CC BY
41
Вестник Института экономики Российской академии наук
1/2G17
С. МИТРОВИЧ
докторант кафедры учета, анализа и аудита МГУ им. М.В. Ломоносова
АКТУАЛЬНЫЕ ВОПРОСЫ ВНЕДРЕНИЯ СИСТЕМ БИЗНЕС-ИНТЕЛЛЕКТА В СОВРЕМЕННУЮ ЭКОНОМИКУ РОССИИ
В статье рассматриваются возможности применения систем бизнес-интеллекта в экономическом анализе деятельности организаций. Обоснована необходимость комплексного системного подхода к решению разноплановых задач организационного, теоретического, практического и методического характера при внедрении систем бизнес-интеллекта. Отмечено существующее противоречие между пониманием необходимости внедрения систем бизнес-интеллекта и неопределенностью получаемого при этом прямого финансового эффекта. Дано определение термина «бизнес-интеллект».
Ключевые слова: бизнес-интеллект, экономический анализ, экономическая деятельность, современные информационные технологии.
Современные информационные технологии кардинально изменили возможности экономического анализа, а также гармонично дополнили и обогатили методологию стратегического и оперативного менеджмента. Использование информационных технологий позволяет разрабатывать более эффективные системы управления процессом экономического развития. В результате научно-технического прогресса ХХ столетия развитые страны уже к концу прошлого века поднялись на качественно новый уровень развития, перейдя в разряд информационных обществ (Informative Societies), что положило начало процессу формирования обществ знаний (Knowledge Societies) и трансформации предпринимательских и государственных структур в организации, основанные на знаниях (Knowledge based organization). Определяющую роль в аналитической поддержке принятия решений в таких организациях играют системы бизнес-интеллекта (Business Intelligence - BI) и системы управления знаниями (Knowledge Management System - KMS).
В 1990-е годы в российской экономике сложилась традиция, концептуально нацеливавшая большинство систем измерения деятель-
JEL: C55.
ности (СИД) предприятий на определение результативности бизнеса исключительно по финансовым показателям. Таким образом, можно утверждать, что преобладала определенная финансовая односторонность, при которой ставились краткосрочные задачи, а долгосрочный стратегический рост не всегда просчитывался. В то же время уже в 1970-е годы поднимались вопросы о связи между организационной структурой и организационным контролем, но в тот период к решению этих задач все еще не привлекались системы и средства информационного обеспечения экономического анализа [16, с. 98].
Ограниченность такого подхода была признана научным сообществом в 2000-е годы. Также пришло понимание необходимости разработки и внедрения более сбалансированных подходов к системе измерения деятельности. Флагманом здесь стала так называемая сбалансированная система измерения деятельности Р. Каплана (The Balanced Scorecard - BSC), сочетавшая совокупность финансовых и нефинансовых показателей, позволявшая оценивать перспективы деятельности организаций по различным критериям [15, с. 64].
Сбалансированная система показателей быстро стала эффективным инструментом управления производительностью. Обработка структурированных отчетов дала возможность применения методов проектирования и средств автоматизации, которые начали использоваться менеджерами для отслеживания результативности деятельности сотрудников, находящихся под их контролем, и отслеживания последствий этих действий. Сбалансированные показатели обычно используются в двух основных формах: как индивидуальные оценочные листы, содержащие в том числе меры по регулированию производительности (оперативные или стратегические показатели), и как система стратегического управления, как было первоначально определено Капланом и Нортоном.
Вначале важнейшие сбалансированные показатели, используемые в экономическом анализе, были нацелены на текущие действия организаций и состояли из небольшого количества отобранных финансовых и нефинансовых элементов данных для мониторинга. В дальнейшем развитие систем измерения деятельности шло по пути разработки и внедрения разных сбалансированных систем показателей для решения конкретных бизнес-задач на стратегическом и операционном уровнях.
Сегодня, когда ключевые показатели деятельности (КПД) ориентируются на оперативный результат и достижение стратегических целей компании, они превращаются в ключевые стимулы деятельности. В свою очередь прогностический экономический анализ позволяет вычленить базовые прогнозные индикаторы деятельности.
Процессы эволюции методологии стратегического и оперативного менеджмента и информационных систем управления
организацией взаимосвязаны и взаимно дополняют друг друга.
Важно отметить, что указана именно совместная эволюция, а не некое революционное преобразование. Еще в середине 1980-х годов в рамках разработки искусственного интеллекта и теоретических вопросов его применения в экономической науке в целом, а также в системах поддержки принятия решений в частности [13, с. 48], в первую очередь ставилась задача применения в экономическом анализе для экспертного моделирования динамики развития микроэкономических систем [14, с. 9]. На следующем этапе рассматривалась задача соединения экспертной системы и системы поддержки принятия решений (СППР) [12, с. 38]. С того момента, когда были разработаны теоретические основы, прошло несколько десятков лет, прежде чем их можно было воплотить в жизнь с помощью использования информационного обеспечения, средств искусственного интеллекта для моделирования систем экономического анализа. Это перспективное направление сегодня быстро развивается.
Интеллектуальные модели удобны для восприятия и использования, но (как и экономико-математические модели) требуют решения вопросов сбора и хранения данных, их обработки, интеграции с информационными системами управления и разработки удобного пользовательского интерфейса. Здесь, по нашему мнению, необходимо уточнить понятие «искусственный интеллект», который в прямом смысле означал бы электронную копию мозга человека, и, желательно, имел бы аналогичные управляющие функции. Работы по моделированию искусственного интеллекта шли и в направлении электронно-технологического моделирования мозга. В 2005 г. нейро-биолог Е.М. Ижикевич (Институт нейронаук, Сан-Диего, Калифорния), используя кластер из 27 трехгигагерцевых процессоров, смог имитировать за 1 секунду активность 100 млрд нейронов (примерное количество нейронов в человеческом мозге)1. К сожалению, эксперимент не был продолжен, а он был бы полезен для создания искусственного интеллекта.
В то же время среди исследователей распространено мнение, что такой в полной мере «искусственный интеллект» на самом деле не нужен, но его инструменты могут быть добавлены к средствам поддержки принятия решений, формируя модель бизнеса и экономики, модели нелинейных процессов как на предприятиях, так и в экономике [11]. В данном случае речь идет как раз о применении систем бизнес-интеллекта в экономическом анализе. Интересно, что Т. Фоле ссылается на разработку экономиста Билла Филипса, который еще в 1949 г. предложил алгоритм и прибор для моделирования
1 http://www.izhikevich.org/human_brain_simulation/.
социально-экономических процессов в Великобритании2, что позже было развито в теории системной динамики (БЭ). Системная динамика стала эффективным подходом к пониманию нелинейного поведения сложных систем с течением времени, с учетом запасов, потоков, внутренних петель обратной связи и временных задержек. Преимущество модели системной динамики в том, что она может быть запущена снова и снова с разными параметрами для получения адекватного понимания поведения системы в широком диапазоне сценариев. К тому же до недавнего времени преимущества учета системной динамики в экономическом анализе не могли быть раскрыты ввиду нехватки вычислительной мощности для запуска больших моделей из-за их дороговизны. В связи с этим они использовались лишь военными для планирования операций. В то же время сегодня технологии облачных вычислений позволяют реализовать эти модели для экономического анализа, особенно для проектов с высокой стоимостью и с повышенным риском при планировании. В годы недавнего мирового финансового кризиса и после него такие модели были использованы для моделирования и стресс-тестирования банков по различным сценариям финансовых рисков и крахов. Анализ велся путем моделирования безопасности крупных промышленных комплексов с различными сценариями рисков и атак. Таким образом, например, была проверена устойчивость энергоснабжения большого города, работа системы здравоохранения в Сент-Луисе, а также смоделированы логистические цепочки поставок для нефтяной и газовой промышленности США.
Растущий спрос на бизнес-аналитику наблюдается и во всех отраслях отечественной экономики, и он связан с необходимостью постоянной трансформации первичных данных в емкие и содержательные ключевые показатели деятельности (КПД) предприятий. Опыт показывает, что адекватно сформулированная и разработанная стратегия бизнеса не гарантирует эффективность ее применения. Необходим непрерывный мониторинг процесса ее реализации по стратегической маршрутной карте. От бизнес-аналитики сегодня требуют перехода от описательного (ретроспективного по сути) анализа к предикативному и научно обоснованному прогнозному анализу - от уже полученных микроэкономическихпоказателейкперспективным (лидирующим) [3].
Таким образом, наиболее актуальными являются задачи расширения использования аналитики и увеличение периода планирования. Традиционные представления о том, что позитивные тенденции прошлого будут автоматически продолжаться и станут гарантией буду-
2 The MONIAC (Monetary National Income Analogue Computer) также известный как Гидравлический компьютер Филипса (Phillips Hydraulic Computer) или Финансо-фалограф (Financephalograph).
Вестник ИЭ РАН. №1. 2017 С. 141-150
щего сегодня, в условиях экономической турбулентности, далеко не всегда адекватны. Предикативный анализ и базирующиеся на нем рекомендации дают возможность получать необходимые знания, принимать верные и обоснованные управленческие решения, выявляя новые возможности и повышая эффективность процессов принятия решений, увеличивая удовлетворенность клиентов.
Потребность применения систем информационного обеспечения в экономическом анализе обусловлена также и необходимостью оценивать лавинообразный рост нематериальных активов, включая аспект взаимоотношений организаций с другими заинтересованными группами. Оценка значимости взаимоотношений предприятия (организации) с контрагентами, с участниками рынка, клиентами требует огромного объема работы, где уже нельзя, как это было на заре капитализма, положиться на интуицию. Также бизнес-аналитика способна сбалансировать финансовые и нефинансовые, краткосрочные и долгосрочные показатели, а также сложно сопоставимые без ее использования величины. Бизнес-аналитика помимо более простых, «обязательных» для систем информационного обеспечения в экономическом анализе задач повышения скорости и точности составления отчетов, а также обеспечения надежности результатов при минимизации вероятности ошибок, решает те задачи, которые имеют принципиально иной, интеллектуальный уровень, быстро эволюционируя от относительно простых экономико-математических моделей к бизнес-интеллекту (В1). В прошлом для целей экономического анализа в основном использовались системы математического моделирования. Они имели свои преимущества, прежде всего бюджетные, отличались простотой в использовании. Были и недостатки, в том числе отсутствие возможности работы онлайн, что сегодня является главным критерием для принятия своевременных решений.
Преимуществами систем бизнес-интеллекта по сравнению с другими программными продуктами на данный момент являются: расширение масштабов использования аналитики, увеличение периода планирования, повышение скорости и точности составления отчетов, повышение эффективности процессов принятия решений, увеличение удовлетворенности клиентов. С другой стороны, внедрение систем бизнес-интеллекта не всегда подразумевает сокращение операционных расходов или увеличение объемов выручки. Это и есть одна из главных проблем внедрения - понимание того, что внедрять системы бизнес-интеллекта нужно, но прямой финансовый эффект, измеряемый через прирост свободных средств, не всегда очевиден.
Т. Фоле указывает на то, что до сих пор большинство крупных экономических решений в бизнесе и правительстве принимались на
основе моделирования электронных таблиц и интуиции. Простые решения в виде непроверяемых построений - больших моделей, электронных таблиц в Microsoft Excel: автор считает «самым опасным программным обеспечением на планете» - такого рода анализ подвержен когнитивным искажениям и чреват плохим выбором. Т. Фоле с коллегами построили таблицу модели для оптимизации широкополосного развертывания данных для страны с населением 50 млн человек, в разных сферах деятельности (от рытья каналов и установки антенн до оценки потребности в оборудовании), на рентабельность капитала, используя теорию игр для выработки оптимальных инвестиционных решений с учетом лучших вариантов из тех, что могли принять участие в отборе. Таким образом, в экономическом анализе были задействованы помимо экономических, демографические, географические и маркетинговые данные, подготовлен хороший набор графики. В результате авторы пришли к неожиданному выводу о том, что эти результаты нельзя проверить и почти невозможно сохранить [11]. В этой связи необходимо помнить о том, что современная бизнес-аналитика - не истина в последней инстанции, а лишь инструмент, также нуждающийся в поверке и настройке.
В этом смысле любой предприниматель может опробовать свои собственные модели системной динамики с помощью бесплатного приложения «Insightmaker» для моделирования. Для более сложных моделей может быть использован облачный сервис, например, такой как Simudyne3. Эта платформа прогнозных показателей позволяет руководителям высшего звена и другим лицам, принимающим решения, выбрать кардинально лучшее решение для более быстрого достижения оптимальной производительности. Компания разработала технологию «Предвидение», сочетающую человеческий и искусственный интеллект в единое целое на базе простой в использовании платформы. Технология «Предвидение» позволяет лицам, принимающим решения, получать все имеющиеся данные по всем их организациям в реальном времени, в одном месте и в простой в использовании интерактивной виртуальной среде. Они могут спокойно изучить и протестировать множество вариантов «если» и вытекающих из них сценариев, дорабатывая последовательно свои идеи до получения оптимальных результатов, предполагающих положительное влияние на предприятие, его партнеров и так далее, вплоть до принятия решения в реальном мире. Таким образом, на современном рынке есть доступные и качественные продукты (от низшего начального уровня до премиум), позволяющие пройти все ступени применения информационных технологий в экономическом анализе: от тренировки на
3 http://www.simudyne.com/.
бесплатном приложении до приобретения продукта, помогающего принимать стратегические решения.
С технологической точки зрения, российский рынок информационных технологий (ИТ) и систем бизнес-интеллекта (В1) не отстает от мирового в плане доступности передовых цифровых технологий, но освоение их только начинается. Реализация систем бизнес-интеллекта требует объединения усилий научных работников и практиков в области информационных технологий, менеджмента, учета, анализа и иных сопряженных экономических дисциплин.
Теоретические основы и понимание концептуальных задач бизнес-интеллекта в целом разработаны, и сегодня, с появлением высокопроизводительных (и относительно бюджетных) облачных технологий, это может быть реализовано на практике. При этом система бизнес-интеллекта должна отвечать следующим технико-экономическим параметрам:
- обеспечивать рентабельную (привлекательную для пользователя стоимость) супер-производительного компьютера на настольных и мобильных устройствах пользователя через мощь и масштабируемость виртуального облака;
- быть гибкой познавательной моделью, содержащей исчерпывающий объем данных для решения определенной задачи;
- обеспечивать привлекательную, простую и понятную интерактивную визуализацию, легко доступную и легко потребляемую;
- быть простой в пользовании;
- обеспечивать бесшовную интеграцию с существующими ИТ-системами.
Разработка новых, внедрение и адаптация существующих решений в области систем бизнес-интеллекта остается для любого государства мира, в том числе и для России, и функционирующего в нем экономического субъекта весьма сложным, длительным и дорогостоящим процессом. На настоящий момент в мире не существует ни одной организации, которая внедрила бы в практику весь набор методических средств и решений, предоставляемых возможностями бизнес-интеллекта, и реализовала все связанные с данной деятельностью процессы. Выбор подходящих методов и степени их внедрения является субъективным процессом, функционирующим в противоречивых условиях, с одной стороны, будучи лишь отчасти регламентируемым нормативными, методическими актами, стандартами экономического характера, а с другой - определяемым стремительной эволюцией решений в области информационных технологий и в условиях активного развития научно-технического прогресса. Это объясняет неослабевающий интерес отечественной науки к изучению проблемы использования систем бизнес-интеллекта в экономическом анализе и теоретико-методологических основ данного феномена.
Кроме того, нельзя не отметить тот факт, что темпы развития современных информационных технологий в России в настоящее время значительно опережают темпы разработки методико-реко-мендательной и нормативно-правовой базы руководящих документов, действующих на территории нашей страны, и применяющейся в практике управления экономических субъектов. Но, несмотря на тот факт, что термин «бизнес-интеллект» нашел широкое применение в научной и практической области экономического знания, нужно отметить, что в современной науке до сих пор не существует принятой большинством ученых и практиков трактовки содержания данного феномена, что затрудняет развитие его теоретико-методологических основ. Сегодня назрела необходимость осмысления данного понятия как важной современной экономической, информационной и организационно-технической категории в соотнесении с другими ключевыми понятиями в системе экономической деятельности. Такой подход позволяет подойти к пониманию парадигмы бизнес-интеллекта и его внедрения в экономическую деятельность в целом, и в экономический анализ в частности, как эффективного методического инструмента, в корреляции с различными факторами.
Поэтому выбор путей и форм внедрения систем бизнес-интеллекта в отечественную практику до сих пор оставляет открытыми такие важные вопросы, как, например, в соответствии с какими критериями и показателями производить оценку эффективности решений бизнес-интеллекта в компании. Во многих случаях, не успевая за эволюцией информационных средств или будучи недостаточно адаптированными к экономической специфике, современные методические средства в области бизнес-интеллекта, применяемые в отечественных условиях, не позволяют в должной мере оценить существующий уровень экономических угроз и рисков и выработать адекватную стратегию их преодоления, вести мониторинг выполнения требований по организации режима экономической безопасности и т.д. Это особенно важно в тех случаях, когда к информационной системе компании или организации предъявляются повышенные требования к непрерывности бизнеса. В связи с этим при внедрении систем бизнес-интеллекта все большее внимание в отечественных условиях, на наш взгляд, должно уделяться комплексному, системному подходу, который состоит в одновременном решении целого ряда разноплановых задач организационного, теоретического, практического и методического характера путем применения совокупности взаимосвязанных средств, методов и мероприятий.
ЛИТЕРАТУРА
1. Багдасарян С.А., Перова М.В. Внедрение business intelligence// Экономика и управление в XXI веке: тенденции развития. 2015. № 25. С.245-249.
2. Зеленина А.В., Онищук М.Н. Искуственный интеллект и принятие решений // Искусственный интеллект: философия, методология, инновации / Сборник трудов 1Х Всероссийской конференции студентов, аспирантов и молодых ученых / Отв. ред. Е.А. Никитина. 2015. С. 206-211.
3. Кузнецов С.Ф. Интеллект как инструмент управления инновационным предприятием // Эффективное антикризисное управление. 2012. № 4 (73).
4. Герасимова Е.Б. Парадигма экономического анализа: анализ деятельности экономических субъектов. М.: ИНФРА-М, 2016. .
5. Кузнецов В.С. Применение информационно-аналитических систем в управлении // Кулагинские чтения: техника и технологии производственных процессов / XIV Международная научно-практическая конференция: сб. статей. Забайкальский государственный университет, 2014. С. 253-259.
6. Сибирский В.К., Степанов В.Г. Большие данные и искусственный интеллект // Управление в социальных и экономических системах // Материалы международной научно-практической конференции / Под ред. Ю.С. Руденко. 2015. С. 140-153.
7. Кабалина М.Ю. Статистический анализ и моделирование инновационного развития России // Инновации и инвестиции. 2015. № 8. С. 9-13.
8. Крюков С.В. Информационные технологии и программные решения для бизнес-анализа: мировые тренды и российские реалии // Глобальный мир: многополярность, антикризисные императивы, институты /Материалы конференции: в 3-х томах. 2014. С. 425-429.
9. Ковнир В.Н., Погребинская Е.А. Актуальность теории Кейнса в XXI веке // Социально-экономические явления и процессы. 2016. Т. 11. № 4. С. 34-44.
10. Митрович С. Направления и перспективы развития информационного обеспечения экономического анализа в России // Экономический анализ: теория и практика. 2016. № 9 (456). С. 100-112.
11. Foale T. Working on artificial unintelligence - doing complex things simply // How-can-tools-from-artificial-intelligence-be-applied-in-eco-nomic-models. https://www.quora.com.
12. Fordyce K.J., Sullivan G.A. Decision Simulation (DSIM) - One Outcome of Combining Expert Systems and Decision Support Systems// Artificial intelligence in economics and management. Ed. by L. F. Pau/ Battelle Memorial Institute. Carouge. Switzerland, 1986. P. 31-41.
Вестник ИЭ РАН. №1. 2017 С.141-150
13. Honda N., Sugimoto F., Tanaka M., Aida S. Decision Support System Using Fuzzy Reasoning and Evaluation // Artificial intelligence in economics and management / Ed. by L. F. Pau / Battelle Memorial Institute. Carouge. Switzerland, 1986. P. 41-51.
14. Hoffman E., Marsden J.R., Jacob V.S., Whinston A. Artificial Intelligence in Economics - Expert Systems Modelling of Microeconomic Systems // Artificial intelligence in economics and management / Ed. by L.F. Pau/ Battelle Memorial Institute. Carouge. Switzerland, 1986. 1-11.
15. Kaplan R. S., Norton D.P. Linking the Balanced Scorecard to Strategy// California Management Review. 1996. № 39 (1). P. 53-79.
16. Ouchi W.G. The relationship between organizational structure and organizational control // Administrative Science Quarterly. 1977. № 22 (1): 95-113.
17. Palkin V.A. On the difficult path of education in the «knowledge age» // The Unity of Science: International Scientific Periodical Journal. 2016. № 3-1. C. 42-53.
18. Barr N. Bill Phillips: a life less ordinary/ LSE Magazine. Winter 2007. www. lse.ac.uk/alumni/LSEConnect/LSEMagazine/pdf/winter2007/Phillips.pdf.
S. MITROVICH
doctoral candidate of the account, analysis and audit department of Moscow state university named after M.V. Lomonosov, Moscow, Russia [email protected]
ACTUAL QUESTIONS OF IMPLEMENTATION OF BUSINESS INTELLIGENCE SYSTEMS INTO THE MODERN RUSSIAN ECONOMY
The possibilities of use of business intelligence systems in the economic analysis of organization activity are considered in the paper. The necessity of integrated system approach to the solution of versatile tasks of organizational, theoretical, practical and methodical nature in case of implementation of systems of business intelligence is proved. The actual collision between understanding of the necessity of implementation of systems of business intelligence and uncertainty of the direct financial effect gained at the same time is noted as well. The definition of the term "business intelligence" is given.
Keywords: business intelligence, economic analysis, economic activities, modern information technologies.
JEL: C55.
