Что такое качество данных и его влияние на бизнес

В эпоху цифровой трансформации данные стали стратегическим активом. Однако их ценность напрямую зависит от качества. По данным Gartner, ежегодные потери компаний из-за плохого качества данных составляют в среднем $15 миллионов. Особенно критично это при внедрении ERP-систем, где данные становятся основой для всех бизнес-процессов.

Определение качества данных

При оценке данных важно не только их наличие, но и соответствие определенным критериям качества. Gartner выделяет девять ключевых измерений:

1. Полнота (Completeness)

Показатель того, насколько все необходимые поля и атрибуты данных заполнены.
Пример: если у клиента нет ИНН или контактного номера, запись считается неполной и может не пройти автоматическую обработку. Если в карточке товара отсутствует описание или вес, это затрудняет логистику и может привести к ошибкам при упаковке и доставке

Варианты решения:

• В 1С можно настраивать обязательность заполнения полей при создании элементов справочников. Например, для номенклатуры – по каждому виду номенклатуры можно индивидуально определить, какие поля обязательны, а какие — нет;

• Для справочников "Партнеры" и "Контрагенты" стандартных гибких настроек обязательности меньше, но можно реализовать доработки или использовать внешние проверки;

• В некоторых решениях (например, 1С:CRM+ERP) доступны типовые отчёты по анализу полноты заполнения клиентской базы, что позволяет выявлять и устранять пробелы в данных.

2. Удобство использования (Usability)

Оценивается удобство восприятия и форматирования информации.
Пример: если даты представлены в разных форматах (01.01.2025 и 2025-01-01), это затрудняет анализ. Адрес клиента записан сплошным текстом в одном поле вместо структурированного формата: улица, дом, квартира — это делает автоматическую маршрутизацию невозможной.

Варианты решения:

• В платформе 1С заложены гибкие возможности по настройке форматов хранения дат, при этом в типовых конфигурациях в основном используется общепринятый формат "01.01.2025";

• Для адресов можно настроить параметры в виде контактной информации: ввод только по классификатору или в свободной форме, что обеспечивает структурированность и удобство дальнейшей обработки.

3. Точность структуры (Precision / Level of detail)

Степень детализации данных.
Пример: “г. Москва” — недостаточно точно, если в системе требуется указывать улицу, дом и офис. В поле “Контактное лицо” указано просто "Петров", без имени и должности — это усложняет коммуникацию B2B

Варианты решения (по сути, пересекается с первым пунктом про полноту):

• Использование в 1С настроек обязательности и структуры заполнения полей (например, для адреса, ФИО, должности) позволяет требовать нужный уровень детализации

4. Своевременность (Timeliness)

Данные должны быть актуальны и обновляться без задержек.
Пример: устаревшая цена товара в системе может привести к убыткам. Данные о наличии товара в системе обновляются с опозданием, и клиенты делают заказы на позиции, которых уже нет на складе.

Варианты решения:

• Вопрос своевременности чаще возникает в архитектуре разных систем интегрированных между собой, чем в едином монолите;

• Тут, кстати, можно рассказать про нашу подсистему интеграции, где мы круто обеспечиваем своевременное получение актуальных данных.

5. Точность по содержанию (Accuracy)

Насколько данные отражают реальность.
Пример: указание неверного адреса клиента приведёт к срыву доставки. В базе указан вес товара 100 кг вместо 10 кг — это приводит к ошибкам в расчётах доставки и стоимости.

Варианты решения:

• Для решения подобных примеров на практике регламентируются процессы не только по заведению тех или иных справочников, но и по их проверке;

• Регламентировать периодическую проверку и корректировку ключевых атрибутов можно, например, через отчёты по аномалиям или отклонениям.

6. Уникальность (Uniqueness / Deduplication)

Каждая сущность должна быть представлена в системе один раз.
Пример: два дубликата одного клиента приведут к рассинхронизации данных по заказам и оплатам.

Варианты решения:

• В 1С реализованы стандартные механизмы поиска и предотвращения дублей по ключевым полям (ИНН, КПП, наименование, телефон и пр.);

• Можно настраивать дополнительные правила поиска дублей и автоматизированные отчёты для их выявления.

7. Доступность (Availability)

Данные должны быть доступны пользователям и системам, когда это необходимо.
Пример: отсутствие доступа к данным склада блокирует приём заказа. Ночью система блокирует часть аналитики для отчётов — отдел планирования не может вовремя подготовить закупки на утро.

Варианты решения:

• В 1С можно гибко настраивать права доступа к данным для разных ролей и групп пользователей;

• Для обеспечения высокой доступности данных рекомендуется использовать отказоустойчивые решения (например, кластеризация, резервное копирование);

• Важно регламентировать окна обслуживания и информировать пользователей о возможных ограничениях.

8. Корректность (Validity)

Данные должны соответствовать установленным бизнес-правилам и логике.
Пример: код товара должен быть в правильном формате и не содержать запрещённых символов. Артикул указан с пробелами и спецсимволами, хотя по бизнес-правилам артикул должен быть в формате: ABC-123456, такой артикул не проходит загрузку в стороннюю систему логистики.

Варианты решения:

• В 1С можно настраивать шаблоны и маски для автоматического формирования наименования номенклатуры;

• В связке с организацией полноты и точности структуры данных (1 и 3 пункты) можно обеспечить валидацию данных при вводе или загрузке.

9. Согласованность (Consistency)

Значения должны быть логически связаны и соответствовать определению в других системах.
Пример: единицы измерения “шт.” и “pieces” не должны использоваться для одного и того же показателя в разных модулях. В одном модуле клиент обозначен как “ООО Ромашка”, а в другом — “Ромашка ООО” — это мешает объединённой аналитике по клиентам и выручке.

Варианты решения:

• Внедрение методологии MDM (Master Data Management) для централизованного управления справочниками и стандартами данных;

• Использование единых классификаторов и справочников во всех обособленных системах\модулях;

• Регулярная синхронизация и сверка данных между системами, настройка правил сопоставления и трансформации данных.

Влияние качества данных на бизнес

Качество данных — это не просто «техническая задача», а сквозной фактор, который влияет на каждый уровень управления бизнесом: от повседневных операций до стратегического развития и цифровой зрелости. Рассмотрим влияние «снизу вверх».

Операционный уровень 

Что происходит:

• Неверные остатки → ошибки при отгрузке и возвратах.

• Некорректные или неполные реквизиты → срыв поставок и возвраты документов.

• Дубли клиентов или товаров → сбои в CRM и путаница в заказах.

• Неактуальные данные → сотрудники работают по устаревшей информации.

Риски:

• Простой персонала.

• Жалобы клиентов.

• Рост операционных издержек.

• Увеличение ручных операций и неэффективности.

Тактический уровень

Что происходит:

• BI-отчёты не сходятся с данными ERP.

• Руководители отделов не доверяют данным — тратят время на перепроверки.

• Ошибки в классификаторах — невозможно провести сквозной анализ по категориям.

• Финансовое планирование и управление запасами основано на искажённых или неполных данных.

Риски:

• Неэффективное принятие решений на среднем уровне.

• Потеря управляемости в отделах.

• Задержки в планировании и бюджетировании.

• Недостижение KPI.

Стратегический уровень

Что происходит:

• Отчётность и ключевые показатели (выручка, маржинальность, EBITDA) искажены.

• Стратегические решения (по рынкам, продуктам, инвестициям) принимаются на недостоверной аналитике.

• Бизнес не может уверенно прогнозировать развитие.

• Отсутствие «единого источника правды» мешает синхронизации между функциями компании.

Отложенный эффект:

• Исторические данные становятся неприменимы для прогнозирования и моделирования.

• Исключается возможность внедрения ИИ, машинного обучения, персонализированной аналитики.

• Цифровые инициативы (CDP, маркетинг-автоматизация, сценарное планирование) тормозятся.

Риски:

• Потеря стратегической гибкости.

• Упущенные возможности роста.

• Цифровая отсталость от конкурентов.

Вывод: плохие данные сегодня — это потерянные возможности завтра

Бизнес, не инвестирующий в системную работу с качеством данных, сталкивается не только с ежедневными сбоями, но и теряет доверие к собственной аналитике, блокирует внедрение автоматизации и Искусственного Интеллекта и ограничивает способность расти и адаптироваться. Качество данных — не задача ИТ, а фундамент управляемого, устойчивого и цифрового бизнеса.

Как понять, что с данными что-то не так?

Во многих компаниях осознание проблем с качеством данных приходит не сразу, а в момент, когда последствия уже проявились.

Типичные симптомы:

• Пользователи жалуются, что «в системе ничего не работает».

• Проблемы с оплатами — ошибки в реквизитах.

• BI-отчёты противоречат данным из систем или собранным в Excel отчетам.

• Отгрузка задерживается из-за отсутствия веса, упаковки, адреса.

• Запросы в IT: «почему не видно клиента», «где товар», «почему нет остатка» — идут ежедневно.

Это уже состояние, когда компания вынуждена «тушить пожары», а не управлять ситуацией. Работу с данными не стоит начинать "когда стало плохо" — к этому моменту потери уже произошли. Её стоит начинать, когда появляются первые сигналы.

Когда пора заниматься данными:

1. Планируется переход на новую систему (ERP/CRM/BI) — это ключевая точка!

2. Компания растёт: появляется больше SKU, клиентов, поставщиков.

3. Увеличивается объём ручной работы — сотрудники «чистят», «проверяют», «дозваниваются».

4. Бизнес начинает зависеть от аналитики — а доверия к данным нет.

5. Требуется интеграция с внешними системами (маркетплейсы, API, логистика) — и «данные не лезут».

Внедрение новой системы — момент истины для работы с данными

Внедрение ERP или другой бизнес-системы — это естественная точка перезапускакультуры работы с данными. Почему?

Внедрение новой системы дает возможность:

• Пересобрать справочники и структуру данных: классификаторы, форматы, правила.

• Внедрить валидации и контроль на уровне системы: чтобы ошибки просто не проходили.

• Определить владельцев данных и зоны ответственности.

• Очистить и нормализовать данные на входе — вместо того, чтобы «тащить хаос в новую систему».

• Обучить сотрудников правильно работать с данными — внедрение и обучение идут одновременно.

• Сформировать долгосрочную стратегию качества данных — как актив, а не издержку.

Почему это важно сделать именно до или в процессе внедрения

После внедрения стоимость исправления данных возрастает в разы — нужно будет менять структуру, перезагружать систему и переучивать персонал. Если загружаются некорректные данные, ERP «наказывает» за это немедленно — бизнес-процессы не работают. А повторная «чистка» после внедрения почти всегда сопровождается саботажем и усталостью команды.

Вывод

Проблемы с качеством данных становятся видимыми только тогда, когда они уже мешают. Но именно внедрение новой системы — это окно возможностей: можно зафиксировать правила, установить стандарты и включить данные в повестку дня. Те компании, которые встроят работу с данными в проект ERP, получают результат быстрее, проще и с устойчивым эффектом.

Повышаем вероятность успешного проекта внедрения 1С:ERP

Внедрение ERP-системы — это не просто замена одного инструмента другим. Это сложный организационно-технический проект, в котором успех зависит не только от команды внедрения, но и от зрелости бизнеса, готовности к изменениям и состояния данных.

При этом качество данных — одна из самых недооценённых, но критически важных составляющих успеха проекта.

Что считается “успешным внедрением” ERP?

У каждого бизнеса свои нюансы, но есть общие критерии, которые определяют, что проект удался:

1. Регулярно и достоверно формируется управленческая и финансовая отчётность(по продажам, запасам, прибыли, клиентам).

2. Процессы автоматизированы и не требуют постоянных “обходных путей” или ручного управления.

3. Система используется всеми подразделениями как единый источник данных.

4. Бизнес получает экономический эффект — быстрее принимает решения, сокращает издержки, масштабирует операции.

И вот здесь появляется ключевая связка: эти цели невозможны без качественных данных.

Как плохие данные мешают достижению целей внедрения

Упущенный блок: легаси-данные

Во многих проектах 1С:ERP команда сознательно прорабатывает:

• отказ от устаревших процессов,

• очистку бизнес-логики,

• переработку интерфейсов и ролей,

• отказ от кастомного кода из старых версий.

Но почти никогда не прорабатываются легаси-данные:

«Мы потом очистим»,
«Главное — чтобы система запустилась»,
«Старое всё равно не пригодится».

Как итог, в систему загружаются мусорные справочники из прежней учётной системы, не проводится консолидация клиентов, товаров, документов, а ошибки воспроизводятся в новой системе — только теперь автоматизировано. При этом стоимость исправления ошибок после внедрения всегда выше, чем в рамках проекта.

Важно найти реалистичный баланс – не пытаться охватить всё и сразу (Data Governance, MDM, CDP), но и не сводить задачу к техническому запуску “работающей программы”. Вместо этого сделать осознанный выбор, какие аспекты качества данных действительно критичны для целей проекта.

Что можно включить в проект без переработки всей компании:

1. Провести экспресс-аудит ключевых справочников (номенклатура, контрагенты, склады).

2. Заложить этап “очистки и подготовки данных” перед миграцией.

3. Определить владельцев данных (кто отвечает за что: логистика, финансы, продажи).

4. Описать правила валидации и формата данных, хотя бы в критических зонах.

5. Настроить базовую отчётность с ориентацией на чистые данные.

6. Внедрить механизмы предотвращения дублей и некорректного ввода.

Вывод

Данные — это не побочный элемент, а основа всех процессов в ERP, без внимания к данным можно потратить миллионы на внедрение и не получить результата. Внедрение 1С:ERP — это идеальный момент, чтобы перестроить подход к данным: не глобально и абстрактно, а через конкретные цели и реальные действия.