Российский рынок бизнес-аналитики продолжает смещаться в сторону интеграции искусственного интеллекта для обработки и анализа данных. Согласно исследованию компании «Навикон», такой функционал в 2026 году будут поддерживать 80% ключевых отечественных BI-решений (от англ. business intelligence — бизнес-аналитика). Разбираемся, какие возможности формируются на стыке BI и ИИ, как внедряются такие платформы в России и как они влияют на эффективность управления.

Содержание:

• Аналитика нового поколения
• Картина внедрения умных BI-систем в России и мире
• Кейсы внедрения бизнес-аналитики с применением ИИ
• Умная BI-система на практике: что учесть при внедрении
• Главное по тексту

Аналитика нового поколения

Консалтинговая компания Gartner ещё в 2017 году ввела понятие «расширенная аналитика» (advanced/augmented analytics). Оно объединяет технологии машинного обучения, искусственный интеллект и обработку данных, чтобы автоматизировать часть аналитических задач и помогать принимать управленческие решения. Сегодня этот подход становится частью стандартного BI-инструментария: по прогнозу Gartner, к 2027 году до 75% аналитического контента будет формироваться с использованием ИИ. Российские эксперты считают, что через 3–5 лет бизнес-аналитика без искусственного интеллекта будет восприниматься как устаревшее решение.

Изменения касаются не только способов визуализации данных. Современные BI-системы переходят от ретроспективных отчётов к работе с данными в реальном времени: автоматически находят аномалии и закономерности, генерируют комментарии к графикам и таблицам, а также помогают объяснить причины изменений показателей. Следующий шаг — генеративная бизнес-аналитика (от англ. generative business intelligence, GenBI), которая объединяет классическую BI-систему и генеративный ИИ.

GenBI меняет привычный сценарий работы с данными. Вместо сложной настройки выборок или обращения к аналитикам пользователь может сформулировать вопрос на естественном языке и за секунды получить готовый результат. Встроенный ассистент уточняет задачу, обращается к витринам данных, формирует отчёт и строит диаграммы под конкретный запрос.

Возможности современных BI-систем

• Автогенерация комментариев к графикам. Система объясняет, что происходит в данных: какие показатели растут или снижаются и какие факторы могут на это влиять. Руководитель получает готовые выводы, а не набор графиков для самостоятельного анализа.
• Выявление ошибок и аномалий. Платформа контролирует качество данных, находит пропуски, дубликаты и резкие отклонения показателей. Это снижает риск принятия решений на основе некорректной информации.
• Встроенная бизнес-аналитика (Embedded BI). Ключевые показатели и выводы доступны прямо в рабочих системах и интерфейсах. Пользователю не приходится переключаться между приложениями, чтобы получить нужную информацию.
• Аналитика потоковых данных. Система обрабатывает события по мере их появления и показывает изменения показателей в реальном времени. Это помогает быстрее реагировать на отклонения и принимать решения без существенных задержек.
• BI-ассистенты. Пользователь взаимодействует с аналитикой на естественном языке, без необходимости знать структуру баз данных или писать сложные запросы. При необходимости ассистент уточняет задачу и интерпретирует результаты.

«Комплексность платформ энтерпрайз-уровня дошла до того, что в момент развёртывания BI-системы вы ведёте диалог с ИИ-агентом, который в автоматическом режиме подключает и настраивает модули для вас, исходя из бизнес-задач и целевой архитектуры, так как понимает её из диалога с пользователем», — говорит директор по стратегическим инициативам и партнёрствам компании «Норбит» Николай Савельев.

Картина внедрения умных BI-систем в России и мире

По данным исследовательской компании Fortune Business Insights, глобальный рынок BI-платформ демонстрирует устойчивый рост на уровне 8–10% в год. Отдельные сегменты (например, Analytics-as-a-Service — «аналитика как услуга») растут быстрее — до 20%.

Глобальный рынок систем бизнес-аналитики (BI), млрд долларов

Источник: Fortune Business Insights

Аналитику на базе ИИ в практической деятельности используют 43% организаций по всему миру, говорится в отчёте консалтинговой компании Dúnedain Research. В числе ключевых эффектов от внедрения BI-системы участники исследования называют улучшение качества принятия решений и повышение операционной эффективности.

Ожидаемые эффекты от внедрения ИИ в бизнес-аналитику

Источник: Dúnedain Research

На российском рынке рост сегмента бизнес-аналитики на протяжении последних лет составлял более 30% год к году (пишет IT Week). Причины столь высокого показателя — структурная перестройка рынка и активное импортозамещение. Внедрение BI-решений на основе ИИ подтвердили 29% российских компаний.

В каких направлениях российские компании использует бизнес-аналитику с ИИ

Источник: ВШБ НИУ ВШЭ

Николай Савельев рассказывает, что зарубежные BI-решения представляют целые экосистемы для работы с данными, начиная от инструментов DataLake («озеро данных») и заканчивая прогнозными моделями, ИИ-агентами и инструментами нормализации данных с использованием больших языковых моделей (Large language model, LLM). На российском рынке работа с хранилищами данных, сегментация доступа и продвинутая аналитика часто реализуются через связки продуктов, а не внутри единой системы. В перспективе ближайших пяти лет эксперт ожидает усиления позиций ключевых игроков: они будут формировать собственные экосистемы за счёт стратегических партнёрств с вендорами смежных классов бизнес-приложений, развивать бесшовные интеграции и наращивать бизнес-компетенции. Кроме этого, по мнению Савельева, будет увеличиваться число BI-систем на базе открытого исходного кода (open source).

Кейсы внедрения бизнес-аналитики с применением ИИ

Для большинства компаний внедрение интеллектуальных BI-систем начинается с конкретного сценария, где данные напрямую влияют на финансовый результат. Вот несколько примеров.

• Задача девелопера — повысить точность планирования продаж и выбора локаций: решения принимались при дефиците данных о структуре спроса и платёжеспособности аудитории. Компания внедрила аналитику с ИИ: система аккумулирует сведения о населении, кредитной нагрузке и рынке недвижимости, сегментирует покупателей и выявляет критерии выбора жилья. Параллельно автоматизировали отчётность и выстроили контроль качества данных. В результате устранён 15%-ный разрыв между плановыми и фактическими продажами.
• В нефтесервисном холдинге разрозненность данных в ИТ-системах ограничивала управляемость и делало аналитику неполной. Компания запустила разработку цифрового двойника бизнеса: описала бизнес-процессы и целевую архитектуру, выстроила единый контур данных и метрик, интегрировала BI-платформу и искусственный интеллект для сквозного управления процессами. Совокупный экономический эффект цифровой трансформации превысил 200 млн рублей.
• Производитель строительных материалов объединил данные из нескольких систем в едином контуре и дополнил их системой аналитикой с ИИ для прогнозирования спроса и оптимизации логистики. Это позволило перейти от реактивного управления к проактивному: клиенты получили доступ к данным в реальном времени, а менеджмент — инструменты для принятия решений на основе точных прогнозов. В результате выручка выросла на 25%, снизилась операционная нагрузка на персонал, а аналитика стала частью повседневного управления продажами и сервисом.

Николай Савельёв подчёркивает: сами по себе функции новых систем не являются триггером, который превращает их в интеллектуального партнёра. Главным остаётся бизнес-заказчик, который может сформулировать задачи, определить источники данных, понять уровень полноты имеющихся аналитик, оценить динамику цифр и корректность контрольных сумм. «Может ли это сделать ИИ-агент? Да, может. Но обучение агента происходит на заранее сформулированных правилах, данных и принципах для конкретного предприятия», — добавляет Савельёв.

Умная BI-система на практике: что учесть при внедрении

Партнёр технологической практики «ТеДо» Анастасия Кабаева рассказывает, что при внедрении BI-систем с элементами генеративного ИИ обязательно нужно считать бизнес-показатели:

• время от запроса до готового ответа или отчёта;
• снижение нагрузки на аналитиков и рост доли запросов, которые бизнес закрывает самостоятельно;
• экономический эффект — сокращение затрат, ускорение подготовки решений или рост выручки в отдельных сценариях.

Отдельное внимание эксперт рекомендует уделять прозрачности логики ИИ. Модель не должна «достраивать» выводы поверх разрозненных или плохо согласованных данных. Основа должна быть общей и заранее определённой: единые метрики, справочники, понятные правила расчёта. Тогда пользователь видит не только результат, но и то, на каких данных он построен. «Здесь помогают ссылки на источники, пояснение методики, указание степени уверенности и ограничения на свободную генерацию там, где цена ошибки высока», — отмечает Кабаева. Она добавляет, что важно также распределить ответственность внутри компании: кто отвечает за модель, кто проверяет результат, а в каких случаях решение должно подтверждаться человеком.

Чтобы снизить этические и юридические риски, одной внутренней политики недостаточно. Нужны рабочие ограничения в самой системе и понятный контур контроля. Анастасия Кабаева выделяет здесь шесть базовых мер:

• перечень всех сценариев использования ИИ;
• разделение сценариев по уровню риска;
• чёткие правила доступа к данным;
• журналирование запросов и ответов;
• технические ограничения для чувствительных случаев;
• регулярную проверку качества модели.

Для BI-систем это особенно важно, потому что риск связан не только с утечкой данных, но и с ошибочным выводом, который может быть принят за основу управленческого решения, объясняет Анастасия Кабаева. В качестве ориентиров она называет международный стандарт по управлению системами ИИ, а также российские практики — общий кодекс этики в сфере ИИ, подходы Банка России и корпоративные регламенты крупных компаний. Смысл один: чем значимее решение, тем строже должны быть контроль, прозрачность и ответственность.

Наталья Тетюшева

Автор

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.