15 минут вместо 83 часов на разбор 2,5 тыс. полей. Такой результат мы получили на реальных данных промышленной компании в корпоративной инфраструктуре. Но автоматизация работы с метаданными только первый шаг. Основная задача гораздо шире: гармонизация корпоративной отчётности.
На конференции «Управление данными» Алексей Пятов, заместитель коммерческого директора «ДАР», и Роман Таранов, директор по стратегическим направлениям «ДАР», рассказали, почему эта задача становится особенно важной по мере распространения ИИ.
В крупных компаниях одни и те же управленческие показатели могут рассчитываться по-разному. Например, разные подразделения могут использовать разные правила расчёта прибыли. К официальной отчётности добавляется теневая: локальные Excel-файлы, SQL-запросы, собственные дашборды и другие «проверенные» источники отдельных команд и руководителей. В результате внутри компании одновременно существуют несколько версий одних и тех же данных.
С распространением ИИ эта проблема становится ещё острее. Если модель получает доступ к среде, где не согласованы показатели, правила их расчёта и источники, она не устраняет противоречия — она начинает работать поверх них. В итоге к существующим версиям «правды» может добавиться ещё одна, уже сформированная ИИ. Транскрипт выступления
Поэтому первый шаг на пути к гармонизированной отчётности – это корпоративный ИИ-стюард: управляемый ИИ-агент, который помогает восстановить и проверить метаданные. Он восстанавливает lineage и добирается до первичных источников, использует уже существующие описания там, где они есть, а языковую модель подключает только в тех случаях, когда информацию действительно необходимо восстановить. Результат передаётся человеку на проверку. Такой подход позволяет автоматизировать значительную часть рутинной работы, сохранив прозрачность и предсказуемость процесса каталогизации и описания данных компании.
ИИ-стюард необходимый, но только первый шаг к нашей цели. После него начинается сама гармонизация. Когда ИИ-агенты сопоставляют официальную и теневую отчётность, SQL-скрипты, BI-отчёты и Excel документы, находит расхождения в расчётах, связывает показатели с источниками данных и фиксирует единые правила расчёта показателей. Тогда у компании появляется единое понимание того, откуда берутся ключевые цифры и почему им можно доверять. А это уже меняет качество работы компании: меньше ручных сверок и споров, проще контролировать изменения и безопаснее принимать решения.
Вывод: ИИ здесь влияет не только на скорость решения, но и на экономику всей задачи. Вручную такую работу выполнить можно, но на масштабе крупной компании она быстро становится практически неподъёмной: тысячи полей, постоянно меняющиеся витрины, SQL-код и отчёты требуют всё больше времени дата-стюардов и аналитиков. ИИ позволяет обрабатывать тот же объём без пропорционального роста команды: в нашем кейсе разбор 2,5 тыс. полей занял 15 минут вместо расчётных 83 часов ручной работы. То, что раньше часто откладывалось как слишком трудоёмкая «гигиена данных», становится экономически оправданной и масштабируемой задачей.
Остались вопросы? Пишите на data@korusconsulting.ru
И подписывайтесь на наш телеграм-канал про аналитику и данные Analytics
Now
