От BI към AI: защо качествените данни са основата на интелигентния бизнес

Една компания може да разполага с модерна система за продажби, подробни финансови отчети и години история на клиентските поръчки, но въпреки това да се затруднява да отговори на привидно прост въпрос: кои клиенти действително ѝ носят печалба? Отговорът зависи от това дали информацията за приходите, отстъпките, доставките и плащанията може да бъде свързана и разчетена по един и същ начин. С навлизането на изкуствения интелект тази отдавнашна трудност придобива ново значение. Върху същите данни бизнесът вече иска да изгражда прогнози, препоръки и автоматизирани действия.

Колко сериозно предизвикателство остава подготовката на информацията за тази следваща стъпка и то на глобално ниво, показва проучване на Gartner от 2024 г. В него се радкрива, че 63% от анкетираните организации или нямат подходящи практики за управление на данните, които планират да използват при внедряването на изкуствен интелект в процесите си, или не са сигурни дали въобще разполагат с такива. Въз основа на проучването "Гартнър" прогнозира, че до края на настоящата 2026 г. организациите ще изоставят 60% от инициираните си AI проекти, заради липсата на подходящо структурирани за тях данни.

Тези резултати подчертават разликата между внедряването на нова технология и готовността тя да носи реална бизнес стойност. Когато информацията е разпокъсана, непълна или управлявана по различни правила, изкуственият интелект не може сам да компенсира тези слабости. 

Необходимо е той да стъпва върху надеждна информационна основа, за да може да подпомага по-добри решения и измерими бизнес резултати.

Когато отделите говорят на различни езици

Информацията за един бизнес обикновено е разпръсната между счетоводството, системите за управление на ресурсите и клиентските отношения, складовия софтуер и електронните таблици. Всяка от тези системи обслужва конкретна дейност и може да работи добре сама по себе си. Трудностите се появяват, когато ръководството потърси общата картина.

За търговския екип „продажба“ може да означава приета поръчка, за склада - изпратена стока, а за финансовия отдел - отчетен приход. Ако тези разлики останат скрити, дори технически правилният анализ може да доведе до погрешен управленски извод. По същия начин увеличението на оборота не означава непременно подобрение на рентабилността, ако е постигнато с по-големи отстъпки и по-високи разходи за обслужване.

Тук е същинската роля на системите за бизнес анализи, познати като Business Intelligence, или BI. Ползата им идва от свързването на източниците и установяването на общи определения за показателите, върху които стъпват решенията. Графиките са видимият резултат от тази работа. Зад тях стоят въпроси за произхода на информацията, честотата на обновяване и начина на изчисляване. 

„Един от най-честите проблеми, с които се сблъскват компаниите, не е липсата на данни, а липсата на единно разбиране за тях. Когато различните eкипи използват различни дефиниции за едни и същи показатели, бизнесът може да разполага с множество отчети, без да има надеждна основа за вземане на решения. Ролята на BI решенията е да преодолеят тази разпокъсаност - да обединят информацията и да я превърнат в обща основа, върху която бизнесът може да анализира резултатите си и да планира следващите си стъпки.“, споделя Кристина Кръстанова, Head of BI в "Балкан Сървисис".

Затова инвестицията в подредени и разбираеми данни е важна не само за ежедневното управление, но и за следващата стъпка в развитието на аналитиката - използването на изкуствен интелект. В противен случай, един AI асистент, който получава противоречиви определения за един и същ показател, може да даде убедително звучащ отговор, без той да отразява правилно състоянието на бизнеса.

"Когато различните системи показват различна картина на бизнеса, дори най-добрият AI инструмент сам по себе си не може да разреши проблема. Необходимо е информацията да бъде свързана с бизнес процесите и показателите да имат ясно значение за хората, които вземат решения," допълва Кръстанова.

Анализите излизат извън справките

Развитието на аналитичните платформи променя начина, по който служителите работят с информацията. Към стандартните отчети и интерактивни табла се добавят възможности за задаване на въпроси на естествен език, автоматично откриване на отклонения и подпомагане на прогнозите. Така достъпът до анализи се разширява и към хора, които познават бизнеса, но нямат специализирани технически умения.

Qlik е пример за тази еволюция. Чрез Qlik Answers, например, компанията развива възможности за взаимодействие с данните чрез AI асистенти, които могат да отговарят на въпроси, използвайки както структурирана информация от аналитични приложения, така и документи и други неструктурирани източници. Отговорите могат да включват анализи и визуализации, като потребителите имат възможност да проследят източниците на използваната информация.

За един дистрибутор това би означавало да може да разбере навременно кои продукти се реализират по-бавно от очакваното, къде се натрупват наличности, как това се отразява на оборотния капитал и какви фактори могат да обяснят тенденцията. 

Вместо да започва с поредица от отделни справки, екипът може по-бързо да достигне до релевантната информация и да проучи възможните причини. Това не премахва необходимостта от проверка и професионална преценка, но може да съкрати пътя от въпроса до анализа.

„Съвременните аналитични решения променят не само начина, по който визуализираме данните, но и начина, по който взаимодействаме с тях. Когато бизнес потребителите могат да задават въпроси на естествен език и да изследват информацията в контекста на собствената си дейност, анализът става по-достъпен и приложим в ежедневната работа. Престава да бъде само периодична справка. Това е и смисълът на нашата работа", коментира още Кръстанова.

Достъпният интерфейс обаче не премахва необходимостта от критична преценка. Откритата зависимост не доказва причината за даден резултат, а прогнозата остава зависима от използваните данни и допускания. Затова AI може да подпомогне анализа, но познаването на бизнеса, проверката на резултатите и отговорността за решенията от страна на човека остават неразделна част от процеса.

Повече автоматизация изисква повече доверие

Следващата стъпка е свързана с AI агентите - системи, които могат да изпълняват последователност от задачи в рамките на зададени цели и разрешения. При подходяща интеграция те могат например да открият отклонение, да проверят допълнителна информация и да подготвят действие за одобрение. Това увеличава значението на качеството на данните.

Конкретен пример са обявените на Qlik Connect 2026 възможности за оценка и наблюдение на качеството на данните. Сред тях е Qlik Trust Score — показател, който оценява информацията по критерии като точност, актуалност и пълнота. Компанията представя и инструменти за известяване при отклонения, както и AI агент за проверка на качеството и управление на правилата чрез разговорни команди. Целта е екипите да могат да преценяват доколко данните са подходящи за анализи и автоматизирани действия и да откриват влошаване на качеството им навреме.

„Това, в което сме се убедили е, че AI не започва с AI модела. Започва много по-рано с начина, по който една организация събира, свързва, управлява и разбира своите данни. Когато към тези процеси се добави автоматизация, качеството на информацията, ясните правила за достъп и възможността за проследяване на действията стават още по-важни. Затова готовността за AI не е просто технологичен проект, а последователен процес, в който хората, данните и технологиите трябва да работят заедно, за да може да се стигне до доверие, " продължава Кръстанова.

За бизнеса доверието има съвсем конкретно съдържание. Трябва да е ясно откъде идва дадено число, кога е обновено, кой отговаря за него и кои служители или системи имат право да го използват. При автоматизирани действия е необходимо и разграничение между решенията, които софтуерът може да изпълни самостоятелно, и тези, за които е нужно човешко одобрение.

Добре подготвените данни сами по себе си не гарантират безгрешна работа на AI. Необходими са проверки на резултатите и наблюдение в реални условия. Те обаче дават възможност грешките да бъдат откривани и проследявани, вместо да остават скрити зад убедително формулиран отговор.

Стойността се измерва в работата на компанията

Практичният подход към AI започва с конкретен проблем и ясна представа как ще се измери подобрението. При дистрибуцията това може да бъде намаляване на липсващите стоки и залежалите наличности. Във финансовото управление - по-бързо изготвяне на отчети и по-надеждна прогноза за паричните потоци. При продажбите — по-точна оценка на рентабилността на клиентите.

Подобни цели позволяват да се сравнят резултатите преди и след внедряването, като се отчетат и разходите за интеграция, поддръжка и обучение. Спестеното време има значение, когато действително освобождава капацитет за по-полезна работа. По-точната прогноза носи стойност, когато помага за по-добро решение за поръчките, ресурсите или финансирането.

Затова готовността за AI е и управленски въпрос. Тя зависи от сътрудничеството между технологичните екипи и хората, които познават процесите, от ясната отговорност за данните и от готовността да се промени установеният начин на работа. Добре подбраният първи проект може едновременно да реши конкретен проблем и да изгради основа за следващи приложения.

Именно тези теми ще бъдат във фокуса на семинара „From Data to AI: Building the Foundation for Intelligent Business“, организиран от Balkan Services и Qlik на 21 октомври 2026 г. в „София Тех Парк“. Програмата предвижда дискусии за развитието на бизнес анализите, практическа сесия за оценка на готовността на данните за AI и представяне на опита на един от големите дистрибутори в България.

Началото на самото събитие е заложено за 9:00 ч., а откриването е в 9:30 ч. След основната част са предвидени обяд, неформални разговори и възможности за срещи с експертите. Участието е с предварителна регистрация, като повече информация и формуляр за записване са достъпни на страницата на събитието.