В «Кругах Громова» фиксируют смену парадигмы на рынке данных

В течение последних трех лет запросы российских компаний к аналитическим платформам претерпели качественную эволюцию. Первоначальный интерес к самостоятельному построению отчетов (self-service, то есть самообслуживанию в работе с данными) сменился осознанием рисков: фрагментация метрик, дублирование витрин, отсутствие единой версии истины. Сегодня рынок переходит к модели governed self-service – управляемому самообслуживанию, где скорость аналитики сочетается с централизованным контролем метрик, ролевой моделью и прозрачным качеством данных. Эти и другие тренды зафиксированы в исследовании «Self-service круг Громова 2026».

В отличие от традиционных обзоров, авторы отказались от построения рейтингов. Вместо этого они проанализировали восемь сквозных доменов обработки данных – от управляемого хранения (Managed Service) и интеграции (ETL) до семантического слоя, визуализации и сценарного планирования (IBP). Ключевой вывод: российский рынок переходит от децентрализованной модели, где каждый аналитик создавал собственную «правду», к governed self-service, где самостоятельность бизнеса ограничена едиными правилами, но не подавляется.

Аналитики выделили шесть трендов, формирующих новую реальность.

Self-service становится свойством всей архитектуры данных

Ранее самообслуживание ассоциировалось преимущественно с возможностью построить график в BI. Сегодня концепция расширяется: пользователь должен самостоятельно получать управляемое хранилище, настраивать загрузку данных, формировать семантическую модель и создавать сценарии планирования – без постоянного обращения к ИТ.

Управляемое самообслуживание приходит на смену хаосу

Компании, активно внедрявшие self-service, столкнулись с «метрическим хаосом» – когда один и тот же показатель по-разному рассчитывался в разных подразделениях. Ответом стало внедрение централизованных правил: единого семантического слоя, ролевых моделей доступа, контроля качества данных.

Семантический слой становится дирижером аналитики

Он перестал быть просто удобной прослойкой между базой данных и отчетом. Теперь это исполняемый мост между бизнесом и ИТ, а также контекстная основа для работы языковых моделей. Без формализованных определений показателей любой AI-ассистент может предоставить ненадёжные результаты.

Эволюция: от разговорного BI к управляемому исполнению (Agentic Enterprise)

На смену системам, отвечающим на вопросы естественным языком (conversational BI), приходит следующий уровень: ИИ-агенты, которые совершают действия в рамках заданных политик, то есть корректируют цены, запускают рекламные кампании, инициируют задачи. При этом каждое действие подтверждается человеком.

Разработка силами пользователей (Citizen Development) требует зрелого управления данными

Предоставление бизнесу lowcode-инструментов без правил владения данными ведет к новому хаосу. Успешное развитие разработки силами пользователей напрямую зависит от управления данными: корректного определения владельцев данных, правил качества и процедур утверждения изменений.

Наблюдаемость данных (Data Observability) становится инфраструктурой доверия

При масштабном использовании аналитики, когда речь идет о десятках и сотнях пользователей, простого мониторинга – «загрузилось / не загрузилось» – недостаточно. Требуется система, которая в реальном времени показывает причины устаревания данных, влияние изменений на витрины и возникновение аномалий.

На что еще обращают внимание

Эксперты «Кругов Громова» выделили также три аспекта, которые ранее практически не анализировались в российском контексте.

Доменный подход. Исследование рассматривает self-service не как функцию отдельного инструмента (например, BI), а как сквозную характеристику всей архитектуры работы с данными. Авторы выделили восемь доменов – логических слоев, которые охватывают полный жизненный цикл данных. Эти домены сгруппированы в три блока.

Первый блок – Platform (инфраструктурный фундамент): хранение данных (Data Storage), загрузка и интеграция данных (Data Ingestion), выполнение запросов и OLAP-вычисления (Data Query and Processing). Второй блок – Usage (прикладное использование): семантический слой (Semantic Layer), визуализация и BI (Data Visualization), сценарное планирование и генерация новых данных (Data Generation / IBP). Третий блок – Trust & Control (контур доверия): управление мастер-данными (MDM), качество данных (Data Quality) и наблюдаемость (Data Observability).

Такой подход позволяет выявить «слабые звенья» в цепочке. Например, высокий уровень самообслуживания в BI (пользователь легко строит дашборды) при отсутствии управляемой интеграции (данные подтягиваются кустарно, без четких ETL-процессов) и семантической согласованности (одна и та же метрика по-разному определена в разных отделах) неизбежно ведет к фрагментации метрик, расхождению цифр между подразделениями и потере доверия к аналитике. Именно поэтому зрелый self-service возможен только при согласованном развитии всех восьми доменов.

Роль Data Steward получила признание. Бизнес-пользователь инициирует изменение данных, а стюард (Data Steward) отвечает за их качество и соответствие стандартам. Self-service в управлении мастер-данными (MDM) и контроле качества данных без этой роли невозможен.

Связка семантического слоя и RAG-архитектур. Хотя многие вендоры стали включать в список функций наличие ИИ-ассистента, исследование объясняет технологический инсайт: без формализованного семантического слоя языковая модель легко может галлюцинировать. Именно семантический слой предоставляет LLM контекст – согласованные определения показателей, правила расчета, ограничения. Без этого любая диалоговая аналитика (conversational BI) превращается в генератор правдоподобных, но не гарантированно верных ответов.