Интеллектуальный анализ больших данных в корпоративном управлении

Под корпоративным управлением понимают систему взаимоотношений между собственниками экономического субъекта, менеджментом и другими заинтересованными сторонами по вопросам, связанным с подотчетностью и обеспечением их интересов посредством справедливого и прозрачного распределения результатов, контроля руководства, лояльности и поддержки социально-общественных интересов. В настоящее время цифровые инновации становятся неотъемлемым элементом функционирования бизнеса, корпораций [1, 5].

Успешность корпораций в значительной степени опирается на качество ключевых бизнес-процессов, пронизывающих организацию и включающих сотни тысяч со- трудников в разных частях света. К цифровым объектам отношений собственности относят большие данные, электронную цифровую подпись, облачную электронную подпись, данные биометрической идентификации, «умные» контракты, облачные платформы, цифровые и 3D-модели, AI, криптовалюты, цифровые финансовые активы, блок-чейн, интернет вещей, экоплатформы с искусственным интеллектом и др. [9, 10, 11, 12]. Цифровая трансформация корпоративного управления необходима в условиях цифровизации экосистемы «государство - бизнес - общество». По прогнозу IDC, к 2025 году объем цифровых данных возрастет до 175 Зеттабайт (рисунок 1).

Рис. 1. Динамика роста объема больших данных [7]

Российские компании проявляют повышенный интерес к внедрению разнообразных цифровых решений (рисунок 2).

Бизнес-структуры РФ интересуют различные цифровые инструменты (рисунок 3).

Эксперты в качестве характеристик больших данных принимают Volume (объем данных от 150 Гб в сутки), Velocity (скорость накопления и обработки данных), Variety (разнообразие типов данных), Veracity (достоверность на- бора данных и результатов его анализа), Variability (изменчивость), Value (ценность или значимость). В настоящее время в США большие данные используют около 54% компаний, в Европе и Азии - около 50%. В России рынок больших данных только зарождается. Так, сотовые операторы делятся с банками информацией о потенциальных заемщиках. К корпорациям, которые собирают и анализируют данные, относятся «Яндекс», «Билайн», «Мегафон», «Сбербанк», Mail.ru и др.

Рис. 2. Технологии, используемые компаниями в РФ, % [3]

Рис. 3. Технологии, используемые российскими компаниями, % [3]

Рис. 4. Структура аналитики больших данных [2]

Главными потребителями Big Data выступают крупные корпорации. Большие данные необходимы для анализа внутренних и внешних факторов, принятия управленческих решений. Главными источниками больших данных выступают интернет вещей, соцсети, СМИ, данные компаний (транзакции, профили деловых партнеров и клиентов и др.), статистика государств, регионов, городов и др. В последнее время большие данные применяют для решения задач в сфере расширенной аналитики.

Под аналитикой больших данных понимают поиск закономерностей в массивах информации и интерпретацию выявленных фактов для получения сведений, пригодных для оптимизации бизнеса. Выделяют описательную (дескриптивную), диагностическую, предиктивную (прогнозную) и предписывающую аналитики (реклама и маркетинг, страхование и кредитование, промышленность, финансы и безопасность, управление человеческими ресурсами (HR) и др.). [2, 9, 10, 11,12].

Различные отрасли влияют на рынок аналитики больших данных (рисунок 5).

Внедрение аналитических Big Data систем часто осуществляется в рамках цифровизации корпоративного управления бизнесом. Предписывающая аналитика опирается на предиктивную, диагностическую и описательную аналитики. Многие компании создают собственные системы аналитики больших данных, используя, например, Apache Hadoop (для хранения информации), Kafka, Spark или Storm и др. Важным инструментом повышения эффективности функционирования компаний является интеллектуальный анализ больших данных и принятие

Рис. 5. Влияние отраслей на рынок аналитики больших данных [8]

Методы интеллектуального анализа данных (ИАД)

Непосредственное использование обучающих данных (Data Retention)				Выявление и использование формализованных закономерностей (Data Distillation)
Рассуждения на основе анализа пре це нде нто в (Case-based Reasoning) Алгоритмы типа Lazy-Learning: 1    . Метод бл ижа йше го соседа (NN); 2.    Метод к ближайшего соседа (k-NN); 3.    М етод N G Е и пр.		Методы к росс-табуляции (Cross Tabulation [Distillation) 1 . Кросс-табличная визуализация: 2. Байесовские сети (Bayesian Networks)		М етоды логической индукции 1.    Деревья решений (Dicision Trees): 2.    Индукция правил (Rule Learning)		Методы вывода уравнений (Equationnal Distillation) 1.    Статистика: -    ряды динамики; - корреляционнорегрессивный анализ; -    нелинейная регрессия 2.    Нейронные сети

Рис. 6. Методы интеллектуального анализа больших данных [2]

на его основе обоснованных решений в корпоративном управлении (рисунок 6).

Возможность поиска и обработки больших данных имеет важное значение в цифровом мире. По итогам 2021 года MarketsandMarkets к основным разработчикам решений в Big Data отнесли IBM (США), Microsoft (США), Oracle (США), Google (США), SAP (Германия), SAS (США) и др. К инструментам извлечения данных и знаний относятся Parsehub, Content Grabber, Import.io, Mozenda, Knime Analytics Platform, OpenRefine, R-Programming, RapidMiner, Pentaho, Тalend, Weka, NodeXL, Gephi, PowerBI, Solver, Qlik, Tableau Public, Google Fusion Tables, Infogram, Semantria, Trackur, SAS Sentiment Analysis, Hootsuit Insight, Oracle, PostgreSQL, Airtable, MariaDB, Improvado и др.

По данным Ассоциации участников рынка больших данных, его объем в РФ около 30 млрд руб. с перспективой роста до 300 млрд руб. к 2024 году. Рынок больших данных может обеспечить до 2,4% прироста ВВП в результате создания и использования платформ для крупномасштабного обмена данными.

Gartner отмечает такие тренды в области данных и аналитики, потенциально оказывающие влияние как на развитие рынка, так и на корпоративное управление в течение ближайших лет, как «расширенная» (дополненная) аналитика, «расширенное» (дополненное) управление данными, технологии обработки естественного языка, аналитика графов, коммерческие инструменты искусственного интеллекта и машинного обучения, матрица данных (Data fabric), объясняемый искусственный интеллект, блокчейн в области данных и аналитики, непрерывная интеллектуальная обработка данных (Continuous Intelligence), серверы «постоянной» памяти, ужесточение регулирования в сфере обращения с данными [6].

По мнению экспертов, препятствиями цифровой трансформации компаний и корпоративного управления выступают недостаток ИТ-специалистов, отсутствие гибких и адаптивных процессов, отсутствие интеграции новых и существующих технологий и данных, слабая связь между ИТ-отделом и бизнес-подразделениями, наличие киберугроз и др. Для противостояния фишинг-атакам и защиты от негативных проявлений социальной инженерии в компании необходимо обучить сотрудников. Для освоения и внедрения ключевых цифровых решений в корпоративном управлении, очевидно, необходимо повысить Digital IQ как членов совета директоров, так и топ-менеджеров, руководителей и сотрудников корпорации, внедрить методологию риск-менеджмента в сфере кибербезопасности [9, 10, 11, 12].

Корпоративное управление в цифровом мире развивается во взаимосвязи с элементами системы корпоративных отношений. Необходимость обеспечения надежной защиты данных корпорации от влияний внутренних и внешних информационных угроз усиливает значение обеспечения информационной безопасности в процессе корпоративного управления. Внедрение цифровых технологий, программных продуктов, баз данных и хранилищ данных, экоплатформ и технологий платформенных решений в сферу корпоративного управления приводит к возникновению потребности в цифровом управлении.