Інтелектуальний аналіз бізнесових даних як фактор посилення конкурентної позиції підприємства

Размещено на http://www.allbest.ru/

Благодійний фонд "Юкрейніанстугезер"

Інтелектуальний аналіз бізнесових даних як фактор посилення конкурентної позиції підприємства

Науменко Максим Анатолійович кандидат економічних наук, Заступник директора з питань фінансів

Зіньків



Анотація

Інтелектуальний аналіз даних -- це обчислювальний процес, спрямований на виявлення закономірностей, зв'язків і тенденцій у великих наборах даних. Його мета полягає в отриманні нової, прихованої в даних, але цінної інформації, яка підтримує прийняття рішень, підвищує точність прогнозування, оптимізує процеси та дозволяє відкривати знання в різних дисциплінах і галузях. За допомогою складних алгоритмів інтелектуальний аналіз даних перетворює необроблені накопичені дані в корисну інформацію, полегшуючи стратегічне планування, покращення операційної ефективності та інновації як у теоретичних дослідженнях, так і в практичних застосуваннях. обчислювальний даний інформація

Саме інтелектуальний аналіз даних відіграє ключову роль у вдосконаленні практики адаптивного управління, надаючи корисну інформацію, покращуючи процеси прийняття рішень і підтримуючи адаптивні відповіді на складні та динамічні виклики підприємств. Хоча технології інтелектуального аналізу даних пропонують значні переваги в адаптивному управлінні, вирішення проблем, пов'язаних із якістю даних, конфіденційністю, інтерпретацією та залученням зацікавлених сторін, є дуже важливим. Використовуючи досягнення технологій та методів Data Mining і сприяючи міждисциплінарному співробітництву, підприємства, компанії та організації можуть використовувати весь потенціал інтелектуального аналізу даних, щоб досягти адаптивної стійкості та сталості не тільки в умовах конкурентного ринкового середовища, але і в умовах дії всіх типів кризових факторів.

В цій статті відображено авторські науково-практичні результати ретельного і системного аналізу різних практик, досвіду, результатів і майбутніх перспектив використання інтелектуального аналізу даних в контексті адаптивного управлінні сучасними конкурентними підприємствами. В статті також досліджено практику застосування інтелектуального аналізу даних в різних бізнес-функціях підприємства, оцінено переваги та проблеми, а також досліджено можливі етичні проблеми та перестороги технології. Крім того, в даному дослідженні проаналізовано реальні приклади реалізованих успішних проектів в практиці компаній, які використовують інтелектуальний аналіз даних, досліджуючи їх вплив на інтегровану ефективність і конкурентну позицію. У поточній публікації також було досліджено нові тенденції, потенційні досягнення та очікуваний вплив цих тенденцій на різні сфери управління конкурентним підприємством в нестабільних зовнішніх умовах.

Підсумовуючи, варто зазначити, що інтелектуальний аналіз даних пропонує значні перспективи для покращення управління підприємством шляхом удосконалення процесу прийняття рішень, операційної ефективності, аналізу клієнтів та підрядників, управління ризиками, інновацій та адаптивного конкурентного позиціонування, що, з одного боку, залежить від етичних пересторог технології, а з іншого від постійного прогресу в технологіях тоиального інтелектуального аналізу даних.

Ключові слова: управління підприємством, інтелектуальний аналіз даних, бізнес-аналітика, ефективність та конкурентність



Abstract

Naumenko Maksym Anatoliyovych PhD in Economics, CFO, Charitable Foundation "Ukrainians Together", Zinkiv

DATA MINING OF BUSINESS DATA AS THE FACTOR FOR STRENGTHENING A COMPETITIVE POSITION OF AN ENTERPRISE

Data mining is a computational process aimed at discovering patterns, relationships, and trends in large data sets. Its purpose is to obtain new, hidden in the data, but valuable patterns, regularities that supports decision-making, increases the accuracy of forecasting, optimizes processes and allows the discovery of knowledge in various disciplines and industries. Using sophisticated algorithms, data mining transforms raw accumulated data into useful information, facilitating strategic planning, improved operational efficiency, and innovation in both theoretical research and practical applications.

It is Data Mining that plays a key role in improving the practice of adaptive management, providing useful information, improving decision-making processes and supporting adaptive responses to complex and dynamic challenges of enterprises. While data mining technologies offer significant benefits in adaptive management, addressing issues related to data quality, privacy, interpretation, and stakeholder engagement is critical. Using the advances in Data Mining technologies and methods and promoting interdisciplinary cooperation, enterprises, companies and organizations can use the full potential of Data Mining to achieve adaptive stability and sustainability not only in a competitive market environment, but also in all types of crisis factors.

This article reflects the author's scientific and practical results of a thorough and systematic analysis of various practices, experience, results and future prospects of using Data Mining in the context of adaptive management of modern competitive enterprises. The article also examines the practice of applying Data Mining in various business functions of the enterprise, evaluates the advantages and problems, and also examines possible ethical problems and caveats of the technology. In addition, this study analyzed real examples of implemented successful projects in the practice of companies that use Data Mining, examining their impact on integrated efficiency and competitive position. The current publication also explored emerging trends, potential advances, and the expected impact of these trends on various areas of competitive enterprise management in volatile external environments.

In conclusion, it is worth noting that the Data Mining offers significant prospects for improving enterprise management by improving the decision-making process, operational efficiency, customer and contractor analysis, risk management, innovation and adaptive competitive positioning, which, on the one hand, depends on the ethical precautions of the technology , and on the other hand, from the constant progress in the technologies of real Data Mining.

Keywords: enterprise management, Data Mining, business analytics, efficiency and competitiveness



Постановка проблеми

Ефективне конкурентоспроможне управління передбачає стратегічне планування та якісне і оперативне виконання для вигідного позиціонування підприємства на ринку. У бізнес-ландшафті, що швидко розвивається, конкурентоспроможне управління має вирішальне значення для підприємств, які прагнуть досягти та підтримувати конкурентну перевагу [1]. Ефективне управління конкуренцією передбачає набір стратегій і практик, спрямованих на підвищення продуктивності організації порівняно з її конкурентами [2]. Іншими словами, ефективне управління конкурентоспроможністю можна визначити як системний підхід до виявлення, розробки та реалізації стратегій, які підвищують здатність підприємства перевершувати своїх конкурентів. Це передбачає постійний аналіз конкурентного середовища, стратегічне планування та ефективне використання ресурсів для досягнення цілей організації, особливо в складних умовах України [3].

Крім того, необхідно зазначити, що у поточну епоху цифрових технологій Industry 4.0 та Industry 5.0 [4] - ВСІ підприємства та компанії генерують величезні обсяги структурованих, напівструктурованих та неструктурованих даних з різних джерел (таких, як: соціальні мережі та мережева активність; датчики, сенсори та роботи; корпоративні системи ERP,

CRM, MES, WMS, EAM, HRM) на всіх рівнях деталізації та часових горизонтах управління. Поява великих даних революціонізувала роботу, конкуренцію та розвиток підприємств [5-7]. Великі дані значно підвищують конкурентоспроможність і ефективність підприємств, забезпечуючи глибоке розуміння, оптимізуючи операції та стимулюючи інновації. Саме аналіз та аналітика великих даних може стимулювати прийняття ефективних стратегічних рішень, операційну оптимізацію та конкурентну перевагу.

Також, в контексті стійкої, конкурентної ринкової позиції підприємства чи компанії, варто зробити наголос на адаптивному та інноваційному управлінні [8-11] - це динамічний підхід до прийняття рішень і управління ресурсами, який об'єднує навчання з моніторингу та оцінки для коригування стратегій у відповідь на зміни умов. Адаптивне управління передбачає ітераційні цикли планування, впровадження, моніторингу та оцінки, де рішення постійно коригуються на основі нової інформації та зворотного зв'язку. У адаптивному управлінні ці ідеї дозволяють підприємствам, компаніям та організаціям покращити розподіл ресурсів, оптимізувати втручання та підвищити стійкість до невизначеності та змін. Саме інтелектуальний аналіз даних відіграє вирішальну роль в адаптивному управлінні, використовуючи машинне навчання всіх типів на великих накопичених наборах даних для отримання нової, корисної і неявної інформації, виявлення закономірностей і підтримки прийняття рішень на основі емпіричних прецендентів, евристик [12-14].

Безпосередньо концепнція Інтелектуального аналізу даних (надалі - ІАД) або Data Mining - це процес виявлення прихованих шаблонів і знань із вищезгаданих накопичених наборів даних/евристик, який став наразі вирішальним для ефективного і конкурентного управління підприємством. Інтелектуальний аналіз даних, як підмножина аналізу та аналітики даних, пропонує потужні інструменти та методи для отримання цінної інформації зі складних і різнорідних наборів даних [15-17]. Саме ІАД є невід'ємним інструментом у сучасному інноваційному управлінні підприємством, який полегшує вилучення цінної, невідомої раніше, інформації/закономірностей/ знань з великих наборів емпіричних даних для покращення процесу прийняття рішень, ефективності роботи та конкурентної переваги.

Крім того, обовязково варто зазначити, що ІАД відіграє вирішальну роль у врегулюванні кризових ситуацій, витягаючи цінну інформацію з великих обсягів даних для підтримки прийняття рішень і стратегій реагування під час надзвичайних ситуацій. Кризове управління передбачає систематичне планування, координацію та впровадження стратегій запобігання, підготовки до них, реагування та відновлення після надзвичайних ситуацій чи катастроф [18, 19]. Інтелектуальний аналіз даних, як підмножина аналітики даних, пропонує потужні інструменти та методи для вилучення значущих шаблонів і розуміння з різноманітних наборів даних. У управлінні кризою ці знання можуть інформувати тих, хто приймає рішення, покращувати обізнаність про ситуацію, ефективно розподіляти ресурси та ефективно зменшувати ризики. Саме такі методи інтелектуального аналізу даних, як кластеризація, класифікація, аналіз правил асоціації [20] та пощук послідовностей, регре- сійний аналіз - сприяють підвищенню готовності, ефективності реагування та зусиллям щодо відновлення в різних сценаріях кризи.

Враховуючи вищенаведене, особливої актуальності набуває задача дослідження ефективної та оптимальної концепції використання ІАД у ефективному адаптивному менеджменті підприємств та компаній, з метою покращення їх конкурентноздатності (особливо в кризових умовах). Тому ця публікація має на меті забезпечити комплексний аналіз та науково-практияні результати (підкріплені теоретичними основами, тематичними дослідженнями та емпіричними доказами) щодо концепції та методології того, як саме інтелектуальний аналіз даних покращує методи адаптивного, антикризового управління підприємством.

Аналіз останніх досліджень і публікацій

Базові положення теорії класичного Data Mining розкрито в публікаціях таких науковців, як: Piatetsky- Shapiro Gregory, Taipale Kim A, Lovell Michael C., Charemza Wojciech W. and Deadman Derek F., Fayyad Usama Smyth Padhraic, Kantardzic Mehmed, Han Jiawei and Kamber Micheline, Seltzer William, Kamber Micheline and Pei Jian, Olson D. L., Azevedo A. and Santos M. F., Hastie Trevor and Tibshirani Robert and Friedman Jerome, Coenen Frans, Lukasz Kurgan and Petr Musilek тощо.

Однак актуальними та не вирішеними питаннями є особливості системного впровадження, оптимального налаштування та ефективного застосування інноваційних алгоритмів та методів Data Mining для структурованих даних при прийнятті ефективних рішень з конкурентного управління підприємством (особливо в умовах мультимодальних кризових явищ) для посилення його ринкової позиції.

Мета статті - дослідження ефективної та оптимальної концепції та методології використання ІАД у адаптивному менеджменті підприємств та компаній, з метою покращення їх конкурентноздатності (особливо в кризових умовах), а саме:

ретельний і системний аналіз різних практик, досвіду, результатів і майбутніх перспектив використання інтелектуального аналізу даних в контексті адаптивного управлінні сучасними конкурентними підприємствами;

дослідження практик застосування інтелектуального аналізу даних в різних бізнес-функціях підприємства, оцінка переваг і проблем, а також дослідження можливих етичних проблем та пересторог;

критичний аналіз реальних прикладів реалізованих успішних Data Mining проектів в практиці підприємств і компаній;

- виявлення нових тенденцій, потенційних досягнень та очікуваний їх на різні функціональні сфери управління конкурентним підприємством.

Методи дослідження

У цьому дослідженні застосовано ретельний та системний огляд спеціалізованої профільної наукової літератури, галузевих звітів і практичних прикладів Data Mining в управлінні підприємством чи компанією. Використані кластичні методи аналізу та синтезу, дедукції та індукції у поєднанні з авторськими евристиками та емпіричними insights. Цей методологічний підхід забезпечує детальне, систематичне та результативне дослідження ролі, функціоналу, технологічних механізмів, методів/алгоритмів, режимів, переваг та пересторог успішних проектів інтелектуального аналізу бізнесових даних в ефективному управлінні конкурентним підприємством.

Виклад основного матеріалу

Результати авторських емпіричних спостережень, накопичених евристик та проведених досліджень свідчать, що саме інтелектуальний аналіз даних -- це трансформаційний інструмент для ефективного управління підприємством в сучасних динамічних (а часто і кризових) умовах, який потенційно надає значні переваги з точки зору ефективності, прийняття оптимальних рішень і збільшення конкурентних переваг. Однак успішне впровадження інтелектуального аналізу даних вимагає вирішення проблем, пов'язаних із якістю даних, складністю, масштабованістю та етичними проблемами. Відповідально використовуючи інтелектуальний аналіз даних і враховуючи майбутні досягнення інтелектуальних технологій та відповідного спеціалізованого hardware, підприємства та компанії можуть використовувати весь потенціал Data Mining не тільки для забезпечення стабільності та сталості, але і для стимулювання якісної трансформації, кількісного зростання.

Перевірені технології Data Mining в управлінні конкурентним підприємством передбачають три прикладні напрямки:

. Descriptive Analytics: передбачає трансформацію [21], узагальнення накопичених, історичних даних - для розуміння ситуації та поточного стану.

. Predictive Analytics: передбачає використання накопичених

історичних даних для прогнозування майбутніх подій і тенденцій.

. Prescriptive Analytics: генерує рекомендації щодо рішень та дій, на підставі попередньо побудованих дескриптивних та предикативних моделей.

Визначені основні труднощі та виклики технології ІАД в управлінні конкурентним підприємством:

. Якість і доступність даних (непослідовні та неповні дані можуть перешкоджати якісному інтелектуальному аналізу; проблеми конфіденційності та безпеки даних обмежують доступ до конфіденційної інформації тощо).

. Обчислювальна складність (машинне навчання на великих даних вимагає значних обчислювальних ресурсів; аналіз у реальному часі вимагає ефективних алгоритмів та інфраструктури тощо).

. Міждисциплінарна інтеграція (об'єднання експертного досвіду з різних галузей, рівнів управління, регіонів є критично важливим, але складним).

Запропоновані наступні функціональні прикладні корпоративні сектори для застосування удосконаленої концепції ІАД:

. Customer Relationship Management (CRM)

Інтелектуальний аналіз даних у CRM допомагає підприємствам зрозуміти та передбачити поведінку клієнтів, щоб підвищити рівень задоволеності й утримати клієнтів. Ключові методи включають: кластеризацію з метою групування клієнтів на основі схожості в поведінці або демографічних характеристик для забезпечення цільових маркетингових стратегій; класифікацію для прогнозування відтоку клієнтів або схильності до купівлі для інформування про стратегії утримання; визначення правил асоціації задля визначення зв'язків між продуктами для полегшення аналізу ринкового кошика та перехресних продажів.

Financial Analysis та Fraud Detection. Інтелектуальний аналіз даних має вирішальне значення у фінансовому аналізі для оцінки ризиків і виявлення шахрайства, зокрема для виявлення аномалій (виявлення незвичайних моделей, що вказують на шахрайські дії), прогнозне моделювання (оцінка кредитного ризику шляхом аналізу історичних даних для прогнозування ймовірності дефолту кредиту).

Supply Chain Management (SCM). Інтелектуальний аналіз даних оптимізує процеси ланцюжка поставок, включаючи прогнозування попиту, управління запасами та оцінку постачальників, зокрема шляхом: аналізу часових рядів (прогнозування майбутнього попиту для покращення планування запасів); кластеризації (класифікація постачальників на основі показників ефективності для допомоги у виборі постачальників і управлінні ними) тощо.

. Управління людськими ресурсами (HRM). Інтелектуальний аналіз даних підтримує HRM у пошуку талантів, оцінці ефективності та утриманні співробітників (прогнозна аналітика для визначення потенційних кандидатів, які, ймовірно, досягнуть успіху на основі історичних даних найму; text mining для аналізу відгуків співробітників, щоб оцінити задоволеність робочим місцем і визначити сфери, які потрібно вдосконалити тощо).

Визначений такий перелік можливих результатів використання запропонованої концепції та методології ІАД для ефективного та конкурентного підприємства в динамічних та кризових умовах:

. Прийняття обґрунтованих рішень. Інтелектуальний аналіз даних забезпечує міцну основу для стратегічних рішень, виявляючи приховані закономірності та кореляції в даних, що веде до більш точного та ефективного прийняття рішень.

Ефективність і зниження витрат. Автоматичний аналіз даних скорочує споживання часу та ресурсів порівняно з традиційними методами. Покращене прогнозування та управління запасами зменшують операційні витрати.

. Покращений досвід клієнтів. Персоналізований маркетинг і покращене обслуговування клієнтів на основі аналізу даних сприяють підвищенню рівня задоволеності та лояльності клієнтів.

З'ясовані наст упні базові переваги використ ання запропонованої концепції та методології ІАД для ефективного та конкурентного підприємства в динамічних та кризових умовах:

. Додаткова конкурентна перевага. Підприємства, які використовують інтелектуальний аналіз даних, можуть отримати конкурентну перевагу, визначаючи ринкові тенденції та вподобання клієнтів перед своїми конкурентами.

. Покращена масштабованість. Методи інтелектуального аналізу даних можна масштабувати для обробки великих обсягів даних, що робить їх придатними для підприємств будь-якого розміру.

Детектовані такі базові технологічні проблеми використання запропонованої концепції та методології ІАД для ефективного та конкурентного підприємства в динамічних та кризових умовах:

. Якість вхідних даних. Ефективність інтелектуального аналізу даних дуже залежить від якості даних. Неповні, шумні або упереджені дані можуть призвести до неточних моделей і оманливих ідей. Пропонується: впровадження методів ретельного очищення та попередньої обробки даних забезпечує вищу якість даних і надійніші результати.

. Складність і досвід. Інтелектуальний аналіз даних вимагає спеціальних знань у статистиці, машинному навчанні та експертних знаннях предметної області. Складність алгоритмів і потреба в кваліфікованих фахівцях можуть бути перешкодою для деяких підприємств. Пропонується додаткове інвестування в навчання та наймання кваліфікованих фахівців з обробки даних є вирішальним для успішних ініціатив з аналізу даних.

. Проблеми масштабованості. Оскільки обсяги даних зростають, забезпечення ефективного масштабування алгоритмів інтелектуального аналізу даних стає складним завданням. Високі вимоги до обчислень можуть вимагати передової інфраструктури та ресурсів. Пропонується використання хмарних обчислень і розподілених систем обробки, таких як Hadoop і Spark, може допомогти вирішити проблеми масштабованості.

Детектовані також наступні базові етичні проблеми використання запропонованої концепції та методології ІАД для ефективного та конкурентного підприємства в динамічних та кризових умовах:

. Конфіденційність і безпека. Інтелектуальний аналіз даних часто передбачає аналіз особистих даних, що викликає занепокоєння щодо конфіденційності та безпеки даних. Підприємства повинні забезпечити дотримання правил захисту даних, таких як GDPR, і впровадити надійні заходи безпеки. Пропонується використання більш транспарентних та прозорих методів обробки даних, отримання інформованої згоди та впровадження надійних протоколів безпеки є життєво важливими для підтримки довіри та дотримання вимог.

. Упередженість і справедливість. Алгоритми можуть ненавмисно закріпити упередження, наявні в навчальних даних, що призведе до несправедливих або дискримінаційних результатів. Пропонується використання методів виявлення та пом'якшення упередженості, регулярний аудит моделей і тестування справедливості прогнозних моделей.

. Прозорість і підзвітність. Використання інтелектуального аналізу даних у процесі прийняття рішень має бути прозорим, із чітким документуванням методологій і відповідальністю за результати. Пропонується встановлення етичних принципів і основ управління допомагає забезпечити відповідальне використання інтелектуального аналізу даних.

Нижче буде наведено результати дослідження майбутніх перспектив інтелектуального аналізу даних в управлінні конкурентоздатним підприємством чи компанією:

. Інтеграція штучного інтелекту (AI). Інтеграція ШІ з інтелектуальним аналізом даних призведе до революції в управлінні підприємством. ШІ може покращити методи інтелектуального аналізу даних, надаючи точніші прогнози та автоматизуючи складні процеси. Синергія між штучним інтелектом і інтелектуальним аналізом даних стимулюватиме інновації та ефективність.

Інтелектуальний аналіз даних у реальному часі. Зі збільшенням доступності потокових даних у реальному часі підприємства переходять до інтелектуального аналізу даних у реальному часі. Цей підхід дозволяє компаніям приймати миттєві рішення на основі поточних даних, підвищуючи швидкість реакції та гнучкість. Інтелектуальний аналіз даних у реальному часі особливо цінний у таких сферах, як виявлення шахрайства та динамічне ціноутворення.

. Інтелектуальний аналіз даних в IoT. Поширення пристроїв IoT генерує величезні обсяги даних. Інтелектуальний аналіз даних може отримати цінну інформацію з цих даних, сприяючи покращенню в таких сферах, як прогнозоване технічне обслуговування, інтелектуальне виробництво та персоналізована охорона здоров'я. Інтеграція інтелектуального аналізу даних з IoT відкриє нові шляхи для інновацій.

. Автоматизований аналіз даних. Удосконалення машинного навчання та штучного інтелекту прокладають шлях до автоматизованого аналізу даних, коли системи можуть автономно отримувати інформацію без втручання людини. Це значно скоротить час і зусилля, необхідні для аналізу даних, і зробить їх більш доступними для підприємств будь-якого розміру.

. Покращені методи багатовимірної розвідувальної візуалізації в режимі EDA. Удосконалені методи візуалізації полегшать особам, які приймають рішення, інтерпретувати результати інтелектуального аналізу даних і діяти на основі них. Інтерактивні інформаційні панелі та інструменти візуальної аналітики сприятимуть кращому розумінню та передачі інформації в межах підприємства.



Висновки

Сучасний інтелектуальний аналіз даних передбачає застосування передових кібернетичних обчислювальних методів і алгоритмів для обробки й аналізу великих структурованих та напівструктурованих наборів даних. Data Mining об'єднує методи машинного навчання, штучного інтелекту, статистичного аналізу та галузевої емпіричної експертизи для виявлення евідомих раніше, прихованих закономірностей, взаємозв'язків і тенденцій. Основні цілі запропонованої сучасної методології ІАД передбачають підвищення точності прогнозування, оптимізацію процесів прийняття управлінських рішень і поглиблення (горизонтальне та вертикальне) відкриття/ пошуку/mining нових корпоративних знань (закономірностей, щаблонів, моделей). Використовуючи багатофакторні явні та неявні моделі [22-24] та високопродуктивні гібридні обчислення для їх пошуку та генерації - удосконалена методологія ІАД дозволяє отримувати нові, корисні корпоративні знання із попередньо зібраних Data Lake, стимулюючи інновації та ефективність підприємств у різних сферах і галузях економіки.

Хоча популярні корпоративні пакети інтелектуального аналізу даних пропонують значні переваги в адаптивному управлінні, проте саме вирішення проблем, пов'язаних із якістю вхідних даних, їх конфіденційністю, поглибленою інтерпретацією та залученням зацікавлених сторін, є важливими чинниками сучасної концепції Data Mining. Використовуючи досягнення удосконаленої технології Data Mining і, завдяки, міждисциплінарному співробітництву, підприємства, компанії та організації можуть використовувати весь потенціал інтелектуального аналізу даних, щоб досягти адаптивної стійкості та сталості в своїх методах управління.

Варто виділити технологію інтелектуального аналізу даних для управління кризами в бізнесі, що передбачає аналіз великих наборів даних для виявлення аномальних/загрозливих закономірностей і тенденцій, які можуть стати основою для проактивних стратегій і реагування [25, 26]. Цей режим

Data Mining передбачає виявлення потенційних криз, моніторинг нових загроз у режимі реального часу, оптимізацію розподілу ресурсів під час криз та оцінку ефективності стратегій реагування на кризу. Використовуючи такий інтелектуальний аналіз даних, підприємства можуть підвищити свою стійкість, зменшити ризики та покращити прийняття рішень під час кризи.

Необхідно підкреслити, що саме гібридні методи та алгоритми інтелектуального аналізу даних представляють потужний підхід до підвищення точності, надійності та ефективності інтелектуального аналізу бізнесових даних. Поєднуючи сильні сторони різних методів, гібридні методи можуть вирішувати складні проблеми з даними ефективніше, ніж підходи, що орієнтовані та один єдиний метод/алгоритм [27-29]. Майбутні досягнення в автоматизованих і адаптивних гібридних системах містять потенціал для подальшого розширення можливостей і застосувань інтелектуального аналізу даних у різних областях, зокрема і для підвищення інтегрованої ефективності та загальної конкурентоздатності підприємства чи компанії.

Окремо слід наголосити, що Ad-Hoc Data Mining - дуже актуальний та важливий режим ІАД у сучасному динамічному кризовому середовищі, який пропонує гнучкість і швидкість, необхідні вирішення невідкладних і критично-важливих аналітичних потреб підприємства чи компанії.

Підсумовуючи вищенаведене, варто наголосити, що навіть досвідчений фахівець/експерт не дасть однозначної рекомендації, який саме режим/ алгоритм/сценарій Data Mining, в якій саме конфігурації глобальних гіперпараметрів та методо-орієнтованих параметрів буде працювати найбільш ефективно (в конкретній галузі, визначеному регіоні, для конкретного підприємства в данний час) без комплексу додаткових досліджень, набору експериментів та наступної серії тестів/випробувань.

Враховуючи вищенаведені попередні висновки, автор обгрунтовано стверджує, що у сучасних посткризових та передкризових умовах як регіональних економік, так і глобальної світової економіки, а також у зв'язку продовженням тотальної цифрової трансформації, запропонована інноваційна комплексна концепція та методологія Data Mining буде мати наслідком отримання підприємствами, компаніями та організаціями здобуття додаткових конкурентних переваг на державному, регіональному, галузевому та корпоративному рівнях управління.

Майбутнє інтелектуального аналізу бізнесових даних може стати революцією у Descriptive, Predictive and Prescriptive Business Analysis and Analytics завдяки прогресу ансамблевого машинного навчання, гібридного штучного інтелекту та технологій великих потокових даних, зокрема через такі актуальні та ефективні технологічні тенденції, як: автоматизоване машинне навчання (AutoML), аналітику потокових даних в реальному часі, покращену і поглиблену кросс-галузеву інтерпретацію результатів, інноваційну попередню обробку та інтеграцію різноманітних джерел великих даних (зокрема, з використанням таких технологій, як: Change Data Capture, Data replication, Data virtualization, Stream Data Integration).

Саме інтелектуальний аналіз даних відіграє ключову роль у вдосконаленні практики адаптивного управління, надаючи нові конкурентні бізнес закономірності і шаблони, покращуючи процеси прийняття рішень і підтримуючи адаптивні оптимальні відповіді на складні та динамічні виклики, особливо в нестабільному кризовому середовищі [30-32].



Література

1. Кулинич Ю. М. «Теоретичні аспекти сутності категорії економічний розвиток підприємства в ринковому середовищі» // Науковий вісник БДФЕУ. 2012. Вип. 1 (22). С.426-433.

2. І. Гращенко, В. Хмурова. «Конкурентоспроможність як результат впровадження змін» // Вісник Хмельницького національного університету. - 2017. - №5. - С. 126-129.

3. Hrashchenko I. and Krasniuk S. «Problems of regional development of Ukraine under globaliation process» // Вісник Міжнародного гуманітарного університету. Серія: Економіка і менеджмент, 2015. - №11. - С. 26-32.

4. Krasnyuk, M., Kulynych, Y., Tuhaienko, V., & Krasniuk, S. «E-business and e- commerce technologies as an important factor for economic efficiency and stability in the modern conditions of the digital economy (on the example of oil and gas company)» // Grail of Science. - 2022. - №. 17. -69-81.

5. Maxim Krasnyuk, Illia Krasnuik. «Big data analysis and analytics for marketing and retail» // Збірник тез Міжнародної наукової конференції «Штучний інтелект у науці та освіті» (AISE) 1-2 березня 2024 року, Київ, Україна.

6. Maxim Krasnyuk, Svitlana Nevmerzhytska, Tetiana Tsalko. «Processing, analysis & analytics of big data for the innovative management» // Grail of Science, №38, April 2024. С. 75-83.

7. Maxim Krasnyuk, Dmytro Elishys. «Perspectives and problems of big data analysis & analytics for effective marketing of tourism industry» // Science and technology today, №4 (32) 2024. С. 833-857

8. S. Illiashenko, O. Bilovodska, T. Tsalko, O. Tomchuk, S. Nevmerzhytska, N. Buhas «Opportunities, threats and risks of implementation the innovative business management technologies in the post-pandemic period COVID-19» // WSEAS Transactions on Business and Economics. - 2022. - Volume 19. - C. 1215-1229.

9. С.М. Невмержицька, Я.В. Левчук «Формування стратегії інноваційного розвитку підприємств в умовах невизначеності». // Науковий вісник Херсонського державного університету. Серія : Економічні науки. - 2018. - Вип. 32. - С. 99-103.

10. M. Krasnyuk, Yu. Kulynych, I. Hrashchenko, S. Krasniuk, S. Goncharenko, T. Chernysh “Innovative management information system in post-crisis economic conditions on emerging markets (on the example of the oil and gas industry)» // Modern! aspekty vedy - Modern aspects of science : svazek XXXVII mezinarodni kolektivni monografie. - Ceska republika : Mezinarodni Ekonomicky Institut s.r.o., 2023. - Р. 185-203.

11. Maxim Krasnyuk, Iryna Hrashchenko, Svitlana Goncharenko, Svitlana Krasniuk, Yurii Kulynych «Intelligent management of an innovative oil and gas producing company under conditions of the modern system crisis» // ACCESS Journal: Access Press Publishing House, Volume 4, Issue 3: 352-374. DOI: https://doi.org/10.46656/access.2023.4.3(2)

12. Krasnyuk, M., Krasniuk, S. «Comparative characteristics of machine learning for predicative financial modelling». Збірник наукових праць ЛОГОЕ, C. 55-57.

13. Krasnyuk, M., Tkalenko, A., & Krasniuk, S. «Results of analysis of machine learning practice for training effective model of bankruptcy forecasting in emerging markets». Збірник наукових праць ЛОГОЕ.

14. Krasnyuk, M., і S. Krasniuk. «Modern practice of machine learning in the aviation transport industry». Збірник наукових праць ЛОГОЕ, Травень 2021

15. Krasnyuk M.T., Hrashchenko I.S., Kustarovskiy O.D., Krasniuk S.O. «Methodology of effective application of Big Data and Data Mining technologies as an important anti-crisis component of the complex policy of logistic business optimization» // Економічні Горизонти. 2018. No. 3(6). С. 121-136.

16. Tetiana Tsalko, Svitlana Nevmerzhytska, Svitlana Krasniuk, Svitlana Goncharenko, Liubymova Natalia «Features, problems and prospects of data mining and data science application in educational management» // Bulletin of Science and Education, №5(23), 2024. C. 637-657.

17. Y. Kulynych, M. Krasnyuk and S. Krasniuk «Knowledge discovery and data mining of structured and unstructured business data: problems and prospects of implementation and adaptation in crisis conditions» // Grail of Science, (12-13), 63-70.

18. Hrashchenko Iryna, Krasnyuk Maxim, Krasniuk Svitlana. «Iterative methodology of bankruptcy forecast of logistic companies in emerging markets, taking into account global/regional crisis». // Збірник наукових праць Проблеми системного підходу в економіці, Випуск 1 (75)/ 2020. - C. 138-147.

19. Krasnyuk, M., & Kustarovskiy, O. «The development of the concept and set of practical measures of anticrisis logistics management in the current Ukraine conditions». Zarz^dzanie. Teoria i Praktyka/Wyzsza Szkola Menedzerska w Warszawie, (1 (19)), 31-37.

20. Krasnyuk, M., Krasniuk, S. «Association rules in finance management». // Збірник наукових праць ЛОГОЕ, 2021. C.9-10.

21. Krasnyuk, M., & Krasniuk, S. «Application of artificial neural networks for reducing dimensions of geological-geophysical data set's for the identification of perspective oil and gas deposits» // Збірник наукових праць ЛОГОЕ, 18-19.

22. Maxim Krasnyuk, Yurii Kulynych, Iryna Hrashchenko, Svitlana Goncharenko, Svitlana Krasniuk «Economic and mathematical modeling of an oil and gas production company as an integrated complex specific system» // Наука і техніка сьогодні, 2022. 399-413.

23. Krasnyuk M., Kulynych Yu., Tkalenko A., Krasniuk S. «Methodology of Effective Application of Economic-Mathematical Modeling as the Key Component of the Multi-Crisis Adaptive Management» // Modern Economics, 29(2021), 100-106.

24. Краснюк М.Т., Цалко Т.Р., Невмержицька С.М., Кулинич Ю.М. «Економіко- математичні показники та моделі у проєктному менеджменті нафтогазової компанії» // Наука і техніка сьогодні, березень 2024. C. 346-366.

25. Краснюк, М. Т., & Краснюк, С. О. (2020). Fraud detection in the business data as an important corporate anti-crisis method of audit. Сучасні виклики і актуальні проблеми науки, освіти та виробництва: міжгалузеві диспути [зб. наук. пр.]: матеріали III міжнародної науково-практичної інтернет-конференції (Київ, 15 квітня 2020 р.). Київ, 2020. - С. 14-16.

26. Краснюк М.Т. “Гібридизація інтелектуальних методів аналізу бізнесових даних (режим виявлення аномалій) як складовий інструмент корпоративного аудиту” // Стан і перспективи розвитку обліково-інформаційної системи в Україні : матеріали ІІІ Міжнар. наук.-практ. конф. [м. Тернопіль, 10-11 жовт. 2014 р.] / редкол. : З. В. Задорожний, В. А. Дерій, М. Р. Лучко [та ін.] ; гол. ред. З. В. Задорожний. - Тернопіль : ТНЕУ, 2014. - С. 211-212.

27. M. Krasnyuk, S. Goncharenko, S. ^asniuk «Intelligent technologies in hybrid corporate DSS (on the example of Ukraine oil&gas production company)» // Інноваційно- інвестиційний механізм забезпечення конкурентоспроможності країни: колективна монографія / за заг. ред. О. Л. Гальцової. - Львів-Торунь : Ліга-Прес, 2022. - С. 194-211.

28. Krasnyuk, M., Hrashchenko, I., Goncharenko, S., Krasniuk, S. «Hybrid application of decision trees, fuzzy logic and production rules for supporting investment decision making (on the example of an oil and gas producing company)» // Access to science, business, innovation in digital economy, ACCESS Press, 3(3): 278-291.

29. Гращенко І.С., Краснюк М.Т., Краснюк С.О. «Гібридно-сценарне застосування інтелектуальних, орієнтованих на знання технологій, як важливий антикризовий інструмент логістичних компаній в Україні» //Вчені записки Таврійського Національного Університету імені В. І. Вернадського. Серія: Економіка і управління. 2019. Том 30 (69). С. 121 - 129.

30. В.Д. Дербенцев, О.А. Сердюк, В.М. Соловйов, О.Д. Шарапов “Синергетичні та еконофізичні методи дослідження динамічних та структурних характеристик економічних систем” // Черкаси: Брама-Україна. - 2010.

31. Дербенцев В.Д., Соловйов В.М., Сердюк О.В. “Передвісники критичних явищ в складних економічних системах” // Моделирование нелинейной динамики экономических систем. - Донецк: ДонНУ 1 (2005): С. 5-13.

32. О. Д. Шарапов, В. Д. Дербенцев, В. М. Соловйов «Сучасні методи дослідження складних фінансово-економічних систем» // Вісник Української академії банківської справи. - 2006. - № 1 (20). - С. 100-110.

References

1. Kulynych Yu.M. (2012). Teoretychni aspekty sutnosti katehorii ekonomichnyi rozvytok pidpryiemstva v rynkovomu seredovyshchi [Theoretical aspects of the essence of the category economic development of the enterprise in the market environment]. Naukovyi visnykBDFEU- Scientific Bulletin BSFEU. 2012. vol. 1 (22). 426-433 pp. [in Ukrainian].

2. Hrashchenko I.S., Khmurova V. V. (2016). Innovatsiina polityka yak instrument orhanizatsiinykh zmin. [Innovative policy as a tool for organizational change. Economic development: theory, methodology, management: Materials of the 4th International Scientific and Practical Conference. Budapest-Prague-Kyiv, 28-30 November 2016. 386, pp. 361-369 [In Ukrainian].

3. Hrashchenko I. and Krasniuk S. (2015). Problems of regional development of Ukraine under globaliation process. Visnyk Mizhnarodnoho humanitarnoho universytetu. Seriia: Ekonomika i menedzhment, 2015. - №11. - p. 26-32.

4. Krasnyuk, M., Kulynych, Y., Tuhaienko, V., & Krasniuk, S. (2022). E-business and e- commerce technologies as an important factor for economic efficiency and stability in the modern conditions of the digital economy (on the example of oil and gas company). Grail of Science. - 2022. - №. 17. -69-81.

5. Maxim Krasnyuk, Illia Krasnuik (2024). Big data analysis and analytics for marketing and retail. Zbirnyk tezMizhnarodnoi naukovoi konferentsii «Shtuchnyi intelekt u nautsi ta osviti» (AISE) - Collection of theses of the International Scientific Conference "Artificial Intelligence in Science and Education" (AISE). - March 1-2, 2024, Kyiv, Ukraine.

6. Maxim Krasnyuk, Svitlana Nevmerzhytska, Tetiana Tsalko. (2024). Processing, analysis & analytics of big data for the innovative management. Grail of Science, #38, April 2024. pp. 75-83.

7. Maxim Krasnyuk, Dmytro Elishys (2024). Perspectives and problems of big data analysis & analytics for effective marketing of tourism industry. Science and technology today, №4 (32) 2024. 833-857

8. S. Illiashenko, O. Bilovodska, T. Tsalko, O. Tomchuk, S. Nevmerzhytska, N. Buhas (2022). Opportunities, threats and risks of implementation the innovative business management technologies in the post-pandemic period COVID-19. WSEAS Transactions on Business and Economics. - 2022. - Volume 19. - pp. 1215-1229.

9. S.M. Nevmerzhytska, Ya.V. Levchuk (2018). Formuvannia stratehii innovatsiinoho rozvytku pidpryiemstv v umovakh nevyznachenosti [Formation of the strategy of innovative development of enterprises in conditions of uncertainty] Naukovyi visnyk Khersonskoho derzhavnoho universytetu. Seriia : Ekonomichni nauky - Scientific Bulletin of Kherson State University. Series: Economic sciences. - 2018. - Vol. 32. - pp. 99-103. [in Ukrainian].

10. M. Krasnyuk, Yu. Kulynych, I. Hrashchenko, S. Krasniuk, S. Goncharenko, T. Chernysh (2023). Innovative management information system in post-crisis economic conditions on emerging markets (on the example of the oil and gas industry). Moderni aspekty vedy - Modern aspects of science : svazek XXXVII mezinarodni kolektivni monografie. - Ceska republika : Mezinarodni Ekonomicky Institut s.r.o., 2023. - pp. 185-203.

11. Maxim Krasnyuk, Iryna Hrashchenko, Svitlana Goncharenko, Svitlana Krasniuk, Yurii Kulynych (2023). Intelligent management of an innovative oil and gas producing company under conditions of the modern system crisis. ACCESS Journal: Access Press Publishing House, Volume 4, Issue 3: 352-374.

12. Krasnyuk, M., & Krasniuk, S. (2020). Comparative characteristics of machine learning for predicative financial modelling. Scientific bulletin ЛОГОИ, pp. 55-57.

13. Krasnyuk, M., Tkalenko, A., & Krasniuk, S. (2021). Results of analysis of machine learning practice for training effective model of bankruptcy forecasting in emerging markets. Scientific bulletinЛОГОИ.

14. Krasnyuk, M., & Krasniuk, S. (2021). Modern practice of machine learning in the aviation transport industry. Scientific bulletinЛОГОЕ, May 2021.

15. Krasnyuk M.T., Hrashchenko I.S., Kustarovskiy O.D., Krasniuk S.O. (2018). Methodology of effective application of Big Data and Data Mining technologies as an important anti-crisis component of the complex policy of logistic business optimization. Economies' Horizons. 2018. No. 3(6). pp. 121-136.

16. Tetiana Tsalko, Svitlana Nevmerzhytska, Svitlana Krasniuk, Svitlana Goncharenko, Liubymova Natalia (2024). Features, problems and prospects of data mining and data science application in educational management. Bulletin of Science and Education, №5(23), 2024. pp.637-657. `

17. Y. Kulynych, M. Krasnyuk and S. Krasniuk. (2022). Knowledge discovery and data mining of structured and unstructured business data: problems and prospects of implementation and adaptation in crisis conditions. Grail of Science, (12-13), pp. 63-70.

18. Hrashchenko Iryna, Krasnyuk Maxim, Krasniuk Svitlana (2020). Iterative methodology of bankruptcy forecast of logistic companies in emerging markets, taking into account global/ regional crisis. Zbirnyk naukovykh prats Problemy systemnoho pidkhodu v ekonomitsi - A collection of scientific works Problems of a systemic approach in economics, Vol. 1 (75) / 2020. - pp. 138-147.

19. Krasnyuk, M., & Kustarovskiy, O. (2017). The development of the concept and set of practical measures of anticrisis logistics management in the current Ukraine conditions. Zarzqdzanie. Teoria i Praktyka/Wyzsza Szkola Menedzerska w Warszawie, (1 (19)), 31-37.

20. Krasnyuk, M., Krasniuk, S. (2021). Association rules in finance management. Scientific bulletin ЛОГОЕ, 2021. pp.9-10.

21. Krasnyuk, M., & Krasniuk, S. (2020). Application of artificial neural networks for reducing dimensions of geological-geophysical data set's for the identification of perspective oil and gas deposits. Scientific bulletinЛОГОЕ, 18-19.

22. Maxim Krasnyuk, Yurii Kulynych, Iryna Hrashchenko, Svitlana Goncharenko, Svitlana Krasniuk (2022) Economic and mathematical modeling of an oil and gas production company as an integrated complex specific system. Science and technology today, 2022. 399-413.

23. Krasnyuk M., Kulynych Yu., Tkalenko A., Krasniuk S. (2021). Methodology of Effective Application of Economic-Mathematical Modeling as the Key Component of the MultiCrisis Adaptive Management. Modern Economics, 29(2021), 100-106.

24. Krasnyuk M.T., Tsalko T.R., Nevmerzhytska S.M., Kulynych Yu.M. «Ekonomiko- matematychni pokaznyky ta modeli u proiektnomu menedzhmenti naftohazovoi kompanii» [Economic and mathematical indicators and models in the project management of an oil and gas company] // Nauka i tekhnika sohodni - Science and technology today, March 2024. pp. 346-366.

25. Krasnyuk, М. Т., & Krasniuk, S. O. (2020). «Fraud detection in the business data as an important corporate anti-crisis method of audit» // Suchasni vyklyky i aktualniproblemy nauky, osvity ta vyrobnytstva: mizhhaluzevi dysputy: materialy III mizhnarodnoi naukovo-praktychnoi internet-konferentsii (Kyiv, 15 kvitnia 2020 r.). - Modern challenges and current problems of science, education and production: interdisciplinary debates: materials of the III international scientific and practical internet conference (Kyiv, April 15, 2020). Kyiv, 2020. - pp. 14-16. [in Ukrainian].

26. Krasnyuk, М. Т. “Hibrydyzatsiia intelektualnykh metodiv analizu biznesovykh danykh (rezhym vyiavlennia anomalii) yak skladovyi instrument korporatyvnoho audytu” [Hybridization of intellectual methods of business data analysis (anomaly detection mode) as a component tool of corporate audit] // Stan i perspektyvy rozvytku oblikovo-informatsiinoi systemy v Ukraini : materialy III Mizhnar. nauk.-prakt. konf - Status and prospects of the development of the accounting and information system in Ukraine: materials of the ІІІ International. science and practice conf. [m. Ternopil, October 10-11, 2014] - Ternopil: TNEU, 2014. - pp. 211-212. [in Ukrainian].

27. M. Krasnyuk, S. Goncharenko, S. ^asniuk (2022). Intelektualni tekhnolohii v hibrydnii korporatyvnii SPPR (na prykladi Ukrainskoi naftohazovydobuvnoi kompanii) [Intelligent technologies in hybrid corporate DSS (on the example of Ukraine oil&gas production company)] Innovatsiino-investytsiinyi mekhanizm zabezpechennia konkurentospromozhnosti krainy: kolektyvna monohrafiia / za zah. red. O. L. Haltsovoi - Innovation and investment mechanism for ensuring the country's competitiveness: collective monograph / by general ed. O. L. Khultsova. - Lviv-Torun: League-Pres, 2022. - pp. 194-211. [in Ukrainian].

28. Krasnyuk, M., Hrashchenko, I., Goncharenko, S., Krasniuk, S. (2022). Hybrid application of decision trees, fuzzy logic and production rules for supporting investment decision making (on the example of an oil and gas producing company). Access to science, business, innovation in digital economy, ACCESS Press, 3(3): 278-291.

29. Hrashchenko I.S., Krasniuk M.T., Krasniuk S.O. (2019). Hibrydno-stsenarne zastosuvannia intelektualnykh, oriientovanykh na znannia tekhnolohii, yak vazhlyvyi antykryzovyi instrument lohistychnykh kompanii v Ukraini [Hybrid-scenario application of intellectual, knowledge- oriented technologies as an important anti-crisis tool of logistics companies in Ukraine]. Vcheni zapysky Tavriiskoho Natsionalnoho Universytetu imeni V. I. Vernadskoho. Seriia: Ekonomika i upravlinnia - Scientific notes of Tavri National University named after V. I. Vernadskyi. Series: Economics and management, 2019. Vol. 30 (69). pp.121 - 129. [in Ukrainian].

30. Derbentsev, V. D., Serdiuk, O. A., Soloviov, V. M., & Sharapov, O. D. (2010). Synerhetychni ta ekonofizychni metody doslidzhennia dynamichnykh ta strukturnykh kharakterystyk ekonomichnykh system [Synergistic and econophysical methods of studying dynamic and structural characteristics of economic systems], Cherkasy: Brama-Ukraine. -2010. [in Ukrainian].

31. Derbentsev, V. D., V. M. Soloviov, and O. V. Serdiuk (2005). Peredvisnyky krytychnykh yavyshch v skladnykh ekonomichnykh systemakh [Precursors of critical phenomena in complex economic systems]. Modelyrovanye nelyneinoi dynamyky эkonomycheskykh system - Modeling of nonlinear dynamics of economic systems. - Donetsk: DonNU, 1 (2005): 5-13. [in Ukrainian].

32. O. D. Sharapov, V. D. Derbentsev, V. M. Soloviov (2006). Suchasni metody doslidzhennia skladnykh finansovo-ekonomichnykh system [Modern methods of research of complex financial and economic systems]. Visnyk Ukrainskoi akademii bankivskoi spravy - Bulletin of the Ukrainian Academy of Banking. - 2006. - # 1 (20). - pp. 100-110.

Размещено на Allbest.ru

...