Почему_методологии_оптимизации_процессов_не_дают_результата_без.pdf
380.4 KB
Развернутая статья к посту.
Биржи данных.
От Шанхая до Копенгагена. Реальность или фантастика?
В 2024 году Шанхайская биржа данных достигла оборота $2.1 млрд. Датская платформа DataMarketplace - €84 млн. Европейская Gaia-X объединила 14 стран для обмена промышленными данными.
Это не прогнозы на 2030 год. Это работающая инфраструктура сегодня!
В России рынок данных пока не сформирован. Но текущее отсутствие биржи данных или площадки для этих операций не означает отсутствие возможностей. Концепция экономики данных РФ правительства РФ ставит цель: создать рынок объёмом 1.5-2.0 трлн рублей к 2030 году.
Вопрос даже не в том, будет ли рынок данных, он заключается в следующем: "готовы ли ваши данные к обмену".
Для руководителей: Данные - это не только внутренний ресурс. При правильной подготовке они могут стать источником новых отношений и, в перспективе, дохода. Первый шаг - оценить потенциал обмена без риска для коммерческой тайны.
Для специалистов: Сформируйте матрицу «Потенциал обмена для вашего набора данных». Ответьте на 3 вопроса для одного набора (клиенты, логистика, оборудование):
• Какие атрибуты можно анонимизировать без потери бизнес-смысла?
• Какие другие компании могли бы извлечь пользу из этих данных?
• Какие риски нужно закрыть перед обменом (конфиденциальность, права третьих лиц)?
Через несколько минут у вас будет карта потенциала - не как план монетизации, а как основа для будущих решений.
Выберите один набор данных в вашей компании. Оцените - мог бы он быть полезен другим организациям при условии анонимизации? Напишите в комментариях «Да/Нет» и кратко почему.
(Примеры из практики: «Да - данные о времени доставки без адресов», «Нет - слишком специфичны для нашего бизнеса»)
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
От Шанхая до Копенгагена. Реальность или фантастика?
В 2024 году Шанхайская биржа данных достигла оборота $2.1 млрд. Датская платформа DataMarketplace - €84 млн. Европейская Gaia-X объединила 14 стран для обмена промышленными данными.
Это не прогнозы на 2030 год. Это работающая инфраструктура сегодня!
В России рынок данных пока не сформирован. Но текущее отсутствие биржи данных или площадки для этих операций не означает отсутствие возможностей. Концепция экономики данных РФ правительства РФ ставит цель: создать рынок объёмом 1.5-2.0 трлн рублей к 2030 году.
Вопрос даже не в том, будет ли рынок данных, он заключается в следующем: "готовы ли ваши данные к обмену".
Для руководителей: Данные - это не только внутренний ресурс. При правильной подготовке они могут стать источником новых отношений и, в перспективе, дохода. Первый шаг - оценить потенциал обмена без риска для коммерческой тайны.
Для специалистов: Сформируйте матрицу «Потенциал обмена для вашего набора данных». Ответьте на 3 вопроса для одного набора (клиенты, логистика, оборудование):
• Какие атрибуты можно анонимизировать без потери бизнес-смысла?
• Какие другие компании могли бы извлечь пользу из этих данных?
• Какие риски нужно закрыть перед обменом (конфиденциальность, права третьих лиц)?
Через несколько минут у вас будет карта потенциала - не как план монетизации, а как основа для будущих решений.
Выберите один набор данных в вашей компании. Оцените - мог бы он быть полезен другим организациям при условии анонимизации? Напишите в комментариях «Да/Нет» и кратко почему.
(Примеры из практики: «Да - данные о времени доставки без адресов», «Нет - слишком специфичны для нашего бизнеса»)
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
👍3
Биржи_данных_в_мире_модели_объёмы_уроки_для_РФ.pdf
672.3 KB
Биржи данных. Детально и в цифрах.
Data Product. Данные = продукт с ценностью.
Для примера, компания «Магнит» агрегирует данные о покупках 25 миллионов клиентов. Но эти данные лежат «внутри» - как ресурс для отчётов.
Китайская платформа "Биржа данных" зарабатывает $220 млн в год, продавая аналогичные данные производителям в виде готового продукта: «Тренды спроса по категориям с прогнозом на 30 дней».
Разница не в объёме данных. Разница в упаковке. Первые, хранят и используют сырые данные.
Вторые, создают продукт с ценностью и дополнительно зарабатывают на нем.
Data Product - это не технический термин!
Data Product = бизнес-концепция! Это данные, упакованные так, что их потребитель получает измеримую выгоду без усилий по подготовке.
Примеры из практики:
Агрегированные данные о времени доставки → продукт «Оптимизация логистики» для перевозчиков
Верифицированные алгоритмы без раскрытия кода → продукт «Антифрод для платежей» для банков
Статистика по чекам без ПДн → продукт «Анализ трендов категорий» для производителей
Это не фантастика.
По данным аналитического отчёта "Экономика данных РФ", рынок таких продуктов в РФ может достигнуть 280 млн рублей к 2029 году при рентабельности 55–70%.
Для руководителей: Data Product - это не ИТ-инициатива. Это новый источник дохода с минимальными инвестициями. Вы уже собрали данные, они у вас уже есть! Осталось упаковать их в продукт.
Для специалистов: Сформируйте свой шаблон описания Data Product. Заполните 7 полей для одного набора данных (клиенты, логистика, оборудование):
• Название продукта (не «база данных», а «Прогноз спроса»)
• Владелец (должность, не ИТ-отдел)
• Потребители (внутренние или внешние)
• Описание ценности (что получает потребитель)
• SLA по качеству и актуальности
• Формат доставки (API, отчёт, дашборд)
• Цена или экономия для потребителя
Через 3 минуты у вас будет первый черновик продукта - не как мечта, а как документ для обсуждения с руководством.
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
Для примера, компания «Магнит» агрегирует данные о покупках 25 миллионов клиентов. Но эти данные лежат «внутри» - как ресурс для отчётов.
Китайская платформа "Биржа данных" зарабатывает $220 млн в год, продавая аналогичные данные производителям в виде готового продукта: «Тренды спроса по категориям с прогнозом на 30 дней».
Разница не в объёме данных. Разница в упаковке. Первые, хранят и используют сырые данные.
Вторые, создают продукт с ценностью и дополнительно зарабатывают на нем.
Data Product - это не технический термин!
Data Product = бизнес-концепция! Это данные, упакованные так, что их потребитель получает измеримую выгоду без усилий по подготовке.
Примеры из практики:
Агрегированные данные о времени доставки → продукт «Оптимизация логистики» для перевозчиков
Верифицированные алгоритмы без раскрытия кода → продукт «Антифрод для платежей» для банков
Статистика по чекам без ПДн → продукт «Анализ трендов категорий» для производителей
Это не фантастика.
По данным аналитического отчёта "Экономика данных РФ", рынок таких продуктов в РФ может достигнуть 280 млн рублей к 2029 году при рентабельности 55–70%.
Для руководителей: Data Product - это не ИТ-инициатива. Это новый источник дохода с минимальными инвестициями. Вы уже собрали данные, они у вас уже есть! Осталось упаковать их в продукт.
Для специалистов: Сформируйте свой шаблон описания Data Product. Заполните 7 полей для одного набора данных (клиенты, логистика, оборудование):
• Название продукта (не «база данных», а «Прогноз спроса»)
• Владелец (должность, не ИТ-отдел)
• Потребители (внутренние или внешние)
• Описание ценности (что получает потребитель)
• SLA по качеству и актуальности
• Формат доставки (API, отчёт, дашборд)
• Цена или экономия для потребителя
Через 3 минуты у вас будет первый черновик продукта - не как мечта, а как документ для обсуждения с руководством.
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
👍5
Профессиональный стандарт «Специалист по управлению данными» официально утверждён.
10 марта 2026 года официально зарегистрирован в Минюсте Приказ Минтруда РФ № 61н от 10 февраля 2026 года «Об утверждении профессионального стандарта "Специалист по управлению данными и информационными объектами"».
Это не просто документ. Это официальное признание профессии на государственном уровне. После почти девяти лет работы над формулировками, согласованиями и защитой концепции перед экспертными советами, Минэкономразвития, Минтруда, Минцифры и профессиональным сообществом.
Для рынка это означает:
• Чёткие требования к компетенциям специалистов, которые работают с данными.
• Возможность аттестации и сертификации кадров.
• Правовую основу для включения управления данными в должностные регламенты.
• Шаг к признанию данных как управляемого актива в трудовых процессах.
Авторский коллектив этого стандарта - те же эксперты, которые формируют контент канала @data_capital. Тут совпадений нет, это только подтверждает: методологии, которые мы здесь обсуждаем (контракты данных, семантический мост, паспорта наборов), теперь имеют официальную нормативную профессиональную базу.
Что дальше: На следующей неделе опубликуем разбор стандарта - не сухой пересказ, а анализ того, как его требования соотносятся с реальными задачами бизнеса и где начинается разрыв между «бумажными» компетенциями и практикой управления данными как капиталом.
Официальный документ:
Приказ Минтруда РФ № 61н от 10.02.2026
Поздравляем профессиональное сообщество!
Профессия получила свой статус, стандарт вступает в силу 01.09.2026г. Теперь - за работу.
#Полезная_информация@data_capital
#Истории@data_capital
10 марта 2026 года официально зарегистрирован в Минюсте Приказ Минтруда РФ № 61н от 10 февраля 2026 года «Об утверждении профессионального стандарта "Специалист по управлению данными и информационными объектами"».
Это не просто документ. Это официальное признание профессии на государственном уровне. После почти девяти лет работы над формулировками, согласованиями и защитой концепции перед экспертными советами, Минэкономразвития, Минтруда, Минцифры и профессиональным сообществом.
Для рынка это означает:
• Чёткие требования к компетенциям специалистов, которые работают с данными.
• Возможность аттестации и сертификации кадров.
• Правовую основу для включения управления данными в должностные регламенты.
• Шаг к признанию данных как управляемого актива в трудовых процессах.
Авторский коллектив этого стандарта - те же эксперты, которые формируют контент канала @data_capital. Тут совпадений нет, это только подтверждает: методологии, которые мы здесь обсуждаем (контракты данных, семантический мост, паспорта наборов), теперь имеют официальную нормативную профессиональную базу.
Что дальше: На следующей неделе опубликуем разбор стандарта - не сухой пересказ, а анализ того, как его требования соотносятся с реальными задачами бизнеса и где начинается разрыв между «бумажными» компетенциями и практикой управления данными как капиталом.
Официальный документ:
Приказ Минтруда РФ № 61н от 10.02.2026
Поздравляем профессиональное сообщество!
Профессия получила свой статус, стандарт вступает в силу 01.09.2026г. Теперь - за работу.
#Полезная_информация@data_capital
#Истории@data_capital
publication.pravo.gov.ru
Приказ Министерства труда и социальной защиты Российской Федерации от 10.02.2026 № 61н ∙ Официальное опубликование правовых актов
Приказ Министерства труда и социальной защиты Российской Федерации от 10.02.2026 № 61н
"Об утверждении профессионального стандарта "Специалист по управлению данными и информационными объектами"
"Об утверждении профессионального стандарта "Специалист по управлению данными и информационными объектами"
⚡5🎉3👍2🔥2
СемантическийЧек. Термины-убийцы эффективности.
В проекте строительства Цеха Деревообрабатывающего Комбината в Красноярске (история из нулевых) одна и та же фраза «готовность объекта» трактовалась по-разному:
• для подрядчиков - это завершение монтажа,
• для эксплуатирующих подразделений заказчика - получение акта ввода в эксплуатацию,
• для финансистов - закрытие всех платежей.
Разница в 45–60 дней между этими определениями добавляло 2.3 млн рублей к стоимости проекта за счёт простоев и перепланирования в свое время. А если это проект большой, типа БАМа, НПЗ, Космодром или другие, то суммы будут кратно большие...
Это не ошибка людей. Это системный дефект архитектуры, где термины не имеют единого контракта.
Инженеры требований давно знают: плохое определение термина убивает проект быстрее, чем плохой код. В свое время в методологии СМД (Щедровицкий) это называл «размытие понятийного аппарата» - когда один и тот же термин используется в разных смыслах, но никто не фиксирует это расхождение.
Результат - не споры. Споры - это следствие.
Настоящая цена (статистика крупных капитальных проектов CII):
• 18% времени команды уходит на уточнение «а что именно имеется в виду?»
• 37% переделок в проектах связаны с разным пониманием исходных терминов
• 68% конфликтов между отделами начинаются с фразы «но мы же договорились...»
Для руководителей: Термины - это не слова в глоссарии или в словаре. Это контракты между подразделениями. Каждый неподписанный контракт создаёт скрытый риск для бюджета и сроков.
Для специалистов: Создайте свой чек-лист «5 терминов-конфликтогенов» или напишите запрос на получение такого чек-листа. Найдите в своей компании хотя бы один термин, который трактуется по-разному в разных подразделениях:
• Клиент / активный клиент
• Выручка / доход
• Продукт / товарная единица
• Отгрузка / доставка
• Качество / соответствие
Через несколько минут вы увидите точку роста для вашей команды - не как ошибку, а как сигнал о том, где нужен контракт.
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
В проекте строительства Цеха Деревообрабатывающего Комбината в Красноярске (история из нулевых) одна и та же фраза «готовность объекта» трактовалась по-разному:
• для подрядчиков - это завершение монтажа,
• для эксплуатирующих подразделений заказчика - получение акта ввода в эксплуатацию,
• для финансистов - закрытие всех платежей.
Разница в 45–60 дней между этими определениями добавляло 2.3 млн рублей к стоимости проекта за счёт простоев и перепланирования в свое время. А если это проект большой, типа БАМа, НПЗ, Космодром или другие, то суммы будут кратно большие...
Это не ошибка людей. Это системный дефект архитектуры, где термины не имеют единого контракта.
Инженеры требований давно знают: плохое определение термина убивает проект быстрее, чем плохой код. В свое время в методологии СМД (Щедровицкий) это называл «размытие понятийного аппарата» - когда один и тот же термин используется в разных смыслах, но никто не фиксирует это расхождение.
Результат - не споры. Споры - это следствие.
Настоящая цена (статистика крупных капитальных проектов CII):
• 18% времени команды уходит на уточнение «а что именно имеется в виду?»
• 37% переделок в проектах связаны с разным пониманием исходных терминов
• 68% конфликтов между отделами начинаются с фразы «но мы же договорились...»
Для руководителей: Термины - это не слова в глоссарии или в словаре. Это контракты между подразделениями. Каждый неподписанный контракт создаёт скрытый риск для бюджета и сроков.
Для специалистов: Создайте свой чек-лист «5 терминов-конфликтогенов» или напишите запрос на получение такого чек-листа. Найдите в своей компании хотя бы один термин, который трактуется по-разному в разных подразделениях:
• Клиент / активный клиент
• Выручка / доход
• Продукт / товарная единица
• Отгрузка / доставка
• Качество / соответствие
Через несколько минут вы увидите точку роста для вашей команды - не как ошибку, а как сигнал о том, где нужен контракт.
#DataFirst_Кейс@data_capital
#DataFirst_Инструменты@data_capital
👍5
Для информации от коллег:
📢 Встречаемся на конференции ArenaDAY 2026 – 7 апреля
🎙 Приглашаем вас на ArenaDAY 2026 – крупнейшую ежегодную конференцию для тех, кто работает с данными на практике и отвечает за развитие современных дата-платформ в бизнесе.
В этом году в числе специальных гостей – команда «Кругов Громова». Приходите пообщаться, задать вопросы и обсудить вызовы российского ИТ-рынка!
Для вас – это возможность за один день погрузиться в лучшие практики рынка, услышать экспертов и лидеров из разных сегментов отрасли и обменяться практическими инсайтами с коллегами, которые прямо сейчас реализуют крупные дата-проекты.
➡️ Регистрация уже открыта! Количество мест ограничено, необходима предварительная регистрация.
🎦 Мероприятие пройдет в «Синема Парк Мосфильм» (Москва, ул. Мосфильмовская, 1, стр. 44), а также онлайн.
До встречи на конференции!
#КругиГромова #ArenaDAY #Arenadata #ArenaDAY
📢 Встречаемся на конференции ArenaDAY 2026 – 7 апреля
🎙 Приглашаем вас на ArenaDAY 2026 – крупнейшую ежегодную конференцию для тех, кто работает с данными на практике и отвечает за развитие современных дата-платформ в бизнесе.
В этом году в числе специальных гостей – команда «Кругов Громова». Приходите пообщаться, задать вопросы и обсудить вызовы российского ИТ-рынка!
Для вас – это возможность за один день погрузиться в лучшие практики рынка, услышать экспертов и лидеров из разных сегментов отрасли и обменяться практическими инсайтами с коллегами, которые прямо сейчас реализуют крупные дата-проекты.
➡️ Регистрация уже открыта! Количество мест ограничено, необходима предварительная регистрация.
🎦 Мероприятие пройдет в «Синема Парк Мосфильм» (Москва, ул. Мосфильмовская, 1, стр. 44), а также онлайн.
До встречи на конференции!
#КругиГромова #ArenaDAY #Arenadata #ArenaDAY
Профстандарт «Специалист по управлению данными и информационными объектами» утверждён 10 марта 2026 г. Мы, рабочая группа, добивались признания этой профессии долгих 9 лет. Профстандарты являются основой для разработки учебных программ и сертификации специалистов. Так что впереди ещё много работы. Кроме того, есть особенности данной профессии в различных областях деятельности. Так что следует ожидать появления дочерних профстандартов в тех направлениях, которые осознали критическую важность управления данными. Присоединяйтесь. Комментируйте. Предлагайте.
🔥8👏1
НСИ как точка роста. Почему «мусор на входе» срывает сроки проектов и как это измерить в рублях
Недавно на встрече со специалистами инжинирингового центра одной из крупнейших российских компаний обсуждали проблему, знакомую многим: проекты срываются не из-за технологий, а из-за «мусора данных на входе» - некачественных нормативно-справочных данных. Конструктор ищет материал в справочнике, находит 3 похожих записи, тратит 40 минут на уточнение у закупок, а проектный срок уходит в минус, поставить то, что конструктор выбрал, невозможно, заменить не понятно как.
Разве это техническая проблема? Нет конечно, это объективная экономическая потеря бизнеса!
По данным анализа исследований «Круг Громова», более 68% ошибок в отчётности и срывов сроков связаны с отсутствием бизнес-контекста при валидации данных - системы проверяют формат, но не смысл, они не знают семантики.
НСИ и Основные Данные Компании давно уже не «справочник материалов», это «контракт между системами и людьми». Когда контракт нарушен, каждый этап проекта тормозится на согласовании «а что именно имеется в виду?».
- Для руководителя: Потери от плохих НСИ и ОД измеряются не в байтах, а в днях срыва сроков. Один час ручной сверки материалов = 2 часа простоя проекта или даже более. Это прямой удар по марже.
- Для специалиста: сформируйте свой чек-лист «Аудит критичных НСИ». Отметьте галочками для одного справочника (материалы, контрагенты, номенклатура):
1. Есть ли единое определение термина «активная запись»?
2. Кто отвечает за актуальность (владелец данных)?
3. Как часто проверяется соответствие реальности (не реже раза в квартал)?
4. Есть ли автоматическая валидация при создании новой записи?
5. Как измеряется стоимость ошибки (время простоя × ставка часа)?
Через несколько минут у вас будет карта уязвимостей - не как список проблем, а как точка для первой быстрой победы.
#DataFirst_Инструменты@data_capital
Недавно на встрече со специалистами инжинирингового центра одной из крупнейших российских компаний обсуждали проблему, знакомую многим: проекты срываются не из-за технологий, а из-за «мусора данных на входе» - некачественных нормативно-справочных данных. Конструктор ищет материал в справочнике, находит 3 похожих записи, тратит 40 минут на уточнение у закупок, а проектный срок уходит в минус, поставить то, что конструктор выбрал, невозможно, заменить не понятно как.
Разве это техническая проблема? Нет конечно, это объективная экономическая потеря бизнеса!
По данным анализа исследований «Круг Громова», более 68% ошибок в отчётности и срывов сроков связаны с отсутствием бизнес-контекста при валидации данных - системы проверяют формат, но не смысл, они не знают семантики.
НСИ и Основные Данные Компании давно уже не «справочник материалов», это «контракт между системами и людьми». Когда контракт нарушен, каждый этап проекта тормозится на согласовании «а что именно имеется в виду?».
- Для руководителя: Потери от плохих НСИ и ОД измеряются не в байтах, а в днях срыва сроков. Один час ручной сверки материалов = 2 часа простоя проекта или даже более. Это прямой удар по марже.
- Для специалиста: сформируйте свой чек-лист «Аудит критичных НСИ». Отметьте галочками для одного справочника (материалы, контрагенты, номенклатура):
1. Есть ли единое определение термина «активная запись»?
2. Кто отвечает за актуальность (владелец данных)?
3. Как часто проверяется соответствие реальности (не реже раза в квартал)?
4. Есть ли автоматическая валидация при создании новой записи?
5. Как измеряется стоимость ошибки (время простоя × ставка часа)?
Через несколько минут у вас будет карта уязвимостей - не как список проблем, а как точка для первой быстрой победы.
#DataFirst_Инструменты@data_capital
👍7
Как профстандарт легитимизирует контракты данных
10 февраля 2026 года вышел Приказ Минтруда РФ №61н - профессиональный стандарт «Специалист по управлению данными и информационными объектами».
Для многих это «ещё один просто нормативный документ». Но для тех, кто ежедневно сталкивается с вопросом «а кто вообще отвечает за этот термин?» - это «правовая легитимизация профессии».
Стандарт чётко вводит и разделяет роли:
- «Владелец данных» - бизнес-специалист, который определяет смысл термина (например, «активный клиент»)
- «Хранитель данных» - ИТ-специалист, который обеспечивает техническую доступность
- «Архитектор данных» - проектирует семантическое ядро и его взаимосвязи.
Это не бюрократия. Это ответ на вопрос, который постоянно задают руководители: «Почему я должен выделять ресурсы на управление данными? У нас же специалисты ИТ все системы поставили и настроили и в них разве что то не так с данным?» Теперь ответ простой: «это требование государственного стандарта профессии», тк разработчики ИТ систем, программисты по своей компетенции и квалификации за данные, которые формируются и обрабатываются на регулярной основе в системах, не отвечают.
Но есть разрыв между «бумажными» ролями и практикой. Профессиональный стандарт описывает «кто» и «что» делать, но не «как обеспечить выполнение». Владелец данных формально назначен - но контракт не подписан, споры продолжаются, решения принимаются на основе «двух или более версий правды».
Решение - не ждать идеального соответствия стандарту. Начать с одного контракта для одного термина. Это микрошаг, который легитимизирует подход уже сегодня.
Для руководителя: Стандарт даёт вам рычаг и структуру: «Мы не изобретаем велосипед. Мы следуем государственному стандарту профессии». Это снижает сопротивление при выделении ресурсов.
Для специалиста: сформируйте шаблон контракта данных. Заполните 7 полей для одного термина из вашего домена (клиенты, продукты, финансы):
1. Термин (например, «активный клиент»)
2. Владелец (должность из стандарта: бизнес-аналитик, эксперт по виду деятельности, руководитель бизнес направления)
3. Точное определение (без «и так понятно», с ссылкой на норму, словарь, где оно зафиксировано или внутренний протокол)
4. Формула расчёта (если применимо)
5. Источник данных (система, таблица)
6. Частота обновления
7. Ссылка на раздел стандарта (п. 3.2 - управление качеством данных)
Через несколько минут у вас будет первый контракт, легитимизированный не вашим авторитетом, а государственным стандартом.
#DataFirst_Инструменты@data_capital
10 февраля 2026 года вышел Приказ Минтруда РФ №61н - профессиональный стандарт «Специалист по управлению данными и информационными объектами».
Для многих это «ещё один просто нормативный документ». Но для тех, кто ежедневно сталкивается с вопросом «а кто вообще отвечает за этот термин?» - это «правовая легитимизация профессии».
Стандарт чётко вводит и разделяет роли:
- «Владелец данных» - бизнес-специалист, который определяет смысл термина (например, «активный клиент»)
- «Хранитель данных» - ИТ-специалист, который обеспечивает техническую доступность
- «Архитектор данных» - проектирует семантическое ядро и его взаимосвязи.
Это не бюрократия. Это ответ на вопрос, который постоянно задают руководители: «Почему я должен выделять ресурсы на управление данными? У нас же специалисты ИТ все системы поставили и настроили и в них разве что то не так с данным?» Теперь ответ простой: «это требование государственного стандарта профессии», тк разработчики ИТ систем, программисты по своей компетенции и квалификации за данные, которые формируются и обрабатываются на регулярной основе в системах, не отвечают.
Но есть разрыв между «бумажными» ролями и практикой. Профессиональный стандарт описывает «кто» и «что» делать, но не «как обеспечить выполнение». Владелец данных формально назначен - но контракт не подписан, споры продолжаются, решения принимаются на основе «двух или более версий правды».
Решение - не ждать идеального соответствия стандарту. Начать с одного контракта для одного термина. Это микрошаг, который легитимизирует подход уже сегодня.
Для руководителя: Стандарт даёт вам рычаг и структуру: «Мы не изобретаем велосипед. Мы следуем государственному стандарту профессии». Это снижает сопротивление при выделении ресурсов.
Для специалиста: сформируйте шаблон контракта данных. Заполните 7 полей для одного термина из вашего домена (клиенты, продукты, финансы):
1. Термин (например, «активный клиент»)
2. Владелец (должность из стандарта: бизнес-аналитик, эксперт по виду деятельности, руководитель бизнес направления)
3. Точное определение (без «и так понятно», с ссылкой на норму, словарь, где оно зафиксировано или внутренний протокол)
4. Формула расчёта (если применимо)
5. Источник данных (система, таблица)
6. Частота обновления
7. Ссылка на раздел стандарта (п. 3.2 - управление качеством данных)
Через несколько минут у вас будет первый контракт, легитимизированный не вашим авторитетом, а государственным стандартом.
#DataFirst_Инструменты@data_capital
👍2
AI Агенты не всегда делают ваши задачи, чаще они убивают ваш капитал данных.
На днях попала во внимание статья известного руководителя в области разработки систем по управлению данными. В ней рассказывается об AI агенте, который как стиральная машинка получает задачу с телефона. Пока ты гуляешь, он работает за твоим компьютером. Ты приходишь и получаешь результат. Удобно.
Но здесь ловушка.
Стиральная машинка не заменяет технологию стирки, она лишь автоматизирует её. А технология - это сортировка белья, выбор режима под тип ткани, предварительная обработка пятен. Нарушите технологию - испортите мембранную куртку универсальным порошком.
Автоматизация без правильной технологии кратно усугубляет ошибки.
Агенты работают не с задачами, они работают с вашим “капиталом данных”. Когда вы пишите «проанализируй продажи», вы отдаёте не задачу, а доверяете свой актив. И если в этом активе «активный клиент» определён по-разному в продажах и маркетинге, агент примет стратегическое решение на основе испорченных данных.
Анализ исследований «Круг Громова 2025» подтверждает: «68% ошибок в отчётности» возникают из-за отсутствия бизнес-контекста при валидации. Система проверяет формат даты, но не спрашивает: «Это дата заказа или отгрузки?»
Профессиональный стандарт «Специалист по управлению данными» (Приказ Минтруда №61н) даёт ответ: «владелец данных - бизнес-роль», а не ИТ.
Стандарт легитимизирует технологию стирки. Но не заменяет её.
Для руководителя: AI Агенты - это не технологии, а всего лишь инструмент для готового капитала данных. Без контрактов данных агенты станут ускорителями хаоса.
Для специалистов: сформируйте свой чек-лист «Готовность к агентам». Отметьте галочками для одного домена (клиенты, продукты):
1. Есть ли единое определение ключевого термина (например, «активный клиент»)?
2. Измеряете ли вы информационную энтропию справочника?
3. Валидируете ли результаты перед передачей в аналитику?
Через несколько минут вы сами увидите точку роста: где ваша компания готова к агентам, а где сначала нужно построить технологию стирки.
Не нужно в одной стирке смешивать черное с белым, шерсть с хлопком при температуре 90 градусов и ожидать качества постиранного…
#DataFirst_Инструменты@data_capital
На днях попала во внимание статья известного руководителя в области разработки систем по управлению данными. В ней рассказывается об AI агенте, который как стиральная машинка получает задачу с телефона. Пока ты гуляешь, он работает за твоим компьютером. Ты приходишь и получаешь результат. Удобно.
Но здесь ловушка.
Стиральная машинка не заменяет технологию стирки, она лишь автоматизирует её. А технология - это сортировка белья, выбор режима под тип ткани, предварительная обработка пятен. Нарушите технологию - испортите мембранную куртку универсальным порошком.
Автоматизация без правильной технологии кратно усугубляет ошибки.
Агенты работают не с задачами, они работают с вашим “капиталом данных”. Когда вы пишите «проанализируй продажи», вы отдаёте не задачу, а доверяете свой актив. И если в этом активе «активный клиент» определён по-разному в продажах и маркетинге, агент примет стратегическое решение на основе испорченных данных.
Анализ исследований «Круг Громова 2025» подтверждает: «68% ошибок в отчётности» возникают из-за отсутствия бизнес-контекста при валидации. Система проверяет формат даты, но не спрашивает: «Это дата заказа или отгрузки?»
Профессиональный стандарт «Специалист по управлению данными» (Приказ Минтруда №61н) даёт ответ: «владелец данных - бизнес-роль», а не ИТ.
Стандарт легитимизирует технологию стирки. Но не заменяет её.
Для руководителя: AI Агенты - это не технологии, а всего лишь инструмент для готового капитала данных. Без контрактов данных агенты станут ускорителями хаоса.
Для специалистов: сформируйте свой чек-лист «Готовность к агентам». Отметьте галочками для одного домена (клиенты, продукты):
1. Есть ли единое определение ключевого термина (например, «активный клиент»)?
2. Измеряете ли вы информационную энтропию справочника?
3. Валидируете ли результаты перед передачей в аналитику?
Через несколько минут вы сами увидите точку роста: где ваша компания готова к агентам, а где сначала нужно построить технологию стирки.
Не нужно в одной стирке смешивать черное с белым, шерсть с хлопком при температуре 90 градусов и ожидать качества постиранного…
#DataFirst_Инструменты@data_capital
👍4
❓Что производит ваша компания на самом деле❓
Доброго утра и хорошей рабочей недели!
На форуме недавно коллега задал простой вопрос аудитории:
«Что производят и потребляют как продукт все💯 компании - от леспромхоза до банка, от завода до ритейла❓»
Аудитория замолчала. Предлагали варианты: «услуги», «товары», «ценность для клиента». Но никто не назвал то, что объединяет всех без исключения.
‼️Данные‼️
Каждая компания, независимо от отрасли, каждый день:
- Производит данные - о клиентах, операциях, оборудовании, финансах
- Потребляет данные - для принятия решений, планирования, контроля
Это факт. Завод без данных о температуре в печи остановится. Банк без данных о платежеспособности обанкротится. Ритейл без данных о спросе останется с товарами на складе.
Но здесь возникает парадокс, который мы все чувствуем, но редко называем.
В кризис мы управляем финансами, но не данными.
Когда наступает кризис - внешний или личный - мы мгновенно включаем особый режим управления финансами:
- Считаем каждую копейку
- Оптимизируем расходы
- Ищем новые источники дохода
- Ставим жёсткие лимиты
И это правильно. Финансы - жизненно важный ресурс.
Но данные? Данные в этот перечень почти никогда не попадают. Хотя сегодня они часто ценнее денег.
Потеря 10 млн рублей - это больно, но восполнимо.
Потеря достоверной информации о тренде спроса на 2 недели - это может стать катастрофой для бизнеса. Она мгновенно превращает те же 10 млн в безвозвратные потери: неправильные закупки, упущенные возможности, ошибочные инвестиции.
Мы все знаем фразу: «Кто владеет информацией, тот владеет миром».
Информация = данные.
Все с этим согласны.
Но почему тогда данные не управляются как актив? Почему нет бюджета на их качество? Почему нет владельца, который отвечает за их состояние так же, как финансовый директор отвечает за деньги?
Это не вопрос технологий, а вопрос привычек.
Что с нами не так?
Ничего! Просто мы выросли в эпоху потребления и денежного капитала. Для нас естественно:
- Считать деньги
- Инвестировать в оборудование
- Оценивать стоимость зданий.
Но мы не выросли в эпоху капитала данных.
Для нас непривычно:
- Считать стоимость данных.
- Инвестировать в их качество.
- Оценивать их влияние на решения.
Это не глупость, это и есть наш культурный разрыв. Как в 1990-е годы многим было непривычно думать о бренде как об активе. Сегодня наличие бренда - стандарт. Завтра данные станут таким же стандартом.
Переход в новое состояние требует не революции. Необходимо сделать первый микрошаг.
Про создание новых привычек - в новых публикациях на канале.
#DataFirst_Инструменты@data_capital
Доброго утра и хорошей рабочей недели!
На форуме недавно коллега задал простой вопрос аудитории:
«Что производят и потребляют как продукт все💯 компании - от леспромхоза до банка, от завода до ритейла❓»
Аудитория замолчала. Предлагали варианты: «услуги», «товары», «ценность для клиента». Но никто не назвал то, что объединяет всех без исключения.
‼️Данные‼️
Каждая компания, независимо от отрасли, каждый день:
- Производит данные - о клиентах, операциях, оборудовании, финансах
- Потребляет данные - для принятия решений, планирования, контроля
Это факт. Завод без данных о температуре в печи остановится. Банк без данных о платежеспособности обанкротится. Ритейл без данных о спросе останется с товарами на складе.
Но здесь возникает парадокс, который мы все чувствуем, но редко называем.
В кризис мы управляем финансами, но не данными.
Когда наступает кризис - внешний или личный - мы мгновенно включаем особый режим управления финансами:
- Считаем каждую копейку
- Оптимизируем расходы
- Ищем новые источники дохода
- Ставим жёсткие лимиты
И это правильно. Финансы - жизненно важный ресурс.
Но данные? Данные в этот перечень почти никогда не попадают. Хотя сегодня они часто ценнее денег.
Потеря 10 млн рублей - это больно, но восполнимо.
Потеря достоверной информации о тренде спроса на 2 недели - это может стать катастрофой для бизнеса. Она мгновенно превращает те же 10 млн в безвозвратные потери: неправильные закупки, упущенные возможности, ошибочные инвестиции.
Мы все знаем фразу: «Кто владеет информацией, тот владеет миром».
Информация = данные.
Все с этим согласны.
Но почему тогда данные не управляются как актив? Почему нет бюджета на их качество? Почему нет владельца, который отвечает за их состояние так же, как финансовый директор отвечает за деньги?
Это не вопрос технологий, а вопрос привычек.
Что с нами не так?
Ничего! Просто мы выросли в эпоху потребления и денежного капитала. Для нас естественно:
- Считать деньги
- Инвестировать в оборудование
- Оценивать стоимость зданий.
Но мы не выросли в эпоху капитала данных.
Для нас непривычно:
- Считать стоимость данных.
- Инвестировать в их качество.
- Оценивать их влияние на решения.
Это не глупость, это и есть наш культурный разрыв. Как в 1990-е годы многим было непривычно думать о бренде как об активе. Сегодня наличие бренда - стандарт. Завтра данные станут таким же стандартом.
Переход в новое состояние требует не революции. Необходимо сделать первый микрошаг.
Про создание новых привычек - в новых публикациях на канале.
#DataFirst_Инструменты@data_capital
🤔2👍1
Вопрос, который экономит неделю
Часто встречаю такие объявления: «Научим аналитика выгружать через SQL, строить модели в Excel, пользоваться нейросетями». Люди десятки часов на это тратят и тысячи рублей за такие курсы. Технический стек как путь к карьере.
Вижу такое и вспоминаю историю из практики. Аналитик получил задачу: «Покажи, почему упали продажи». Три дня - выгрузки, сводные таблицы, красивый дашборд. Руководитель посмотрел и спросил: «А что делать?» Ответа не было. Потому что первичный вопрос был задан не тот.
Проблема не в инструментах. Проблема в том, что мы начинаем с «как» (как достать данные), минуя «зачем» (зачем они нужны). Как если бы плотник схватил молоток, не спросив: что строим - скворечник или мост?
Правильный вопрос меняет качество результата:
- Вместо «какие данные нужны» - «какое решение мы ищем?»
- Вместо «покажи метрики» - «что изменится, когда мы это увидим?»
- Вместо «сделай отчёт» - «на какой вопрос должен ответить этот отчёт?»
И если в диалоге человека с человеком есть еще шанс понять и услышать подтекст вопроса и ответа, то при работе с современными технологиями AI работает математический и логический алгоритм. Техника и технологии - это руки. Вопрос в диалоге и управлении ей - это голова. Без головы руки делают красивую, но бесполезную работу.
Самый короткий путь к решению - не бежать за данными, а остановиться и спросить: «Если бы я уже знал ответ, что бы я с ним сделал?»
Этот вопрос экономит неделю. Иногда - карьеру.
#DataFirst_Инструменты@data_capital
Часто встречаю такие объявления: «Научим аналитика выгружать через SQL, строить модели в Excel, пользоваться нейросетями». Люди десятки часов на это тратят и тысячи рублей за такие курсы. Технический стек как путь к карьере.
Вижу такое и вспоминаю историю из практики. Аналитик получил задачу: «Покажи, почему упали продажи». Три дня - выгрузки, сводные таблицы, красивый дашборд. Руководитель посмотрел и спросил: «А что делать?» Ответа не было. Потому что первичный вопрос был задан не тот.
Проблема не в инструментах. Проблема в том, что мы начинаем с «как» (как достать данные), минуя «зачем» (зачем они нужны). Как если бы плотник схватил молоток, не спросив: что строим - скворечник или мост?
Правильный вопрос меняет качество результата:
- Вместо «какие данные нужны» - «какое решение мы ищем?»
- Вместо «покажи метрики» - «что изменится, когда мы это увидим?»
- Вместо «сделай отчёт» - «на какой вопрос должен ответить этот отчёт?»
И если в диалоге человека с человеком есть еще шанс понять и услышать подтекст вопроса и ответа, то при работе с современными технологиями AI работает математический и логический алгоритм. Техника и технологии - это руки. Вопрос в диалоге и управлении ей - это голова. Без головы руки делают красивую, но бесполезную работу.
Самый короткий путь к решению - не бежать за данными, а остановиться и спросить: «Если бы я уже знал ответ, что бы я с ним сделал?»
Этот вопрос экономит неделю. Иногда - карьеру.
#DataFirst_Инструменты@data_capital
👍5
Почему ИИ на Русском отстают на 30%. Секрет не в алгоритмах, а в используемом языке
Анализирую российские отчёты о качестве работ AI решений: русскоязычные модели проигрывают английским и китайским на 25-30% в технических задачах. Большинство разработчиков и пользователей объясняют это «меньшими инвестициями» или «сложностью русского языка».
Считаю, что исследования не выявляют истиных причин, а они другие. И ключевая состоит не в архитектуре нейросетей и решений.
Разбираемся детальнее. Международные стандарты и корпоративные документы международных компаний пишутся на упрощённом техническом английском - контролируемом языке с ± 875 активно применяемыми словами, строгой грамматикой, запретом пассивных конструкций.
Китайские стандарты - на контролированном китайском с фиксированным набором иероглифов.
Современные Российские ГОСТы, в отличии от ГОСТов СССР - на обычном русском языке с вариативной терминологией, свободным порядком слов и богатой морфологией!
Детальный анализ исследований показывает, что когда модель учится на стандартизированном языке, она видит чёткие связи: термин → определение → применение. Когда учится на вариативном - видит шум: один и тот же термин в разных документах означает разное, предложения строятся по-разному, синонимы создают неоднозначность.
Для специалистов, кто работает с данными, важно понять, что проблема не в том, что русский язык «сложный». Проблема в том, что у нас НЕТ контролируемого технического языка для стандартов и нормативной документации. И при переходе на новые технологии и форматы работы, этот факт может оказаться критичным для всей исторической накопленной документации, чтоб ее трансформировать в новое качественное состояние для современных технологий ИИ.
Английский и китайский сейчас выигрывают в ML моделях не потому, что эти языки «лучше» или исходные наборы данных в документах, которые загружаются более полноценные и объемные. Они сейчас выигрывают потому, что стандартизировали язык технической документации за много лет работы, и этим они создали идеальные условия для обучения ИИ.
Русский язык мог бы быть не хуже для ML моделей и AI. Но для этого нужно:
• Разработать стандарт упрощённого технического русского
• Создать единый глоссарий терминов для применения в ИИ
• Построить качественно размеченный корпус технических документов
Это все не лингвистическая задача. Это инженерная задача управления данными - создание семантически однозначного пространства для обучения моделей.
Драфт аналитического отчета прилагается для изучения и обсуждения сообществом.
#Аналитика@data_capital
Анализирую российские отчёты о качестве работ AI решений: русскоязычные модели проигрывают английским и китайским на 25-30% в технических задачах. Большинство разработчиков и пользователей объясняют это «меньшими инвестициями» или «сложностью русского языка».
Считаю, что исследования не выявляют истиных причин, а они другие. И ключевая состоит не в архитектуре нейросетей и решений.
Разбираемся детальнее. Международные стандарты и корпоративные документы международных компаний пишутся на упрощённом техническом английском - контролируемом языке с ± 875 активно применяемыми словами, строгой грамматикой, запретом пассивных конструкций.
Китайские стандарты - на контролированном китайском с фиксированным набором иероглифов.
Современные Российские ГОСТы, в отличии от ГОСТов СССР - на обычном русском языке с вариативной терминологией, свободным порядком слов и богатой морфологией!
Детальный анализ исследований показывает, что когда модель учится на стандартизированном языке, она видит чёткие связи: термин → определение → применение. Когда учится на вариативном - видит шум: один и тот же термин в разных документах означает разное, предложения строятся по-разному, синонимы создают неоднозначность.
Для специалистов, кто работает с данными, важно понять, что проблема не в том, что русский язык «сложный». Проблема в том, что у нас НЕТ контролируемого технического языка для стандартов и нормативной документации. И при переходе на новые технологии и форматы работы, этот факт может оказаться критичным для всей исторической накопленной документации, чтоб ее трансформировать в новое качественное состояние для современных технологий ИИ.
Английский и китайский сейчас выигрывают в ML моделях не потому, что эти языки «лучше» или исходные наборы данных в документах, которые загружаются более полноценные и объемные. Они сейчас выигрывают потому, что стандартизировали язык технической документации за много лет работы, и этим они создали идеальные условия для обучения ИИ.
Русский язык мог бы быть не хуже для ML моделей и AI. Но для этого нужно:
• Разработать стандарт упрощённого технического русского
• Создать единый глоссарий терминов для применения в ИИ
• Построить качественно размеченный корпус технических документов
Это все не лингвистическая задача. Это инженерная задача управления данными - создание семантически однозначного пространства для обучения моделей.
Драфт аналитического отчета прилагается для изучения и обсуждения сообществом.
#Аналитика@data_capital
👍3
Замок на картонной коробке! Квантовая криптография не спасет ваши данные.
Проанализировал более 76 источников - от ГОСТ Р ИСО/МЭК 27001-2021 и доктрины информационной безопасности РФ до решений квантовых сетей РЖД (7 000+ км линий), китайских спутников Micius, ID Quantique и постквантовых стандартов NIST.
Объективно картина получается тревожная: технологии безопасности строятся вокруг каналов передачи, оборудования, ИТ систем, игнорируя и не понимая саму сущность объекта защиты - сами данные.
• Квантовая криптография РЖД идеально защищает ключ.
• Китайские квантовые спутники обеспечивают неуязвимую передачу.
• Постквантовые алгоритмы NIST готовы к атакам будущего.
Но никто не спрашивает: что внутри защищаемого канала, какова его объективная ценность и качество?
Если данные содержат 40 и более % ошибок (уровень зрелости 1-2 по «Антихаос» или по ГОСТ), то защищаем мы цифровой хлам. И разработчикам новых технологий защиты это состояние объекта защиты вообще не интересно!!!
Объективно возникают ассоциации, что автопроизводители в гонке за безопасностью автомобиля забыли полностью понимание комфорта пассажира и его удобства в использовании этого автомобиля!!!
Мандатные метки - редкий мост между безопасностью и смыслом данных - внедрены менее чем в 7% российских компаний (Б1, 2025).
Давайте задумаемся над следующим фактом: "Россия тратит $6.2 млрд ежегодно на кибербезопасность (Форбс, 2025), но 68% инвестиций рассчитываются без оценки реальных угроз (ЦСР, 2025)." Оценки ценности защищаемого дата-актива в большинстве случаев нет вообще!
Причина проста: ИБ защищает «контейнер», Управление Данными отвечает за «содержимое» и его ценность. Эти миры сейчас не стыкуются, живут автономной жизнью.
Настоящая уязвимость не в канале, а в качестве. Защита мусора - это навесной замок на картонной коробке!
Без интеграции с дисциплиной управления данными (качество, семантика, владение) даже квантовая криптография не создаёт ценности - только иллюзию безопасности.
Безопасность начинается не с шифрования канала, а с ответа на вопрос: какие данные критичны для бизнеса, каково их качество и кто за них отвечает.
Интересна доказательная база на основе чего сделаны выводы в посте, пишите в комментариях!
#Аналитика@data_capital
Проанализировал более 76 источников - от ГОСТ Р ИСО/МЭК 27001-2021 и доктрины информационной безопасности РФ до решений квантовых сетей РЖД (7 000+ км линий), китайских спутников Micius, ID Quantique и постквантовых стандартов NIST.
Объективно картина получается тревожная: технологии безопасности строятся вокруг каналов передачи, оборудования, ИТ систем, игнорируя и не понимая саму сущность объекта защиты - сами данные.
• Квантовая криптография РЖД идеально защищает ключ.
• Китайские квантовые спутники обеспечивают неуязвимую передачу.
• Постквантовые алгоритмы NIST готовы к атакам будущего.
Но никто не спрашивает: что внутри защищаемого канала, какова его объективная ценность и качество?
Если данные содержат 40 и более % ошибок (уровень зрелости 1-2 по «Антихаос» или по ГОСТ), то защищаем мы цифровой хлам. И разработчикам новых технологий защиты это состояние объекта защиты вообще не интересно!!!
Объективно возникают ассоциации, что автопроизводители в гонке за безопасностью автомобиля забыли полностью понимание комфорта пассажира и его удобства в использовании этого автомобиля!!!
Мандатные метки - редкий мост между безопасностью и смыслом данных - внедрены менее чем в 7% российских компаний (Б1, 2025).
Давайте задумаемся над следующим фактом: "Россия тратит $6.2 млрд ежегодно на кибербезопасность (Форбс, 2025), но 68% инвестиций рассчитываются без оценки реальных угроз (ЦСР, 2025)." Оценки ценности защищаемого дата-актива в большинстве случаев нет вообще!
Причина проста: ИБ защищает «контейнер», Управление Данными отвечает за «содержимое» и его ценность. Эти миры сейчас не стыкуются, живут автономной жизнью.
Настоящая уязвимость не в канале, а в качестве. Защита мусора - это навесной замок на картонной коробке!
Без интеграции с дисциплиной управления данными (качество, семантика, владение) даже квантовая криптография не создаёт ценности - только иллюзию безопасности.
Безопасность начинается не с шифрования канала, а с ответа на вопрос: какие данные критичны для бизнеса, каково их качество и кто за них отвечает.
Интересна доказательная база на основе чего сделаны выводы в посте, пишите в комментариях!
#Аналитика@data_capital
👍3❤2
ИИ не читает мысли. Он читает ваш семантический хаос.
Про иллюзии современного развития!
Программисты ждут от ии чуда, дать расплывчатое тз - получить идеальный код.
Современные AI агенты не волшебники и никогда ими не станут! Они отражают и преобразуют только то, что им дают. Если на входе - неоднозначная спецификация с пробелами в логике, на выходе будет не решение, а усиленный хаос.
Две свежие статьи на Хабре
https://habr.com/ru/companies/ruvds/articles/1014642/?spm=a2ty_o01.29997173.0.0.16325171cmqZsT
https://habr.com/ru/companies/ruvds/articles/1015278/?spm=a2ty_o01.29997173.0.0.16325171cmqZsT
вскрывают болезненную правду: даже опытные разработчики путают «написать код» и «определить, что именно должно работать».
Пытаются формализовать требования без семантического ядра - и получают бесконечные итерации исправлений. ИИ здесь не спасает: он лишь ускоряет путь от одной неопределённости к другой.
Проблема начинается задолго до первой строчки кода. Она в отсутствии в структуре знаний программистов базовой дисциплины и культуры управления данными:
- нет единого определения терминов («активный клиент» у маркетинга ≠ у продаж),
- нет контрактов данных между системами,
- нет контроля качества на этапе проектирования.
ИИ работает как усилитель. Чистый вход = чистый выход. Грязный вход = умноженная ошибка.
Никакие компиляторы и тесты не спасут, если сама спецификация - набор допущений и «ну вы же понимаете».
Настоящая зрелость начинается не с выбора фреймворка, а с ответа на вопрос: «Какие данные критичны для решения, каково их качество и кто за них отвечает?»
Без семантической дисциплины ИИ превращается в дорогой инструмент для ускоренной автоматизации ошибок.
Какой самый частый источник ошибок в ваших проектах: баги в коде или неопределённость в требованиях?
#Аналитика@data_capital
Про иллюзии современного развития!
Программисты ждут от ии чуда, дать расплывчатое тз - получить идеальный код.
Современные AI агенты не волшебники и никогда ими не станут! Они отражают и преобразуют только то, что им дают. Если на входе - неоднозначная спецификация с пробелами в логике, на выходе будет не решение, а усиленный хаос.
Две свежие статьи на Хабре
https://habr.com/ru/companies/ruvds/articles/1014642/?spm=a2ty_o01.29997173.0.0.16325171cmqZsT
https://habr.com/ru/companies/ruvds/articles/1015278/?spm=a2ty_o01.29997173.0.0.16325171cmqZsT
вскрывают болезненную правду: даже опытные разработчики путают «написать код» и «определить, что именно должно работать».
Пытаются формализовать требования без семантического ядра - и получают бесконечные итерации исправлений. ИИ здесь не спасает: он лишь ускоряет путь от одной неопределённости к другой.
Проблема начинается задолго до первой строчки кода. Она в отсутствии в структуре знаний программистов базовой дисциплины и культуры управления данными:
- нет единого определения терминов («активный клиент» у маркетинга ≠ у продаж),
- нет контрактов данных между системами,
- нет контроля качества на этапе проектирования.
ИИ работает как усилитель. Чистый вход = чистый выход. Грязный вход = умноженная ошибка.
Никакие компиляторы и тесты не спасут, если сама спецификация - набор допущений и «ну вы же понимаете».
Настоящая зрелость начинается не с выбора фреймворка, а с ответа на вопрос: «Какие данные критичны для решения, каково их качество и кто за них отвечает?»
Без семантической дисциплины ИИ превращается в дорогой инструмент для ускоренной автоматизации ошибок.
Какой самый частый источник ошибок в ваших проектах: баги в коде или неопределённость в требованиях?
#Аналитика@data_capital
Хабр
Достаточно подробная спецификация — это код
Эта статья, по сути, родилась как развёрнутая версия фрагмента комикса, который вы видите выше. Честно говоря, я довольно долго не видела надобности в подобной статье. Если кто-то начинал говорить о...
👍3
Советская стандартизация + ИИ = десятки тысяч позиций без дублей.
Недавно от коллег после управляющего совета одной крупной Компании услышал неожиданную фразу от руководителя: «Это фактически восстановленная культура стандартизации, как в СССР. Тогда она была обязательной для всех отраслей. К сожалению, мы это потеряли. И как хорошо, что вернули, но уже с современными технологиями».
На самом деле речь шла о внедрении 1С:МДМ 3.1 с ИИ для управления номенклатурой материалов.
За несколько месяцев в компании было сделано:
- Сформирована внутренняя команда специалистов из разных подразделений, которые работают с номенклатурной
- Стандартизировано экспертами при активном участи команды более 10 групп и 90 подгруппы номенклатуры
- Сформировано несколько сотен стандартизированных шаблонов для унифицированного описания номенклатуры
- Зафиксированы стандартизированные термины для использования в описании номенклатуры
- Обработано более 20 000 позиций номенклатуры
- Зафиксировано сокращение времени поиска аналогов более чем на 70%
Секрет прост: ИИ здесь не «волшебник», а контролёр соблюдения правил.
Важно, сначала команда создала шаблоны описания материалов - чёткие структуры с обязательными полями, единицами измерения, и правилами наименований. Выстроила процессы взаимодействия. Только после этого подключили ИИ: он не придумывает, а проверяет - соответствует ли новая номенклатура стандарту. Не прошёл контроль - нужно доработать.
Необходимо принять, это решение не про технологии, оно про восстановление дисциплины: данные как актив требуют тех же правил, что и производственные процессы.
Советский опыт стандартизации был сильным именно системностью - не «как получится», а «по утверждённому шаблону». Современные инструменты лишь автоматизируют и ускоряют соблюдение и применение этих правил.
Руководство уже планирует масштабировать подход на контрагентов, оборудование, нормативы. Потому что методология работает: сначала культура и процессы, потом - технологии и ИТ системы как усилитель.
Настоящие современные решения не требуют чудес. Требуют возврата к базовым принципам управления и их адаптации под цифровую эпоху.
Недавно от коллег после управляющего совета одной крупной Компании услышал неожиданную фразу от руководителя: «Это фактически восстановленная культура стандартизации, как в СССР. Тогда она была обязательной для всех отраслей. К сожалению, мы это потеряли. И как хорошо, что вернули, но уже с современными технологиями».
На самом деле речь шла о внедрении 1С:МДМ 3.1 с ИИ для управления номенклатурой материалов.
За несколько месяцев в компании было сделано:
- Сформирована внутренняя команда специалистов из разных подразделений, которые работают с номенклатурной
- Стандартизировано экспертами при активном участи команды более 10 групп и 90 подгруппы номенклатуры
- Сформировано несколько сотен стандартизированных шаблонов для унифицированного описания номенклатуры
- Зафиксированы стандартизированные термины для использования в описании номенклатуры
- Обработано более 20 000 позиций номенклатуры
- Зафиксировано сокращение времени поиска аналогов более чем на 70%
Секрет прост: ИИ здесь не «волшебник», а контролёр соблюдения правил.
Важно, сначала команда создала шаблоны описания материалов - чёткие структуры с обязательными полями, единицами измерения, и правилами наименований. Выстроила процессы взаимодействия. Только после этого подключили ИИ: он не придумывает, а проверяет - соответствует ли новая номенклатура стандарту. Не прошёл контроль - нужно доработать.
Необходимо принять, это решение не про технологии, оно про восстановление дисциплины: данные как актив требуют тех же правил, что и производственные процессы.
Советский опыт стандартизации был сильным именно системностью - не «как получится», а «по утверждённому шаблону». Современные инструменты лишь автоматизируют и ускоряют соблюдение и применение этих правил.
Руководство уже планирует масштабировать подход на контрагентов, оборудование, нормативы. Потому что методология работает: сначала культура и процессы, потом - технологии и ИТ системы как усилитель.
Настоящие современные решения не требуют чудес. Требуют возврата к базовым принципам управления и их адаптации под цифровую эпоху.
👍5
НИОКР в ИТ системах и ИИ - это миф?! Пока вы не геолог...
Внедрение 1С:МДМ с ИИ для управления номенклатурой или другого полезного AI агента в компании, объективно зачастую разработка новых методов работы с данными, создание алгоритмов санации и контроля качества. По сути, это НИОКР, хотя и не реализуется по стандартам НИОКР.
Но в РФ такие затраты на ИТ инновации не признаются научными. 🤷♂️ Исключение - геология и еще несколько прикладных инженерных областей: там ИТ для анализа сейсмики и проб считаются НИОКР, а для управления деятельностью в компании или справочниками материалов - нет.
По данным Счетной палаты (2025), план по расходам на НИОКР — 2,5% ВВП. Факт — 1,8%. Отклонение -28%. Причина частично в узком толковании: разработка ПО для внутреннего использования не считается научной деятельностью, даже если создаётся уникальная методология (как в случае с контрактами данных или семантическими мостами).
В США и ЕС ситуация иная. Согласно отчёту WEF (2025), внедрение инновационных информационных систем управления и особенно управления данными признаётся квалифицированным НИОКР и даёт налоговые льготы до 20%.
В Германии даже адаптация международных стандартов под локальные условия считается опытно-конструкторской работой.
Последствия для РФ предсказуемы:
- Компании не капитализируют затраты на управление данными
- Инвестиции уходят в «железо», а не в методологию
- Системные решения по модернизации управления и процессов, воспринимаются как «настройка системы», а не создание нового актива
Данные - это не ИТ-расходы, на обслуживание оборудования или поддержку функционирования софта. Это инвестиции в нематериальные активы. Но пока законодательство не признает разработку методов работы с данными научной деятельностью, компании будут тратить миллионы на лицензии и инфраструктуру, которые быстро амортизируются и экономить на методологии, алгоритмах, аналитике и качестве данных.
Без изменения подхода к НИОКР в сфере данных мы получим много коробочных решений и мало реальных, управляемых активов от ИТ.
Какие методы работы с данными ваша компания разработала самостоятельно - но не смогла учесть как НИОКР?
Внедрение 1С:МДМ с ИИ для управления номенклатурой или другого полезного AI агента в компании, объективно зачастую разработка новых методов работы с данными, создание алгоритмов санации и контроля качества. По сути, это НИОКР, хотя и не реализуется по стандартам НИОКР.
Но в РФ такие затраты на ИТ инновации не признаются научными. 🤷♂️ Исключение - геология и еще несколько прикладных инженерных областей: там ИТ для анализа сейсмики и проб считаются НИОКР, а для управления деятельностью в компании или справочниками материалов - нет.
По данным Счетной палаты (2025), план по расходам на НИОКР — 2,5% ВВП. Факт — 1,8%. Отклонение -28%. Причина частично в узком толковании: разработка ПО для внутреннего использования не считается научной деятельностью, даже если создаётся уникальная методология (как в случае с контрактами данных или семантическими мостами).
В США и ЕС ситуация иная. Согласно отчёту WEF (2025), внедрение инновационных информационных систем управления и особенно управления данными признаётся квалифицированным НИОКР и даёт налоговые льготы до 20%.
В Германии даже адаптация международных стандартов под локальные условия считается опытно-конструкторской работой.
Последствия для РФ предсказуемы:
- Компании не капитализируют затраты на управление данными
- Инвестиции уходят в «железо», а не в методологию
- Системные решения по модернизации управления и процессов, воспринимаются как «настройка системы», а не создание нового актива
Данные - это не ИТ-расходы, на обслуживание оборудования или поддержку функционирования софта. Это инвестиции в нематериальные активы. Но пока законодательство не признает разработку методов работы с данными научной деятельностью, компании будут тратить миллионы на лицензии и инфраструктуру, которые быстро амортизируются и экономить на методологии, алгоритмах, аналитике и качестве данных.
Без изменения подхода к НИОКР в сфере данных мы получим много коробочных решений и мало реальных, управляемых активов от ИТ.
Какие методы работы с данными ваша компания разработала самостоятельно - но не смогла учесть как НИОКР?
👍4