--- md_version: 2 title: "Data governance: как навести порядок в данных, пока они не начали врать за вас" description: "Как начать data governance с определений, источников и владельцев данных, не превращая внешнюю среднюю оценку потерь в норматив компании." canonical: "https://tesstech.ru/blog/data-governance-kak-navesti-poryadok-v-dannykh-poka-oni-ne-nachali-vrat-za-vas/" markdown: "https://tesstech.ru/blog/data-governance-kak-navesti-poryadok-v-dannykh-poka-oni-ne-nachali-vrat-za-vas/index.md" published: "2026-07-20" modified: "2026-09-08" author: "Tess Technology" organization: "ООО ТЕСС ТЕХНОЛОДЖИ" language: "ru-RU" category: "Технологии и AI" direction: "technology-ai" tags: ["Искусственный интеллект","Аналитика","Big Data","Цифровая экономика"] image: "https://tesstech.ru/upload/iblock/b84/gzx6jw9jgmcm1n0hiqeyl6rxq2ra5jz3.PNG" original_source: "https://tesstech.ru/info/articles/biznes-sovety/data-governance-kak-navesti-poryadok-v-dannykh-poka-oni-ne-nachali-vrat-za-vas/" related_service: title: "Системная ИИ-трансформация" url: "https://tesstech.ru/services/ai-transformation/" related_articles: - title: "Компьютерное зрение в России: где оно уже приносит деньги, а где пока обещает" url: "https://tesstech.ru/blog/kompyuternoe-zrenie-v-rossii-gde-ono-uzhe-prinosit-dengi-a-gde-poka-obeshchaet/" markdown: "https://tesstech.ru/blog/kompyuternoe-zrenie-v-rossii-gde-ono-uzhe-prinosit-dengi-a-gde-poka-obeshchaet/index.md" - title: "MLOps: почему качество модели снижается после запуска и как это обнаружить" url: "https://tesstech.ru/blog/mlops-pochemu-model-lomaetsya-cherez-tri-mesyatsa-posle-zapuska/" markdown: "https://tesstech.ru/blog/mlops-pochemu-model-lomaetsya-cherez-tri-mesyatsa-posle-zapuska/index.md" - title: "Синтетические данные в B2B-аналитике: когда это оправдано и как работает" url: "https://tesstech.ru/blog/sinteticheskie-dannye-v-b2b-analitike-kogda-eto-opravdano-i-kak-rabotaet/" markdown: "https://tesstech.ru/blog/sinteticheskie-dannye-v-b2b-analitike-kogda-eto-opravdano-i-kak-rabotaet/index.md" sources: - "https://www.gartner.com/en/data-analytics/topics/data-quality" --- # Data governance: как навести порядок в данных, пока они не начали врать за вас Про управление данными обычно вспоминают, когда два отдела приносят разные цифры или решение оказывается основано на устаревшем отчете. Gartner пишет, что плохое качество данных обходится организациям в среднем как минимум в 12,9 млн долларов в год по данным исследования 2020 года. Это средняя оценка из конкретной исследовательской базы, а не норматив потерь для любой компании. Собственные потери нужно считать по переделкам, ошибочным решениям, задержкам и инцидентам в конкретном процессе. Data governance – это дисциплина, которая наводит в данных порядок раньше, чем беспорядок начинает влиять на решения. Разберём, с чего её реально начать компании, а не корпорации с отдельным департаментом. **Что это такое без наукообразия** Governance отвечает на несколько приземлённых вопросов. Кто владелец каждого важного набора данных, то есть с кого спрашивать, если цифра неверна. Где живёт «источник правды» по каждому показателю, чтобы не было пяти версий выручки в пяти отчётах. По каким правилам данные создаются, обновляются и удаляются. Кто имеет к ним доступ. Как видите, речь про ответственность и договорённости, а технологии приходят потом. Мы в Tess Technology сформулировали для клиентов короткое правило: тот, кто начинает наведение порядка с покупки платформы, получает дорогой инструмент поверх прежнего хаоса. **Почему это не только для больших** Есть расхожее мнение, что governance нужен банкам и корпорациям, а среднему бизнесу рано. На практике всё наоборот. Чем меньше компания, тем дороже ей обходится каждая ошибка в данных, потому что нет запаса прочности. Когда решения о ценах, закупках и найме принимают по паре таблиц, которые кто-то ведёт вручную, цена одной перепутанной колонки – это живые деньги. И governance для небольшой компании не означает толстых регламентов. Он означает несколько простых договорённостей, которые убирают самые дорогие источники ошибок. **История про клиентов, которые работали в ноль** Типичный случай. Компания планировала расширение и опиралась на отчёт о самых прибыльных клиентах. Отчёт собирал маркетинг из своей выгрузки, где «клиент» считался по одной логике. Финансы же считали прибыль иначе, с учётом возвратов и скидок. В итоге в топ прибыльных попали клиенты, которые на деле работали в ноль. Решение о том, на кого делать ставку, приняли по красивой, но неверной таблице, и заметили это только через два квартала. Ни один инструмент бы тут не помог. Проблема была в том, что не договорились о едином определении прибыльного клиента и о едином источнике. **С чего начать: минимальная версия** Первый шаг – не писать политику на сто страниц, а навести порядок в нескольких показателях, от которых зависят решения. Возьмите три-пять цифр, которыми компания реально пользуется: выручка, маржа, число активных клиентов, конверсия. По каждой договоритесь о трёх вещах. Единое определение: что именно считаем и как. Единый источник: откуда берём, чтобы не было расхождений. Владелец: кто отвечает за корректность. Уже это снимает большую часть споров про разные цифры. Следующим слоем идут доступы и простые проверки на явные аномалии вроде пропусков и дублей. **Кто этим занимается** Governance держится на распределении ответственности, а не на должностях. Ключевая фигура – владелец данных со стороны бизнеса. Он знает, что эти данные значат, и решает споры об их корректности. Ему помогает распорядитель, который следит за соблюдением правил на практике. В небольшой компании обе роли закрывает один человек, иногда сам руководитель направления. Технические специалисты обеспечивают инфраструктуру, но не решают, что правильно с точки зрения бизнеса. Правило одно: у каждого важного набора данных есть один явный хозяин. Данные без хозяина портятся так же неизбежно, как модель без сопровождения. **Сигналы, что откладывать больше нельзя** Есть несколько симптомов, по которым видно, что пора. Два отдела спорят на совещании, чья таблица правильная, вместо того чтобы обсуждать решение. Никто не может быстро сказать, откуда взялась конкретная цифра в отчёте и когда её обновляли. Данные об одном и том же живут в нескольких системах и не сходятся. Новый сотрудник неделями ищет, где лежат нужные данные и какой версии верить. По отдельности каждый симптом терпим. Вместе они означают, что компания уже регулярно принимает решения на почве, которой нельзя доверять. Порядок в данных – это не бюрократия ради бюрократии. Это условие, при котором управленческие решения принимаются по фактам, а не по чьей-то версии таблицы. И для среднего бизнеса это важнее, чем для корпорации, потому что права на ошибку у него меньше. **Куда развивать контур данных** После назначения владельцев можно переходить к архитектуре. Для данных со сложными связями полезен разбор [графовых баз Neo4j и TigerGraph](https://tesstech.ru/blog/grafovye-bazy-dannykh-dlya-biznes-analitiki-neo4j-i-tigergraph-kogda-i-zachem/), а для решений на основе ИИ — правила из материала об [этике бизнес-аналитики](https://tesstech.ru/blog/etika-ii-v-biznes-analitike-chto-nuzhno-uchest-pryamo-seychas/). Tess Technology проектирует [отраслевые базы данных](https://tesstech.ru/services/databases/) под конкретные аналитические процессы. **Источники:** - [Gartner: Data Quality — at least $12.9 million a year on average, research from 2020](https://www.gartner.com/en/data-analytics/topics/data-quality) ## Услуга по теме [Системная ИИ-трансформация](https://tesstech.ru/services/ai-transformation/) — Находим процессы, где ИИ дает измеримый результат, и сопровождаем пилот до внедрения. ## Материалы по теме - [Компьютерное зрение в России: где оно уже приносит деньги, а где пока обещает](https://tesstech.ru/blog/kompyuternoe-zrenie-v-rossii-gde-ono-uzhe-prinosit-dengi-a-gde-poka-obeshchaet/index.md) - [MLOps: почему качество модели снижается после запуска и как это обнаружить](https://tesstech.ru/blog/mlops-pochemu-model-lomaetsya-cherez-tri-mesyatsa-posle-zapuska/index.md) - [Синтетические данные в B2B-аналитике: когда это оправдано и как работает](https://tesstech.ru/blog/sinteticheskie-dannye-v-b2b-analitike-kogda-eto-opravdano-i-kak-rabotaet/index.md)