Від dashboards до Conversational Analytics: чому enterprise AI потрібні Semantic Layer і Data Governance

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Останнім часом багато думаю про те, як AI змінить не тільки інструменти аналітики, а й саму модель роботи з даними у великих компаніях.

Ми багато років розвивали self-service analytics. Будували DWH і Data Platforms, впроваджували BI, створювали сотні dashboard’ів, навчали бізнес працювати з Power BI, Tableau та іншими інструментами.

Ідея була правильною — дати бізнесу більше самостійності в роботі з даними та зменшити залежність від аналітиків.

Але на практиці в багатьох великих компаніях відбулося дещо інше. Обсяг даних і кількість бізнес-запитів зростали, а разом із ними продовжували зростати й аналітичні команди.

Бізнес отримав більше даних та інструментів, але аналітик досі часто залишається посередником між бізнес-питанням і відповіддю.

Бізнес хоче зрозуміти, чому впали продажі в конкретному регіоні. Аналітик шукає потрібні дані, пише SQL, перевіряє бізнес-логіку, робить вибірку або створює ще один dashboard.

На мою думку, саме цю модель AI може суттєво змінити.

Між dashboard та SQL досі залишається великий gap

Dashboard добре працює для регулярного моніторингу: продажі, маржа, availability, OOS, промо, запаси, клієнтські показники. Але він переважно відповідає на ті питання, які хтось передбачив під час його створення.

SQL дає значно більше свободи, але потребує технічних навичок та розуміння структури корпоративних даних.

А між ними залишається величезна кількість щоденних питань: чому вчора впали продажі, які магазини найбільше вплинули на OOS, що сталося з маржею категорії, які SKU дали найбільший негативний ефект, чи пов’язана проблема з промо, ціною або залишками.

Сьогодні відповідь на значну частину таких питань усе ще проходить через аналітика.

Conversational Analytics пропонує іншу модель: бізнес-користувач просто ставить питання звичайною мовою, а AI знаходить потрібні дані та формує відповідь.

І саме тут починаються складнощі.

LLM вміє написати SQL. Але він не знає ваш бізнес

Сучасні LLM уже добре генерують SQL, але для enterprise цього недостатньо. Основна проблема — бізнес контекст: одна й та сама метрика може мати різні правила розрахунку, джерела, ієрархії та винятки.

Тому LLM може побудувати технічно правильний запит, але дати неправильну бізнес-відповідь. Саме тому enterprise AI потребує не лише доступу до даних, а й керованого корпоративного контексту.

Що таке Semantic Layer і навіщо він потрібен

Якщо спростити, семантика даних — це їхній бізнес-сенс. Недостатньо знати, в якій таблиці знаходиться поле sales_amount. Потрібно розуміти, що саме бізнес називає Sales, за якими правилами показник розраховується, з якими сутностями пов’язаний і в якому контексті його можна використовувати.

Semantic Layer — це шар, який формалізує цей бізнес-сенс і пов’язує його з фізичними даними. У ньому визначаються бізнес-сутності та KPI, формули розрахунку, зв’язки між даними, dimensions, правила агрегації та корпоративні визначення.

Наприклад, Net Sales визначається один раз і далі однаково використовується в BI, SQL, Data Products та AI.

У традиційній аналітиці значну частину цієї роботи фактично виконує сам аналітик. Він знає, яку таблицю використати, який join правильний, як саме розраховується KPI і чому цифри у двох звітах можуть відрізнятися. Тобто аналітик часто працює як своєрідний human semantic layer.

З появою AI цей контекст потрібно формалізувати. Якщо ми хочемо, щоб AI самостійно працював із корпоративними даними, семантика не може залишатися лише в головах людей, SQL-коді та документації окремих команд.

Саме тому Semantic Layer стає важливою частиною AI-ready data architecture.

І тут починається Data Governance

Semantic Layer не можна розглядати окремо від Data Governance.

Щоб AI правильно відповів на питання про маржу, хтось спочатку має визначити, яка формула є корпоративною, яке джерело authoritative, хто відповідає за показник, яким даним можна довіряти, хто має право їх бачити та звідки вони взагалі прийшли.

Це вже класичні питання Data Governance.

І тут цікаво подивитися на DAMA-DMBOK. Значна частина фундаменту, який сьогодні потрібен для enterprise AI, насправді давно описана в Data Management: Data Governance, Metadata Management, Data Quality, Data Architecture, Master & Reference Data, Data Security, Integration & Interoperability.

Просто AI робить цінність цих практик значно очевиднішою.

Business Glossary дає AI корпоративну мову. Metadata допомагають зрозуміти дані та їхній контекст. Data Quality визначає, чи можна їм довіряти. Lineage дозволяє пояснити походження відповіді. Master Data забезпечують однакове трактування Product, Customer, Store або Supplier. Data Security та Access Governance визначають, які дані конкретний користувач або AI Agent взагалі має право отримати.

А Data Governance зв’язує все це через ownership, accountability та decision rights.

Раніше неправильне визначення KPI могло створити два dashboard’и з різними цифрами. Тепер AI може взяти неправильне визначення та масштабувати його на сотні користувачів.

Тому, на мою думку, Data Governance поступово перестає бути лише supporting або compliance function і стає однією з провідних функцій AI-трансформації.

І важливий момент що Data Governace не має контролювати АІ. Не в цьому цінність даної функції для бізнесу.

Навпаки, зрілий Data Governace повинен дозволити компанії масштабувати AI швидше, але на якісних даних та з контрольованим бізнес контектом

Це добре видно й у підходах великих компаній. Наприклад, у матеріалах компанії Danone серед причин, через які AI-трансформації зупиняються, називаються ситуації, коли даних немає, їм не довіряють або за них фактично ніхто не відповідає. Окремо підкреслюється проблема масштабування великої кількості ізольованих use cases без спільного data foundation.

Тобто Data Engineer може доставити дані, AI Engineer — побудувати Agent, Analytics Engineer — Semantic Model. Але хтось усе одно має відповісти на питання: яке визначення правильне, хто його затверджує, яке джерело trusted, хто Data Owner і що робити, якщо два бізнес-домени по-різному трактують один KPI.

Це безумовно зона відповідальності Data Governace.

Що вже відбувається на ринку

McKinsey оцінює потенційні AI можливості для європейського рітейлу приблизно у €240—320 млрд. Analytical AI уже використовується для прогнозування, ціноутворення та сегментації, Generative AI змінює спосіб взаємодії з інформацією, а наступним етапом стає agentic AI, де система може не тільки знаходити insight, а й брати участь у виконанні рішення.

McKinsey — Rewiring retail in Europe: The AI imperative

Цікаво й те, як сьогодні розподіляються інвестиції. За даними McKinsey, 44% AI investment серед опитаних європейських retailers концентрується в маркетингу та рекламі, 23% — у функції підтримки і лише 15% — у комерційному домені, хоча саме комерційний домен має один із найбільших потенціалів створення бізнес ціності.

І тут, на мою думку, є певний дисбаланс: компанії активно інвестують у видимі AI use cases, але значно менше уваги приділяють фундаменту, який дозволить AI масштабно працювати з корпоративними даними.

Хороший приклад — управління товарними категоріями. За даними дослідження McKinsey 2026 року, команди, які відповідають за асортимент і категорійний менеджмент, усе ще можуть витрачати близько 40% робочого часу на низькоцінні операційні завдання: консолідацію даних, повторювану роботу з електронними таблицями, підготовку звітності та звірку даних між різними системами.

McKinsey — How agentic AI transforms retail merchandising

Тобто проблема вже не в нестачі даних. Проблемою стає вартість перетворення даних на рішення.

І тут з’являється цікава економіка

Окремо цікаво, що така модель може означати для великих аналітичних команд.

АІ може суттєво підвищити продуктивність аналітичної функції, проте зростання продуктивності не означає автоматичного скорочення кількості аналітиків.

За даними дослідження McKinsey 2026 року, потенційне зростання ефективності команд, у яких люди працюють разом з AI-агентами, становить близько 35% на різних рівнях організації, а для більш масштабних трансформацій може сягати 50%.

Ці показники не можна напряму переносити на аналітичні команди, проте навіть консервативний сценарій виглядає показово.

Уявімо аналітичну команду зі 100 людей. Якщо Semantic Layer, розмовна аналітика та AI дозволять перевести на самообслуговування або автоматизувати хоча б 15–20% типового навантаження, це потенційно вивільнить обсяг робочого часу, еквівалентний 15–20 FTE.

Це не обов’язково означає скорочення персоналу.

Компанія може обробляти більше бізнес-запитів тим самим складом команди, не збільшувати штат пропорційно до зростання попиту на дані або перевести частину фахівців із рутинної аналітики на складніший аналіз, прогнозування, моделювання та проведення експериментів.

Водночас починає змінюватися сама економіка аналітики.

Багато років компанії масштабували аналітику переважно через збільшення кількості людей. AI створює можливість масштабувати доступ бізнесу до аналітики без пропорційного збільшення самої аналітичної функції.

Від self-service analytics до self-service decision intelligence

Ми багато років говорили про демократизацію дани, але на практиці це часто означало: дати бізнесу BI та навчити людей ним користуватися.

Наступний етап може бути зовсім іншим.

Бізнес-користувачу не обов’язково знати, де фізично знаходяться дані, як побудована схема, як написати SQL або навіть який dashboard відкрити.

Йому потрібно добре розуміти свій бізнес і вміти сформулювати правильне питання.

AI стає інтерфейсом взаємодії. Semantic Layer забезпечує правильну бізнес-інтерпретацію. Data Platform виконує запит. Data Governance забезпечує trust, ownership, quality, security та правила використання даних.

А роль аналітика поступово зміщується від ручних вибірок і стандартної звітності до складного аналізу, моделювання, прогнозування, експериментів та підтримки управлінських рішень.

Саме тому я не розглядала б Semantic Layer окремо від Data Governance.

Без Data Governance Semantic Layer ризикує швидко перетворитися ще на одне місце, де накопичуються сотні метрик, незрозумілий ownership та декілька визначень одного KPI.

А без Semantic Layer значна частина створеного Data Governance бізнес-контексту залишається документацією, яку AI не може системно використовувати.

Що в результаті

Data & Analytics переходить до нової моделі роботи.

AI поступово змінює саму модель взаємодії бізнесу з даними. Значну частину стандартних аналітичних запитів — пошук інформації, формування запитів, аналіз показників і пошук причин відхилень — можна буде виконувати без постійної участі аналітика. Для цього недостатньо просто підключити LLM до DWH.

Для цього потрібні довірені дані, Semantic Layer, управління метриками, метадані, відстеження походження даних, Data Quality, чітка відповідальність за дані та управління доступами.

Більшість цих практик давно є частиною Data Management. Поява AI лише робить їхню бізнес-цінність значно очевиднішою.

Раніше Data Governance насамперед забезпечував керованість корпоративних даних. Тепер до цього додається нове завдання — забезпечити AI корпоративним контекстом, необхідним для правильного розуміння даних і безпечної роботи з ними.

Тому Data Governance стає одним із ключових компонентів масштабування AI у великих компаніях.

Наступним етапом аналітики самообслуговування може стати вже не self-service BI, а self-service decision intelligence: бізнес працює з перевіреними корпоративними даними звичайною мовою, а складність архітектури, семантики та управління даними залишається для користувача непомітною.

Технологічно AI вже близький до того, щоб відповідати на значну частину бізнес-питань без участі аналітика.

Головний виклик — чи готові корпоративні дані, семантика та Data Governance до того, щоб цим відповідям справді можна було довіряти.