Совершенствование процесса принятия решений: роль управленческой аналитики в современной бизнеспрактике
Автор: Лу Я., Писаренко Ж.В., Ян Л., Иванов Л.А., Йе Й.
Журнал: Нанотехнологии в строительстве: научный интернет-журнал @nanobuild
Рубрика: Результаты исследований ученых и специалистов
Статья в выпуске: 5 т.16, 2024 года.
Бесплатный доступ
Введение. Управленческая аналитика - это развивающаяся область науки, которая получила широкое распространение как в академических кругах, так и в бизнесе благодаря своему значительному влиянию на процессы принятия решений в современных условиях. Внедрение в рамках управленческой аналитики в процесс принятия решений передовых информационных технологий и искусственного интеллекта способствует генерации инновационных решений и подходов. Эволюция управленческой аналитики. Данная дисциплина объединяет в процессе принятия решений разные методы, в том числе статистический анализ, прогнозное моделирование и визуализацию данных в целях оптимизации бизнес-стратегий компаний, повышения операционной эффективности и финансовых показателей. По мере развития и внедрения управленческих практик они привносят новые аспекты и возможности для сбора и анализа данных, открывая уникальные возможности для развития сложных отраслей, требующих анализа больших данных, например, нанотехнологий. Методологические достижения в области управленческой аналитики. В данном исследовании рассмотрены трансформационные эффекты управленческой аналитики для различных производственных секторов, иллюстрирующих эволюцию и интерпретирующих аналитические методологии с особым акцентом на нанотехнологии. Применение в различных секторах. Использование методов управленческой аналитики значительно улучшает процесс принятия решений на практике благодаря использованию сложных алгоритмов анализа данных, интерпретируя стратегическую информацию таким образом, чтобы способствовать повышению эффективности и конкурентоспособности компании. В то же время использование методов управленческой аналитики в области нанотехнологий поднимает вопросы, касающиеся этических последствий и регуляторных соображений. Проблемные вопросы и направления будущих исследований. В современных условиях остаются нерешенными и вызывают определенные сложности интеграция методов аналитики менеджмента в сложившиеся бизнес-процессы, обеспечение безопасности данных, нехватка квалифицированных кадров.
Управленческая аналитика, принятие решений, аналитика данных, наука об управлении
Короткий адрес: https://sciup.org/142243180
IDR: 142243180 | УДК: 69.003 | DOI: 10.15828/2075-8545-2024-16-5-431-440
Текст научной статьи Совершенствование процесса принятия решений: роль управленческой аналитики в современной бизнеспрактике
Лу Я., Писаренко Ж.В., Ян Л., Иванов Л.А., Йе Ч. Совершенствование процесса принятия решений: роль управленческой аналитики в современной бизнес-практике // Нанотехнологии в строительстве. 2024. Т. 16, № 5. С. 431–440. https://doi. org/10.15828/2075-8545-2024-16-5-431-440. – EDN: MDCKFD.
Управленческая аналитика представляет собой всесторонний подход к пониманию и использо- ванию данных в управленческом контексте. Такой подход позволяет компаниям и организациям максимально использовать свои внутренние информационные возможности для принятия стратегических
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ решений и достижения конкурентных преимуществ на рынке. В эпоху, отмеченную цифровой трансформацией и появлением колоссальных объемов данных, способность анализировать и интерпретировать сложные наборы данных стала критически важной для любого бизнеса, стремящегося к процветанию на динамично развивающихся рынках [1, 2].
Управленческая аналитика в настоящее время становится одним из ключевых подходов для работы с аналитическими данными для принятия стратегических решений в различных секторах экономики. При использовании такого дохода интегрируются различные методы исследования в статистике и машинного обучения для анализа бизнес-процессов, тем самым может повышаться операционная эффективность и стратегические результаты предприятия. Эта новая область специально нацелена на формирование процесса внедрения методов принятия решений на основе больших данных, направленных на оптимизацию использования ресурсов, улучшение предоставления услуг и повышение производительности на всех уровнях организации [3, 4, 5].
Область применения управленческой аналитики широка и охватывает целый ряд приложений: от операций в цепочке поставок до управления взаимоотношениями с клиентами и управления персоналом. Она включает в себя систематическое использование данных для принятия решений таким образом, чтобы повысить ценность бизнеса. Применяя методы управленческой аналитики, организации могут добиться более точного прогнозирования, улучшения системы управления рисками и лучшего распределения ресурсов, что приведет в конечном итоге к повышению операционной эффективности и конкурентным преимуществам на рынке [6, 7].
На практике управленческая аналитика должна быть глубоко интегрирована в различные биз-нес-функции всех подразделений компании. Это способствует выявлению закономерностей и получению аналитических сведений в больших объемах данных, помогая при этом менеджерам принимать обоснованные решения. Например, в управлении цепочками поставок управленческая аналитика может оптимизировать уровни запасов и повысить эффективность логистических операций.
Аналогичным образом в маркетинге могут быть проанализированы модели поведения потребителей, чтобы адаптировать продукты и услуги для более эффективного удовлетворения потребностей рынка [8, 9, 10].
Развитие технологий значительно расширило возможности управленческой аналитики. Современные инструменты и платформы, основанные на алгоритмах искусственного интеллекта и машинного обучения, позволяют работать с большими наборами данных, собирая и предоставляя информацию в объемах, которые ранее было невозможно представить. Эти технологии облегчают обработку и визуализацию данных в режиме реального времени, позволяя менеджерам оперативно реагировать на возникающие тенденции и текущие операционные задачи [11, 12].
Управленческая аналитика вносит значительный вклад в принятие организационных решений за счет интеграции обширного анализа данных для улучшения операционных и стратегических результатов. В этой области используются передовые статистические и вычислительные методологии для извлечения полезной информации из больших наборов данных, что позволяет предприятиям оптимизировать процессы, снижать издержки и повышать общую эффективность. В различных секторах, от здравоохранения до розничной торговли, управленческая аналитика способствует более эффективному управлению имеющимися ресурсами, профилактическому обслуживанию, управлению взаимоотношениями с клиентами и т. д., стимулируя внедрение инноваций и получение конкурентных преимуществ. Возможности обработки данных в режиме реального времени в управленческой аналитике также поддерживают динамичное принятие решений, помогая организациям быстрее и эффективнее реагировать на изменяющиеся рыночные условия. Таким образом, управленческая аналитика становится важнейшим инструментом для современного бизнеса, обеспечивая основу для формирования стратегий, основанных на данных, способствующих росту и устойчивому развитию [13, 14, 15].
Структура статьи следующая. Раздел 2 иллюстрирует эволюцию развития управленческой аналитики. В разделе 3 представлена методология исследования. В разделе 4 рассматривается практическое приложение управленческой аналитики. В разделе 5 определены имеющиеся препятствия и будущие траектории развития. В разделе 6 представлены основные выводы исследования.
ЭВОЛЮЦИЯ УПРАВЛЕНЧЕСКОЙ АНАЛИТИКИ
Концепция управленческой аналитики уходит корнями в традиционную бизнес-аналитику и статистический анализ, развиваясь на протяжении десятилетий благодаря достижениям в области вычислительных технологий и аналитического программного обеспечения. Данная эволюция представляла собой переход от простой описательной аналитики к сложным моделям, которые предсказывают будущие тенденции и поведение бизнес-агентов, тем самым обеспечивая проактивные стратегии управления [16, 17].
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ
Управленческая аналитика изначально выросла из более широкой области бизнес-аналитики, уходящей корнями в статистический анализ и управление данными. Исторически сложилось так, что бизнес-аналитика была сосредоточена в основном на описательной аналитике, которая включала в себя анализ отчетности предыдущих периодов для информирования руководства при принятии решений. Этот этап характеризовался использованием базовых статистических инструментов и ручных методов сбора данных, направленных на упрощение огромных объемов бизнес-данных в понятные отчеты [18, 19]. По мере развития вычислительных технологий в конце XX-го века в управленческой аналитике стали использоваться все более сложные программные инструменты, что привело к развитию систем поддержки принятия решений (Decision Support Systems - DSS). В таких системах поддержки принятия решений использовались исторические данные для получения аналитической информации и поддержки более сложных процессов принятия решений. Наличие в распоряжении управленцев более надежных вычислительных ресурсов позволило обрабатывать большие наборы данных и использовать более сложные математические модели [20].
Внедрение предиктивной аналитики (или предсказательной аналитики) ознаменовало собой значительную эволюцию в управленческой аналитике. Используя статистические модели и методы прогнозирования, комплекс методов анализа данных и способов их интерпретации, компании могли не только интерпретировать исторические данные, но и прогнозировать будущие тенденции. Новые возможности позволили начать трансформирование методов управления, обеспечив упреждающее, а не реактивное принятие решений с использованием таких методов, как регрессионный анализ, прогнозирование временных рядов и более поздние методы машинного обучения [21].
Революция в области повсеместного использования больших данных в начале XXI века еще более ускорила развитие управленческой аналитики. Интеграция технологий больших данных с инструментами управленческой аналитики позволила обрабатывать неструктурированные и полуструкту-рированные данные, расширив аналитические возможности менеджмента организаций. Алгоритмы машинного обучения стали приобретать все большее значение, предоставляя новые способы анализа данных и автоматизации сложных процессов принятия решений [22].
Сегодня на управленческую аналитику большое влияние оказывают современные достижения в области искусственного интеллекта (ИИ) и глубинного обучения. Эти технологии позволяют проводить еще более сложный анализ, такой как анализ тональности, распознавание изображений и обработка естественного языка, которые теперь стало возможным использовать для извлечения информации из данных, которые ранее были недоступны для анализа. Аналитика на основе искусственного интеллекта поддерживает принятие решений в режиме реального времени и предлагает прогнозную аналитику с высокой степенью точности [23].
Область управленческой аналитики готова к дальнейшему росту и развитию с интеграцией Интернета вещей IoT (Internet of Things) и более продвинутыми возможностями искусственного интеллекта. Эти разработки обещают уже в ближайшем будущем предоставить более комплексные, автоматизированные и тонкие аналитические инструменты для принятия решений. Тем не менее, такие проблемы, как конфиденциальность данных, этические проблемы, связанные с искусственным интеллектом, и потребность в значительных вычислительных ресурсах остаются актуальными. Будущее управленческой аналитики будет зависеть от того, насколько эффективно будут решаться эти проблемы и насколько органично новые технологии могут быть интегрированы в существующие аналитические структуры [24].
МЕТОДОЛОГИЧЕСКИЕ ДОСТИЖЕНИЯ В ОБЛАСТИ УПРАВЛЕНЧЕСКОЙ АНАЛИТИКИ
Современные методологические достижения в области управленческой аналитики включают в себя сложные алгоритмы и методы машинного обучения, которые обеспечивают более глубокое понимание данных, чем когда-либо прежде. Такие методы, как анализ среды функционирования, модели машинного обучения и сетевая аналитика произвели революцию в подходе компаний к поиску решений в таких областях, как логистика, управление персоналом и взаимоотношениями с клиентами.
Статистический анализ и оптимизация
Первоначально управленческая аналитика в значительной степени опиралась на статистические методы и линейное программирование для оптимизации операций и прогнозирования результатов. Эти методы обеспечивали основу для принятия решений путем общих тенденций и оптимизации распределения ресурсов [25].
Появление машинного обучения и искусственного интеллекта
Внедрение машинного обучения и искусственного интеллекта ознаменовало собой кардинальный
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ сдвиг в управленческой аналитике. Эти технологии позволили организациям автоматизировать процессы анализа данных и формулировать более точные прогнозы за счет обучения на основе данных без явного программирования [26).]
Аналитика больших данных
Когда организации начали обрабатывать огромные объемы данных, аналитика больших данных стала критически важным методологическим достижением для дальнейшего развития. Развитие таких инструментов и платформ, как Hadoop и Spark, упростили обработку больших наборов данных, что позволило получить более детальное представление о бизнес-операциях [27].
Предиктивная аналитика и ее влияние
Предиктивная аналитика трансформировала управленческую аналитику, позволив специалистам-практикам анализировать и предвидеть будущие тенденции и поведение партнеров и потребителей. Такие методы, как регрессионный анализ, анализ временных рядов и модели машинного обучения имеют решающее значение для прогнозирования поведения клиентов, тенденций продаж и потребностей цепочки поставок [28, 29].
Аналитика в режиме реального времени
Возможность анализировать данные в режиме реального времени значительно повысила скорость реагирования при использовании методов управленческой аналитики. Технологии, поддерживающие потоковую передачу данных, позволили компаниям быстро принимать обоснованные решения, адаптируясь к изменениям по мере их возникновения [30].
Облачные вычисления и аналитика
Облачные вычисления упростили и расширили доступ к мощным аналитическим инструментам, обеспечив масштабируемость и гибкость. Это достижение позволило даже малым предприятиям использовать сложную аналитику без необходимости значительных инвестиций в необходимое оборудование. Нынешнее поколение компьютеров и сектор высоких технологий требуют нанотехнологий для создания более умных и компактных электронных устройств. При облачной архитектуре требуется меньше компьютеров, оборудования и ИТ-услуг, но спрос сосредоточен на эффективности и меньшем размере оборудования центров обработки данных [45].
Интеграция IoT с аналитикой управления
Интернет вещей (IoT) открыл новое измерение и новые возможности в управленческой аналитике, позволив собирать и анализировать данные с подключенных устройств. Произошедшая интеграция с IoT стала особенно трансформационной в таких отраслях, как производство и логистика. Интернет вещей обладает потенциалом для предоставления огромного объема данных в режиме реального времени, которые могут быть использованы в управленческой аналитике для повышения эффективности интеллектуальных устройств с нанотехнологиями. Например, наносенсоры, которые могут работать в суровых условиях. В будущем интеграция IoT с нанотехнологиями может привести к созданию инновационных умных устройств. Эта интеграция может революционизировать различные секторы, такие как здравоохранение, производство, энергетика и сельское хозяйство. Интернет вещей в наноразмерном производстве и сборе энергии также показал многообещающие результаты, но все еще существуют проблемы, которые необходимо решить.
Расширенные инструменты визуализации
Совершенствование инструментов визуализации позволяет сегодня предложить более интерактивные и интуитивно понятные способы понимания для персонала компании сложных наборов данных. Такие инструменты, как Tableau и Power BI помогают преобразовывать аналитические результаты в полезную информацию с помощью динамических панелей мониторинга и отчетов [31, 32].
Имеющиеся методологические достижения инструментов визуализации в совокупности расширили стратегические возможности управленческой аналитики, позволив получать более точные прогнозы и перспективные идеи, которые способствуют принятию лучших бизнес-решений. Каждый этап эволюции основывался на предыдущих, прокладывая путь к будущему, в котором аналитика глубоко укоренилась в практике управления. Принятие решений в риск-менеджменте обычно основывается на качественном анализе больших данных, что имеет большое значение для страховой отрасли. Инновационные Финтех-разработки, такие как Peak3, могут стать драйверами глубоких изменений на устоявшемся рынке. Инновационная разработка Peak3 поддерживает такие виды страхования, как страхование жизни, страхование здоровья и страхование имущества, что позволяет интегрировать их ведущими страховщиками и цифровыми платформами. Peak3 имеет большой потенциал для расширения возможностей использования в финансовых услугах обра-
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ ботки данных и искусственного интеллекта. Среди недавних достижений – запуск глобальной системно значимой страховой облачной платформенной системы, позволяющей организовать взаимодействие страховщиков по всему миру с клиентами на основе ИИ. С помощью платформы уже продано более одного миллиарда полисов по всему миру, что свидетельствует о значительном прогрессе в выполнении миссии по модернизации страховой отрасли1.
Применение в различных отраслях
Применение управленческой аналитики охватывает множество секторов, включая финансы, здравоохранение, розничную торговлю и производство. Каждый сектор получает уникальные преимущества. Например, медицинские учреждения внедряют аналитические инструменты для оптимизации протоколов лечения и, как следствие, улучшения результатов лечения пациентов, в то время как розничные предприятия используют аналитику для понимания поведения потребителей и улучшения персонализации продаж. Управленческая аналитика произвела революцию в различных отраслях, предоставляя аналитическую информацию, основанную на данных, которая повышает эффективность, прибыльность и стратегическое планирование. Приложения методов управленческой аналитики весьма разнообразны, они охватывают секторы от здравоохранения до розничной торговли, от производства до финансов. Например, Искусственный интеллект и большие данные могут помочь банкам в выявлении и предотвращении мошенничества, отмывания денег, кибератак и других рисков, анализируя большие объемы данных и выявляя закономерности, аномалии и подобное поведение. Кибербезопасность – это применение искусственного интеллекта, специально разработанного для защиты компьютерных сетей, программ и данных от атак, незаконного доступа, изменений или уничтожения [21].
Здравоохранение
В здравоохранении управленческая аналитика используется для улучшения результатов лечения пациентов с помощью прогностических моделей, которые оценивают факторы риска и прогнозируют траектории pазвития заболеваний у пациентов. Методы управленческой аналитики помогают в распределении ресурсов, составлении графиков работы персонала и индивидуальных планах ухода за пациентами, тем самым повышая эффективность работы и удовлетворенность пациентов [33]. Все это приведет к повышению качества жизни населения посредством внедрения новых технологий мониторинга и диагностики здоровья в медицинском страховании, организации эффективной системы здравоохранения, снижению бюджетных расходов с помощью более качественного анализа и мониторинга данных о здоровье [46]. В большей степени значение аналитики в медицине важно для повышения качества жизни при профилактике и лечении заболеваний в связи с широким применением нанотехнологий в медицине при создании различных наночастиц, обладающих уникальными свойствами, такими как высокая механическая прочность, устойчивость к химическим воздействиям, поверхностная активность, обусловленными особенностями их структуры, позволяющими создавать на их основе новые материалы и устройства. Именно методы управленческой аналитики позволяют ускорить период от разработки до применения инновационных материалов и устройств в широкой практике здравоохранения. Это позволит успешно лечить самые сложные заболевания. Дополнительно на этапе разработки и оценки применение инструментов аналитики менеджмента позволит существенно уменьшить время на оценку рисков и анализ удовлетворенности пациентов.
Финансовый сектор
В финансовом секторе управленческая аналитика используется для оценки рисков, выявления мошенничества и сегментации клиентов. Анализируя шаблоны транзакций и поведение клиентов, финансовые институты могут предлагать индивидуальные услуги, усиливать меры безопасности и оптимизировать свои финансовые продукты.
Предиктивная аналитика, социальный банкинг, поведенческие финансы и открытый банкинг – вот некоторые из креативных и новых услуг, которые предлагают финансовые учреждения. Такие финансовые продукты появились именно благодаря инструментам больших данных и искусственного интеллекта. Например, искусственный интеллект помогает банкам идентифицировать данные о предпочтениях клиентов и оперативно предлагать решения по запросу [23]. В финансовом секторе цифровые технологии и аналитика трансформируют саму бизнес-модель предоставления услуг. Формируются экосистемно-ориентированные платформенные сервисы, охватывающие все сегменты финансового рынка (банковский, страховой, инвестиционный сегмент, пенсионный сегмент), кардинально меняющие взаимодействие между поставщиком финансовых услуг и клиентом. Сами услуги усложняются,
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ а риски мошенничества возрастают. Именно в управлении таким риском и его снижении видится роль управленческой аналитики в ближайшем будущем.
Розничный сегмент
В розничном сегменте торговли методы управленческой аналитики применимы для оптимизации управления запасами, улучшения управления взаимоотношений с клиентами и прогнозирования покупательского поведения разных групп потребителей. Розничные продавцы используют эту информацию для адаптации маркетинговых стратегий, оптимизации цепочек поставок и улучшения качества обслуживания клиентов [34, 35].
Производство
В обрабатывающей промышленности использование методов управленческой аналитики обусловлено необходимостью оптимизации производственных процессов, сокращения простоев и улучшения контроля самого производственного процесса и качества производимой продукции. Модели предиктивного обслуживания прогнозируют отказы оборудования до того, как они произойдут, что значительно сокращает незапланированные простои и затраты на техническое обслуживание [36]. Наиболее перспективное применение управленческой аналитики в производственном секторе можно продемонстрировать на примере разработки новых материалов с использованием нанотехнологий. При этом важно понимать, что новые материалы на основе нанотехнологий несут в себе не только преимущества, но и риски. В настоящее время сложно однозначно охарактеризовать различные наночастицы с точки зрения их потенциальной опасности для здоровья человека. Часто противоречивые данные нескольких исследований не позволяют принять взвешенное решение без использования методов управленческой аналитики.
Цепочки поставок и логистика
Управленческая аналитика трансформирует операции сети вспомогательных служб за счет оптимизации маршрутов, снижения транспортных расходов и сокращения времени доставки. Это позволяет компаниям динамично реагировать на сбои в цепочке поставок и более эффективно управлять запасами [37, 38].
Образование
В секторе образования управленческая аналитика помогает учебным заведениям в разработке и со- вершенствовании стратегий удержания студентов, разработке учебных программ и оптимальном распределении имеющихся ресурсов. Анализируя данные об учащихся, учебные заведения могут выявлять учащихся из группы риска, адаптировать образовательные программы под текущие нужды государства и общества и улучшать образовательные результаты.
Энергетический сегмент
Энергетические компании используют управленческую аналитику для оптимизации производства и распределения электроэнергии. Предиктивные модели помогают прогнозировать спрос, управлять нагрузкой на сети в пиковые часы и интегрировать возобновляемые источники энергии с традиционными, тем самым обеспечивая эффективное управление и снижая эксплуатационные расходы. Глобальные энергетические компании в своих основных бизнес-направлениях (upstream, downstream, midstream) могут быть поддержаны искусственным интеллектом и большими данными за счет снижения информационной асимметрии и транзакционных издержек. Например, искусственный интеллект становится инструментом, который помогает сервисным компаниям с обработкой необходимой информации в кратчайшие сроки, снижая количество ошибок и лишних затрат.
Сельское хозяйство
В сельском хозяйстве управленческая аналитика помогает прогнозировать урожайность, контролировать состояние почвы и оптимизировать ресурсы. Аналитика, основанная на данных, помогает фермерам принимать обоснованные решения о посадке, сборе урожая и распределении ресурсов, что приводит к повышению производительности и устойчивости. На основании методов управленческой аналитики и анализа данных разрабатываются специальные инновационные наноматериалы с заданными свойствами для ведения сельскохозяйственных работ в сложных погодных условиях, когда важно избежать трения и износа деталей, что продлевает срок службы тракторов и другой сельскохозяйственной техники и снижает издержки производителя. Кроме того, в животноводстве на основе анализа больших данных ведутся разработки специализированных сорбентов на основе нанотехнологий для профилактики токсикозов различной природы, снижения техногенной нагрузки на организм человека и животных [47].
Телекоммуникации
Телекоммуникационные компании применяют управленческую аналитику для повышения произво-
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ дительности сетей, прогнозирования сбоев в работе систем и улучшения обслуживания клиентов. Анализируя записи данных о произведенных звонках, компании могут улучшить покрытие сети, снизить отток клиентов и повысить их удовлетворенность [39, 40].
Недвижимость
В секторе недвижимости управленческая аналитика используется для анализа рынка, оценки недвижимости и оценки инвестиционных рисков. Анализ данных в режиме реального времени помогает прогнозировать рыночные тенденции, оптимизировать стратегии ценообразования и выявлять выгодные инвестиционные возможности [41].
Туризм и гостеприимство
В сфере туризма и гостеприимства управленческая аналитика имеет решающее значение для оптимизации систем бронирования, персонализации клиентского опыта и управления объектами. Предиктивная аналитика помогает в прогнозировании спроса, что влияет на повышение рентабельности бизнеса, а также в подборе персонала.
Спортивная индустрия
Спортивные организации используют управленческую аналитику для анализа эффективности и подготовленности спортсменов прогнозирования травм и стратегий взаимодействия с болельщиками. Анализируя данные матчей, игр и состязаний, менеджмент команды может повысить производительность игроков, снизить риски травм и улучшить игровые стратегии. Технологии больших данных и генеративный искусственный интеллект позволяют сегодня идти дальше и использовать методы управленческой аналитики для «более тонкой настройки» спортсменов. «Нановысокотехнологичные» решения сегодня доступны не только профессионалам в области спорта. Нанороботы могут вмешиваться в естественные биохимические процессы для достижения более высоких спортивных результатов – это все еще концепция, но эксперименты с нанокапсулами, способными высвобождать активные вещества в нужном месте в нужное время, уже ведутся. Еще одним широким полем применения нанотехнологий и искусственного интеллекта является спортивная фармакология. Ученые экспериментируют с нанокапсулами (молекулами, в структуру которых заключены активные вещества), способными высвобождать свое содержимое в нужном месте в нужное время. Например, в качестве активного вещества может быть использован кислород, выделяющийся при пиковых нагрузках, или препараты, которые не считаются допингом и которые «улучшают» биохимические процессы в организме.
Государственное управление
В государственном секторе управленческая аналитика используется для городского планирования, улучшения общественной безопасности, социального страхования и распределения ресурсов. Аналитика на основе данных помогает в управлении дорожным движением, прогнозировании преступности и эффективном управлении общественными ресурсами. Для улучшения экологической обстановки в городах управленческая аналитика позволяет использовать достижения нанотехнологий, которые помогают снизить вредное воздействие различных загрязнителей на окружающую среду: например, сбор и обработка больших данных дает новые возможности для переработки твердых коммунальных отходов в крупных городских агломерациях, очистки воды, определения токсичных элементов и т.д.
Во всех этих секторах управленческая аналитика играет ключевую роль в преобразовании данных в практическую информацию, которая приводит к улучшению процесса принятия решений и повышению операционной эффективности. По мере того как объем и сложность данных продолжают расти, роль управленческой аналитики в продвижении инноваций и улучшений в отрасли будет только возрастать.
ВЫЗОВЫ И НОВЫЕ НАПРАВЛЕНИЯ РАЗВИТИЯ
Управленческая аналитика, несмотря на ее уверенный рост и широкое распространение в различных отраслях, сталкивается со значительными препятствиями. Прежде всего, это связано, в первую очередь, с быстрым развитием технологий обработки данных, растущей сложностью данных и повышенными ожиданиями в отношении принятия решений на основе данных в режиме реального времени.
Качество и интеграция данных
Основной проблемой в управленческой аналитике является качество и интеграция данных. Организации часто сталкиваются с проблемой разрозненных и несогласованных источников данных, которым сложно доверять. Сложность интеграции этих источников данных может привести к неполной аналитике и потенциально вводящим в заблуждение результатам, которые могут повлиять на стратегические решения [42].
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ
Вопросы конфиденциальности и безопасности
По мере того как развивается законодательство о конфиденциальности данных, появляются все более строгие нормы по всему мире, организациям приходится ориентироваться в сложностях соблюдения требований к данным, стремясь использовать данные для аналитики. Обеспечение конфиденциальности и защита данных от утечек при сохранении полезности аналитических систем является серьезной задачей, требующей постоянного внимания и инноваций [43].
Разрыв в навыках и привлечение талантов
Недостаток навыков персонала в области науки о данных и аналитической экспертизы является еще одной важной проблемой. Спрос на специалистов, которые могут интерпретировать сложные данные и получать аналитические выводы, пока превышает предложение. Этот пробел может препятствовать внедрению эффективной управленческой аналитики, поскольку организации испытывают трудности с наймом и удержанием квалифицированного персонала. По мере появления новых профессий, связанных с технологиями, растет спрос на более квалифицированные кадры. Ключевые востребованные направления – дата-сайентисты, бизнес-аналитики, дата-инженеры. Чтобы удовлетворить эти растущие потребности, первостепенное значение имеет повышение квалификации персонала.
Будущие направления: искусственный интеллект и автоматизация
В перспективе наиболее востребованным направлением видится еще большая интеграция генеративного искусственного интеллекта (ИИ) и автоматизации в управленческую аналитику. Генеративный ИИ может помочь в поиске решений многих текущих проблем за счет расширения возможностей обработки данных, создания более точных прогнозов и обеспечения более глубокого понимания сложных наборов данных [44].
Этические последствия и управление
По мере того как ИИ становится все более интегрированным в управленческую аналитику, эти- ческие последствия при принятии решений будут выходить на первый план. Организациям необходимо будет разработать четкую политику и рамки для регулирования этичного использования ИИ и аналитики, гарантируя, что решения, принимаемые на основе таких систем, являются прозрачными, справедливыми и подотчетными. Искусственный интеллект не должен лишать человека его роли в интеллектуальной сфере. Напротив, у нас есть возможности пересмотреть устоявшиеся представления о человеческом знании и обучении. Это станет основой для объединения усилий общества, что может привести к созданию будущей цифровой среды, ориентированной на людей и доступной для всех.
ЗАКЛЮЧЕНИЕ
В данной статье подчеркивается многогранная роль управленческой аналитики в повышении эффективности организаций различных секторов экономики и государственного управления, продемонстрировано влияние методов управленческой аналитики на операционную эффективность, принятие стратегических решений и повышение конкурентных преимуществ. Благодаря эволюции методологии аналитики от базовых статистических подходов до передового машинного обучения и интеграции генеративного искусственного интеллекта, управленческая аналитика не только успешно адаптируется к сложным современным данным, но и приводит к значительной трансформации в бизнесе.
Тем не менее, такие проблемы, как конфиденциальность данных, недостаток квалифицированного персонала, потребность в постоянном изменении и совершенствовании сохраняются, требуя надежных и современных решений. По мере того как управленческая аналитика продолжает развиваться, организациям будет крайне важно интегрировать инновационные методы и использовать новейшие достижения информационных технологий, чтобы оставаться конкурентоспособными в мире, управляемом данными. Такое динамичное взаимодействие инноваций и адаптации бизнес-процессов подчеркивает непреходящее значение управленческой аналитики в формировании будущего деловой практики во всем мире.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ УЧЕНЫХ И СПЕЦИАЛИСТОВ
Список литературы Совершенствование процесса принятия решений: роль управленческой аналитики в современной бизнеспрактике
- Sigov, A., Ratkin, L., Ivanov, L.A. et al. Emerging Enabling Technologies for Industry 4.0 and Beyond. Inf Syst Front (2022). https://doi.org/10.1007/s10796-021-10213-w
- Lu Y, Sigov A, Ratkin L, Ivanov LA, Zuo M. Quantum computing and industrial infor-mation integration: A review. Journal of Industrial Information Integration. 2023 Aug 23:100511. https://doi.org/10.1016/j.jii.2023.100511
- Sigov A, Ratkin L, Ivanov LA. Quantum information technology. Journal of Industrial In-formation Integration. 2022 Jul 1;28:100365. https://doi.org/10.1016/j.jii.2022.100365
- Li X, Sigov A, Ratkin L, Ivanov LA, Li L. Artificial intelligence applications in finance: a survey. Journal of Management Analytics. 2023 Oct 2;10(4):676-92. https://doi.org/10.1080/23270012.2023.2244503
- Писаренко Ж.В., Кузнецова Н.П., Митин С.Г. Финансовая конвергенция и финансовые конгломераты в мировой экономике. Санкт-Петербург. 2011.
- Иванов Л.А., Сюй Л.Д., Бокова Е.С., Ишков А.Д., Борисова О.Н. Изобретения в области наноматериалов и нанотехнологий. Часть I // Нанотехнологии в строительстве. 2022. Т. 14, № 1. С. 18–26. https://doi.org/10.15828/2075-8545-2022-14-1-18-26
- Иванов Л.А., Разумеев К.Э., Бокова Е.С., Муминова С.Р. Изобретения в области нанотехнологий, направленные на решение практических задач. Часть V // Нанотехнологии в строительстве. 2019. Том 11, № 6. С. 719–729. https://doi.org/10.15828/2075-8545-2019-11-6-719-729
- Иванов Л.А., Прокопьев П.С. Изобретения в области нанотехнологий, направленные на решение практических задач. Часть IV // Нанотехнологии в строительстве. 2019. Том 11, № 4. С. 447–457. https://doi.org/10.15828/2075-8545-2019-11-4-447-457
- Иванов Л.А., Сюй Л.Д., Бокова Е.С., Ишков А.Д., Муминова С.Р. Изобретения ученых, инженеров и специалистов из разных стран в области нанотехнологий. Часть I // Нанотехнологии в строительстве. 2021. Том 13, № 1. С. 23–31. https://doi.org/10.15828/2075-8545-2021-13-1-23-31
- Иванов Л.А., Прокопьев П.С. Изобретения в области нанотехнологий, направленные на решение практических задач. Часть III // Нанотехнологии в строительстве. 2019. Том 11, № 3. С. 292–303. https://doi.org/10.15828/2075-8545-2019-11-3-292-303
- Иванов Л.А., Сюй Л.Д., Муминова С.Р., Феоктистова В.М., Романова Е.В. Изобретения в области наноматериалов и нанотехнологий. Часть II // Нанотехнологии в строительстве. 2022. Т. 14, № 2. С. 105–112. https://doi.org/10.15828/2075-8545-2022-14-2-105-112
- Иванов Л.А., Сюй Л.Д., Писаренко Ж.В., Нгуен К.Т., Муминова С.Р. Изобретения ученых, инженеров и специалистов из разных стран в области нанотехнологий. Часть IV // Нанотехнологии в строительстве. 2021. Том 13, № 4. С. 242–251. https://doi.org/10.15828/2075-8545-2021-13-4-242-251
- Иванов Л.А., Сюй Л.Д., Писаренко Ж.В., Ванг Ц., Прокопьев П.С. Изобретения ученых, инженеров и специалистов из разных стран в области нанотехнологий. Часть II // Нанотехнологии в строительстве. 2021. Том 13, № 2. С. 79–89. https://doi.org/10.15828/2075-8545-2021-13-2-79-89
- Иванов Л.А., Деменев А.В., Муминова С.Р. Изобретения в области нанотехнологий, направленные на решение практических задач. Часть II // Нанотехнологии в строительстве. 2019. Том 11, № 2. С. 175–185. https://doi.org/10.15828/2075-8545-2019-11-2-175-185
- Иванов Л.А., Сюй Л.Д., Разумеев К.Э., Феоктистова В.М., Прокопьев П.С. Изобретения ученых, инженеров и специалистов из разных стран в области нанотехнологий. Часть V // Нанотехнологии в строительстве. 2021. Т. 13, № 5. С. 311–318. https://doi.org/10.15828/2075-8545-2021-13-5-311-318
- Иванов Л.А., Борисова О.Н., Муминова С.Р. Изобретения в области нанотехнологий, направленные на решение практических задач. Часть I // Нанотехнологии в строительстве. 2019. Том 11, № 1. С. 91–101. https://doi.org/10.15828/2075-8545-2019-11-1-91-101
- Иванов Л.А., Сюй Л.Д., Писаренко Ж.В., Муминова С.Р., Милорадова Н.Г. Изобретения в области нанотехнологий и наноматериалов. Часть I // Нанотехнологии в строительстве. 2023. Т. 15, № 1. С. 37–47. https://doi.org/10.15828/2075-8545-2023-15-1-37-47. – EDN: PPOMEI.
- Иванов Л.А., Сюй Л.Д., Муминова С.Р., Ишков А.Д., Деменев А.В. Изобретения в области наноматериалов и нанотехнологий. Часть III // Нанотехнологии в строительстве. 2022. Т. 14, № 6. С. 466–474. https://doi.org/10.15828/2075-8545-2022-14-6-466-474. – EDN: QGCTUF.
- Разманова С.В., Мачула И.А., Писаренко Ж.В. Моделирование прогнозных цен на сжиженный природный газ для КНР. Газовая промышленность. 2015. № 8 (726). С. 19–24.
- Назаров В.Г., Иванов Л.А., Дедов А.В., Бокова Е.С., Статник Е.С. Градиентные нетканые материалы с модифицированным поверхностным нанослоем для фильтрационной подготовки воды в строительстве // Нанотехнологии в строительстве. 2023. Т. 15, № 2. С. 117–123. https://doi.org/10.15828/2075-8545-2023-15-2-117-123. – EDN: ASVYVS.
- Титов В.О., Достов В.Л., Писаренко Ж.В., Львова Н.А., Криворучко С.В., Шуст П.М., Ващук А.Э. Роль современных финансовых технологий в преодолении барьеров для доступа к розничным финансовым услугам. Экономика и предпринимательство. 2024. № 9 (170). С. 483–489.
- J.F. Fan, A. Sigov, L. Ratkin, L.A. Ivanov, S.W. Chen, C.M. Zhang. Acquisition and cognition information of human body swing. Journal of Industrial Information Integration. 2022; 30:100391. https://doi.org/10.1016/j.jii.2022.100391
- Писаренко Ж.В. Особенности банкострахования в России: защита интересов потребителей сложных финансовых услуг. Актуальные проблемы экономики и права. 2013. № 2. С. 140–146.
- Davenport, Thomas H. Competing on analytics. Harvard business review. 2006; (84:1): 98.
- Hsieh P.H. Exploratory analysis of grocery product networks. Journal of Management Analytics. 2022; (9:2): 169-184.
- Arishi C., Krishnan K. A multi-agent deep reinforcement learning approach for solving the multi-depot vehicle routing problem. Journal of Management Analytics. 2023; (10:3): 493-515.
- Dehkhodaei A., Amiri B., Farsijani H., Raad A. Barriers to big data analytics (BDA) im-plementation in manufacturing supply chains. Journal of Management Analytics. 2023; (10:1): 191-222.
- Karabağ O., Fadıloğlu M.M. Augmented Winter’s method for forecasting under asynchronous seasonalities. Journal of Management Analytics. 2021; (8:1): 19-35.
- Das S., Mishra S., Senapati M. Improving time series forecasting using elephant herd optimization with feature selection methods. Journal of Management Analytics. 2021; (8:1): 113-133.
- Fainshmidt, Stav, Witt M.A., Aguilera R.V., Verbeke A. The contributions of qualitative comparative analysis (QCA) to international business research. Journal of International Business Studies. 2020; (51): 455-466.
- Liu X., Liu F., Li Y., Shen H., Lim E.T.K., Tan C.W. Image Analytics: A consolidation of visual feature extraction methods. Journal of Management Analytics. 2021; (8:4): 569-597.
- Gao W., Jiang N., Gu F. Understanding the role of streamers in livestreaming commerce: a vocal–visual perspective. Journal of Management Analytics. 2023; (10:2): 247-269.
- Liu Y., Fuller B., Hester K., Chen H.. Authentic leadership and employees’ job performance: mediation effect of positive employee health. Journal of Management Analytics. 2023; (10:3): 566-582.
- Malleeswaran B., Uthayakumar R. A single-manufacturer multiretailer sustainable re-working model for green and environmental sensitive demand under discrete ordering cost reduction. Journal of Management Analytics. 2023; (10:1): 109-128.
- Bhavani G.D., Mahapatra G.S., Kumar A. An integrated fuzzy production inventory model for manufacturer–retailer coordination under simple carbon tax system. Journal of Management Analytics. 2023; (10:1): 38-88.
- Maiti A.K. Cloudy fuzzy inventory model under imperfect production process with de-mand dependent production rate. Journal of Management Analytics. 2021; (8:4): 741-763.
- Samanta B., Giri B.C., Chaudhuri K. A supply chain model with two competitive buyers under a hybrid greening cost and revenue-sharing contract. Journal of Management Analytics. 2023; (10:2): 270-307.
- Latpate R., Bhosale M., Kurade S. Cold supply chain inventory models for agricultural products with multi-stage stochastic deterioration rates. Journal of Management Analytics. 2023; (10:3): 516-549.
- Chen H., Li L., Chen Y. Sustainable growth research – A study on the telecom operators in China. Journal of Management Analytics. 2022; (9:1): 17-31.
- Bansal G., Anand A., Aggrawal D. Modeling multigenerational diffusion for competitive brands: an analysis for telecommunication industries. Journal of Management Analytics. 2021; (8:4): 715-740.
- Shi H., Ma Z., Chong D., He W. The impact of Facebook on real estate sales. Journal of Management Analytics. 2021; (8:1): 101-112.
- Zhang S., Yan Y., Wang P., Xu Z., Yan X. Sustainable maintainability management prac-tices for offshore assets: A datadriven decision strategy. Journal of Cleaner Production. 2019; 237: 117730.
- Wang M., Feng X. Price squeeze under fairness: the road to supply chain coordination with a powerful retailer. Journal of Management Analytics. 2022; (9:4): 448-479.
- Isupova O., Kuzin D., Mihaylova L. Learning methods for dynamic topic modeling in automated behavior analysis. IEEE transactions on neural networks and learning systems. 2017; (29:9): 3980-3993.
- Paul P.K., Jayati Lahiri Dey Nanotechnology Vis-à-Vis Computing: With special references to cloud computing, big data management – A techno managerial knowledge study. Innovations in Power and Advanced Computing Technologies (i-PACT). 2017. DOI: 10.1109/IPACT.2017.8245151
- Samsonova M.V. Nanomedicine: current approach to diagnosis and treatment of diseases and safety issues. Jour. Pulmonology. 2008; 6-12. https://journal.pulmonology.ru/pulm/article/viewFile/1842/1341
- Тарасова Е. Ю., Коростелева В. П., Пономарев В. Я. Применение нанотехнологий в сельском хозяйстве // Вестник Казанского технологического университета. 2012. 21. URL: https://cyberleninka.ru/article/n/primenenie-nanotehnologiyv-selskom-hozyaystve (дата обращения: 11.09.2024).