Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки

Розглянуто деякі аспекти розвитку цифрової економіки: проаналізовано низку означень терміну та запропоновано узагальнений варіант; розглянуто підходи до моделювання економічних процесів у системах бізнес-інтелекту та сучасні інструменти прогнозної аналітики, що використовуються для прийняття ефектив...

Повний опис

Збережено в:

Бібліографічні деталі
Опубліковано в: :	Управляющие системы и машины
Дата:	2018
Автори:	Єфіменко, С.М., Степашко, В.С.
Формат:	Стаття
Мова:	Ukrainian
Опубліковано:	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2018
Теми:	Интеллектуальные информационные технологии и системы
Онлайн доступ:	https://nasplib.isofts.kiev.ua/handle/123456789/161563
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Цитувати:	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки / С.М. Єфіменко, В.С. Степашко // Управляющие системы и машины. — 2018. — № 6. — С. 25–35. — Бібліогр.: 24 назв. — укр.

Репозитарії

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-161563
record_format	dspace
spelling	Єфіменко, С.М. Степашко, В.С. 2019-12-13T19:34:01Z 2019-12-13T19:34:01Z 2018 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки / С.М. Єфіменко, В.С. Степашко // Управляющие системы и машины. — 2018. — № 6. — С. 25–35. — Бібліогр.: 24 назв. — укр. 0130-5395 338.24:681.513.8 https://nasplib.isofts.kiev.ua/handle/123456789/161563 338.24:681.513.8 Розглянуто деякі аспекти розвитку цифрової економіки: проаналізовано низку означень терміну та запропоновано узагальнений варіант; розглянуто підходи до моделювання економічних процесів у системах бізнес-інтелекту та сучасні інструменти прогнозної аналітики, що використовуються для прийняття ефективних бізнес-рішень. Цель работы состоит в том, чтобы проанализировать подходы к моделированию экономических процессов в системах бизнес-интеллекта и современные инструменты прогнозной аналитики, используемые для принятия эффективных бизнес-решений. Результаты. Проанализирован ряд определений цифровой экономики и предложен обобщенный вариант: цифровая экономика — это новый экономический механизм, под которым следует понимать совокупность программных и технических средств, обеспечивающих процессы производства, продажи и поставки продукции и услуг через компьютерные системы, действующие в сети Интернет, способных к быстрой корректировке структуры и функций в условиях постоянного изменения ситуаций в среде их функционирования. Purpose of the work is to analyze approaches to modeling economic processes in business intelligence systems and modern predictive analytics tools used to make effective business decisions. Results. A series of definitions of the digital economy has been analyzed and alternative has been proposed: the digital economy is a new economic mechanism, which should be understood as a set of software and hardware tools providing production processes, sales and supply of products and services through computer’s Internet systems that are capable of the structure and functions adjustment in the conditions of constant change of situations in the environment of their functioning. uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Управляющие системы и машины Интеллектуальные информационные технологии и системы Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки Прогнозная аналитика как эффективный инструмент поддержки решений в системах цифровой экономики Forecast Analyst as an Effective Tool for Decision Support in Digital Economy Systems Article published earlier
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
title	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
spellingShingle	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки Єфіменко, С.М. Степашко, В.С. Интеллектуальные информационные технологии и системы
title_short	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
title_full	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
title_fullStr	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
title_full_unstemmed	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
title_sort	прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки
author	Єфіменко, С.М. Степашко, В.С.
author_facet	Єфіменко, С.М. Степашко, В.С.
topic	Интеллектуальные информационные технологии и системы
topic_facet	Интеллектуальные информационные технологии и системы
publishDate	2018
language	Ukrainian
container_title	Управляющие системы и машины
publisher	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
format	Article
title_alt	Прогнозная аналитика как эффективный инструмент поддержки решений в системах цифровой экономики Forecast Analyst as an Effective Tool for Decision Support in Digital Economy Systems
description	Розглянуто деякі аспекти розвитку цифрової економіки: проаналізовано низку означень терміну та запропоновано узагальнений варіант; розглянуто підходи до моделювання економічних процесів у системах бізнес-інтелекту та сучасні інструменти прогнозної аналітики, що використовуються для прийняття ефективних бізнес-рішень. Цель работы состоит в том, чтобы проанализировать подходы к моделированию экономических процессов в системах бизнес-интеллекта и современные инструменты прогнозной аналитики, используемые для принятия эффективных бизнес-решений. Результаты. Проанализирован ряд определений цифровой экономики и предложен обобщенный вариант: цифровая экономика — это новый экономический механизм, под которым следует понимать совокупность программных и технических средств, обеспечивающих процессы производства, продажи и поставки продукции и услуг через компьютерные системы, действующие в сети Интернет, способных к быстрой корректировке структуры и функций в условиях постоянного изменения ситуаций в среде их функционирования. Purpose of the work is to analyze approaches to modeling economic processes in business intelligence systems and modern predictive analytics tools used to make effective business decisions. Results. A series of definitions of the digital economy has been analyzed and alternative has been proposed: the digital economy is a new economic mechanism, which should be understood as a set of software and hardware tools providing production processes, sales and supply of products and services through computer’s Internet systems that are capable of the structure and functions adjustment in the conditions of constant change of situations in the environment of their functioning.
issn	0130-5395
url	https://nasplib.isofts.kiev.ua/handle/123456789/161563
citation_txt	Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки / С.М. Єфіменко, В.С. Степашко // Управляющие системы и машины. — 2018. — № 6. — С. 25–35. — Бібліогр.: 24 назв. — укр.
work_keys_str_mv	AT êfímenkosm prognoznaanalítikaâkefektivniiínstrumentpídtrimkiríšenʹusistemahcifrovoíekonomíki AT stepaškovs prognoznaanalítikaâkefektivniiínstrumentpídtrimkiríšenʹusistemahcifrovoíekonomíki AT êfímenkosm prognoznaâanalitikakakéffektivnyiinstrumentpodderžkirešeniivsistemahcifrovoiékonomiki AT stepaškovs prognoznaâanalitikakakéffektivnyiinstrumentpodderžkirešeniivsistemahcifrovoiékonomiki AT êfímenkosm forecastanalystasaneffectivetoolfordecisionsupportindigitaleconomysystems AT stepaškovs forecastanalystasaneffectivetoolfordecisionsupportindigitaleconomysystems
first_indexed	2025-11-25T01:58:11Z
last_indexed	2025-11-25T01:58:11Z
_version_	1850501318715637760
fulltext	ISSN 0130-5395, УСиМ, 2018, № 6 25 DOI: https://doi.org/10.15407/usim.2018.06.025 УДК 338.24:681.513.8 С.М. ЄФІМЕНКО, канд. техн. наук, старш. наук. співроб., Міжнародний науково-навчальний центр інформаційних технологій та систем НАН та МОН України, просп. Глушкова, 40, Київ 03187, Україна, syefim@ukr.net В.С. СТЕПАШКО, д-р техн. наук, зав. відділом, Міжнародний науково-навчальний центр інформаційних технологій та систем НАН та МОН України, просп. Глушкова, 40, Київ 03187, Україна, stepashko@irtc.org.ua ПРОГНОЗНА АНАЛІТИКА ЯК ЕФЕКТИВНИЙ ІНСТРУМЕНТ ПІДТРИМКИ РІШЕНЬ У СИСТЕМАХ ЦИФРОВОЇ ЕКОНОМІКИ Розглянуто деякі аспекти розвитку цифрової економіки: проаналізовано низку означень терміну та запропоновано уза- гальнений варіант; розглянуто підходи до моделювання економічних процесів у системах бізнес-інтелекту та сучасні інструменти прогнозної аналітики, що використовуються для прийняття ефективних бізнес-рішень. Ключові слова: цифрова економіка, прогнозна аналітика, індуктивне моделювання, МГУА. Интеллектуальные информационные технологии и системы Вступ В кінці 20 — на початку 21 ст. світ увійшов в ін- формаційну еру, яка полягає у переході від тра- диційної індустрії до комп’ютеризованої, що характеризується стрімким розвитком техно- логій. З’явилися нові терміни, які характеризу- ють нову еру. Одним з таких термінів є цифрова економіка. Хоча роль впливу інформаційних технологій на трансформацію систем цифро- вої економіки досить очевидна, багато питань залишаються недостатньо вивченими. Тому метою цієї роботи є розгляд деяких аспектів розвитку цифрової економіки. Зокрема, про- аналізовано низку означень цифрової економі- ки та запропоновано певний узагальнений ва- ріант. Проаналізовано підходи до застосування систем бізнес-інтелекту в середовищі цифро- вої економіки. Розглянуто сучасні інструменти прогнозної аналітики, що використовуються для прийняття ефективних бізнес-рішень. За- про поновано ідею розроблення інтелектуаль- ної інформаційної технології індуктивного мо- делювання та прогнозування складних проце- сів у системах цифрової економіки. Аналіз концепцій та означень цифрової економіки Термін цифрова економіка у 1995 р. ввів в ужи- ток Дон Тапскотт в своїй книзі «The Digital Economy: Promise and Peril in the Age of Networked Intelligence». Він визначив цифрову економіку як таку, що ґрунтується на використанні інфор- маційних комп’ютерних технологій [1]. Окрім Тапскотта термін цифрова економіка в сенсі «переходу від обробки атомів до обробки бі- тів» одним з перших використовував також аме- риканський інформатик Ніколас Негропонте [2]. Він відзначав, що класичні товари мають та- 26 ISSN 0130-5395, Control systems and computers, 2018, № 6 В.С. Степашко, С.М. Єфіменко кі недоліки, як вага, сировина, транспорт, у той час нова економіка характеризувалася відсутніс- тю ваги товарів, віртуальністю, непотрібністю сировини та миттєвою доставкою. Останнім часом термін цифрова економіка стає все більш усталеним, хоча раніше також використовувалися нова економіка, електрон- на економіка, інтернет-економіка, веб-еко но- мі ка тощо. Вікіпедія визначає цифрову економіку (Di gi- tal economy) як економіку, що базується на циф- рових комп’ютерних технологіях, коли вироб- ництво, продаж та постачання продуктів здій- снюються через комп’ютерні мережі [3]. За означенням Світового банку, цифрова еко- номіка — це система економічних, соціальних і культурних відносин, заснованих на викорис- танні цифрових інформаційно-ко му ні ка цій них технологій. У 2016 р. Всесвітній банк підготував допо- відь про стан цифрової економіки «Цифрові дивіденди» [4], в якій підкреслено вигоди від її розвитку: зростання продуктивності праці; підвищення конкурентоспроможності ком- паній; зниження витрат виробництва; створення нових робочих місць; більш повне задоволення потреб людей; подолання бідності та соціальної нерівності. Інтернет-словник Merriam-Webster викорис- товує термін диджіноміка як синонім цифрової економіки та визначає її як «технологічний і соціальний рівень розвитку, за якого економі- ка переходить у цифрову форму, де угоди між покупцями і продавцями відбуваються в елек- тронному вигляді; це суспільство без готівки, де всі фінансові операції відбуваються в циф- ровому вигляді» [5]. Можна визначити кілька етапів розвитку циф- рової економіки: 1) виробництво електронних товарів та на- дання послуг (економіка цифрових технологій); 2) використання цифрових технологій в еко- номічному виробництві; 3) цифрова економіка, як найвищий рівень економіки, яка, на відміну від аналогової, не по- требує проведення реальних експериментів на зразок натурних ядерних випробувань чи тестів з випробування макетів автомобілів тощо. Згідно з [6], термін цифрова економіка «по- в’я заний з інтенсивним розвитком ін фор ма- цій но-ко му ні ка цій них технологій (ІКТ), роз- витком інформаційного суспільства та його послідов ним переходом до суспільства знань». Цифрова економіка є комунікаційним се- редовищем еко номічної діяльності в мережі Інтернет, яке спро щує зв’язки між компаніями, банками, населенням, прибираючи ланцюжки посередників і прискорюючи проведення угод і операцій. Однією з характерних ознак цифрової еко- номіки є так звана цифровізація, тобто наси- чення фізичного світу електронно-цифровими пристроями, засобами, системами та налаго- дження електронно-комунікаційного обміну між ними, що фактично уможливлює інте- гральну взаємодію віртуального і фізичного, тобто створює «кіберфізичний простір». З ура- хуванням цього в [7] вказано, що цифровою є економіка, яка застосовує і споживає цифрові технології і сервіси. Для цього необхідний роз- виток галузі цифрової індустрії, яка буде ство- рювати цифрові технології та сервіси, впровад- жувати і обслуговувати їх. Певні елементи систем цифрової економіки діють і в Україні, вживаються заходи з метою по- дальшого її розвитку. Зокрема, Розпорядженням Кабінету Міністрів України від 17 січня 2018 р. № 67-р затверджено «Концепцію розвитку цифро- вої економіки та суспільства України на 2018—2020 роки» [8]. У ній цифрова економіка визначається як «діяльність, у якій основними засобами (фак- торами) виробництва є цифрові (електронні, вір- туальні) дані, як числові, так і текстові. Цифрова економіка базується на ін фор ма цій но-ко му- ні ка цій них та цифрових технологіях, стрімкий розвиток і поширення яких вже сьогодні впли- вають на традиційну (фізично-аналогову) еко- номіку, трансформуючи її від такої, що спожи- ває ресурси, до економіки, що створює ресур- си. Саме дані є ключовим ресурсом цифрової економіки, вони генеруються та забезпечують електронно-комунікаційну взаємодію завдяки ISSN 0130-5395, УСиМ, 2018, № 6 27 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки функціонуванню електронно-цифрових при- строїв, засобів та систем». Неважко переконатись, що між усіма зга да- ни ми означеннями є чимало спільного. Вра- хо ву ючи це, як робоче означення пропонуємо розглядати також наступне: Цифрова економіка — це новий економіч- ний механізм, під яким слід розуміти сукуп- ність програмних і технічних засобів, які забез- печують процеси виробництва, продажу і по- стачання продукції та послуг через комп’ютерні системи, що діють в мережі Інтернет і здатні до швидкого коригування структури та функцій за умов постійної зміни ситуацій у середовищі їх функціонування. Системи бізнес-інтелекту в цифровій економіці Бізнес-інтелект (БІ) охоплює стратегії та тех- но ло гії, що використовуються підприємства- ми для аналізу бізнес-інформації [9]. БІ на ле- жить до управлінської філософії та ін стру мен- та рію, який використовується, щоб сприяти організаціям активно оперувати біз нес-ін фор- ма цією з метою прийняття ефективних біз- нес-рі шень. Технології БІ забезпечують іс то- рич ні, поточні та прогнозні погляди на біз- нес-опе рації. Класифікацію технологій, які використову- ються для проведення бізнес-аналітики, пода- но в [10] (див. табл.). Економічний ефект від використання засо- бів БІ комерційними організаціями може бути різним [11]: працівники можуть легко застосувати свої ді- лові вміння для вирішення багатьох бізнес-пи тань, зокрема для підвищення швидкості реагування на маркетингові кампанії, що проводяться телефо- ном, електронною поштою або Інтернетом; фірми можуть ідентифікувати своїх най- прибутковіших клієнтів та основні причини їх лояльності, а також визначати потенційних клієнтів; можливість аналізувати дані щодо історії відвідування сайтів задля покращення страте- гій електронної комерції; виявлення кримінальної діяльності, по в’я- заної з відмиванням коштів нелегального по- ходження; аналіз рентабельності потенційних клієн- тів та зменшення ризику завдяки більш точній фінансовій оцінці своїх клієнтів; визначення комбінацій продуктів та серві- сів, які покупці найімовірніше придбають; аналіз клінічних випробувань експеримен- тальних медичних препаратів; визначення найвигідніших ставок для стра- хових внесків; скорочення часу простою обладнання шля хом застосування технічного обслугову- вання, що ґрунтується на прогнозуванні за- пасу надійності; визначення причин переходу клієнтів до конкуруючих організацій. Організації різного профілю та масштабів можуть зіткнутися з певними проблемами в Сучасні технології БІ Технологія Опис Прогнозне моделювання Прогнозування значень атри- бутів Описовий інтелектуальний аналіз даних Розподіл, дисперсія та виклю- чення даних Аналіз зв’язків Визначення взаємозв’язків між атрибутами Класифікація Визначення класу, до якого на- лежать дані Кластеризація та аналіз викидів Розбиття множини даних на класи Аналіз ситуацій Тренди та відхилення, послі- довні образи, періодичність Інтерактивна аналітична обробка даних (OLAP) Засоби OLAP дозволяють ана- лі зу вати багатовимірні дані Візуалізація моделей Використання графіків, діа грам, гістограм для по лег шен ня ана- лізу даних Розвідувальний аналіз даних (EDA) Аналіз основних властивостей даних, пошук загальних зако- номірностей 28 ISSN 0130-5395, Control systems and computers, 2018, № 6 В.С. Степашко, С.М. Єфіменко ефективності використання даних, наявних у власних системах. У зв'язку з цим для компаній, що працюють в умовах цифрової економіки, особливого зна- чення набуває якість і швидкість ін фор ма цій- но-аналітичної підтримки бізнес-управ лін ня. Сучасні компанії для задач планування, аналі- зу і контролю часто використовують аналітич- ні додатки БІ на основі OLAP-систем. Проте в нових економічних умовах класич- ного функціоналу таких систем уже недостат- ньо для розв’язання нових цифрових задач, оскільки ці системи орієнтовані на ретро- спективний аналіз і обробляють інформацію про минулу ситуацію. Отже, виникає необ- хідність застосування прогнозної аналітики (predictive analytics), яка доповнює і підсилює можливості БІ у сфері прогнозування майбут- ніх подій. Загалом існує три види аналітики, що співіс- нують та доповнюють одна одну [12]: описова аналітика (descriptive analytics) — до- сліджує минулі факти для того, щоб знайти причини попередніх успіхів або невдач. Вона відповідає на питання «Що сталося?» Значною мірою описова аналітика все ще використову- ється в наш час. Більшість управлінських звітів щодо продажів, маркетингу, фінансів викорис- товують цей вид бізнес-аналітики; прогнозна аналітика (predictive analytics) від- повідає на питання «Що ймовірно станеться?». Для цього історичні дані поєднуються з прави- лами, алгоритмами та зовнішніми даними для того, щоб визначити майбутнє значення або ймовірність виникнення події; рекомендаційна аналітика (prescriptive ana- ly tics) є наступним етапом за прогнозуванням майбутніх подій, яка пропонує послідовність дій для отримання максимальної користі з прогнозів та показує наслідок кожного при- йнятого рішення. Вона відповідає на питання «Що слід робити?» Прогнозна аналітика визначається в [13] як множина різноманітних статистичних тех- нологій (зокрема, прогнозного моделюван- ня, машинного навчання та інтелектуально- го аналізу даних), які використовуються для аналізу поточних та минулих фактів з метою прогнозування майбутніх невідомих подій. В процесі аналізу використовуються, як прави- ло, великі масиви даних. Головним завданням прогнозної аналітики є виявлення одного або кількох чинників, які впливають на прогно- зовану подію. Процес прогнозного аналізу можна подати у такому вигляді: Підготовка проекту. Визначення результатів проекту, складових, масштабів роботи, бізнес- мети, набору даних, що будуть використані. Збір даних. Шляхом інтелектуального ана- лізу даних готуються дані з різних джерел. Від бу ва єть ся це за безпосередньої участі клі- єнтів. Аналіз даних. Виконання процесу перевірки, очищення та моделювання даних з метою ви- явлення корисної інформації. Статистичний аналіз дозволяє підтверджу- вати припущення, гіпотези з використанням стандартних статистичних моделей. Прогнозне моделювання забезпечує можливість автоматично будувати точні прогнозні моделі. Застосування прогнозної моделі забезпечує можливість використання аналітичних резуль- татів у процесі прийняття рішень для отриман- ня результатів та звітів. Перевірка ефективності моделей з метою за- безпечення очікуваних результатів. Підсумком застосування прогнозної ана- літики є прийняття максимально ефектив- них для бізнесу рішень. Важливою вимогою Підготовка проекту Збір даних Аналіз даних Статистичний аналіз Прогнозне моделювання Застосування моделі Перевірка ефективності Мета ведення бізнесу Рис. 1. Процес прогнозного аналізу ISSN 0130-5395, УСиМ, 2018, № 6 29 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки до прогнозної моделі є здатність працювати максимально точно та бути статистично зна- чущою. До прогнозних моделей, зокрема, належать: моделі класифікації, що описують прави- ла або набір правил, відповідно до яких можна віднести новий об’єкт до одного з класів. Такі правила будуються на підставі інформації про існуючі об’єкти шляхом розбиття їх на класи; моделі часових рядів, що описують функ- ції, які дозволяють прогнозувати зміну непе- рервних числових параметрів та будуються на підставі інформації про зміну деякого параме- тра за минулий період часу. Для підприємств, де необхідна обробка ве- личезної кількості даних і є високі ризики при прийнятті рішень, прогнозна аналітика має першорядне значення, оскільки поточна ін- формація про технологічний процес не завжди використовується ефективно. Зрозуміло, що оптимізувати процеси прийняття рішень мож- на лише на виробництві з високим рівнем ав- томатизації, організованим збором і надійним зберіганням інформації. Для цього використовуються інтелектуальні системи, які можуть проаналізувати стан тех- нологічного процесу в реальному часі, спрог- нозувати подальший перебіг процесу, визначи- ти рівень оптимальності та за потреби змінити управлінські параметри або дати рекомендації з повним урахуванням ситуації, що склалася. Для розв’язання таких задач засобами машин- ного навчання створюється прогнозна мате- матична модель технологічного процесу. Вона аналізує вхідні параметри, в реальному часі ви- дає прогноз розвитку процесу і пропозиції що- до його оптимізації. За даними Transparency Market Research [14], до 2019 р. ринок прогнозної аналітики досягне 6,5 млрд дол., тоді як за підсумками 2015 р. він складав 3,6 млрд. Світовий ринок систем для прогнозного аналізу буде рости в середньому на 17,8 відсотків щорічно. Як показує практи- ка, у складні економічні періоди виживають ті компанії, що продовжують інвестувати в тех- нології та інновації — зокрема, в засоби про- гнозної аналітики. Програмні засоби прогнозної аналітики У 2013 р. компанія ForresterResearch опублікува- ла звіт «Big Data Predictive Analytics Solutions, Q1 2013», у якому назвала лідерів на ринку засо- бів прогнозної аналітики [15]. Згідно зі звітом найміцнішими позиціями на ринку і найкра- щими стратегіями серед найбільших розроб- ників засобів прогнозної аналітики володіють компанії SAS та IBM SPSS. Оцінку проведено за 51 параметром — від повноти функціональ- ності основної аналітичної системи до розміру клієнтської бази і переваг архітектури пропо- нованих розробниками рішень. SAS (Statistical Analysis System) Enterprise Miner [16] є лідером в сегменті засобів погли- бленої аналітики, займаючи близько третини ринку. Він дозволяє користувачам досліджу- вати і аналізувати великі обсяги даних, зна- ходити стійкі закономірності і, ґрунтуючись на фактах та отриманих висновках, приймати виважені рішення. Галузі ефективного застосу- вання: банківський сектор, охорона здоров’я, нафтогазовий сектор, страхові компанії, теле- комунікації, транспорт, енергетика. До головних переваг SAS Enterprise Miner можна віднести: передові методи прогнозного моделювання; зручний і зрозумілий інтерфейс, що дозво- ляє користувачам самостійно створювати про- гнозні моделі; автоматизований процес регламентного застосування моделей; можливість пакетної обробки складних процесів; швидкий збір і підготовку даних, їх агрега- цію і дослідження; простоту масштабування та настроювання рішення; високу продуктивність системи при роботі з великим масивом розрізнених даних. IBM SPSS (Statistical Package for the Social Sciences) [17] — поширений інтелектуальний ін- струмент для прогнозної аналітики. Прогнозна аналітика SPSS сприяє аналізу закономірності в історичних і поточних даних про операції або 30 ISSN 0130-5395, Control systems and computers, 2018, № 6 В.С. Степашко, С.М. Єфіменко результати опитувань для прогнозу потенцій- них майбутніх результатів і попереджуючого реагування на основі отриманих знань з метою досягнення кращих бізнес-результатів. Ключовим компонентом інструментарію є SPSS Modeler — програмне середовище ана- лізу даних і текстової аналітики, яке дозволяє створювати інтелектуальні прогнозні рішення, розкриваючи закономірності і взаємозв’язки в даних. SPSS Modeler Server підтримує інте- грацію з інструментами для аналізу даних і моделювання, що постачаються розробни- ками СУБД, зокрема IBM Pure Data System for Analytics. Використовуючи додаток SPSS Modeler, можна створювати, розраховувати і зберігати моделі всередині бази даних. Можна поєднувати аналітичні можливості і просто- ту використання SPSS Modeler з потужністю і продуктивністю СУБД, використовуючи вбу- довані в бази даних алгоритми, що постача- ються їх виробниками. Моделі будуються все- редині баз даних та доступні до використання за допомогою зручного інтерфейсу користува- ча SPSS Modeler. Платформа поглибленого аналізу даних Dell Statistica (з 2017 р. — Tibco Software) [18] орієн- тована на фахівців роботи з даними і органі- зації, які потребують обробки даних з великої кількості пристроїв Інтернету речей (IOT) та різнорідних джерел. Функціональність інстру- ментарію сприятиме підготовці структурова- них і неструктурованих даних, розгортанню аналітичних інструментів на пристроях не- залежно від їх розташування і користуванню функціями внутрішнього аналізу на платфор- мах MYSQL, Oracle і Teradata. Завдяки Dell Statistica компанії зможуть впо- ратися з браком традиційних аналітиків даних та зі складністю сучасних середовищ IOT, а та- кож враховувати нові джерела та типи даних. Можливості Dell Statistica, які спрощують про- гнозну аналітику: панелі управління з поглибленою візуалі- зацією, що дозволяють користувачам бачити результати аналізу на будь-якому етапі і при- кріплювати візуалізацію, пов’язану з конкрет- ними процесами, до верхнього рівня панелей; сучасний веб-інтерфейс дозволяє користу- вачам ділитися звітами, які можна відкрити в будь-якому браузері; ефективний контроль даних, введених руч- ним способом. Крім представлених (далеко не всіх) роз- робників засобів прогнозної аналітики існує також велика кількість спеціалізованих фірм, які надають послуги у сфері бізнес-аналітики. Однією з таких найвідоміших фірм є Elder Research [19]. Вона має великий досвід засто- сування багатьох програмних інструментів (включаючи всі згадані вище), що викорис- товуються для розробки аналітичних рішень, програмування та персоналізованої візуаліза- ції даних. Наявні засоби прогнозної аналітики на основі МГУА Серед різноманітних засобів прогнозної ана- літики можна виокремити декілька, спільною особливістю яких є застосування одного з най- ефективніших методів індуктивного моделю- вання — методу групового урахування аргу- ментів (МГУА) [20]. 1. Програмний засіб Insights [21] німецької компанії KnowledgeMiner Software (створеної ще у 1993 р.), окрім МГУА, використовує для мо- делювання і прогнозування також метод комп- лексування аналогів та засоби нечіткої логіки. В процесі застосування програмного засобу є можливість побудови лінійних та нелінійних, статичних та динамічних моделей часових ря- дів, моделей з багатьма входами і одним вихо- дом та багатьма входами і багатьма виходами. Виходи моделі можуть бути представлені як в аналітичній формі (у вигляді рівнянь з оціне- ними коефіцієнтами) так і графічно (систем- ним графіком, що відображає взаємозв’язки структури системи). Insights реалізує векторну обробку, багато- ядерну та багатопроцесорну підтримку для ви- сокопродуктивних обчислень. Вона масштабу- ється до апаратного забезпечення комп’ютерів Macintosh фірми Apple. Незалежно від того, який процесор використовується (двоядерний ISSN 0130-5395, УСиМ, 2018, № 6 31 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки чи два шестиядерних), засіб автоматично ви- користовує усі можливості ПК. 2. GMDH Shell [22] — сучасний програм- ний засіб прогнозної аналітики на базі кла- сичного алгоритму МГУА, що виконує про- гнозування часових рядів, розв’язання задач класифікації та кластеризації. Це потужне рішення для аналізу багатовимірних масивів даних, отриманих з різних напрямків та сфер бізнесу. Засіб пропонує алгоритми інтелек- Рис. 2. Приклад використання програмного засобу Insights для прогнозного аналізу Рис. 3. Приклад використання програмного засобу GMDH Shell для прогнозного аналізу 32 ISSN 0130-5395, Control systems and computers, 2018, № 6 В.С. Степашко, С.М. Єфіменко туального аналізу даних — самоорганізовні нейронні мережі та комбінаторну структур- ну оптимізацію моделей. Також є можливість прискорення обчислень за допомогою Linux- кластера. Слід зазначити, що GMDH Shell не складає конкуренції Insights у тому сенсі, що він при- значений для використання на операційній системі Windows. 3. Програмний засіб для моделювання та про- гнозування багатовимірних взає мо зв’я за них процесів у класі дискретних динамічних мо- делей векторної авторегресії з використанням оригінальних високопродуктивних перебірних ал- горитмів МГУА на основі рекурентно-па ра лель- них обчислень [23]. Засіб реалізовано для використання на бага- топроцесорних кластерних системах. Він може бути вбудований в будь-яку сучасну систему бізнес-інтелекту як аналітичний інструмент для моделювання і прогнозування динаміки процесів у системах цифрової економіки на основі виявлення і використання знань про закономірності їх розвитку. Ідея інтелектуалізації засобів індуктивного моделювання складних процесів у системах цифрової економіки Зазначимо, що засоби прогнозної аналітики часто є занадто складними для користувачів, або не містять усіх необхідних для них можли- востей. Інтерфейс користувача розроблюва- ної інтелектуальної інформаційної технології індуктивного моделювання має бути дружнім та дозволяти створювати моделі без глибокої обізнаності з програмним забезпеченням, чим значно розшириться коло користувачів і під- вищиться їхня впевненість при використанні програмного засобу. На рис. 4 представлено блок-схему проекту інтелектуальної інформаційної технології ін- дуктивного моделювання складних процесів на основі програмного засобу для моделю- вання багатовимірних взаємозв’язаних про- цесів з використанням високопродуктивних рекурентно-паралельних алгоритмів МГУА. Інтелектуальна інформаційна технологія індуктивного моделювання повинна мати за- соби інтелектуального інтерфейсу, що допо- магатиме користувачеві з будь-яким рівнем кваліфікації розв’язувати задачу моделюван- ня за даними спостережень (від попередньої обробки даних до вибору алгоритму моделю- вання) [24]. Такий інтерфейс має забезпечу- вати загальне використання процедур авто- матичного аналізу даних та моделювання. Він враховуватиме побажання користувача Вибірка вхідних даних Оцінка часу моделювання (враховуючи обчислювальні ресурси) Можливий повний перебір за прийнятний час? Схема з обмеженим перебором Схема з повним перебором Оцінка максимальної складності (на основі обчислювальних ресурсів та наявного часу) Результат моделювання Так Визначення задачі моделювання Моделювання процесів з одним виходом Моделювання складних багатовимірних процесів MULTICOMBI Вибір алгоритму моделювання Розпаралелювання обчислень Кластерні обчислення Багатоядерні обчислення Обчислення на графічних процесорах Ні Рис. 4. Блок-схема інтелектуальної інформаційної тех- нології ISSN 0130-5395, УСиМ, 2018, № 6 33 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки та апріорне знання про об'єкт моделювання, а також підтримуватиме процес прийняття рішень на кожному етапі розв’язання задач моделювання. Висновки Сучасні можливості та передові методи про- гнозної аналітики стають дієвим інструментом для збільшення продуктивності діяльності під- приємства, фірми чи організації. Прогнозна аналітика стала новою тенденцією сучасності, яка відкриває широкі перспективи для подаль- шого розвитку компаній. Ефективність використання засобів прог- ноз ної аналітики залежить як від обраних тех- нологій, так і від якості аналітичних інстру- ментів. Перевага тут буде на боці того інстру- ментарію, який надасть сучасні методи аналізу даних, якими, зокрема, є високопродуктив- ні засоби інтелектуального моделювання на основі МГУА з ви користанням рекурентно- паралельних обчислень. REFERENCES 1. Tapscott, D., 1996. The Digital Economy: Promises and Peril in the Age of Networked Intelligence, McGraw-Hill, 342 p. 2. Bits and atoms, [online] Available at:<https://www.wired.com/1995/01/negroponte-30/> [Accessed 16 Jul. 2018]. 3. Digital economy, [online] Available at: <https://uk.wikipedia.org/wiki/> [Accessed 16 Jul. 2018]. 4. Digital dividends, [online] Available at:<https://openknowledge.worldbank.org/bitstream/handle/10986/23347/ 210671RuSum.pdf?sequence=16> [Accessed 16 Jul. 2018]. 5. Dydzhinomika, [online] Available at: <http://nws.merriam-webster.com/opendictionary/newword_display_alpha. php?letter= Di&last=50> [Accessed 16 Jul. 2018]. 6. Gritsenko, V.I., Timashova, L.A., 2016. “Smart Enterprise” as a Basic Object of the Digital Economy”. Upravlausie sistemy i masiny, 5, pp. 54—61 (In Russian). 7. Gritsenko, V.I.,Bazan, L.I., 2017. “Digital Transformation of the Economy”.Upravlausie sistemy i masiny, 6, pp. 3—16 (In Russian). 8. Concept of the development of the digital economy and the society of Ukraine for 2018-2020, [online] Available at:<https://www.kmu.gov.ua/storage/app/uploads/public/5a7/c21/c86/5a7c21c867bde621479479.doc> [Accessed 16 Jul. 2018]. 9. Business intelligence, [online] Available at:<https://en.wikipedia.org/wiki/Business_intelligence> [Accessed 16 Jul. 2018]. 10. Goebel, M., Gruenwald‚ L., 1999. “A survey of data mining and knowledge discovery software tools”, SIGKDD Explorations, 1 (1), Publisher ACM New York, NY, USA, pp. 20—33. 11. Ranjan, J., 2009. “Business Intelligence: Concepts, Components,Techniques and Benefits”. Journal of Theoretical and Applied Information Technology, pp. 60—70. 12. Business analytics, [online] Available at:<https://en.wikipedia.org/wiki/Business_analytics> [Accessed 16 Jul. 2018]. 13. Predictive analytics, [online] Available at:<https://en.wikipedia.org/wiki/Predictive_analytics> [Accessed 16 Jul. 2018]. 14. Predictive analytics industry, [online] Available at:<https://www.transparencymarketresearch.com/pressrelease/ predictive-analytics-industry.htm> [Accessed 16 Jul. 2018]. 15. The Forrester Wave™: Big Data Predictive Analytics Solutions, [online] Available at: <https://www.forrester.com/ report/The+Forrester+Wave+Big+Data+Predictive +Analytics+Solutions+Q1+2013/-/E-RES85601> [Accessed 16 Jul. 2018]. 16. SAS enterprise miner, [online] Available at:<https://www.sas.com/ru_ua/software/enterprise-miner.html> [Accessed 16 Jul. 2018]. 17. SPSS statistical software, [online] Available at:<https://www.ibm.com/analytics/data-science/predictive-analytics/ spss-statistical-software> [Accessed 16 Jul. 2018]. 18. TIBCO Statistica is Now Part of TIBCO Data Science, [online] Available at:<https://www.tibco.com/products/tibco- statistica> [Accessed 16 Jul. 2018]. 19. Elderresearch, [online] Available at: <https://www.elderresearch.com> [Accessed 16 Jul. 2018]. 20. Stepashko, V.S., 2017. “The Achievements and Prospects of Inductive Modeling”.Upravlausie sistemy i masiny, 2, pp. 58—73 (in Russian). 21. Knowledgeminer, [online] Available at: <https://www.knowledgeminer.eu> [Accessed 16 Jul. 2018]. 34 ISSN 0130-5395, Control systems and computers, 2018, № 6 В.С. Степашко, С.М. Єфіменко 22. GMDH, [online] Available at: <https://gmdhsoftware.com> [Accessed 16 Jul. 2018]. 23. Yefimenko, S., 2018. “Building Vector Autoregressive Models Using COMBI GMDH with Recurrent-and-Parallel Computations”. In: Advances in Intelligent Systems and Computing II. AISC book series, V. 689. Cham: Springer, pp. 601—613. 24. Stepashko, V., 2018. “From Inductive to Intelligent Modeling”. In: Proceedings of the 13th IEEE International Conference CSIT-2018 & International Workshop on Inductive Modeling, September 11—14, 2018, Lviv, Ukraine. Lviv: Publisher “Vezha&Co”, pp. XXXII—XXXV. Received 05.12.18 В.С. Степашко, д-р техн. наук, профессор, Международный научно-учебный центр информационных технологий и систем НАН Украины и МОН Украины, просп. Глушкова, 40, Киев 03187, Украина, stepashko@irtc.org.ua С.Н. Ефименко, канд. техн. наук, ст. научн. сотр., Международный научно-учебный центр информационных технологий и систем НАН Украины и МОН Украины, просп. Глушкова, 40, Киев 03187, Украина, syefim@ukr.net ПРОГНОЗНАЯ АНАЛИТИКА КАК ЭФФЕКТИВНЫЙ ИНСТРУМЕНТ ПОДДЕРЖКИ РЕШЕНИЙ В СИСТЕМАХ ЦИФРОВОЙ ЭКОНОМИКИ Введение. В современных условиях перехода от традиционный индустрии к цифровой вопрос влияния информа- ционных технологий на трансформацию систем цифровой экономики остается недостаточно изученным. Цель работы состоит в том, чтобы проанализировать подходы к моделированию экономических процессов в системах бизнес-интеллекта и современные инструменты прогнозной аналитики, используемые для принятия эффективных бизнес-решений. Результаты. Проанализирован ряд определений цифровой экономики и предложен обобщенный вариант: цифровая экономика — это новый экономический механизм, под которым следует понимать совокупность про- граммных и технических средств, обеспечивающих процессы производства, продажи и поставки продукции и услуг через компьютерные системы, действующие в сети Интернет, способных к быстрой корректировке структу- ры и функций в условиях постоянного изменения ситуаций в среде их функционирования. Проанализированы подходы к применению систем бизнес-интеллекта в среде цифровой экономики. Рас- смотрены современные инструменты прогнозной аналитики, используемые для принятия эффективных бизнес- решений. Предложена идея разработки интеллектуальной информационной технологии индуктивного модели- рования и прогнозирования сложных процессов в системах цифровой экономики. Выводы. Передовые методы прогнозной аналитики позволяют существенно повысить производительность деятельности предприятия, фирмы или организации. Высокопроизводительные средства интеллектуального мо- делирования на основе МГУА с использованием рекуррентно-параллельных вычислений являются одними из самых эффективных средств прогнозной аналитики. Ключевые слова: цифровая экономика, прогнозная аналитика, индуктивное моделирование, МГУА. ISSN 0130-5395, УСиМ, 2018, № 6 35 Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки Volodymyr Stepashko, Doctor of Technical Sciences, Professor, International Research and Training Center for Information Technologies and Systems of the NAS and MES of Ukraine, Glushkov ave., 40, Kyiv, 03187, Ukraine stepashko@irtc.org.ua Serhiy Yefimenko, PhD in Technical Sciences, Senior Researcher, International Research and Training Center for Information Technologies and Systems of the NAS and MES of Ukraine, Glushkov ave., 40, Kyiv, 03187, Ukraine, syefim@ukr.net PREDICTIVE ANALYTICS AS AN EFFECTIVE TOOL FOR DECISION SUPPORT IN DIGITAL ECONOMICS SYSTEMS Introduction. In the current context of transition from traditional industry to digital, insufficient research has been done on the impact of information technologies on the transformation of digital economy systems. Purpose of the work is to analyze approaches to modeling economic processes in business intelligence systems and mod- ern predictive analytics tools used to make effective business decisions. Results. A series of definitions of the digital economy has been analyzed and alternative has been proposed: the digital economy is a new economic mechanism, which should be understood as a set of software and hardware tools providing production processes, sales and supply of products and services through computer’s Internet systems that are capable of the structure and functions adjustment in the conditions of constant change of situations in the environment of their functioning. The approaches to the use of business intelligence systems in the digital economy were analyzed. The modern tools of predictive analytics used for making effective business decisions are considered. The idea for developing of intelligent information technology for inductive modeling and forecasting of complex processes in digital economy systems is proposed. Conclusion. Advanced methods of predictive analytics can significantly improve the performance of the enterprise, com- pany or organization. High-performance GMDH-based intelligent modelling using recurrent-and-parallel computing is one of the most effective means of predictive analytics. Keywords: digital economics, predictive analytics, inductive modeling, GMDH.

Прогнозна аналітика як ефективний інструмент підтримки рішень у системах цифрової економіки

Репозитарії

Схожі ресурси