DATA-DRIVEN МЕНЕДЖМЕНТ ЦИФРОВЫХ ПРОДУКТОВ: РОЛЬ УПРАВЛЕНИЯ ДАННЫМИ В КАЧЕСТВЕ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ

DATA-DRIVEN MANAGEMENT OF DIGITAL PRODUCTS: THE ROLE OF DATA MANAGEMENT IN THE QUALITY OF MANAGERIAL DECISIONS

Shatalin Ivan Andreevich

Postgraduate student at the Moscow International Academy

Russia, Moscow

АННОТАЦИЯ

В статье рассмотрены принципы data-driven (ориентированного на данные) подхода в менеджменте цифровых продуктов и его влияние на качество управленческих решений. Выявлены ключевые проблемы управления данными – фрагментация, низкое качество, ограниченный доступ, нечеткое владение и отсутствие единого словаря метрик – которые снижают обоснованность принимаемых решений. Предложена концепция управленческого контура продукта, включающая этапы discovery, приоритизации, delivery, измерения и обучения, для каждого из которых определены типы решений, необходимые данные и риски при слабом управлении данными. Разработан фреймворк “решение – данные – риск – механизм – эффект” и управленческие механизмы (data governance, роли, регламенты, метрический словарь, контроль качества данных), позволяющие повысить качество решений и результативность продукта. Новизна работы заключается в объединении методов управления цифровыми продуктами с практиками управления данными для повышения обоснованности и результативности управленческих решений.

ABSTRACT

The article examines the principles of the data-driven approach in digital product management and its impact on the quality of managerial decisions. Key data management issues – fragmentation, poor quality, limited access, unclear ownership, and lack of a unified metrics dictionary – are identified as factors reducing the soundness of decisions. A digital product decision cycle model is proposed, including the stages of discovery, prioritization, delivery, measurement, and learning, with each stage mapped to decision types, required data, and risks under weak data management. A framework of “decision – data – risk – mechanism – effect” is developed, along with managerial mechanisms (data governance, roles, regulations, metric dictionary, data quality control) to improve decision quality and product performance. The novelty of this work lies in integrating digital product management methods with data management practices to enhance the justification and effectiveness of managerial decisions.

Ключевые слова: data-driven подход; цифровой продукт; управление данными; качество управленческих решений; продуктовые метрики; data governance

Keywords: data-driven approach; digital product; data management; decision quality; product metrics; data governance

В современном цифровом бизнесе принятие решений все чаще основывается на данных, аналитике и фактах – так называемый data-driven подход. Управление на основе данных определяется как подход к принятию решений и управлению бизнесом, основанный на анализе и интерпретации данных[1]. Согласно исследованиям, компании, активно внедряющие data-driven управление, достигают ощутимых улучшений эффективности. Так, аналитическое исследование показало, что ориентация на данные при принятии решений коррелирует с ростом производительности бизнеса на 5–6%[2]. Данные позволяют обосновывать решения, снижать риски и повышать результативность управления[1]. Качество управленческих решений в значительной степени зависит от полноты и достоверности информации, используемой руководством [3]. Как отмечают В. Ф. Минаков и соавторы, без развитой культуры работы с данными и искусственного интеллекта организации упускают возможности повышения точности и скорости управленческих действий[4]. Одновременно проблема обеспечения высокого качества управленческих решений остается актуальной задачей менеджмента в различных отраслях[5].

В сфере менеджмента цифровых продуктов data-driven подход приобретает особую значимость. Продуктовый менеджмент связан с высокой динамичностью среды, большими объемами пользовательских данных и необходимостью быстрых экспериментальных итераций. Однако в литературе ограничено рассмотрена связка между управлением данными и качеством решений именно в контексте цифровых продуктов – большинство работ фокусируется либо на технологиях анализа данных, либо на общих процессах продуктового управления. Таким образом, существует разрыв в понимании того, как практики управления данными (data management, data governance) влияют на качество управленческих решений продукт-менеджера. Целью данной статьи является исследование роли управления данными в повышении обоснованности и качества управленческих решений при менеджменте цифровых продуктов.

Для достижения цели в статье проведен обзор и синтез литературы по data-driven принятию решений, качеству решений и управлению данными, выявлены проблемы и риски в продуктовой деятельности при слабом управлении данными, а также предложены управленческие механизмы и мини-фреймворк, связывающий тип решения, необходимые данные, риски, инструменты data governance и эффект для качества решения. Научная новизна работы состоит в том, что автор впервые интегрирует концепции data governance и продуктового менеджмента, предлагая целостную модель контура управленческих решений цифрового продукта и систему управленческих механизмов для повышения их качества. Практическая значимость связана с тем, что результаты могут быть использованы продакт-менеджерами и руководителями цифровых продуктов для улучшения процессов принятия решений на основе данных, выстраивания эффективной аналитической инфраструктуры и повышения ключевых метрик продукта.

Data-driven менеджмент цифровых продуктов и контур управленческих решений

Менеджмент цифровых продуктов характеризуется цикличным процессом выработки и реализации решений – от изучения пользовательских потребностей до итеративного улучшения продукта на основе обратной связи. В условиях высокой неопределенности и конкуренции эффективное управление цифровым продуктом требует систематического использования данных на каждом этапе этого цикла[6]. Data-driven подход в данном контексте означает, что ключевые решения продакт-менеджера принимаются на базе аналитики: начиная от выбора целевого сегмента и ценностного предложения, до приоритизации фич, контроля метрик после релиза и корректировки стратегии развития продукта.

Для структурирования принятия решений автором предложен концептуальный контур управленческого решения в менеджменте цифрового продукта (рис. 1). Он включает последовательные этапы продуктового цикла: discovery (исследование) – выявление проблем и идей для продукта; prioritization (приоритизация) – отбор и ранжирование функционала и задач; delivery (реализация) – разработка и выпуск продукта/функционала; measurement (измерение) – оценка результатов с помощью метрик; learning (обучение) – извлечение уроков и знаний для следующего цикла развития. На каждом этапе продакт-менеджер принимает специфические управленческие решения, опираясь на соответствующие данные и метрики. Например, на стадии исследования стратегическое решение о выборе ценностного предложения для целевого сегмента основывается на данных пользовательских исследований и анализа рынка; на стадии prioritization решение о том, какую функцию разрабатывать в первую очередь, принимается с учетом продуктовых метрик и ожидаемого ROI; на стадии измерения управленческое решение – признать ли запуск фичи успешным – определяется значениями KPI и пользовательской активностью и т. д.

Если на каком-либо этапе цикла отсутствует необходимое управление данными, качество решения снижается. Рисунок 1 иллюстрирует типичные риски: без достаточных данных на этапе исследования может быть ошибочно определена проблема пользователя; при отсутствии единого источника метрик при приоритизации есть риск субъективного выбора не той функции; при слабом учете данных о ресурсах и качестве на этапе реализации возрастают задержки и сбои; при ненадежных метриках на этапе измерения возможны ложные выводы об успехе; при слабой культуре работы с данными этап обучения может не привести к улучшениям, и команда не извлекает инсайты. Таким образом, контур решения замыкается: выводы этапа обучения посредством управленческих корректировок вновь влияют на стратегические решения следующего цикла исследования[6]. Data-driven подход призван “замкнуть” этот цикл на основе знаний: данные от использования продукта превращаются в решения по его доработке, что повышает обоснованность и скорость улучшения продукта.

На рис. 1 для каждого этапа показано, какой тип управленческого решения принимается, какие данные и метрики при этом необходимы и к какому риску приводит слабое управление данными. Данный контур отражает, что управление цифровым продуктом – непрерывный процесс обучения на основе данных: гипотезы проверяются в виде продуктовых изменений, результаты измеряются метриками, а выводы используются для корректировки стратегии. Подобный подход согласуется с методологиями бережливого управления продуктами и концепцией управляемого цикла инноваций через данные[6]. В литературе отмечается, что применение продуктовой аналитики и метрик позволяет принимать более обоснованные продуктовые решения и улучшать пользовательский опыт[8]. Например, А. В. Попов указывает, что продуктовая аналитика служит инструментом для обоснованного улучшения продукта и пользовательского опыта[7]. Соответственно, управление цифровым продуктом, опирающееся на данные на каждом этапе, должно быть подкреплено соответствующей инфраструктурой и процессами управления данными.

Рисунок 1 – Контур управленческого решения в data-driven менеджменте цифрового продукта

Управленческие проблемы управления данными: влияние на качество решений и KPI

Несмотря на очевидные преимущества data-driven подхода, на практике продакт-менеджеры сталкиваются с рядом проблем, связанных с управлением данными. Фрагментация данных – одна из ключевых проблем: данные о пользователях и продукте часто рассредоточены по разным системам и отделам. В результате менеджеры не имеют целостной картины и вынуждены принимать решения на основании неполной информации. Фрагментированность данных ведет к увеличению неопределенности и риску ошибок при определении приоритетов продукта. Например, разные команды могут оперировать разрозненными метриками, что мешает сверить влияние изменений на общий результат.

Второй проблемой является низкое качество данных. Отсутствие очистки, дублирование, ошибки сбора данных – все это подрывает доверие к аналитике. По сути действует принцип “garbage in – garbage out”: если данные неточны, то и решение будет малоэффективным[9]. Низкое качество данных особенно опасно в продуктовой аналитике: неправильные значения метрик (например, некорректно посчитанный DAU/MAU, конверсия) могут привести к ложным выводам о том, успешна ли новая функция. Е. В. Волкодавова и А. А. Конорев отмечают, что для повышения качества управленческих решений необходимо обеспечить достоверность данных и использовать интеллектуальные системы, иначе менеджмент рискует принимать неоптимальные решения [3].

Еще одна распространенная проблема – ограниченный или несвоевременный доступ к данным для тех, кто принимает решения. Если продакт-менеджер зависит от аналитиков или ИТ-отдела в получении отчетов и данных, решение может запаздывать либо приниматься “на ощущениях” без данных. Задержки в доступе к метрикам снижают адаптивность продукта: например, если команда узнает результаты эксперимента через месяцы, момент для быстрого реагирования упущен. Практика показывает, что в компаниях с развитой data-driven культурой устраняют этот барьер посредством самообслуживаемой аналитики и инструментов BI, давая менеджерам прямой доступ к данным в режиме реального времени[10].

Кроме того, часто не определены четко роли и ответственность за данные (data ownership). Без назначенных “владельцев” метрик и наборов данных никто не отвечает за их актуальность и корректность. Это приводит к ситуации, когда разные подразделения оперируют разными версиями показателя (например, каждый считает LTV по-своему). Не имея ответственных лиц, компания затрудняется улучшать качество данных и разбирать инциденты.

Отсутствие единого словаря метрик и соглашений о терминах – еще одна проблема. Разные трактовки показателей (например, что считать “активным пользователем” или от какого момента отсчитывать “удержание”) приводят к тому, что обсуждения эффективности превращаются в споры о цифрах. До тех пор, пока не унифицированы определения метрик, управленческие совещания рискуют сравнивать “яблоки и апельсины”, а решения будут основываться на неверном взаимопонимании данных. Наличие корпоративного словаря метрик является необходимым условием объективной оценки продукта.

Все перечисленные проблемы напрямую влияют на качество управленческих решений и показатели эффективности (KPI) цифрового продукта. Неадаптированные к данным решения повышают вероятность ошибки – будь то выбор неверного приоритета, запуск не той функции или игнорирование назревающей проблемы с продуктом. В результате компания может терять пользователей, ресурсы тратятся впустую, а целевые показатели (конверсия, выручка, удержание) стагнируют или падают.

Таким образом, слабое управление данными проявляется в ряде характерных рисков: субъективизм при принятии решений, задержки из-за недостатка информации, неверные приоритеты и показатели “для галочки”. Без системной работы по управлению данными продакт-менеджмент частично утрачивает научную основу и возвращается к интуитивному стилю, что в условиях цифровой конкуренции чревато отставанием. Именно поэтому в последние годы в цифровых компаниях укрепляется понимание, что данные – стратегический ресурс, требующий не только технической, но и управленческой “опричнины”.

Управленческие механизмы data governance: роли, регламенты, метрики

Для преодоления описанных проблем необходимо выстраивать систему управления данными (data governance) в рамках менеджмента продукта. Data governance – это комплекс управленческих мер, определяющих ответственность, процессы, стандарты и правила обращения с данными в организации[11]. Речь идет не о технической реализации хранения данных, а о управленческой надстройке, которая обеспечивает качество, доступность и понятность данных для принятия решений. Компании, добившиеся успеха за счет аналитики, выстроили у себя целенаправленные программы управления данными, превращая “сырые” данные в ценность для бизнеса[12]. Конкурентное преимущество достигается теми организациями, которые не только собирают данные, но и управляют ими лучше конкурентов – через соответствующие процессы и культуру.

К ключевым механизмам управления данными в контексте продакт-менеджмента можно отнести следующие:

Определение ролей и ответственности. В команде назначаются конкретные ответственные за качество и актуальность данных (например, аналитик продукта, владелец продукта). Эти роли фиксируются регламентом: кто проверяет корректность сбора метрик, кто верифицирует новые отчеты, кто обучает команду чтению показателей. Четкое распределение ответственности позволяет “закрепить” данные как актив: каждый важный датасет имеет своего владельца, отвечающего за его достоверность [3].

Единый словарь метрик и показателей. Разрабатывается и утверждается документ, где прописаны определения всех основных метрик продукта (формулы расчета, параметры, источники). Такой словарь метрик утверждается на уровне руководства и используется всеми подразделениями. Это устраняет двусмысленность и обеспечивает, что все говорят “на одном языке данных”. В крупной компании словарь может поддерживаться в виде базы знаний, доступной онлайн, с указанием ответственных за каждую метрику.

Регламенты сбора и валидации данных. Устанавливаются стандартизированные процессы: как добавляются новые события в трекинг, как проходится QA данных при релизе новых функций, с какой периодичностью проводятся аудиты данных. Например, регламент может требовать, чтобы перед запуском нового продукта были определены целевые метрики и настроены дашборды для их отслеживания. Другой пример – правило, что каждые N месяцев аналитик перепроверяет формулы ключевых KPI на соответствие методологии.

Система контроля качества данных. Менеджмент вводит метрики качества данных (полнота, актуальность, согласованность) и отслеживает их. Используются инструменты мониторинга: алерты при отсутствии поступления ожидаемых данных, отчеты о заполненности обязательных полей и т. п. В случае выявления проблем запускаются управленческие действия (разбор инцидента, корректировки процесса). Тем самым поддерживается высокая степень доверия к данным со стороны команды – ведь они знают, что данные постоянно проверяются.

Управление доступом и демократизация данных. Чтобы снять барьеры, руководство устанавливает политики, по которым данные являются максимально открытыми внутри организации при сохранении безопасности. Вводятся роли доступа (например, продуктовые метрики доступны всем участникам команды через BI-платформу, чувствительные персональные данные доступны по запросу и т. д.). Это дополняется обучением сотрудников работе с инструментами аналитики. Цель – создать культуру, где каждый принимающий решения сотрудник легко получает нужные данные сам[13]. Такая демократизация повышает оперативность и ответственность – менеджеры больше доверяют собственным решениям, когда сами видят данные.

Интеграция аналитики в управленческие процессы. Data-driven культура предполагает, что любое значимое решение должно быть подкреплено аналитическим обоснованием. Руководство внедряет этот принцип в практику: например, при обсуждении продуктового roadmap требовать от команд представления данных в пользу каждого предложения; при ретроспективах запуска – разбор метрик по результатам. Постепенно это становится нормой: решения без данных считаются недостаточно обоснованными.

Важно подчеркнуть, что все перечисленные механизмы – элементы управленческой системы, а не сугубо ИТ-инициативы. Их реализация требует организационных изменений: утверждения новых политик, изменения должностных инструкций, обучения персонала, иногда создания новых подразделений (например, отдел по управлению данными или должность CDO – директора по данным). Внедрение data governance часто идет “сверху вниз”, т. к. необходимо участие высшего менеджмента для изменения процессов и культуры [14]. Однако и продакт-менеджеры, находясь на стыке бизнес-целей и данных, нередко сами инициируют эти улучшения “снизу вверх”, показывая на примерах, как качество данных влияет на продуктовые результаты.

В итоге, правильно выстроенное управление данными создает условия для постоянного повышения качества управленческих решений. Обладая надежными, своевременными и понятными данными, менеджмент может принимать решения более уверенно, оценивать альтернативы объективно и учиться на ошибках. Исследователи в области теории решений отмечают, что одна из ключевых составляющих качества решения – это использование релевантной и достоверной информации при его подготовке[9]. Таким образом, data governance напрямую способствует росту качества решений, устраняя фактор “неопределенности из-за данных” и позволяя фокусироваться на творческих и стратегических аспектах управления продуктом.

Mini-framework “решение – данные – риск – механизм – эффект”

Для систематизации взаимосвязи между видами управленческих решений, использованием данных и инструментами управления данными автором предложен упрощенный mini-framework, представленный в таблице 1. В нем обобщены типичные управленческие решения в менеджменте цифровых продуктов, какие данные и метрики требуются для их принятия, какие существуют риски, связанные с данными, а также указаны соответствующие управленческие механизмы (элементы data governance) и ожидаемый эффект от их применения на качество решения и итоговые KPI продукта.

Таблица 1.

Риски и управленческие механизмы в data-driven управлении

В таблице 1 представлено несколько типовых ситуаций и решений продакт-менеджера. Каждая строка иллюстрирует “цепочку” от решения через данные и риск к инструменту и эффекту. Рассмотрим некоторые примеры подробнее. Стратегическое решение о ценностном предложении и целевом сегменте должно базироваться на надежных инсайтах о потребностях пользователей – это достигается за счет глубокой работы с клиентами (интервью, гипотезы) и хранения этих знаний. Если же таких данных нет или они неверны, компания может выбрать ошибочный рынок, что чревато провалом продукта. Второй пример – выбор ключевых метрик: если менеджмент определит не те показатели успеха, команда может оптимизировать неважные вещи. В работе А.Г. Шаврея подчеркнуто, что корректные метрики ценности продукта позволяют объективно оценивать успех цифрового продукта[15], поэтому внедрение единого словаря метрик и привязка их к бизнес-целям обеспечивает фокус на том, что действительно влияет на ценность и успех.

При принятии тактических продуктовых решений, например приоритизации бэклога, отсутствие данных приводит к влиянию субъективных факторов – “громкий голос” победит, а не реальная ценность функционала. Использование же четких критериев на основе метрик (скажем, влияние на конверсию, количество затрагиваемых пользователей, прогнозируемый ROI) и предоставление продуктовой аналитики команде снижает этот риск. Как указывает А. В. Попов, применение продуктовой аналитики позволяет улучшить обоснованность продуктовых решений[7], что подтверждает эффективность механизма включения аналитика/аналитических дашбордов в процесс планирования.

Решения по UX-изменениям и улучшениям интерфейса также выигрывают от data-driven подхода. В таблице отражено, что анализ поведенческих метрик (куда кликают пользователи, где отпадают в воронке) и проведение UX-исследований дают фактическую основу для изменений, благодаря чему улучшаются показатели вовлеченности и удержания. Без этих данных команда рискует сделать “улучшение”, которое на деле ухудшит опыт.

Далее, решение о монетизации и ценах: неправильно установив цену без анализа, можно отпугнуть значительную часть аудитории или недополучить прибыль. Управленческий механизм в виде экспериментов (A/B-тестирование разных ценовых планов) и анализа эластичности спроса на базе данных продаж позволяет найти оптимальную модель, увеличивающую доход и удовлетворенность клиентов. Наконец, завершающий пример – оценка запуска (новой функции или продукта) и решение, что с ним делать дальше. Здесь критически важно иметь корректные KPI и достоверные данные фидбэка. Регулярный обзор метрик запуска и жесткий контроль качества собираемых данных (чтобы не было “ошибки выжившего” или смещения выборки) – тот механизм, который не даст команде продолжать провальный эксперимент слишком долго. Наоборот, при прозрачных данных решение о закрытии неудачного продукта либо о пивоте принимается вовремя, что экономит ресурсы и позволяет направить усилия в более перспективное русло.

Предложенный mini-framework демонстрирует, что для каждого вида управленческого решения можно заранее предусмотреть, какие данные необходимы и каков риск, если этими данными пренебречь. Далее, сопоставляя риску соответствующий механизм data governance, менеджер может проактивно повысить качество решения. По сути, это прикладное воплощение принципа: “качество решения растет при повышении качества и управляемости данных”. Представленный в таблице подход может служить чек-листом для продакт-менеджеров при анализе своих процессов: какие управленческие решения есть и покрыты ли они данными и механизмами. Кроме того, такой формат коммуникации полезен для диалога между бизнес-ролью (продакт-менеджером) и специалистами по данным: он говорит “мне нужно решение X, для этого нужны данные Y, если Y нет – риск, давайте внедрим механизм Z, чтобы получить Y, тогда выигрыш будет W”. Это создает общее понимание между руководителями продукта и данных.

Заключение

Управление цифровыми продуктами на основе данных повышает обоснованность и эффективность управленческих решений в условиях динамичного рынка. В ходе исследования установлено, что качество решений продакт-менеджера напрямую зависит от качества и доступности данных. Основными проблемами являются фрагментация данных, низкая достоверность метрик, задержки и организационные барьеры в аналитике. Без целенаправленного управления данными решения принимаются интуитивно, что ведет к ошибкам, потере ресурсов и снижению ключевых продуктовых показателей. Data-driven подход требует институционализации – внедрения data governance как системы процессов, ролей и правил, обеспечивающих надежные данные для всех уровней принятия решений. Предложенные в статье контур управленческого решения (рис. 1) и mini-framework (табл. 1) показывают наглядно, как встраивание управления данными в продуктовый цикл позволяет избежать типичных провалов и улучшить метрики продукта.

Новые результаты, полученные автором: 1) сформулирована концепция контура управленческого решения цифрового продукта, описывающая использование данных на этапах исследования, приоритезации, реализации, измерения, обучения и влияющая на качество решений; 2) выявлены и систематизированы риски, вызванные слабыми практиками управления данными в продуктовой деятельности (фрагментация, некачественные данные, отсутствие метрик и др.), и обосновано их негативное влияние на KPI продукта; 3) предложен оригинальный мини-фреймворк, увязывающий типовые решения продакт-менеджмента с необходимыми данными, рисками данных, управляющими механизмами (data governance) и ожидаемым эффектом на качество решений и результаты продукта.

Теоретическая значимость работы состоит в обогащении теории менеджмента цифровых продуктов за счет интеграции концепций data-driven принятия решений и корпоративного управления данными. Полученные результаты расширяют представления о факторах качества управленческих решений, показывая роль информационной обеспеченности и культуры работы с данными. Это вносит вклад в развитие научных подходов к управлению на основе данных, соединяя их с предметной областью продуктового менеджмента.

Практическая значимость заключается в том, что изложенные выводы и рекомендации могут быть непосредственно применены в бизнес-практике. Продакт-менеджеры и руководители цифровых проектов на основе данного исследования могут провести аудит своих процессов управления данными, внедрить предложенные механизмы (ролей, регламентов, метрик) и тем самым повысить качество принимаемых решений. В конечном итоге это приводит к улучшению продуктовых показателей – росту конверсии, удержания, выручки – за счет более точного и быстрого реагирования на информацию. Управление цифровым продуктом, основанное на достоверных данных, становится конкурентным преимуществом компании, позволяя ей “управлять на опережение” и успешнее удовлетворять потребности пользователей в цифровой экономике.

Список литературы:

1. Пальцун И.Н., Томашевская И. Г. Управление на основе данных в условиях цифровой трансформации бизнеса // Управление в условиях неопределенности: ответы на технологические вызовы в России. М., 2025. С. 205–209. URL: https://cyberleninka.ru/article/n/upravlenie-na-osnove-dannyh-v-usloviyah-tsifrovoy-transformatsii-biznesa (дата обращения: 27.01.2026)
2. Brynjolfsson E., Hitt L.M., Kim H.H. Strength in Numbers: How Does Data-Driven Decision Making Affect Firm Performance? NBER Working Paper No. 17391. 2011. URL:https://www.researchgate.net/publication/228221847_Strength_in_Numbers_How_Does_Data-Driven_Decisionmaking_Affect_Firm_Performance (дата обращения: 20.01.2026)
3. Волкодавова Е. В., Конорев А. А. Искусственный интеллект как драйвер повышения качества управленческих решений менеджмента нефтяных компаний // Национальные интересы: приоритеты и безопасность. 2025. № 4. С. 50–57. URL: https://elibrary.ru/item.asp?id=80662223 (дата обращения: 27.01.2026)
4. Особенности цифровой трансформации методов принятия… [Электронный ресурс]. URL: https://vestnikskfu.elpub.ru/jour/article/view/3075/0 (дата обращения: 24.01.2026)
5. Совершенствование процесса принятия управленческих… [Электронный ресурс]. URL: https://agvu.urgau.ru/ru/3-2024/13-3-2024.html (дата обращения: 21.01.2026)
6. Будрин А.Г., Измайлова А.А., Кувшинов Р.А. Управление жизненным циклом цифровых продуктов на основе концепции экосистемы знаний // Экономика. Право. Инновации. 2025. Т. 13. № 2. С. 4–12. URL: https://cyberleninka.ru/article/n/upravlenie-zhiznennym-tsiklom-tsifrovyh-produktov-na-osnove-kontseptsii-ekosistemy-znaniy (дата обращения: 27.01.2026)
7. Попов А.В. Продуктовая аналитика: инструмент для принятия обоснованных решений // Вестник науки. 2024. № 5(74). Ч. 2. С. 716–733. URL: https://cyberleninka.ru/article/n/produktovaya-analitika-instrument-dlya-prinyatiya-obosnovannyh-resheniy (дата обращения: 26.01.2026)
8. Доказательная практика в аналитике данных: методы, принципы и кейсы [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/dokazatelnaya-praktika-v-analitike-dannyh-metody-printsipy-i-keysy/viewer (дата обращения: 27.01.2026)
9. Spetzler C.S., Winter H., Meyer J. Decision Quality: Value Creation from Better Business Decisions. Hoboken, NJ: John Wiley & Sons, 2016. URL: https://books.google.com/books/about/Decision_Quality.html?id=ImrzjwEACAAJ (дата обращения: 27.01.2026)
10. Выступления экспертов DIS Group и Юниверс Дата в рамках… [Электронный ресурс]. URL: https://dis-group.ru/materials/upravlenie-dannimi-conference/ (дата обращения: 22.01.2026)
11. Data Governance: что это за стратегия, как она внедряется… [Электронный ресурс]. URL: https://rt-solar.ru/products/solar_dag/blog/5677/ (дата обращения: 25.01.2026)
12. Book Review: “Decision Quality” by Carl Spetzler, Hannah Winter… [Электронный ресурс]. URL: https://www.designative.info/2025/07/22/book-review-decision-quality-carl-spetzler-hannah-winter-jennifer-meyer/ (дата обращения: 27.01.2026)
13. Основные аспекты управления данными в государственных и международных организациях [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/osnovnye-aspekty-upravleniya-dannymi-v-gosudarstvennyh-i-mezhdunarodnyh-organizatsiyah (дата обращения: 26.01.2026)
14. «Управление данными 2023»: инструменты трансформации [Электронный ресурс]. URL: https://analytics.netrika.ru/publikatsii/novosti/upravlenie-dannymi-2023-instrumenty-transformatsii/
15. Шаврей А.Г. Метрики успеха в продакт-менеджменте: как измерять ценность продукта // Вестник науки. 2025. № 1(82). Ч. 2. С. 215–227.