Карта влияния: почему Data Lineage стал must-have для бизнеса

Данные сегодня — это главный ресурс современной организации, такой же ресурс, как нефть и газ для добывающих компаний или электричество для производственных предприятий.

Чтобы этот ресурс приносил пользу и повышал эффективность и капитализацию организации, требуется внедрение надёжных процессов управления данными. Вопрос уже не в том, нужно ли бизнесу понимать происхождение информации, а в том, как быстро наладить эту прозрачность, чтобы не потерять доверие к отчётности и не погрязнуть в хаосе.

Ещё несколько лет назад Data Lineage (дословный перевод — «родословная данных») во многих компаниях воспринимали как приятный, но необязательный бонус: красиво, наглядно, полезно для аудита, но некритично.

Однако в 2025—2026 годах отношение быстро меняется. Данных становится всё больше. Растёт число систем, отчётов, витрин и, главное, команд, которые с ними работают. Когда в компании нет ясной картины того, как именно данные перемещаются и преобразуются внутри IT-ландшафта, эти команды начинают мешать друг другу: изменения одних незаметно ломают отчёты других, а разбираться в причинах приходится вслепую.

Сквозной Data Lineage потоков данных информационных систем 1С, СУБД Greenplum, Postgres и ClickHouse использующихся для построения аналитического дашборда

Параллельно растёт и организационная сложность.
В исследовании BPMSoft по компаниям из топ-500 РБК:

> 86% респондентов сообщили о серьёзных трудностях цифровизации.
71% — о кадровом дефиците.
52% — о «лоскутной» ИТ-инфраструктуре.

Иначе говоря, бизнес пытается цифровизироваться в условиях, где не хватает людей, бюджеты под давлением, а архитектура хранения данных часто похожа на шкаф, куда много лет складывали всё подряд и надеялись, что дверца закроется.

На этом фоне Data Lineage становится результативным способом ответить на три вопроса, от которых зависят и аналитика, и операционная устойчивость: откуда пришли данные, что с ними происходило по пути и на что повлияет любое изменение. Именно поэтому Банк России в рекомендациях по управлению метаданными прямо описывает «процессные метаданные» как сведения о потоках данных между ИТ-системами, расписаниях обработки и контроле использования данных, а «современные системы дата-управления» — как средства отслеживания и визуализации этих зависимостей через графы Data Lineage. Более того, регулятор отдельно связывает использование структурных и процессных метаданных с анализом инцидентов, проблем, качеством ИТ-услуг и оценкой влияния изменений.

Что такое Data Lineage в реальной жизни бизнеса

Lineage — это маршрут данных от источника до бизнес-отчёта. Не просто путь «таблица, А загрузилась в таблицу Б», а ответ на цепочку практических вопросов: из какой системы пришёл показатель, каким SQL-скриптом или процедурой он трансформировался, в какую витрину попал, в какой BI-отчёт ушёл, какой KPI на нём построен и кто им пользуется.

Именно в этом заключается его реальная ценность. Lineage связывает данные не только с инфраструктурой, но и с последствиями для бизнеса. Он позволяет увидеть не просто набор технических объектов, а цепочку влияния: от источника до дашборда, от изменения поля до ошибки в отчётности, от незаметной правки в пайплайне до искажения управленческой картины.

Без такой связности компания довольно быстро попадает в знакомый многим сценарий: один разработчик переименовал поле, второй перестроил витрину, третий не предупредил аналитиков, а бизнес-команда получает отчёт со странными цифрами и начинает искать виноватого. В этот момент уже не так важно, насколько современно выглядит платформа. Если никто не может быстро объяснить, где возникло отклонение и что именно изменилось, доверие к данным начинает разрушаться.

С самого начала было ясно: без Data Lineage не обойтись. Бизнесу важно понимать, откуда именно берутся данные в витринах, и это стало одной из ключевых задач при внедрении дата-каталога.

ПАВЕЛ МАРТЫНОВ,
руководитель службы развития аналитических решений компании «Комус».

Для части компаний это уже стартовое условие: если бизнес не понимает происхождение цифры, он просто не будет по-настоящему доверять отчётности.

Поэтому хороший Lineage — это карта воздействия, которая показывает, какие витрины, дашборды, процессы и команды затронет изменение объекта. В международной практике это называют impact analysis (анализ влияния изменений). Для бизнеса это означает более быстрое выяснение причин сбоев и меньше рискованных решений, для ИТ — снижение числа слепых изменений, для аналитики — более высокий уровень доверия к отчётности.

Визуализация влияния ошибки витрины данных на аналитический отчет

Почему Lineage нужен не только дата-инженерам

Как правило, в компании у большинства подразделений есть свой понятный рабочий ИТ-инструмент. Сотрудники финансовых подразделений совместно работают в системах класса «1С Предприятие», отделы продаж трудятся в системах CRM и BI, производственники — в системах класса ERP и MES. Сотрудники дата-офисов во многих организациях до сих пор живут в смеси из чатов, таблиц, SQL-скриптов, вики и памяти отдельных сотрудников. Неудивительно, что при отсутствии единого инструмента их совместная работа неэффективна. Сегодня каталог данных, бизнес-глоссарий и Lineage стали настольной системой и ежедневным инструментом для многих CDO крупнейших российских организаций, аналитиков и инженеров. Это единая рабочая точка, где видны активы, их владельцы, качество, связи и влияние на бизнесовые показатели.

Так, например, по словам Светланы Бова, CDO (Chief Data Officer), вице-президента, управляющего директора департамента ИТ-архитектуры банка ВТБ, для компании было важно получить российский продукт для ведения бизнес-глоссария, не уступающий в функциональности зарубежному решению и даже превосходящий его. Первым приоритетом были удобство и скорость поиска информации о данных для бизнес-пользователей, что упрощает адаптацию нового инструмента и повышает ценность практик управления данными.

Это хорошо совпадает и с тем, что происходит на рынке труда. По исследованию DevCrowd, основанному на опросе 450 дата-специалистов в 2025 году, задачи подготовки и поддержки качества данных объединяют все роли в направлении. То есть Data Scientist, аналитик, Data Engineer и ML-инженер занимаются разными задачами, но качество и пригодность данных необходимы для успеха их деятельности. А это значит, что Lineage стал элементом инфраструктуры доверия.

Ещё один важный сигнал состоит в том, что зрелость рынка управления данными в России всё ещё очень неравномерна.

По данным исследования The Data Adventurers Guild:

10−15% лидеров сегодня имеют настоящую культуру ответственности и социализации данных.
89% респондентов понимают дата-контракты упрощённо.
70% либо не знают роль дата-стюарда, либо путают её с владельцем данных.

Это и есть причина, по которой даже дорогие data-платформы нередко работают ниже своих возможностей: технология уже есть, а договорённостей, ролей и прозрачности ещё нет.

Lineage выполняет важнейшую функцию. Он не заменяет управленческую зрелость, но делает её возможной. Когда связи между источниками, трансформациями, витринами и отчётами зафиксированы, разговор о качестве данных и ответственности становится предметным, проверяемым и управляемым. При этом во многих компаниях вопрос быстро упирается в ответственность.

Где без Lineage начинается хаос

Отсутствие Lineage редко проявляется в виде одной крупной катастрофы. Чаще оно накапливается как фоновая неэффективность, которая постепенно начинает тормозить и аналитику, и бизнес. Есть несколько ярких сигналов, свидетельствующие об этом.

Первый признак: компания формально уже живёт в логике data-driven (управления на основе данных), но любой спор о цифрах по-прежнему заканчивается ручной сверкой выгрузок. Система бизнес-аналитики есть, витрины есть, хранилище есть, а доверия к показателям нет. Руководители получают цифры, но не уверены, что они действительно отражают реальность. В таких условиях данные перестают быть опорой для решений и превращаются в повод для бесконечных согласований.

Второй признак: инциденты обнаруживаются слишком поздно, уже в последствиях. Ошибка замечается не в момент деградации качества данных, а тогда, когда некорректный отчёт уходит руководству, скоринговая модель обучается на ошибочной выборке, а недостоверная витрина попадает в продуктивный контур. Чем позже компания видит проблему, тем дороже обходится её исправление — и в деньгах, и в репутации внутри бизнеса.

Третий признак: критические знания о данных сосредоточены в головах отдельных специалистов. Пока такие люди в команде, система выглядит устойчивой. Но стоит кому-то уйти в отпуск, уволиться или просто быть недоступным в момент инцидента, как выясняется, что половина зависимостей нигде не описана.

Так, регуляторные материалы Банка России хорошо подсвечивают признаки зрелости управления данными в компании: оно должно быть частью корпоративной культуры, проверки автоматизированы, мониторинг проводится регулярно, влияние качества данных на бизнес-процессы анализируется, а метаданные связаны с владельцами, местом нахождения в ИТ-системах, соглашениями обмена и рисками. То есть зрелое управление данными в 2026 году — это уже не просто описание таблиц, а связанная операционная модель.

Классификатор критических бизнес-процессов финансовой организации

Сейчас мы на этапе внедрения дата-платформы. Полноценного Data Lineage у нас пока нет, но есть планы по его созданию. При этом для нас важно выбрать не экзотическое, а стандартное решение — такое, по которому на рынке уже накоплена экспертиза, так как не хочет выстраивать процесс с нуля. Разработка ради самой разработки нам неинтересна.

ДМИТРИЙ ИСАКОВ,
архитектор платформы данных ГК «Просвещение».

Именно поэтому Lineage особенно важен в многопользовательской среде. Если с данными работает один специалист, он ещё может держать всё в голове или в Excel. Когда в ландшафте десятки и сотни участников, то отсутствие общего графа зависимостей превращает озеро данных в то самое болото.

Как строить Lineage так, чтобы он заработал, а не завис на полпути

Частая ошибка внедрения состоит в попытке описать сразу все процессы в компании. Этот подход выглядит амбициозно, но заканчивается обычно одинаково: команда тонет в масштабе, бизнес не видит результата, проект начинает восприниматься как бесконечная инвентаризация. Начинать стоит с наиболее понятных и критичных для бизнеса потоков данных, а ещё лучше — с одного домена данных, где эффект можно быстро показать на реальной аналитике и реальных инцидентах.

Главное — понять, какие технологии уже используются в компании, и, возможно, заранее задуматься о пересмотре некоторых из них. Мы, например, столкнулись с ситуацией, которая продемонстрировала, что некоторые решения, удобные для разработки, оказываются крайне неудобными для построения Data Lineage.

ПАВЕЛ МАРТЫНОВ,
руководитель службы развития аналитических решений компании «Комус».

На практике зрелый контур управления данными строится в три логических этапа, и именно здесь проявляются ключевые преимущества Arenadata Catalog.

Шаг № 1.
Инвентаризация и описание объектов. Каталог автоматически собирает метаданные из множества источников с помощью коробочных коннекторов, каталогизируя таблицы, витрины, отчёты, пайплайны, фиксируя их структуру, владельцев и частоту обновления. Чтобы кратно ускорить рутинную документацию, в ADC встроен AI Data Steward. Он на основе генеративного ИИ за несколько минут формирует смысловые описания сотен объектов, снимая с экспертов гору механической работы. При этом финальная верификация остаётся за человеком, но начальный вариант уже есть, и это значительно быстрее, чем стартовать с нуля.

Пример описания структуры объекта хранения данных таблицы CRM

Шаг № 2.
Построение Data Lineage. Arenadata Catalog автоматически парсит SQL, ETL‑логику, процедуры, оркестрацию, файлы source‑to‑target и метаданные BI‑систем в едином интерфейсе, выстраивая реальный граф связей. Продукт изначально спроектирован для российского ИТ‑ландшафта: он понимает специфику отечественного рынка решений СУБД, BI и интеграционных шин, корректно работает в закрытом контуре и соответствует рекомендациям Банка России по управлению процессными метаданными. В результате вы получаете не «чёрный ящик», а прозрачный маршрут данных, готовый к анализу.

Автоматически построенный граф Data Lineage с колоночной трассировкой связей и парсингом SQL

Шаг № 3.
Качество и инциденты. На том же фундаменте к критичным объектам добавляются правила проверки качества, а при нарушениях автоматически запускаются настроенный сценарии уведомлений и инцидент‑менеджмент. Главная ценность ADC в том, что всё это работает в бесшовной связке: Lineage не просто показывает путь данных, а сразу подсвечивает деградацию качества по всей цепочке и передаёт инцидент ответственному. Это срезает часы ручного расследования и превращает хаос разнородных инструментов в единую, управляемую среду.

Отображение результатов проверки качества данных таблицы CRM

Работающий Lineage заметен по изменению поведения компании

Во-первых, сокращается время поиска первопричины ошибки. Когда ломается отчёт или проседает качество данных, команда не начинает расследование с вопроса «а где это вообще считается?», потому что этот ответ уже есть. Это, пожалуй, один из самых приземлённых и убедительных аргументов в пользу Lineage: он экономит не абстрактное время, а вполне конкретные часы команд, которые раньше тратились на повторяющееся ручное восстановление цепочек зависимостей.

При разработке продуктов для заказчиков мы перешли от визуального монолита, где все потоки данных были перед глазами, к кодоориентированному подходу, когда приходится разбираться с большим количеством данных, и разобраться в этом почти невозможно, если ты не разработчик этого кода. Дата-каталог как раз сканирует эти данные, строит lineage, объясняя, откуда что берётся. А если разработчики добавляют смысловые комментарии и документируют процессы хотя бы минимально, задача разбираться в потоках данных превращается из невыполнимой миссии во вполне реальную.

ОЛЕГ МИХЕЕВ,
руководитель группы по управлению данными и архитектурой «Полюс Диджитал».

То есть зрелый Lineage снижает не только число ошибок, но и объём рутинной инженерной работы, которая раньше считалась неизбежной.

Во-вторых, снижается число сюрпризов при изменениях. Перед трансформацией таблицы или пайплайна можно увидеть, какие витрины, дашборды и процессы это затронет, а значит, согласовать изменения заранее, а не постфактум извиняться перед бизнесом

В-третьих, растёт доверие к аналитике: пользователь может проверить происхождение показателя, понять логику его расчёта и увидеть требования к качеству этих данных.

В-четвёртых, улучшается диалог между ИТ и бизнесом. Одним из примеров может стать проект в Российской национальной перестраховочной компании (РНПК). В его рамках был создан единый каталог метаданных, подключены более чем 15 источников, реализован Data Lineage для ключевых этапов урегулирования убытков и автоматических проверок качества.

Почему в эпоху искусственного интеллекта ценность Lineage особенно растёт

Разговор о Lineage вышел из темы governance и всё чаще переходит в тему ИИ. И это закономерно. По данным исследования «Яков и Партнёры», уже 71% компаний в России применяют генеративный ИИ хотя бы в одной функции бизнеса. При этом экономический эффект от технологии к 2030 году оценивается в 7,9−12,8 трлн рублей в год. Но чем шире компании внедряют ИИ, тем жёстче встаёт вопрос, на каких данных он обучен и можно ли доверять его выводам и рекомендациям.

Российские аналитики ИТ-рынка прямо связывают следующий этап развития ИИ-агентов с качеством governance-контуров. По данным CNews Analytics, массовое внедрение мультиагентных систем сдерживается не только дефицитом кадров, но и тем, что компаниям нужна зрелая архитектура, MDM и устойчивые контуры data governance, чтобы агенты могли работать на единой модели прав доступа и качественных данных. Иными словами, без Lineage и управляемых метаданных ИИ-помощник очень быстро превращается в уверенного, но плохо информированного стажёра.

Без Data Governance и качества данных ИИ ничего не сделает. У наших основных заказчиков, как у любой крупной компании, закрыт контур для внешних больших моделей из-за высоких рисков утечки информации, и при этом средства защиты информации по этому вопросу практически отсутствуют, так что всё должно выполняться внутри. А внутри она заработает хорошо только при нормальном описании того, что происходит.

АЛЕКСАНДР АЛЕКСЕЕВ,
руководитель группы по управлению данными и архитектурой «Полюс Диджитал».

Что важно запомнить бизнесу и дата-команде

Сегодня Data Lineage нужен не потому, что это зрелая практика «как у лидеров рынка», а потому, что современная компания уже не может безопасно работать с данными вслепую. Слишком много людей, систем, моделей и автоматизированных сценариев одновременно используют одни и те же данные. Цена непонимания их происхождения и маршрута стала слишком высокой.

Для бизнеса Lineage — это способ сократить риск неправильных решений, ускорить выпуск аналитики и выйти из режима бесконечных сверок. Для дата-специалистов — это инструмент анализа влияния изменений, поиска первопричин и нормальной совместной работы в сложной многопользовательской среде. Для компаний, активно внедряющих ИИ, это ещё и обязательный слой контекста, без которого даже самые продвинутые технологии быстро начинают работать на сомнительной основе. Зрелая работа с данными начинается, когда компания может внятно объяснить, откуда взялась цифра, кто за неё отвечает, как она изменилась по пути и что именно сломается, если завтра кто-то решит «слегка поправить поле». С этого момента Lineage перестаёт быть опцией и становится нормой взрослого управления данными.

2026-07-09 12:38