезы, поиск причин. «Почему в августе вырос брак на участке 3», «есть ли корреляция между сырьём поставщика X и выходом годного», «какие позиции продаются вместе». Источник — все данные предприятия. По запросу, без регламентного обновления. Аудитория — аналитики, отдельные эксперты.

Эти три задачи решаются разными инструментами:

  • Оперативная → MES + встроенные дашборды + лёгкая BI-надстройка.
  • Управленческая → BI-платформа (DataLens, Visiology, Polymatica).
  • Исследовательская → BI-платформа + средства работы с данными (SQL, Python в Jupyter, специализированные аналитические инструменты).

Попытка одной BI-системой закрыть все три типа обычно приводит к плохой производительности по каждому из них.

Российский BI-рынок 2026

После 2022 года российский BI-рынок резко перестроился. Что осталось:

Продукт Сегмент Особенности
Yandex DataLens Малый, средний, корпсектор Самый массовый. Бесплатная редакция + платная on-premise (2025). Сильная связка с Yandex Cloud. Активно развивается, AI-сценарии — приоритет 2025-2026
Visiology Средний, крупный, госсектор Сильна на больших данных. Лицензирование серверное + per-user. Активные внедрения в крупном бизнесе
Polymatica Средний, крупный Зрелая платформа, многолетние внедрения
AW BI (Аналитический Кластер) Корпсектор Сильна в финансовой аналитике
PIX BI Малый, средний Активный игрок, простой вход
Modus BI Средний Нишево
Loginom Средний-крупный Это скорее low-code ML (машинное обучение) / data prep, не «BI» в чистом виде. Но часто стоит рядом с BI в стеке
Power BI Те, кто внедрил до 2022 Эксплуатация
Qlik Sense Те, кто внедрил до 2022 Эксплуатация
Tableau Те, кто внедрил до 2022 Эксплуатация

Источники: aw-bi.ru сравнение BI 2025, Habr 2024-2025, TAdviser 2025.

Особенность российских BI: стоимость внедрения обычно на 20-30 % выше иностранного из-за допнастроек. Это связано с тем, что многие платформы моложе, экосистема ETL-инструментов меньше, типовых коннекторов меньше.

Краткий гайд по выбору

  • Малый и средний бизнес, не очень большие объёмы данных → Yandex DataLens (бесплатная или платная в зависимости от потребностей). Самый простой вход, большая экосистема.
  • Крупный бизнес, госсектор, объёмные данные → Visiology или Polymatica. Выбор по конкретным требованиям к производительности и архитектуре.
  • Финансовая аналитика, банковский / финтех контекст → AW BI или Visiology.
  • Если уже есть Power BI / Qlik / Tableau и они работают → продолжать эксплуатацию, постепенно мигрировать. Не делать «прыжок» с работающего на новое только потому, что «надо импортозаместить».

DWH / Data Lake — нужно ли среднему предприятию

Самая частая дорогая ошибка в аналитике — построить «Data Lake впрок», без чёткой задачи. Я видел это много раз: 50-100 миллионов рублей вложено в инфраструктуру, всё работает, но никто не пользуется. Через 2 года всё это становится постоянным OPEX-расходом без бизнес-эффекта.

Правило: DWH и Data Lake — это инструмент под конкретные задачи, не «инфраструктура впрок».

DWH / Data Lake — нужно ли среднему предприятию — схема

Когда DWH действительно нужен:

  • Холдинговая структура с разнородными системами на разных заводах, необходимость единой консолидированной аналитики.
  • Объёмы IIoT-данных, превышающие десятки ТБ.
  • Активная ML-аналитика, требующая агрегированных исторических данных.
  • Регуляторная отчётность.

Когда DWH НЕ нужен:

  • Среднее предприятие до 5 млрд выручки с одной ERP и одним-двумя цехами.
  • Объёмы данных, помещающиеся на крепкой OLAP-СУБД (Vertica, ClickHouse, Greenplum в single-node).
  • Аналитические задачи решаются через прямой доступ к таблицам ERP/MES + BI-агрегаты.

Российский DWH-стек 2026

Компонент Продукт
OLAP/columnar ClickHouse (отечественный, мировой класс), Greenplum (отечественный фокус — Arenadata)
Транзакционная СУБД (система управления базами данных) Postgres Pro (для значимых КИИ — обязательно)
Hadoop / Spark Arenadata Hadoop, Apache Spark on prem или Yandex Cloud
Lakehouse Apache Iceberg / Delta Lake / Hudi на Spark — open source стек, активно используется
ETL/ELT Talend (параллельно используется), Loginom, Airflow (open source), dbt для трансформаций
Облачные платформы Yandex Cloud Data Platform, SberCloud, VK Cloud — для значимых КИИ нужна аттестованная конфигурация

ClickHouse — один из главных российских технологических успехов в области данных. Используется по всему миру (включая Western Union, eBay, Bloomberg). Это пример того, что в области инфраструктуры данных у российских разработчиков всё в порядке.

CAPEX DWH

Сценарий CAPEX (капитальные затраты) Срок
Скромный DWH для среднего бизнеса (1 СУБД, 5-10 источников, базовая BI) 20-50 млн ₽ 6-12 мес
Полноценный DWH для крупного бизнеса 80-200 млн ₽ 12-18 мес
Data Platform для холдинга (DWH + Data Lake + ML) 200 млн – 1 млрд ₽ 18-36 мес

Процессная аналитика (Process Mining)

Процессная аналитика — это специфическая аналитика, восстанавливающая реальные бизнес-процессы из логов ИТ-систем (ERP, MES, CRM, документооборот). Главная фишка: показывает не «как должно быть по регламенту», а как на самом деле.

Пример: процесс «закупка». По регламенту — 5 шагов: заявка → согласование → договор → поставка → оплата. Процессная аналитика поднимает логи ERP и показывает реальную картину: 35 % заявок проходят 5 шагов, 25 % — 7 шагов (с дополнительными согласованиями), 10 % — 12 шагов (с возвратами, переподписаниями, исправлениями). Среднее время — 18 дней, на 7-шаговых заявках — 35 дней.

Это инструмент, который вскрывает реальную работу и узкие места.

Зрелость в РФ 2026:

  • Celonis — мировой лидер, в РФ недоступен с 2022. Те, кто внедрил до — эксплуатируют.
  • Proceset (Инфомаксимум / Корус Консалтинг) — российский, активно развивается.
  • Sber Process Mining, Naumen Sherpa, Visiology Process Mining — отечественные альтернативы.
  • ABBYY Timeline — была популярна, после ухода ABBYY туманное будущее.

Где работает в РФ 2026:

  • Закупки (особенно крупный бизнес и госконтрактация).
  • Order-to-cash (обработка заказов от поступления до оплаты).
  • Документооборот.
  • ТОиР (выявление не эффективностей в плановых работах).

Где не работает / нишево:

  • Производственные процессы — для них есть MES (это более точный инструмент).
  • Малый бизнес — простой процесс легче проанализировать вручную.

CAPEX: 5-20 млн ₽ на пилот, окупаемость 12-24 мес. на крупном бизнесе.

Главный подводный камень: качество логов в ИТ-системах. Процессная аналитика работает только если в ERP есть нормальные временные метки на каждой операции. Если временные метки округлены до дня — процессная аналитика ничего не покажет.

Главное правило BI: большинство дашбордов никто не смотрит

Самая частая ошибка BI-внедрения — построить десятки дашбордов «впрок» и обнаружить через год, что подавляющее большинство из них (по моему опыту — около 80 %) никто не смотрит.

Почему так происходит:

  • Дашборд без задачи. «Давайте сделаем дашборд по продажам» — без понимания, кто его смотрит и какое решение принимает.
  • Слишком много метрик. Если на дашборде 25 чисел, человек не может удержать в голове, что важно.
  • Нет ответственного. Дашборд без владельца быстро устаревает: новые метрики не добавляются, источники данных меняются и ломают визуализации.
  • Нет процесса. Не зашит ритуал «совещание по дашборду каждый понедельник» — дашборд становится «есть, но не используется».

Правильно:

  • Делать дашборды по запросу под конкретную задачу, не «впрок».
  • На каждом дашборде — 1 главная метрика наверху, остальные — для drill-down.
  • У каждого дашборда — владелец с KPI «количество просмотров за месяц > N».
  • Запустить ритуал: совещание по дашборду в одно и то же время каждую неделю/месяц.

Через 6 месяцев — провести аудит. Дашборды, которые не используются, удалить. Это самый дешёвый способ сэкономить ресурсы поддержки.

Кейсы

Северсталь — внутренняя BI

Полноценная BI-система для управления металлургическим производством. Дашборды для разных уровней (мастер, начальник цеха, директор по производству, СД). Источник: severstal.com, ЦИПР.

Газпром нефть — BI как часть программы ЭРА

Сквозная аналитика по всей цепочке добычи и переработки. Многомиллиардные эффекты от оптимизации режимов через аналитику. Источник: gazprom-neft.ru.

Малый-средний бизнес на DataLens

Сотни компаний используют Yandex DataLens как основную BI-платформу. Бесплатная редакция позволяет начать без больших вложений; платная — для production с SLA.

CAPEX и окупаемость

Сценарий CAPEX Срок Окупаемость
BI для малого бизнеса (1С + DataLens бесплатная, 5-10 дашбордов) 0,5-2 млн ₽ (работы) 2-4 мес 3-6 мес
BI для среднего бизнеса (1С + DataLens платная / Visiology, 15-30 дашбордов) 3-15 млн ₽ 6-12 мес 6-12 мес
BI для крупного бизнеса (несколько ERP, MES, DWH, 50+ дашбордов) 30-100 млн ₽ 12-18 мес 12-24 мес
DWH/Data Platform для холдинга 200 млн – 1 млрд ₽ 18-36 мес 24-48 мес

ROI (возврат на вложения) BI трудно посчитать в чистом виде. Эффект — косвенный, через ускорение принятия решений. Но без BI любая цифровая трансформация буксует — нечем мерить эффект.

Чек-лист готовности к BI

# Пункт Что значит ✓
1 Цель BI-внедрения определена Не «нам нужна BI», а «единая управленческая отчётность для СД с автоматическим обновлением»
2 Топ-5 управленческих дашбордов определены Какие конкретно дашборды нужны на старте
3 Источники данных проинвентаризированы ERP, MES, CRM, EAM, IIoT — какие данные откуда брать
4 Качество мастер-данных приемлемое Без чистых мастер-данных BI покажет противоречивые цифры
5 ETL-стратегия проработана Как данные попадают в BI: прямой коннектор, ETL, ELT, DWH-агрегация
6 Назначены владельцы дашбордов По одному на каждый — с KPI «использование»
7 Ритуалы использования назначены Совещания, где используются дашборды
8 Платформа выбрана с учётом периметра КИИ DataLens, Visiology — для КИИ нужна on-premise или сертифицированное облако
9 Лицензионная модель просчитана Per-user может быстро стать дорогой при росте числа пользователей
10 План обучения пользователей Не «методичка», а реальный коучинг ключевых пользователей
11 План развития: 6, 12, 24 мес Что добавляется, что выводится из эксплуатации
12 Аудит дашбордов запланирован через 6 мес Удалить то, что не используется

Антипаттерны

Антипаттерн 1. «Сначала построим Data Lake, потом разберёмся, что с ним делать». Самая дорогая ошибка в аналитике. Без задач — это постоянный OPEX (операционные затраты) без бизнес-эффекта.

Антипаттерн 2. «Десятки дашбордов "впрок"». 80 % окажется неиспользуемыми. Делать по запросу под конкретную задачу.

Антипаттерн 3. «BI = красивые графики». BI — это инструмент управления. Красота вторична; первична — поддерживает ли дашборд конкретное управленческое решение.

Антипаттерн 4. «Замена работающего Power BI / Qlik на отечественное прямо сейчас». Если работает — продолжайте эксплуатацию. Миграция — это бюджет и время. Делать миграцию только когда: (а) лицензии истекли, (б) технические проблемы стали блокером, (в) критическая информационная инфраструктура (КИИ)-требования обязывают.

Антипаттерн 5. «BI без MDM (управление мастер-данными)». Если мастер-данные грязные, BI покажет грязные цифры красиво. Это хуже, чем не показывать их совсем — управленческие решения будут приниматься на основе ложных данных.

Связанные главы