На экране компьютера ERP-система упорно показывает сообщение: «Заказ не может быть запущен в производство. Не хватает остатков на складе». ERP стоит, сборочная линия — тоже. Закупки в панике ищут поставщика детали «6002-2RS» — и находят ещё три десятка таких же деталей с другими названиями: «6002 RS», «Подшипник 6002».
Для многих производственных предприятий этот кошмар является частью будничной реальности. Но что, если этот сценарий — не неизбежность, а сигнал: пора сделать ставку на качество данных?
Сегодня нормативно-справочная информация (НСИ) заслуженно считается ценнейшим активом компании, а управление мастер-данными оказывается в центре внимания не только при внедрении ERP, но и, без исключения, во всех процессах предприятия.

Почему именно сейчас НСИ выходит на первый план?
Раньше проекты внедрения ERP-систем рассматривались как исключительно «замена старой системы на новую». Сегодня всё чаще выясняется, что главная проблема — не сама система, а качество данных, которые в неё загружаются. В частности, справочная информация или мастер-данные — это то, что задаёт «словарь» для всех операций: номенклатура, клиенты, поставщики, оборудование. Если данные разрознены, неточны или дублируются, то даже самая современная ERP из помощника превратится в дорогой диспетчер ошибок.
С развитием технологий искусственного интеллекта и внедрением языковых моделей во многие бизнес-процессы вопрос качества данных выходит на первый план. В отличие от классических ИТ-решений, где система работает по заранее заложенным алгоритмам, ИИ-агенты обучаются на реальных корпоративных данных, и результат напрямую зависит от «пищи для ума», которой их кормят. Если справочники и мастер-данные «зашумлены» ошибками, дубликатами или просто нерелевантны, даже самая совершенная модель будет воспроизводить и усиливать эти ошибки. Как отмечают практики, качество бизнес-решения на базе ИИ всегда пропорционально чистоте и полноте исходной информации.

В условиях демографической ямы повышение производительности труда приобретает критическое значение для устойчивого развития отраслей. Дефицит трудовых ресурсов становится хронической проблемой: предприятия сталкиваются с кадровым голодом и невозможностью сохранить или нарастить объемы выпуска только за счет найма новых сотрудников. Конкуренция за квалифицированные кадры возрастает — компании вынуждены перекупать специалистов, увеличивать фонды оплаты труда и стимулировать удержание ценных работников, что увеличивает издержки бизнеса. В итоге именно повышение производительности труда позволяет компенсировать недостаток человеческих ресурсов, поддерживать развитие отраслей и предотвращать снижение уровня жизни на фоне глобальных вызовов.

На прошедшей в 2025 году конференции «Цифровой Росатом» одним из основных вызовов была названа необходимость сокращения сроков и стоимости выполнения проектов: «квадратные сроки, квадратные деньги» не вписываются в текущие реалии. Основным фактором сокращения сроков этапов жизненного цикла обозначено повторное использование данных с предыдущих проектов, а также сокращение разрывов в информационном потоке.

«На что жалуетесь?» или типичные проблемы данных на производстве
Возвращаясь к кошмару, с которого мы начали (остановленная линия, система не видит деталь; склад видит, но ERP утверждает «ноль»), можно выделить несколько распространённых симптомов:

• Дублирование

Один и тот же компонент учтён в номенклатуре под разными названиями или артикулами (например: «6002-2RS», «6002 RS», «Подшипник 6002»).

• Зоопарк источников правды

Номенклатура разбросана по разным справочникам, базам или ИТ-системам, отсутствует унификация.

• Несвоевременная подготовка данных

ERP запускается, но данные не готовы. Чтобы хоть как-то начать, зачастую принимается решение стартовать на «грязных» данных — с высоким уровнем дублей, некорректными атрибутами, недостаточностью и фрагментированностью информации.
Как следствие, цепочка закупок, производства, логистики ломается: задержки, избыточные запасы, ошибки в отгрузках, финансовые потери.
Ответом на эти проблемы становится применение MDM-решения.

Что такое MDM и как это работает с ИИ?
Master Data Management (MDM) — это комплекс процессов управления нормативно-справочной информацией (НСИ). MDM-решение позволяет автоматизировать процессы ведения, обработки, систематизации и унификации НСИ.

Нормативно-справочная информация (НСИ) — это совокупность структурированных и стандартизированных данных, которые используются в работе компании. К НСИ относятся справочники, классификаторы, номенклатура — например, сведения о продуктах, материалах, контрагентах, складских единицах, технологических операциях и других бизнес-объектах. Эти данные систематизируются и многократно применяются во всех подразделениях организации для оформления документов, ведения учета, организации бизнес-процессов и принятия управленческих решений.
Проще говоря, НСИ — это «единые справочные списки» и правила, служащие основой для автоматизации, отчетности и согласованности данных между всеми системами и отделами предприятия.
Когда завод запускает ERP, но справочники не нормализованы, это — как запуск двигателя без надёжного топливопровода.

MDM-решение позволяет:

• Консолидировать данные из разрозненных систем (ERP, склад, производство, PLM).
• Очистить дубли, ошибки, несоответствия.
• Выстроить процессы создания, изменения и удаления записей данных.
• Интегрировать бизнес-владельцев данных и процесс их согласования.
• Установить контроль версий и запись о том, кто и когда менял данные.

При этом работа с мастер-данными — это кропотливое и трудоемкое занятие. Сейчас компании всё чаще внедряют ИИ-модули, чтобы автоматизировать следующие функции:

• Распознавание и нормализация названий — например, «гайка М12» vs «гайка 12 мм».
• Автоматическое заполнение атрибутов на основе внешних классификаторов и внутренней базы знаний предприятия (стандарты, базы данных и т.д.).
• Выявление ошибок, пустых полей, дубликатов, противоречивых записей.
• Поддержка пользовательских запросов на добавление/изменение записей через интерфейс с ИИ-подсказками.
• Классификация и категоризация данных.

Ряд продуктов на российском рынке заявляют, что способны обрабатывать большие объёмы записей НСИ, используя сочетание классического ML и больших языковых моделей. Также исследование ERP-рынка утверждает, что ИИ станет стандартной частью платформ ERP к 2027 году. Это означает: если до сих пор мастер-данные корректировались вручную или полуавтоматически, то в ближайшие годы ИИ станет неотъемлемым инструментом. Вместе с тем на текущем уровне развития отмечается, что окончательное решение на базе подсказок, предоставляемых ИИ, должен принимать пользователь. ИИ не заменяет экспертов, но превращает очистку справочников из хаоса в управляемый процесс. В результате время подготовки данных, например, к внедрению нового модуля ERP или даже всей системы, сокращается в 3–5 раз.

Что такое хорошо и что такое плохо?
Рассмотрим процесс внедрения MDM на примере одного из крупнейших добывающих холдингов РФ. Выстраивание процессов управления мастер-данными началось задолго до внедрения ERP-системы. Драйвером изменений стала главный бухгалтер холдинга. Шла череда локальных автоматизаций на базе научно-технического центра, при этом каждый внедрял отдельные системы «сам для себя», не смотря на соседа. Такая разрозненность не могла удовлетворить высоких требований к качеству информации, предъявляемых топ-менеджментом компании. Более того, она несла в себе налоговые риски.
Было решено постепенно налаживать систему управления данными. Шли «от контента» — анализировали содержимое справочников, чтобы определиться с перечнем, структурой, назначением и определением для каждого объекта НСИ. Сформировали концепцию управления НСИ, которой в дальнейшем строго придерживались.

Таким образом, удалось подойти к внедрению «1С:ERP Управление холдингом» с хорошим заделом как по данным, так и по процессу управления ими. Бизнес привык, что каждый объект НСИ должен иметь владельца, а владелец — обеспечивать чистоту данных у своего «подопечного». Выстраиваемые в ходе создания ERP подсистемы управления запасами, закупками, автотранспортом, ремонтами, контролю лимитов опирались на унифицированные справочники номенклатуры, контрагентов, складов, ЦФО и многие другие.
По результатам внедрения ERP-системы управление НСИ получило значительное развитие: перечень объектов был расширен более чем на 300 единиц, организованы процессы и разработаны заявочные интерфейсы для создания, изменения, удаления объектов НСИ, а между системами раскинута обширная сеть интеграций — более чем на 250 потоков.

Обратных примеров, к сожалению, тоже предостаточно. Крупное машиностроительное предприятие полного цикла. Разработана система управления производством на базе ERP, успешно проведены предварительные испытания, персонал обучен и готов к работе, процесс сбора данных начат заблаговременно. Однако проверка показывает, что оцифрованные данные по номенклатуре и составам изделий не пригодны для проведения опытно-промышленной эксплуатации. Итог — заморозка проекта для приведения данных в порядок.

С чего начать?
Чтобы процесс стартовал более гладко, рекомендуется следующий план:

1. Провести оценку качества мастер-данных и справочников: сколько дублей, разрозненных систем, незаполненных атрибутов.
2. Выбрать модель управления НСИ: централизованная, консолидированная, ссылочная, гибридная.
3. Приступить к определению перечня объектов НСИ и составлению реестра. На этом этапе очень важно назначить для каждого объекта владельца данных — конкретное лицо (как правило, руководителя), которое будет отвечать за контент и качество данных. Каждому владельцу нужно объяснить ценность работы с НСИ и его роль в этом процессе.
4. Выбрать MDM-решение и приступить к внедрению. Лучше разделить его на части и начать с пилотных справочников.
5. Собрать полный перечень источников данных. Обеспечить интеграционную связь MDM с другими системами.
6. Установить метрики: снижение дублей, уменьшение простоев, ускорение запуска продуктов, улучшение точности отчётов.
7. Внедрять организационные изменения: качественное обучение и обширные коммуникации помогут добиться желаемого результата.
8. Избегать ожиданий, что ИИ всё сделает сам. Не следует ожидать, что ИИ справится без данных и процессов. Однако непременно стоит усилить эффект за счёт подключения ИИ-модуля, например, для автоматической нормализации.

Возможные вызовы и ограничения:

• Отсутствие бизнес-владельцев и процессов приводит к тому, что даже хорошая архитектура MDM-решения не заработает.
• Исторически «грязные» данные ухудшают качество моделей ИИ: сначала нужно сделать «пред-очистку».
• Инфраструктура, интеграция, лицензии — всё требует ресурсов.
• ИИ не без ошибок: модели могут неправильно объединять сущности и требуют обязательной проверки экспертами.
• Если подход к данным рассматривается как «ИТ-хлопоты», а не бизнес-стратегия, — результат будет слабым. Все участники процесса и руководство компании должны принять концепцию о том, что данные — это такой же ценный актив, как люди или финансы.

Почему это становится конкурентным преимуществом
Российский рынок MDM продолжает стабильно расти благодаря актуальным задачам импортозамещения и масштабной цифровой трансформации бизнеса. Те производственные компании, которые взяли курс на управление мастер-данными до или в процессе внедрения ERP-систем, получают очевидные преимущества: сокращение сроков запуска новых ИТ-решений, минимизация простоев, надежная аналитика для руководства и гибкость при запуске новых продуктов или направлений, когда цифровая структура уже готова к масштабированию.
Современные инструменты управления данными делают бизнес не просто прозрачным, но и по-настоящему адаптивным: мастер-данные становятся фундаментом для развития, а внедрение ИИ помогает выявлять дубликаты, точнее прогнозировать, поддерживать качество справочников и тем самым повышать финансовые и управленческие показатели компании.
Тем не менее, реальное распространение MDM по-прежнему ограничено: многие компании сталкиваются с нехваткой экспертизы, отсутствием внутренней культуры управления данными и естественным сопротивлением изменениям. На практике это приводит к тому, что строительство цифрового бизнеса замедляется и требует дополнительных ресурсов и времени. Чем раньше в компании появится фокус на данных и их качестве, тем проще перейти к следующей стадии — автоматизации, сквозной аналитике и внедрению сложных ERP-систем.
Цифровая трансформация не начинается с ERP — она начинается с данных.