Как хранение данных становится частью бизнес-стратегии

Разговоры о данных как об активе, сопоставимом с финансами, людьми и производственными мощностями, идут уже давно. Однако, чтобы получить от данных реальную отдачу, их нужно собирать, хранить, обеспечивать к ним быстрый доступ, надежно защищать и бесшовно встраивать в рабочие процессы. Традиционная роль систем хранения данных (СХД) при этом меняется – как именно, рассказывает руководитель отдела развития продуктов компании «Аэродиск» Александр Калинин.

Больше не архив

Долгое время массивы данных были для бизнеса скорее инструментом их непосредственной деятельности или архивом, нежели стратегическим ресурсом. Сегодня ценность информации определяется возможностями принимать на ее основе такие решения, которые позволяют зарабатывать или сокращать издержки. В подходе data-driven операционная активность определяется не интуицией или опытом топ-менеджеров, а «чистой математикой» на основе аналитики данных. Мало собрать данные – нужно заставить их работать на прибыль.

За последние годы подход data driven перестал быть прерогативой технологических компаний и начал распространяться практически на все отрасли экономики. Организации стремятся принимать решения на основе объективных данных, а не интуиции или накопленного опыта отдельных сотрудников. Это приводит к росту внимания к качеству данных, их доступности и единым правилам управления информацией.

По мере усложнения бизнес-процессов именно способность быстро получать достоверную информацию и превращать ее в управленческие решения становится одним из факторов устойчивого развития компаний.

При этом рынок пока находится в довольно противоречивом состоянии. Компании массово инвестируют в искусственный интеллект и переход к модели data-driven, хотя далеко не все до конца понимают, как именно эти вложения должны окупаться. Во многих случаях бизнес пока только учится превращать данные в измеримую экономическую ценность, а не в набор красивых дашбордов и экспериментов с аналитикой.

Парадокс ситуации в том, что интерес к данным растет быстрее, чем зрелость процессов работы с ними. У многих компаний до сих пор нет даже базовой гигиены данных: понимания, какие из них действительно нужны бизнесу, где они хранятся, насколько они актуальны, и кто вообще отвечает за их качество.

Также, бюджеты на ИТ-инфраструктуру у многих заказчиков сократились, но в то же время рынок серверов и СХД в России в 2025 году в денежном выражении вырос почти вдвое, до 280 млрд рублей.

Дополнительное давление создает и взрывной рост ИИ-нагрузок. Компании начинают хранить значительно больше логов, телеметрии, аудио, видео и неструктурированных данных, пригодных для последующего обучения моделей и аналитики. В результате инфраструктурный контур начинает меняться даже у тех организаций, которые еще несколько лет назад не рассматривали данные как самостоятельный актив.

Data-driven не «коробка»

Ключевая ошибка в реализации стратегии data-driven – искать единственное «правильное» техническое решение. В зависимости от конкретной конъюнктуры заказчика, его бизнес-модели и сценариев монетизации данных требования к инфраструктуре могут быть диаметрально противоположными.

Проблема еще и в том, что рынок пока не успел выработать устойчивые «лучшие практики». Многие компании фактически двигаются в режиме эксперимента: тестируют отдельные сценарии аналитики, пытаются встроить ИИ в существующие процессы, оценивают экономический эффект и параллельно перестраивают инфраструктуру.

Мы видим, как компании реализуют два сценария: закупаются медленными, но объемными HDD, чтобы хранить как можно больше. Здесь акцент делается на стоимость хранения терабайта. Второй вариант активируется когда нужно буквально на лету анализировать транзакции и работать с данными в реальном времени: тогда они выбирают сверхбыстрый NVMe. Data-driven говорит про взросление бизнеса и его отношение к данным.

В этом смысле технологии хранения данных – классические СХД, объектные хранилища (S3), озера данных (data lake) и программно-определяемые системы (SDS) – не конкуренты. Они решают разные задачи и могут «мирно сосуществовать» в рамках одной ИТ-архитектуры. Например, S3 отлично подходит для больших массивов неструктурированных данных, которые нужно хранить долго и дешево.

Классические СХД незаменимы для быстрых, критичных к задержкам нагрузок: базы данных, транзакционные системы (ERP), обработка отчетов и структурированной аналитики. А озера данных служат хранилищем для сырых, необработанных данных самых разных форматов, которые затем можно анализировать, используя, в том числе, инструменты ИИ.

Возьмем пример прохождения данными крупной компании их “жизненного цикла”. Сначала огромные объемы логов, телеметрии с устройств, сырых изображений или видео стекаются в недорогое объектное хранилище (data lake). Затем часть этих данных очищается, структурируется и преобразуется для быстрого доступа и анализа. Именно эти обработанные данные и загружаются в производительные классические СХД для работы бизнес-аналитиков и систем ИИ.

Архитектура, в которой S3 и классическая СХД работают в связке, закрывает полный цикл: от дешевого приема и долгосрочного хранения неструктурированных данных до их молниеносной обработки в уже отформатированном виде. Роль СХД здесь не уменьшается, а наоборот, становится еще более значимой, обеспечивая разные уровни производительности и стоимости в единой экосистеме.

Новая роль – новые требования

Раньше рынок СХД был на 90% зарубежным. Сегодня около 34% крупных компаний уже используют отечественные СХД, а доля российского оборудования в проектах ЦОД выросла до 40–60%. ИТ-ландшафты компаний стали сложнее и гетерогеннее.

Именно поэтому все более критичными становятся не только характеристики производительности, но и открытость интеграций, зрелость API, поддержка технологических партнерств и способность СХД быстро адаптироваться под новые сценарии работы с данными.

Рынок уходит от модели, в которой СХД воспринималась как изолированное устройство хранения – своего рода «черный ящик», задача которого сводилась к надежной записи и выдаче данных. В современной data-driven-инфраструктуре этого уже недостаточно. Сегодня система хранения становится ключевым элементом платформы данных.

Она должна не просто хранить информацию, а органично встраиваться в сложную экосистему из виртуализации, контейнерных платформ, аналитических сервисов, систем резервного копирования, ИИ-инструментов и облачных контуров.

Цена ошибки: риски хранения

Если компания строит свое управление на данных, то их недоступность становится прямой проблемой управления, ведущей к финансовым потерям и репутационным рискам. Неудачное архитектурное решение в системах хранения данных бьет по бизнесу сразу по трем ключевым векторам.

Стоимость владения. Ошибка на этапе проектирования может обернуться неоправданно высокими расходами на содержание и поддержку инфраструктуры, которые попросту не окупятся целью инвестиций. А это многомиллионные убытки.

Один из примеров, который хорошо иллюстрирует риски – компания, потерявшая все свои данные из-за падения единственного сервера. Резервные копии хранились на том же физическом устройстве, что и сами данные, полностью нарушая правило «3-2-1».

Производительность. Это комплексный параметр, который включает в себя не только скорость доступа к данным, но и своевременность и полноту аналитики. Принимая решение, вы не можете ждать часами, пока отработает отчет.

Если ИТ-директор или бизнес-заказчик не заложат достаточный запас производительности на этапе проектирования, система не будет успевать обрабатывать всю информацию в требуемые сроки, понижая пользу аналитики.

Отказоустойчивость. Если ваша стратегия управления базируется на данных, а вся аналитическая связка вышла из строя, вы возвращаетесь к принятию решений на основе экспертного мнения, что сводит на нет все усилия по внедрению data-driven. Отказоустойчивость должна быть обеспечена на всех уровнях: в сети, в вычислительных мощностях и непосредственно в СХД. В идеале отказоустойчивость механизмов должна быть не ниже отказоустойчивости самих бизнес-процессов.

ИИ как драйвер роста требований к хранению

Искусственный интеллект и машинное обучение не только усиливают тренд на data-driven, но и становятся главным драйвером роста требований к ИТ-инфраструктуре. Алгоритмы ИИ прожорливы в плане объема данных и требовательны к скорости передачи. Для их эффективного обучения и работы требуется не просто много места, а принципиально иная архитектура хранения с минимальными задержками и высокой пропускной способностью.

Именно здесь на сцену выходят технологии вроде NVMe. Этот протокол обеспечивает минимальные задержки (0,1-0,2 миллисекунды) и огромную пропускную способность.

Мы наблюдаем, что спрос на all-flash СХД в 2025 году вырос на четверть, а запросы на них в два раза превысили интерес к гибридным системам. Все это говорит о том, что бизнес готов инвестировать в производительность, так как время отклика напрямую влияет на бизнес-результаты.

Жизненный цикл данных и развитие data driven

Следующий большой этап эволюции – переход к комплексному управлению жизненным циклом данных. Необходимо понимать, что именно хранится, где, зачем, как часто эти данные используются и какую ценность приносят. Именно здесь сегодня проходит водораздел между зрелыми и незрелыми data-driven-инициативами.

В первом случае компания понимает, какие данные создают ценность и как они встроены в бизнес-процессы. Во втором – data-driven превращается в дорогую забаву: инфраструктура растет, бюджеты увеличиваются, появляются новые платформы и инструменты аналитики, но организации так и не переходят к принятию более качественных решений.

Data-driven начинается с инфраструктурной дисциплины. Если данные должны приносить деньги, они должны быть доступны, предсказуемы, защищены и встроены в архитектуру бизнеса. В этом смысле роль СХД из элемента базового уровня ИТ-инфраструктуры повышается до статуса опоры всей цифровой стратегии компании и переоценить ее невозможно.