http://rmid-oecd.asean.org/situs slot gacorlink slot gacorslot gacorslot88slot gacorslot gacor hari inilink slot gacorslot88judi slot onlineslot gacorsitus slot gacor 2022https://www.dispuig.com/-/slot-gacor/https://www.thungsriudomhospital.com/web/assets/slot-gacor/slot88https://omnipacgroup.com/slot-gacor/https://viconsortium.com/slot-online/http://soac.abejor.org.br/http://oard3.doa.go.th/slot-deposit-pulsa/https://www.moodle.wskiz.edu/http://km87979.hekko24.pl/https://apis-dev.appraisal.carmax.com/https://sms.tsmu.edu/slot-gacor/http://njmr.in/public/slot-gacor/https://devnzeta.immigration.govt.nz/http://ttkt.tdu.edu.vn/-/slot-deposit-dana/https://ingenieria.unach.mx/media/slot-deposit-pulsa/https://www.hcu-eng.hcu.ac.th/wp-content/uploads/2019/05/-/slot-gacor/https://euromed.com.eg/-/slot-gacor/http://www.relise.eco.br/public/journals/1/slot-online/https://research.uru.ac.th/file/slot-deposit-pulsa-tanpa-potongan/http://journal-kogam.kisi.kz/public/journals/1/slot-online/https://aeeid.asean.org/wp-content/https://karsu.uz/wp-content/uploads/2018/04/-/slot-deposit-pulsa/https://zfk.katecheza.radom.pl/public/journals/1/slot-deposit-pulsa/https://science.karsu.uz/public/journals/1/slot-deposit-pulsa/ Московский экономический журнал 9/2021 - Московский Экономический Журнал1

Московский экономический журнал 9/2021

Научная статья

Original article

УДК 33

doi: 10.24412/2413-046Х-2021-10532

ИСПОЛЬЗОВАНИЕ СОВРЕМЕННЫХ ЦИФРОВЫХ СРЕДСТВ БИЗНЕС-АНАЛИТИКИ В УПРАВЛЕНИИ ДЕЯТЕЛЬНОСТЬЮ ДЕРЕВООБРАБАТЫВАЮЩИХ ПРЕДПРИЯТИЙ

THE USE OF MODERN DIGITAL TOOLS OF BUSINESS INTELLIGENCE IN THE MANAGEMENT OF THE ACTIVITIES OF WOODWORKING ENTERPRISES 

Захаренкова Ирина Анатольевна, кандидат экономических наук, доцент, Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова – СПбГЛТУ, г. Санкт-Петербург

 Беляева Татьяна Павловна, кандидат экономических наук, доцент, Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова — СПбГЛТУ, г. Санкт-Петербург

Иготти Ирина Николаевна, кандидат экономических наук, доцент, Санкт-Петербургский государственный лесотехнический университет им. С.М. Кирова — СПбГЛТУ, г. Санкт-Петербург

Zakharenkova Irina  Anatolevna, candidate of Science, associate Professor, St Petersburg State Forest Technical University named after C.M. Kirov – SPSFTU, Russia, St Petersburg

Belyaeva Tatiana Pavlovna, candidate of Science, associate Professor, St Petersburg State Forest Technical University named after C.M. Kirov – SPSFTU, Russia, St Petersburg

Igotty Irina Nikolaevna, candidate of Science, associate Professor, St Petersburg State Forest Technical University named after C.M. Kirov – SPSFTU, Russia, St Petersburg

 Аннотация. Статья посвящена обоснованию и раскрытию потенциала использования метода интеллектуального анализа данных Data Mining в практике принятия управленческих решений на российских деревообрабатывающих предприятиях. Авторы анализируют возможности и инструменты Data Mining для решения задач управления, планирования и организации деятельности, исследуют конкретные области принятия эффективных управленческих решений с использованием технологии Data Mining.

Abstract. The article is devoted to the substantiation and disclosure of the potential of using the Data Mining method in the practice of making management decisions at Russian woodworking enterprises. The authors analyze the capabilities and tools of Data Mining for solving management problems, planning and organizing activities, explore specific areas for making effective management decisions using Data Mining technology.

Ключевые слова: цифровые технологии, Big Data, Data Mining, сложноструктурируемые задачи, искусственный интеллект, программное обеспечение, управление, планирование, прогнозирование

Keywords: digital technologies, Big Data, Data Mining, complexly structured tasks, artificial intelligence, software, management, planning, forecasting

Актуальное значение на сегодняшний день принимает проблема использования цифровых технологий в диагностике и реализации различных решений на уровне отдельно взятых отраслевых предприятий.

Отраслевые особенности промышленного производства и технологических процессов предприятий лесопромышленного комплекса России создают хорошие предпосылки для возможностей использования современных цифровых технологий обработки данных в ходе решения различных задач, связанных с повышением эффективности деятельности и системным планированием.

Несмотря на широкий спектр цифровых технологий для лесопромышленного комплекса и деревообрабатывающих предприятий, в настоящее время сравнительно немного практических примеров их реального использования, поскольку процесс перехода цифровых технологий в бизнес-процессы представляется сложноструктурируемой проблемой, понимание и осознание которой часто вызывает определенные затруднения, поскольку большие массивы неоднородной и быстро поступающей цифровой информации обработать традиционными инструментами невозможно.

В настоящее время в мире интенсивно развивается направление, связанное с интеллектуализацией методов обработки и анализа данных. Потребность в обработке и структурировании больших объемов информации, не имеющей заранее определенной структуры, вынуждает бизнес изучать и адаптировать современные приемы обработки данных с использованием методов Big Data, которые принято считать социально-экономическим феноменом, связанным с появлением новых технологических возможностей для этой проблемы.

Big Data — это различные инструменты, подходы и методы обработки как структурированных, так и неструктурированных данных для решения конкретных задач и целей с получением оптимальных и эффективных результатов.

Подходы Big Data эффективны в современных экономических условиях обеспечения непрерывного прироста, и являются современной альтернативой традиционным системам управления базами данных и решениям класса Business Intelligence.

Применение приемов Big Data позволяет распознать и проанализировать многочисленные неявные или вовсе незаметные закономерности, которые невозможно определить, используя стандартные приемы обработки информации. Это преимущество позволяет оптимизировать все сферы жизни — от государственного управления до производства и телекоммуникаций:

  • геоаналитика (набор инструментов и методов по работе с пространственными данными);
  • колл-центры (обработка обращений по голосовым каналам связи в интересах организации-заказчика);
  • управление оттоком (методы многомерной классификации в условиях оттока клиентов у функционирующих на рынке компаний);
  • антифрод (антиспам) (отслеживание потока информации по борьбе с мошенничеством и определение ограничений или лимитов фрод-мониторинговых и антиспам-решений);
  • целевой маркетинг (ранжирование параметров сегментирования и выбора целевого рынка, а также позиционирования продукции компании);
  • управление качеством (определение параметров и условий соблюдения качества продукции, факторный анализ и моделирование критериев качества);
  • развитие сети (моделирование системных индикаторов и создание конвергированных сетей данных).

К инструментам и методам Big Data относятся различные технологии, такие как Data Mining, краудсорсинг, смешение и интеграция данных, искусственные нейронные сети; имитационное моделирование и пр.

Из перечисленных технологий особое внимание для работы с базами данных деревообрабатывающих предприятий заслуживает система Data Mining – метод интеллектуального анализа данных, позволяющий выявить скрытые закономерности или связи между переменными в больших массивах необработанных данных [1].

Целью методов Data Mining является обнаружение ранее неизвестных, нетривиальных, практически полезных знаний. Интеллектуальный анализ данных находится на стыке таких научных направлений как искусственный интеллект (нейронные сети и машинное обучение), математическая статистика и теория баз данных.

Среди аналитических приемов, используемых в технологии Data Mining, применяются известные математические алгоритмы. Новым в их применении является возможность использования при решении конкретных проблем, обусловленная появившимися возможностями технических средств и программных продуктов. Здесь на помощь приходит теория искусственного интеллекта, в рамках которой были разработаны многие методы Data Mining.

Модели интеллектуального анализа данных могут применяться к конкретным сценариям развития любого деревообрабатывающего предприятия, рассмотренного в контексте использования Data Mining. Однако, наиболее подходящей площадкой для применения данной технологии будет крупное деревообрабатывающее предприятие, что объясняется наличием обширной базы данных для анализа по различным сферам деятельности.

Основные области применения технологии Data Mining на производственных предприятиях разнообразны и охватывают разные сферы и виды деятельности [2]:

  • целевой маркетинг: факторный анализ выбранных рыночных сегментов сбыта продукции деревообработки, оценка вероятностей продвижения товарных групп продукции, общий факторный анализ выбранной стратегии целевого маркетинга.
  • прогнозирование: оценка прогнозов сбыта, продаж, прогнозирование уровня прибыльности и рентабельности компании.
  • риск и вероятность: определение точки равновесия для рискованных сценариев реализации стратегий развития компании.
  • поиск последовательностей: анализ выбора поставщиков во время совершения закупок ресурсов, прогнозирование следующего возможного события в общей диагностике ситуации.
  • группирование: создание групп по связанным элементам, анализ и прогнозирование ключевых факторов, оказывающих влияние на событие или показатель.

Data Mining, работающей со слабо структурированными задачами, с успехом могут использоваться для диагностики параметров внешней среды, а также параметров, связанных с такими индикаторами производственной деятельности, как качество продукции, оперативное планирование хода производства, диагностика диспропорций и остановок производственных процессов, разработка долгосрочных сценариев производственной деятельности.

Все же основное направление использования технологии Data Mining в практике деятельности деревообрабатывающих предприятий сегодня – это область принятия управленческих решений различного уровня сложности при планировании в условиях неопределенности, связанное с решением стратегических задач развития предприятия в долгосрочной перспективе.

Широкая область применения интеллектуального анализа данных в практике управления и планирования связана также с разработкой научно обоснованных прогнозов. При этом временной горизонт, на который составляются прогнозы, не имеет значения. Проектное и программное прогнозирование, а также разработка поисковых и нормативных прогнозов может осуществляться с использованием графовых вероятностных моделей, корреляционно-регрессионного анализа, методов ограниченного перебора через применение технологических приемов Data Mining.

Актуальность использования приемов и технологии Data Mining в практике деятельности современных лесопромышленных предприятий объясняется усложнением поиска оптимальных решений, потребностью в обширном анализе и диагностике результатов деятельности в условиях Интернет-экономики (цифровой экономики), когда формируется коммерческая направленность поиска тенденций развития рынков и систем, планирования и прогнозирования развития предприятий.

Рынок инструментов Data Mining определяется широтой этой технологии и вследствие этого — огромным многообразием программного обеспечения.

Наиболее известный представитель свободно распространяемого набора инструментов — пакет Weka, который представляет собой набор алгоритмов машинного обучения для решения реальных Data Mining-проблем. Weka написана на Java и запускается практически со всех платформ. Примерами российской разработки инструментального набора являются пакеты Polyanalyst и Deductor [3].

Наиболее популярная группа инструментов Data Mining содержит следующие категории:

  • наборы инструментов (методы классификации, кластеризации и предварительной подготовки данных: Clementine, DBMiner0 Enterprise, IBM Intelligent Miner for Data, KXEN, Oracle Data Mining (ODM), Polyanalyst, SAS Enterprise Miner, SPSS, Statistica Data Miner);
  • классификация данных (правила, деревья решений, нейронные сети, Байесовские сети, метод опорных векторов и др.);
  • кластеризация и сегментация (ClustanGraphics3, CViz Cluster Visualization, IBM Intelligent Miner for Data, PolyAnalyst, Autoclass C, PermutMatrix, PROXIMUS, Snob);
  • инструменты статистического анализа (Statistica Data Miner);
  • анализ текстов (Text Mining), извлечение отклонений (Information Retrieval (IR));
  • инструменты визуализации (Visipoint, Self-Organizing Map clustering).

Среди поставщиков Data Mining можно выделить ряд компаний, основная цель которых — консультирование по применению Data Mining. Одна из наиболее известных среди них — компания Two Crows [2].

На рынке программного обеспечения Data Mining идет постоянная конкурентная борьба за потребителя. Такая конкуренция порождает новые качественные решения. Все большее число поставщиков стремятся объединить в своих инструментах как можно большее число современных методов и технологий. Data Mining-инструменты чаще всего рассматриваются как составная часть рынка Business Intelligence, который, несмотря на некоторый общий спад в индустрии информационных технологий, уверенно и постоянно развивается.

Рынок Business Intelligence, в том числе рынок инструментов Data Mining, настолько широк и разнообразен, что любая деревообрабатывающая компания может выбрать для себя инструмент, который подойдет ей по функциональности и по возможностям бюджета.

Можно выделить основные локации деятельности предприятий деревообработки, в рамках которых могут использоваться инструменты Data Mining (таблица 1).

Локации по каждой задаче для анализа могут быть расширены. По сути, любая сфера деятельности деревообрабатывающего предприятия или группы предприятий, содержащая большие базы данных для целей обработки информации и компилирования результатов по определенному алгоритму, может выступать полем деятельности для применения приемов интеллектуального анализа данных.

Процент решаемых задач в определенной степени условен, однако приближен к оценке полезности применения приемов Data Mining в деятельности современных международных компаний [1].

Таким образом, использование приемов Data Mining отечественными деревообрабатывающими предприятиями дает ощутимые преимущества и способствует унификации программно-управленческих решений в условиях развития электронной коммерции и Интернет-медиа. Кроме того, на фоне отсутствия единства подходов к форматам информационного обмена, аналитической обработки, моделирования и визуализации отраслевой информации, методы Data Mining – инструмент для проектирования и развития отраслевых предприятий и получения ими ощутимых конкурентных преимуществ.

Список источников

  1. Барсегян А.А. и др. Методы и модели анализа данных: OLAP и Data Mining / Учебное пособие – 2-е изд.: СПб.: БХВ-Петербург, 2004. – 336 с.
  2. Мэтью Р. Data mining. Извлечение информации из Facebook, Twitter, LinkedIn, Instagram, GitHub. СПб.: ПИТЕР, 2020. – 464 с.
  3. Программное обеспечение Data Mining для поиска ассоциативных правил [Электронный ресурс] – URL: https://intuit.ru/studies/courses/6/6/lecture/200?page=2 – Дата обращения: 03.10.2021.

References

  1. Barsegyan A.A. i dr. Metody` i modeli analiza danny`x: OLAP i Data Mining / Uchebnoe posobie – 2-e izd.: SPb.: BXV-Peterburg, 2004. – 336 s.
  2. Me`t`yu R. Data mining. Izvlechenie informacii iz Facebook, Twitter, LinkedIn, Instagram, GitHub. SPb.: PITER, 2020. – 464 s.
  3. Programmnoe obespechenie Data Mining dlya poiska associativny`x pravil [E`lektronny`j resurs] – URL: https://intuit.ru/studies/courses/6/6/lecture/200?page=2 – Data obrashheniya: 03.10.2021.

Для цитирования: Захаренкова И.А., Беляева Т.П., Иготти И.Н. Использование современных цифровых средств бизнес-аналитики в управлении деятельностью деревообрабатывающих предприятий // Московский экономический журнал. 2021. № 9. URL: https://qje.su/ekonomicheskaya-teoriya/moskovskij-ekonomicheskij-zhurnal-9-2021-19/

© Захаренкова И.А., Беляева Т.П., Иготти И.Н., 2021. Московский экономический журнал, 2021, № 9.