dbt выпустили State of Analytics Engineering Report 2026, и там есть очень показательный сдвиг. Команды данных всё больше говорят не только про скорость, автоматизацию и AI, а про доверие. По данным отчёта, важность доверия к данным и data teams выросла с 66% до 83% год к году. Важность скорости тоже выросла — с 50% до 71%. А вот снижение затрат выросло куда скромнее: с 48% до 53%. Для меня это хороший сигнал зрелости рынка. Раньше аналитические команды часто оценивали по скорости: — как быстро сделали дашборд; — как быстро ответили на вопрос; — как быстро собрали витрину; — как быстро выкатили новую модель данных; — как быстро закрыли задачу из бэклога. Но скорость сама по себе не гарантирует пользы. Можно быстро построить отчёт, которому никто не доверяет. Можно быстро посчитать метрику, которую три команды понимают по-разному. Можно быстро выкатить витрину, у которой непонятен владелец. Можно быстро дать инсайт, который через неделю развалится из-за качества данных. Также 41% респондентов всё ещё называют неоднозначное владение данными проблемой. Poor data quality остаётся одним из ключевых препятствий. При этом техническая интеграция данных постепенно становится менее болезненной. Раньше компании чаще упирались в вопрос: “Как нам вообще собрать данные из разных систем?” Теперь всё чаще вопрос другой: “Кто отвечает за эти данные, почему им можно доверять и как мы гарантируем, что они правильно используются?” А это уже не только техническая задача. Это задача управления. Доверие к данным складывается из нескольких вещей:

Понятные владельцы метрик и датасетов Если у метрики нет владельца, она рано или поздно начинает жить своей жизнью. Одна команда считает её так, другая иначе, третья использует старое определение, а четвёртая вообще не знает, откуда взялась цифра. Прозрачные определения Метрика должна быть не просто SQL-запросом. У неё должно быть бизнес-определение: что считаем, зачем считаем, где используем, какие есть ограничения. Контроль качества данных Если данные регулярно ломаются, дублируются, запаздывают или расходятся между системами, никакой красивый dashboard не спасёт. Он просто будет красиво показывать сомнительную реальность. Data lineage и понятный путь данных Люди должны понимать, откуда пришла цифра, какие трансформации она прошла и какие источники на неё влияют. Без этого невозможно нормально расследовать расхождения и инциденты. Data literacy у пользователей Доверие — это не только “данные правильные”. Это ещё и “люди понимают, как ими пользоваться”. Даже хорошие данные можно неправильно интерпретировать, если у команды нет общей аналитической грамотности.

AI только усиливает эту проблему. Если раньше плохие данные ломали отчёт, то теперь они могут ломать AI-выводы, автоматические рекомендации и агентные сценарии. А это уже другой уровень риска. AI может ускорить написание SQL, документации и моделей. Но если в компании нет нормального ownership, тестов, semantic layer, правил качества и понятных определений метрик, то AI просто начнёт быстрее масштабировать хаос. Поэтому мне нравится формулировка: зрелость аналитической функции — это не скорость сама по себе, а способность двигаться быстро и при этом сохранять доверие. Для руководителей аналитики это означает, что в фокусе должны быть не только delivery и закрытие задач. Нужно строить систему, в которой:

у ключевых метрик есть владельцы; определения зафиксированы и доступны; качество данных мониторится; расхождения разбираются как инциденты, а не как “ну бывает”; пользователи понимают ограничения данных; аналитики отвечают не только за расчёт, но и за состояние аналитики в своей зоне.

Именно это отличает аналитику как сервис от аналитики как функции управления. Мне кажется, это и есть главный вывод: аналитические команды больше нельзя оценивать только по количеству закрытых задач или скорости поставки. Настоящий KPI аналитической функции — это доверие к данным, которое выдерживает рост скорости, масштаба и AI-автоматизации.