Firmy inwestują w analitykę big data, ale bez powodzenia. Ponad połowa specjalistów przyznaje, że przyczyną jest niska jakość danych

Niemal 6 na 10 organizacji wykorzystuje narzędzia do przetwarzania dużych zbiorów informacji, by zwiększyć swoją efektywność operacyjną. To główny, ale nie jedyny cel – firmy liczą również na to, że inwestowanie w ten obszar przełoży się na większe przychody (54 proc. odpowiedzi) oraz przyczyni się do redukcji kosztów (54 proc.)^[1]. Choć oczekiwania i plany biznesowe względem analizy danych wydają się jasno sprecyzowane, ich realizacja jest już problematyczna. Okazuje się, że główną przyczyną jest ich słaba jakość, na którą zwraca uwagę ponad 56 proc. specjalistów^[2]. Jak organizacje mogą poradzić sobie z tym wyzwaniem? 

Czym skutkują niskowartościowe informacje?

Autorzy raportu "2026 State of Data Integrity and AI Readiness” podkreślają, że specjaliści ds. danych poradzili sobie z wieloma kwestiami, które swego czasu stanowiły dla nich spory problem. Mowa między innymi o ograniczeniach zasobów obliczeniowych – dziś są one utrudnieniem dla zaledwie 9 proc. osób. Badani rzadziej wskazują również na trudności związane z dokumentowaniem zbiorów informacji (25 proc. odpowiedzi) czy ich utrzymaniem (12 proc.). Sporym wyzwaniem pozostaje jednak słaba ich jakość danych. Jak wyjaśnia Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska, to właśnie ona jest źródłem błędów podczas podejmowania decyzji biznesowych.

– Mówiąc o jakości danych, specjaliści mają na myśli przede wszystkim ich kompletność, poprawność i dostępność. W praktyce oznacza to, że w zbiorze danych, które mają posłużyć do analizy, muszą znajdować się wszystkie niezbędne informacje zapisane w odpowiednim formacie, a każdy uprawniony użytkownik czy system powinien mieć do nich bezproblemowy dostęp. Niespełnienie tych kryteriów prowadzi do błędów w narzędziach analitycznych i raportach, na podstawie których podejmowane są decyzje biznesowe. Przekłada się także na problemy w realizacji codziennych zadań operacyjnych, co jest wyraźnie widoczne przykładowo w handlu detalicznym. Jeśli firmy z tej branży prowadzą działalność w różnych, niezintegrowanych ze sobą kanałach sprzedażowych, informacje z każdego z nich są gromadzone w osobnych bazach czy całych systemach. Brak spójnego modelu danych zafałszowuje np. rzeczywisty obraz stanów magazynowych, co utrudnia realizację zamówień, ale też wpływa na dostępność produktów oraz rzetelność raportów – mówi Maciej Wawrzyniak, Linux Polska.

Bariery w pozyskiwaniu jakościowej wiedzy

Mimo świadomości problemu nie wszystkie firmy podejmują działania, które by go rozwiązały. Co zatem powstrzymuje specjalistów przed zapewnieniem wysokiej jakości danych? Odpowiedź na to pytanie jest złożona. Badania pokazują, że głównym wyzwaniem jest mierzenie jakości, na co wskazuje 29 proc. osób^[3]. Brak jasno określonych zasad oceny dostępności, poprawności czy kompletności danych uniemożliwia ich poprawę. To jednak nie wszystko. Specjaliści zauważają problemy ze stosowaniem zasad i procedur utrzymania jakości (28 proc. odpowiedzi) oraz zbyt dużą liczbą źródeł informacji (27 proc.)^[4]. Jak jednak podkreśla Tomasz Dziedzic, CTO w Linux Polska, rozwiązaniem tych wyzwań jest integracja danych.

– Integracja pozwala łączyć informacje pochodzące z wielu rozproszonych baz, czego efektem jest ujednolicenie ich widoku. W ten sposób powstaje centralne repozytorium danych które pełni funkcję wiarygodnego źródła informacji. O tym, jak ważna jest to kwestia, przekonują doświadczenia wielu firm. Przykładowo: jeśli organizacja obsługująca wierzytelności korzysta z różnych źródeł informacji, w tym systemów bankowych, rozwiązań służących do zarządzania windykacją czy aplikacji telekomunikacyjnych, uzyskanie pełnej i rzetelnej informacji o kliencie jest możliwe dopiero po wdrożeniu nowoczesnej architektury danych, która te źródła zintegruje. Takie rozwiązanie umożliwia dostosowanie oferty do oczekiwań konkretnych segmentów klientów, a dodatkowo jest podstawą zaawansowanej analityki predykcyjnej, czyli prognozowania zachowań i trendów na podstawie danych historycznych. Nowoczesne praktyki integracyjne pozwalają również na automatyzację wielu procesów IT, co ogranicza błędy związane z działaniami manualnymi – tłumaczy Tomasz Dziedzic, Linux Polska.

Maciej Gryszko, Dyrektor Departamentu IT w Intrum, dodaje, że spójne informacje pozwalają firmom zarządzającym wierzytelnościami na osiągnięcie wymiernych korzyści biznesowych.

– Platforma IT z ujednoliconymi, zintegrowanymi danymi otwiera przed organizacjami zupełnie nowe możliwości w zakresie tworzenia innowacji dostosowanych do potrzeb użytkowników końcowych. To także duży krok w stronę większej efektywności monitorowania i szacowania ryzyka, działań marketingowych czy projektowania ścieżki konsumenta. Dostęp do pełnych, rzeczywistych danych o kliencie pomaga pracownikom zarządzającym wierzytelnościami w realizacji codziennych zadań operacyjnych, na przykład doradztwa osobom posiadającym zobowiązania finansowe – dodaje Maciej Gryszko, Intrum.

Projekty integracyjne to inwestycja w skuteczną analitykę 

Organizacje widzą ryzyka związane z podejmowaniem decyzji na podstawie niekompletnych lub nieaktualnych informacji. W tym roku 38 proc. z nich planuje zwiększyć nakłady finansowe na działania związane z polepszeniem jakości danych. Większym priorytetem inwestycyjnym związanym z analityką są jedynie narzędzia AI, na które stawia 45 proc. badanych^[5].

Jakie działania są w stanie wesprzeć organizacje w osiągnięciu tego celu? Badania przeprowadzone wśród firm, które zdecydowały się na integrację aplikacji, nie pozostawiają wątpliwości. Główną korzyścią, którą osiągnęli dzięki temu projektowi, jest właśnie zwiększenie jakości danych – odpowiedź tę wskazało 45 proc. respondentów. Wielu specjalistów przyznało również, że integracja pomogła im w uzyskaniu lepszego dostępu do informacji znajdujących się w różnych systemach (44 proc.), ograniczeniu kosztów (43 proc.), a także przyspieszeniu procesu dostarczania zasobów niezbędnych do podejmowania decyzji biznesowych (42 proc.)^[6]. Inwestowanie w analitykę danych może zatem przynieść oczekiwane efekty, jeśli stoją za nim działania mające na celu zwiększenie jakości wykorzystywanych informacji.

 

^[1] LeBow College of Business, 2026 State of Data Integrity and AI Readiness

^[2] DBT Labs, 2025 State of Analytics Engineering

^[3] LeBow College of Business, 2026 State of Data Integrity and AI Readiness

^[4] Jak wyżej.

^[5] DBT Labs, 2025 State of Analytics Engineering

^[6] LeBow College of Business, 2026 State of Data Integrity and AI Readiness