CC BY
122
_08.00.00 ЭКОНОМИЧЕСКИЕ НАУКИ_
08.00.05 УДК 338.242
«БОЛЬШИЕ ДАННЫЕ» И ПЕРСПЕКТИВЫ ИХ ИСПОЛЬЗОВАНИЯ В ПРЕДПРИНИМАТЕЛЬСКОЙ ДЕЯТЕЛЬНОСТИ
© 2018
Оксана Сергеевна Каращук, кандидат экономических наук, доцент кафедры «Торговая политика» ФГБОУ ВО «РЭУ им. Г. В. Плеханова» (Россия)
Елена Александровна Майорова, кандидат экономических наук, доцент кафедры «Торговая политика» ФГБОУ ВО «РЭУ им. Г. В. Плеханова» (Россия) Юрий Николаевич Прохоров, кандидат экономических наук, начальник учебно-методического отдела ГБУ «Информационный город» (Россия)
Аннотация
Введение: в статье рассматривается современная практика использования «больших данных» при осуществлении предпринимательской деятельности в России на примере торговли. На этой основе даются предложения по улучшению использования ресурса больших данных в предпринимательском секторе.
Материалы и методы: в предпринимательских организациях в торговле наиболее передовые технологии обработки «больших данных» применяют интернет-магазины и инновационно-ориентированные традиционные торговые организации. Для анализа «больших данных» они применяют как достаточно редко используемые в экономической науке методы анализа информации, так и широко известные статистические и экономико-математические методы.
Результаты: изучение показывает, что интерес предпринимательских структур к «большим данным» в основном связан с определением важнейших характеристик потоков потребителей. Однако государственные общедоступные источники «больших данных» не соответствуют потребностям предпринимателей и не позволяют обеспечить информационную основу развития их деятельности. Поэтому коммерческие организации делают попытки формирования «больших данных» с помощью доступных для частного бизнеса цифровых средств, в т. ч. аналитических инструментов в составе различных поисковых систем, а также приобретают исследования на стороне у специализированных организаций.
Обсуждение: центрами развития «больших данных» в нашей стране являются «умные» города (smart сйу), которые имеют необходимые материально-технические возможности для этого, обеспечиваемые региональными органами государственной власти. В то же время ресурсы «больших данных» «умных» городов России характеризуются большим объемом сложной по своему составу информации и низкой наполненностью количественными данными.
Заключение: перспективы использования «больших данных» авторы связывают с созданием государственного ресурса открытых бизнес-ориентированных «больших данных», который должен включать государственные средства накопления и хранения открытых «больших данных», государственные общедоступные и бесплатные сервисы их предоставления, а также рекомендации по использованию имеющихся сведений. Ключевые слова: «большие данные» (Big Data); Интернет; интернет-магазин; инновационно-ориентированный традиционный магазин; Москва; раскрытые данные; «открытые данные» (Open Data); поисковая система; сайт; социальная сеть; торговля; «умный» город (Smart City); цифровая экономика.
Для цитирования: Каращук О. С., Майорова Е. А., Прохоров Ю. Н. «Большие данные» и перспективы их использования в предпринимательской деятельности // Вестник НГИЭИ. 2018. № 10 (89). С. 77-87.
BIG DATA AND PROSPECTS OF THEIR USE IN ENTREPRENEURIAL ACTIVITY
© 2018
Oksana Sergeevna Karash^uk, Ph. D. (Economy), Associate Professor of the Chair «Trade policy»
Plekhanov Russian University of Economics (Russia) Elena Aleksandrovna Mayorova, Ph. D. (Economy), Associate Professor of the Chair «Trade policy» Plekhanov Russian University of Economics (Russia) Yuriy Nikolaevich Prokhorov, Ph. D. (Economy), Head of Educational and Methodical Department
State Budgetary Institution «Infogorod» (Russia) 77
Abstract
Introduction: the article deals with the modern practice of using Big Data in business activity in Russia on the example of trade. And on this basis some suggestions for improvement of resource utilization of Big Data in the business sector of Russia.
Materials and methods: in business organizations, the most advanced Big Data technologies are used by online stores and innovation-oriented traditional stores. For the analysis of Big Data they use both methods of information analysis rather little studied in Economics, and widely known statistical and economic and mathematical methods. Results: the study shows that publicly available sources of Big Data do not meet the needs of entrepreneurs and do not provide an information basis for the development of their activities. Therefore, commercial organizations make attempts to generate Big Data using digital tools available for private business, including analytical tools as part of various search engines, and also acquire research on the side of specialized organizations. The interest of business structures in Big Data is mainly related to the definition of the most important characteristics of consumer flows. Discussion: the centers of Big Data development in our country are Smart Cities, which have the necessary material and technical capabilities for this, provided by regional structures of state power. At the same time, the resources of Big Data Smart Cities of Russia are characterized by a large volume of complex information and low content of quantitative data. Conclusion: the authors connect the prospects of using Big Data with the creation of the state program of open business-oriented Big Data, which should include public funds for the accumulation and storage of open Big Data, state public and free services for their provision, as well as recommendations for the use of available information. Keywords: Big Data; Internet; online store; innovation-oriented traditional store; Moscow; disclosed data; open data; search engine; website; social network; trade; Smart Sity; digital economy.
For citation: Karashchuk O. S., Mayorova E. A., Prokhorov Yu. N. Big data and prospects of their use in entrepreneurial activity // Bulletin NGIEI. 2018. № 8 (87). P. 77-87.
Введение
«Большие данные» (Big Data) привлекают все большее внимание современных исследователей. Совсем недавно в экономической науке не было такого понятия, а для точных оценок экономической ситуации использовалась статистическая информация. Но в 2008 году в мире впервые появились и начали анализироваться «большие данные», а в 2017 г. они были включены в перечень основных сквозных цифровых технологий российского государства [1].
Под «большими данными» понимают массивы цифровой информации больших объемов или сложного состава, которые в динамике постоянно возрастают [2; 3].
В России понятие «больших данных», кроме самой цифровой информации, также включает техно-
логии ее обработки и способы использования при решении различных задач. «Большие данные» идентифицируют как подходы, методы и инструменты обработки данных больших объемов или сложного состава в условиях непрерывного увеличения баз данных [4].
В нормативных документах России определено понятие обработки больших объемов данных, под которым понимается совокупность подходов, инструментов и методов автоматической обработки информации из большого количества источников, которую невозможно обработать вручную за ограниченное время [5].
Классификация позволяет более четко определить состав «больших данных» по различным признакам и понятийный аппарат для их дальнейшего изучения (рис. 1).
«Большие данные» / Big Data
по возможности доступа/ if possible access по субъекту формирования / on the subject of formation по возможности идентификации / if possible identification по источникам поступления посредством / by source of income through по особенностям информации/ on features of the information
раскрытые / disclosed закрытые / closed госу-дарственные / state частные / private определяемые / determined неопределяемые / undetectable Интернет / Internet мобильных операторов / mobile operators интеллектуальных систем / intellectual systems больших объемов/ large volumes сложного состава/ complex composition
Рис. 1. Классификация «больших данных» (Источник: составлено авторами самостоятельно) Fig. 1. The classification of Big Data (Source: compiled by the authors themselves)
При определении состава «больших данных» важную роль играет разграничение терминов раскрытых (опубликованных) и «открытых данных», так как эти понятия не являются аналогами и достаточно широко используются в ИТ-среде. В массивы «больших данных» входят как раскрытые, так и «открытые данные», как часть данных, доступных для обработки теми или иными средствами программного обеспечения.
Раскрытые данные - это любые сведения в любой форме о чем-либо, которые может легально и без ограничений получить каждый заинтересованный пользователь.
«Открытые данные» (Open Data) - это конкретная ИТ-технология по раскрытию и поддержанию актуальных на данный момент сведений в машиночитаемом формате, обеспечиваемых определенной государственной структурой. И периодически, по регламенту, «открытые данные» обновляются (актуализируются). Набор показателей в «открытых данных» практически неизменный, поэтому на основе накопленных файлов можно изучить динамику имеющихся показателей. Но главное назначение использования «открытых данных» заключается в применении этих данных в ИТ-сервисах и системах.
Ценность «больших данных» заключается в их высокой актуальности, т. к. они содержат сведения о сегодняшнем состоянии различных экономических процессов и субъектов.
В связи с новизной для экономической науки «больших данных» и учитывая их отличия от традиционных экономических данных, методы их сбора, анализа и использования нуждаются в детальном изучении.
Целью данной работы является изучение практики использования «больших данных» в предпринимательских организациях России (на примере торговли) и обоснование перспектив их дальнейшего развития и применения.
С учетом цели данной работы авторы считают необходимым определить понятие «больших данных» как массивы актуальной неструктурированной информации, из которой различными аналитическими методами и средствами программирования можно найти определенные зависимости, подтвердить или опровергнуть гипотезы.
Материалы и методы
Мировой рынок технологий «больших данных» ежегодно увеличивается на 30 % и в текущем 2018 г. должен составить около 42 млрд дол. США, по информации аналитической компании IDC [6]. Согласно прогнозу другого аналитического агентства Wikibon объем мирового рынка «больших дан-
ных» в 2018 году достигнет 54 млрд долл. США, а к 2020 году увеличится до 61 млрд долл. США [7].
Обработка «больших данных» позволяет выявить закономерности, которые являются недоступными для исследователя, использующего традиционные аналитические инструменты. Широко известен опыт сбора «больших данных», используемый производителем электромобилей Tesla, где источником информации являются покупатели электромобилей, причем большинство сведений создает сам товар (фиксирует особенности вождения, отказы техники, маршруты следования и др.). Также имеется опыт розничных продавцов для определения характеристик покупателей на основе обработки данных групп клиентов в соцсетях, изучения журналов активности сайтов организации и анализа различных интернет-сведений [8].
В современных экономических исследованиях отмечается, что наилучшие возможности использования «больших данных» имеют следующие торговые организации [9].
1. Интернет-магазины, в которых имеются значительные объемы собственной информации в электронном виде, существенно большие, чем при осуществлении традиционных форм торговли. Поэтому такие известные во всем мире торговые площадки, как Amazon, eBay и др. с момента своего основания занимаются изучением имеющихся у них сведений «больших данных», сформированных непосредственно в информационных системах и ресурсах этих организаций, в целях повышения продаж.
2. Инновационно-ориентированные традиционные магазины, которые собирают персонифицированные массовые сведения о покупателях (на основе программ лояльности), а также информацию об ожидаемых изменениях внешней среды. Например, компания Tesco завоевала лидерство на рынке за счет применения дополнительных программ лояльности, предотвращающих отток целевых покупателей. Также данная компания активно использует информацию «больших данных» для оперативной корректировки текущего ассортимента (прогнозы погоды и др.).
Источниками «больших данных» является самая различная информация, поступающая посредством: Интернет (социальных сетей, сайтов организаций и госструктур, чатов, форумов, блогов и пр.), мобильных телефонных операторов, интеллектуальных систем сбора данных (датчиков, сенсоров, радиочастотных меток, звукозаписывающих устройств, средств видео- и фотосъемки, спутников) и др.
Массив «больших данных» в сфере Интернет наиболее существенный и формируется за счет фиксации информации: посещений веб-сайтов, переходов на сайты по ключевым словам, источников перехода, времени нахождения на сайтах, выбранных товаров, повторных покупок, отказов от заказов, удовлетворенности обслуживанием, постоянных покупателей, данных посетителей (регионов местонахождения, пола, возраста, суточной активности, интересов) и пр. При непосредственной покупке и осуществлении послепродажного обслуживания программные продукты, обеспечивающие данный процесс, позволяют собрать более 500 видов различных данных [10].
Основная на сегодня проблема использования «больших данных» заключается в несоответствии форматов различных источников информации, т. к. состав этих данных включает текстовые документы, веб-журналы, видеозаписи, машинные коды, геопространственную информацию и др. Также проблемой является значительный объем закрытой информации в составе больших данных. В итоге существует огромный объем различного рода данных, но нет возможности их использования, в т. ч. для постановки задач, формулировки гипотез и оценки сведений, позволяющих установить взаимосвязи и выявить закономерности.
Современными практиками, работающими с «большими данными», делаются определенные попытки обработки имеющейся информации, что находит отражение в публикациях по данной теме [11; 12]. Среди методов анализа «больших данных» предлагаются относительно редко используемые в экономических исследованиях A/B testing, Data mining и др., так и широко известные экономико-математические и статистические методы Regression, Time series analysis, Cluster analysis и др.
Результаты
Современные предпринимательские структуры осуществляют самостоятельные разработки систем использования «больших данных», которые они создают собственными силами [13]. В этих системах выделяются три составляющие, в т. ч.:
1) инфраструктура (сервер, как правило, «облачный»);
2) автоматизированный ресурс сбора данных (поисковые системы нахождения данных, различные веб-ресурсы в сети Интерент, мобильные приложения, группы в социальных сетях и др.);
3) аналитический инструментарий обработки данных (программные продукты для анализа, установления закономерностей, вывода итогов и их визуализации).
Наиболее известным в мире инструментом обработки «больших данных» является специальный программный комплекс Hadoop. Он формирует базу для разработки приложений по анализу и визуализации больших объемов информации [3]. Также достаточно популярным инструментом работы с большими данными является облачный сервис Microsoft Azure.
Следует отметить, что инструменты анализа данных, которые существуют в настоящее время в отрытом доступе, имеют определенные ограничения их использования. Например, широко известные средства анализа данных «Google Analytics» и «Yan-dex Analytics», принадлежащие одноименным поисковым системам, требуют для своего применения наличия у организации сайта и, соответственно, результаты аналитического исследования ограничиваются информацией, которая формируется по данным обработки информации на сайте. Более детальные исследования, посвященные изучению и систематизации поисковых систем на различных платформах, содержатся в современных научных работах по данной проблематике [14]. При формировании «больших данных» особенно возрастает роль использования социальных сетей, что находит отражение в многочисленных работах по данной проблематике [15]. Также для улучшения формирования информации с целью развития предпринимательской деятельности определяющую роль играют другие многочисленные ресурсы сети Интернет, систематизированные в современных работах [16; 17].
В настоящее время задача создания и предоставления заинтересованным пользователям «больших данных» в России стоит достаточно остро. Как отмечается в отчете Департамента информационных технологий Правительства Москвы (далее - ДИТ Москвы) «Мониторинг развития Smart-практик и технологий в мировых мегаполисах» за 2017 г., использование предпринимательскими структурами «больших данных» способно повысить эффективность предпринимательства и увеличить налоговые поступления в бюджет. В этом же документе отмечается, что «большие данные» Москвы имеют степень проникновения в экономику на уровне 46 %, что является лучшим показателем для России.
Следует отметить, что город Москва стал одним из первым в России субъектов федерации, в котором был сформирован государственный ресурс, используемый при анализе «больших данных», а именно - портал «открытых данных», еще в 2013 году. Сейчас в России разрабатывается концепция создания и развития 50 умных городов России, которые должны стать основными центрами развития цифро-
вой экономики, а значит и развития и практического применения «больших данных» в нашей стране. Однако пока в России имеется всего 18 городов, которые в той или иной мере могут быть отнесены к категории «умный город» (smart city), что следует из информации Института развития интернета (ИРИ) [18]. Эти города выделены с учетом наличия необходимого уровня развития транспорта, жилищно-коммунального хозяйства, энергетики, промышленности и сервисов электронного правительства.
В то же время, по данным нормативных документов России, около 90 % муниципальных образований страны в настоящее время не соответствуют необходимым требованиям уровня цифровиза-ции [1]. Поэтому возможности субъектов РФ по развитию умных городов достаточно спорные.
Со стороны государства предпринимательским субъектам оказывается определенная информационная поддержка в форме предоставления различного рода данных, в т. ч. в формате «открытых данных». Указанная информация включает сведения о нормативно-правовых основах регулирования взаимоотношений контрагентов бизнеса, систему электронного документооборота для взаимодействия с госструктурами и другими юридическими и
физическими лицами, электронные государственные услуги, платформы для проведения электронных расчетов, данные о государственной поддержке бизнеса, наборы данных (датасеты), раскрывающие информацию о работе органов власти (или сфер деятельности), и некоторые другие.
Изучение содержания государственных информационных ресурсов показывает, что «открытые данные», сформированные государственными регулирующими органами, имеют ряд недостаточно проработанных аспектов, среди которых наиболее значимыми являются: отсутствие информационного пояснения к имеющимся сведениям об их наполнении и возможностях обработки; различия в составе информационных данных федеральных и региональных органов; недостоверность многих источников вследствие добровольности предоставления информации, согласно закону № 294-ФЗ [19]. Для соответствующего вывода изучались ресурсы «открытых данных», в т. ч. федеральный -http://data.gov.ru/ и региональный - города Москвы - https://data.mos.ru. Результаты изучения наполнения сайта Правительства Москвы, содержащего информацию для использования в предпринимательской деятельности, представлены в таблице 1.
Таблица 1. Содержание информации «открытых данных» для предпринимателей на сайте Правительства Москвы (на примере торговли)
Table 1. The content of the Open Data information for entrepreneurs on the website of the Moscow Government (on the example of trade)
Разделы сайта / Sections of the site
Число подразделов / Number of subsections
Сведения / Information
Государственные услуги / State service
Госорганы; госуслуги / State authorities; state services
7
Предпринимательство / 15 Entrepreneurship
Госзаказчики; промышленные предприятия; госорганы поддержки малого и среднего бизнеса; инновации; предприятия промышленных комплексов; получатели субсидий и господдержки; результаты торгов; поставщики госзакупок; дислокация рекламных конструкций; технопарки / State customers; industrial enterprises; government agencies supporting small and medium-sized businesses; innovation; enterprises of industrial complexes; recipients of subsidies and state support; results of bidding; suppliers of public procurement; dislocation of advertising constructions; technology parks
Нестационарные объекты; объекты с лицензией на продажу алкоголя; региональные ярмарки; ярмарки выходного дня; рынки; стационарные объекты / Nonstationary objects; objects with a license for the sale of alcohol; regional fairs; weekend fairs; markets; stationary objects данным сайта https://data.mos.ru
Торговля / Trade 9
Источник: составлено авторами по
Как видно из таблицы, на региональном сайте «открытых данных» города Москвы имеются сведения общего характера об условиях и субъектах
осуществления предпринимательской, в т. ч. торговой деятельности. В имеющейся информации не содержится каких-либо данных о результатах рабо-
ты организаций, характеристиках обслуживаемых потребителей и пр. сведений, важных для определения перспектив осуществления бизнеса и их количественной обработки, анализа и прогнозирования.
Кроме открытой информации также имеется государственный закрытый для свободного доступа ресурс «больших данных», который в торговле представлен «Единой городской автоматизированной системой информационного обеспечения и аналитики потребительского рынка города Москвы» (ЕГАС СИОПР).
Согласно паспорту данной системы она позволяет автоматизировать в сфере торговли:
- в отношении нестационарных объектов: информацию о сроках размещения объекта, сведения о начислении и поступлении пеней и штрафов; данные о нарушении условий размещения;
- по ярмаркам: данные реестра участников; сведения контроля за их проведением;
- применительно к социальным объектам: информацию учета таких объектов и их ведения.
Как видим, несмотря на свою закрытость, ориентированность на использование соответствующими органами власти, ресурс ЕГАС СИОПР не имеет информации, пригодной для количественной оценки деятельности предпринимательских структур в торговле, способной создать аналитическую основу для разработки проектов в целях развития коммерческой деятельности в сфере потребительского рынка Москвы.
Таким образом, недостатком существующих информационных ресурсов государственных структур России является то, что они слабо подходят для
целей развития предпринимательской деятельности. В результате крупные предприниматели предпочитают приобретать аналитические сведения на стороне, в специализированных организациях, создающих соответствующий ресурс [20]. А малые организации формируют необходимую бизнес-информацию собственными силами на основе изучения рынка, что связано с отсутствием у них средств для получения более авторитетной информации.
Как видим, в существующей практике формирования государственных информационных ресурсов в России, в том числе доступных «открытых данных», предпринимательские структуры пока рассчитывают только на собственные возможности создания необходимой информации.
Наибольший интерес предпринимателей к «большим данным» связан с получением информации о потребителях, позволяющей формировать персонализированное предложение товаров и услуг, а также разработки собственных информационно-аналитических сервисов и мобильных приложений. Ее источниками являются непосредственные контакты с клиентами, данные сети Интернет, сведения мобильных операторов связи и пр.
Изучение зарубежных практик успешного формирования и использования аналитики «больших данных», в том числе доступных государственных или муниципальных «открытых данных» показывает, что существуют удачные практические примеры и модели целевого создания и наполнения подобного государственного ресурса, который может служить для развития предпринимательской деятельности (табл. 2).
Таблица 2. Опыт использования «больших данных» для информационной поддержки предпринимательства
Table 2. Experience in using Big Data for informational support of entrepreneurship
Город / City Год / Year Цель создания / Purpose of creation Поставщики данных / Data providers
1 2 3 4
Нью-Йорк / New York
Сеул / Seoul
2013
2015
Агрегированы все существующие наборы данных, в том числе о демографии, обращениях в различные госструктуры, организациях, отчетности, дислокации, в т. ч. с применением геоданных и др. / All existing data sets are aggregated, including demographics, appeals to various state structures, organizations, reporting, dislocations, incl. with the use of geodata, etc. Определение городских зон, благоприятных для развития малого бизнеса (с высокими потоками людей, существенных по генерированию доходов, с хорошими показателями предприятий и др.) / Definition of urban areas favorable for the development of small businesses (with high flows of people, significant in generating income, with good performance of enterprises, etc.)
Все доступные источники / All available sources
Более 200 млн различных источников / More than 200 million different sources
Окончание таблицы 2 / End of table 2
1 2 3 4
Барселона/ Barcelona
Лондон/ London
2016
2016
Формирование городских сведений о поведении туристов (направлениях передвижения, составе расходов и пр.) / Formation of city information about the behavior of tourists (directions of movement, composition of costs, etc.)
Создание информации о потоках людей в городе / Creating information about the flow of people in the city
Мобильные операторы, сенсоры, Wi-Fi / Mobile operators, sensors, Wi-Fi
Более 1 тыс. сенсоров-счетчиков прохожих / More than 1 thousand sensors-counters passers-by
Источник: составлено авторами по данным ДИТ Москвы
Как видно из таблицы 2, основу для аналитики, необходимой для предпринимательских субъектов, составляют сведения о потоках потребителей, что целиком понятно, т. к. достаточное их количество определяет успешность любого коммерческого проекта. В связи с этим, наибольшую значимость приобретает определение того, какие источники информации о потенциальных потребителях необходимо задействовать, чтобы решить проблему формирования актуальных сведений, ценных для предпринимательства.
Нормативными документами России предусмотрено, что в ближайшее время будет сформировано более 10 высокотехнологичных организаций-лидеров (операторов экосистем) для всех основных областей отечественной экономики, которые должны стать базисом развития «сквозных» технологий и будут управлять цифровыми платформами. Непосредственное создание цифровых технологий и платформ, а также оказание цифровых услуг обеспечат более 500 организаций малого и среднего бизнеса, которые будут представлять собой коммерческие, в т. ч. отраслевые «стартапы» [1]. Существенной проблемой дальнейшего развития «больших данных» в России следует признать отсутствие стандартов оценки центров хранения и обработки данных, как это есть в большинстве других стран, развивающих цифровую экономику. Поэтому данную проблему нужно устранить в первую очередь, чтобы обеспечить необходимые состав и качество информации, а также гарантировать заданные объемы хранимой информации.
Обсуждение
С учетом передовой роли Москвы в построении цифровой экономики и умных городов России, большую ценность представляет изучение практики формирования «больших данных» в указанном мегаполисе, а также выявление и устранение проблем в указанном процессе.
В настоящее время в городе Москве принято 8 ключевых проектов для построения умного го-
рода. Но среди них нет самостоятельного проекта развития предпринимательства, что видно из отчета за 2017 год «Москва - Smart Sity», подготовленного ДИТ Москвы. Достаточно близким по смыслу можно считать проект «Экономика», однако в своем содержании он предусматривает только формирование открытого государственного бюджета, сервисы облачной бухгалтерии и он-лайн-платежей.
Состав проектов в рамках программы построения умного города Москвы сформирован по смешанной классификации, что с научной точки зрения достаточно спорно. Например, проекты «Экономика», «Здравоохранение» и «Образование» выделены по отраслевому признаку. А проекты «Электронные сервисы», «Информационно-компьютерные технологии» сформированы по признаку составляющих информационного продукта. «Гражданская вовлеченность» - вовсе не соответствует каким-либо другим классификациям в данном наборе проектов. Отсутствие единой классификации порождает, с одной стороны, дублирование некоторых функций госорганов и вызывает необходимость постоянной проверки отсутствия одинакового функционала в различных госструктурах. А с другой стороны, существует риск, что не все важнейшие для построения «умного города» проекты будут учтены и реализованы.
В дальнейшем «большие данные» возможно использовать для мониторинга и поддержки развития экономики и предпринимательства, а поэтому необходимо их наполнение информацией не только для внутреннего использования органами регулирования, но также в соответствии с потребностями предпринимательских структур, бизнес-сообщества - для развития бизнеса.
В указанном выше отчете за 2017 год «Москва - Smart City» предусмотрено, что для реализации одного из ключевых технологических трендов умного города - «больших данных», необходимо найти закономерности в данных, а также обеспечить их
распределенное хранение и обработку. ДИТ Москвы отмечено, что «Стандарт ведения данных в городских информационных системах» должен объединить имеющиеся 120 тыс. объектов городского управления в единую платформу информации. Это показывает, что предусматривается информационное взаимодействие и обмен информацией между госструктурами, без привлечения в качестве инициаторов и пользователей предпринимательских организаций.
В то же время указанный отчет предусматривает наличие городских доступных сервисов, в том числе по проверке недвижимости, автомобилей и пр. Но в пояснительной информации отмечается, что такие сведения сформированы для удовлетворения требований жителей в получении определенных данных (а не предпринимательских структур). В связи с этим можно предложить уделить дополнительное внимание формированию электронных сервисов под цели, задачи и потребности предпринимательских организаций.
Заключение
Проведенное исследование позволяет сделать выводы и сформировать рекомендации.
1. «Большие данные», которые представлены различного рода цифровой информацией и непрерывно возрастают по своему объему, требуют научного изучения, систематизации и описания способов их обработки и использования. Роль «больших данных» определяется: 1) сплошным составом исходной информации; 2) непрерывной актуализацией имеющихся сведений; 3) достоверным содержанием данных вследствие большого разнообразия не связанных друг с другом источников информации.
2. Научная работа по определению возможностей использования «больших данных» уже началась в России, однако на высоком научном уровне это происходит только в государственных органах регулирования. В академической среде также есть примеры серьезных исследований в сфере «больших данных» и «открытых данных», как правило, по заказу госорганов, или корпораций, но не только. В то же время состав формируемой госорганами информации не позволяет ее применять для развития предпринимательства. Непосредственно коммерческие субъекты деятельности также проявляют интерес к «большим данным» и достаточно активно используют наиболее простые технологии их сбора и обработки, в основном аналитические инструмен-
ты различных поисковых систем. Но такое использование не позволяет в полной мере задействовать огромные возможности развития бизнеса, содержащиеся в ресурсе «больших данных».
3. На данном этапе развития технологий обработки «больших данных» наибольший коммерческий потенциал их применения заключается в определении трафика потребителей, в т. ч. количества, состава, интенсивности движения, перемещения в пространстве и др. Опыт стран с развитыми рынками показывает, что существуют хорошие примеры создания государственных ресурсов поддержки бизнеса на основе формирования сведений о потоках потребителей с использованием «больших данных». Подобные ресурсы необходимы и для российских предпринимателей, что требует от государственных органов регулирования экономики проведения соответствующей работы по формированию инфраструктуры обеспечения указанной информации в открытом доступе.
4. Государственные сведения «открытых данных» в составе «больших данных», необходимые для использования предпринимателями, должны включать: 1) государственный ресурс накопления и хранения «больших данных»; 2) государственные общедоступные и бесплатные сервисы доступа к наборам «больших данных»; 3) методические рекомендации по использованию «больших данных» для оценки ситуации на рынке. Также следует преодолеть основные недостатки в современном составе «больших данных», в т. ч. сформировать информационное сопровождение к имеющимся в наличии сведениям (документировать содержание и возможности использования), синхронизировать состав информационных данных федеральных и региональных органов власти, обеспечить достоверность имеющихся сведений на основе обязательности предоставления определенного набора данных, важных для идентификации бизнес-среды.
5. Флагманом развития технологий «больших данных» в России должны быть «умные города» страны. В таких городах генерируется, аккумулируется и обрабатывается большой объем различных цифровых ресурсов и источников данных и имеется необходимый кадровый, научно-интеллектуальный и технологический потенциал, чтобы обеспечивать разработку передовых решений по формированию и использованию «больших данных» для развития предпринимательства.
СПИСОК ЛИТЕРАТУРЫ
1. Распоряжение Правительства РФ «Программа «Цифровая экономика Российской Федерации» от 28 июля 2017 г. № 1632-р.
2. Крюкова А. А., Михаленко Ю. А. Инструменты цифровой экономики // Карельский научный журнал. 2017. Т. 6. № 3 (20). С. 108-111.
3. Качалов Д. Л., Фархадов М. П. Исследование технологий сбора и обработки больших данных в крупномасштабных экономических системах // Известия Волгоградского государственного технического университета. 2017. № 15 (210). С. 94-98.
4. Купревич Т. С., Турбан Г. В. Особенности инфраструктуры цифровой экономики в мировом хозяйстве // В сборнике: Новое слово в науке и практике Сборник статей по материалам IV международной научно-практической конференции. 2017. С. 60-65.
5. Указ Президента Российской Федерации «О Стратегии развития информационного общества в Российской Федерации на 2017-2030 годы» от 09.09.2017 г. № 203.
6. Digital Universe study [Электронный ресурс]. Режим доступа: http://www2.deloitte.com/ru/ru/ pag-es/technology/articles/techtrends.html
7. Executive Summary: Big Data Vendor Revenue and Market Forecast, 2011-2026. [Электронный ресурс]. Режим доступа: https://wikibon.com/ executive-summary-big-data-vendor-revenue-and-market-forecast-2011-2026
8. Сулейкин А. С. Возможности применения технологии Big Data в крупном ритейле // European Research, 2015. № 10 (11). С. 77-79.
9. Плеханов Д. А. «Большие данные»: использование новых технологий в интересах бизнеса, государства и общества // Вестник Московского университета. Серия 24: Менеджмент. 2014. № 1-2. С. 178-195.
10. Малолетко А. Н., Малолетко Н. Е. «Большие данные» и экономическая безопасность предприятий гостиничного бизнеса // Инновационное развитие экономики. 2014. № 6-1 (23). С. 58-62.
11. Большие данные (Big Data) [Электронный ресурс]. Режим доступа: http://www.tadviser.ru/
12. Депутатова Е. Ю. Моделирование покупательского поведения на основе традиционного и эмпирического маркетинга // Маркетинг и маркетинговые исследования. 2012. № 2. С. 110-119.
13. Пичугина А. А. Работа с большими данными для малых и средних предприятий // Человеческий капитал и профессиональное образование. 2017. № 2 (22). С. 89-93.
14. Панасенко С. В., Панасенко В. А. Критерии компаний вендоров на рынке систем корпоративного поиска // Вестник Северо-Кавказского федерального университета. 2015. № 2 (47). С. 144-150.
15. Майорова Е. А., Никишин А. Ф., Панкина Т. В. Социальные сети в деятельности розничных торговых организаций // Экономика. Бизнес. Банки. 2016. № 3 (16). С. 57-67.
16. Зверева А. О., Леонова Ю. Г., Перельман М. А. Особенности кросс-продвижения в современной Интернет-торговле // Экономика и предпринимательство. 2017. № 12-2 (89-2). С. 440-443.
17. Алексина С. Б. Совершенствование системы управления каналами дистрибьюции товаров в условиях цифровой экономики // Экономика и предпринимательство. 2017. № 11 (88). С. 768-771.
18. Официальный сайт Института развития Интернета. [Электронный ресурс]. Режим доступа: http: //умныйгород.ири.рф/
19. Федеральный закон «О защите прав юридических лиц и индивидуальных предпринимателей при осуществлении государственного контроля (надзора) и муниципального контроля» от 26.12.2008 № 294-ФЗ.
20. Анастасия Григорьева (X5 Retail Group) и Александр Аникин (Kinian) - О клиентской аналитике на Big Data Conference. [Электронный ресурс]. Режим доступа: https://rb.ru/list/x5-retail-on-big-data-conference
Дата поступления статьи в редакцию 24.07.2018, принята к публикации 20.08.2018.
Информация об авторах: Каращук Оксана Сергеевна, кандидат экономических наук, доцент кафедры «Торговой политики» Адрес: ФГБОУ ВО «РЭУ им. Г. В. Плеханова», 117997, Российская Федерация, Москва, Стремянный переулок, д. 36 E-mail: kseniak72@mail.ru Spin-код: 4087-4006
Майорова Елена Александровна, кандидат экономических наук, доцент кафедры «Торговой политики»
Адрес: ФГБОУ ВО «РЭУ им. Г. В. Плеханова», 117997, Российская Федерация, Москва,
Стремянный переулок, д. 36
E-mail: mayorova.ea@rea.ru
Spin-код: 7179-7385
Прохоров Юрий Николаевич, кандидат экономических наук, начальник учебно-методического отдела Адрес: ГБУ «Информационный город»,107078, Российская Федерация, Москва, Новая Басманная улица, дом 10, строение 1 E-mail: proyuri@mail.ru AuthorID: 415937
Заявленный вклад авторов:
Каращук Оксана Сергеевна: формулирование основной концепции исследования, сбор и обработка материалов, подготовка первоначального варианта текста.
Майорова Елена Александровна: участие в обсуждении материалов статьи, совместное осуществление анализа научной литературы по проблеме исследования.
Прохоров Юрий Николаевич: общее руководство проектом, анализ и дополнение текста статьи.
Все авторы прочитали и одобрили окончательный вариант рукописи.
REFERENCES
1. Rasporyazhenie Pravitel'stva RF «Programma «Cifrovaya ekonomika Rossijskoj Federacii» [Program «Digital economy of the Russian Federation»], 28 July 2017, No. 1632 p.
2. Kryukova A. A., Mihalenko Yu. A. Instrumenty cifrovoj ekonomiki [The tools of the digital economy], Ka-rel'skij nauchnyj zhurnal [Karelian scientific journal], 2017, Vol. 6, No. 3 (20), pp. 108-111.
3. Kachalov D. L., Farhadov M. P. Issledovanie tekhnologij sbora i obrabotki bol'shih dannyh v krupnomassh-tabnyh ekonomicheskih sistemah [Research of big data collection and processing technologies in large-scale economic systems], Izvestiya Volgogradskogo gosudarstvennogo tekhnicheskogo universiteta [News of Volgograd state technical University], 2017, No. 15 (210), pp. 94-98.
4. Kuprevich T. S., Turban G. V. Osobennosti infrastruktury tsifrovoj ekonomiki v mirovom hozyajstve [Features of the infrastructure of the digital economy in the world economy], Vsbornike: Novoe slovo v nauke i praktike Sbornik statejpo materialam IV mezhdunarodnoj nauchno-prakticheskoj konferencii [In the collection: A new word in science and practice Collection of articles on the materials of the IV international scientific and practical conference], 2017, pp.60-65.
5. Ukaz Prezidenta Rossijskoj Federacii «O Strategii razvitiya informacionnogo obshchestva v Rossijskoj Federacii na 2017-2030 gody» [About Strategy of development of information society in the Russian Federation for 2017-2030], 09.09.2017, No. 203.
6. Digital Universe study [Jelektronnyj resurs]. Available at: http://www2.deloitte.com/ru/ru/pages/technology/ articles/techtrends.html
7. Executive Summary: Big Data Vendor Revenue and Market Forecast, 2011-2026. [Jelektronnyj resurs]. Available at: https://wikibon.com/ executive-summary-big-data-vendor-revenue-and-market-forecast-2011-2026
8. Sulejkin A. S. Vozmozhnosti primeneniya tekhnologii Big Data v krupnom ritejle [The possibility of applying Big Data technologies in a major retail], European Research [European Research], 2015, No. 10 (11), pp.77-79.
9. Plekhanov D. A. «Bol'shie dannye»: ispol'zovanie novyh tekhnologij v interesah biznesa, gosudarstva i obshchestva [Big data: harnessing new technologies for business, government and society], Vestnik Moskovskogo universiteta, Seriya 24: Menedzhment [Bulletin of Moscow University. Series 24: Management], 2014, No. 1-2, pp.178-195.
10. Maloletko A. N., Maloletko N. E. «Bol'shie dannye» i ekonomicheskaya bezopasnost' predpriyatij gosti-nichnogo biznesa [«Big data» and economic security of the hotel business], Innovacionnoe razvitie ekonomiki [Innovative economic development], 2014, No. 6-1 (23), pp. 58-62.
11. Bol'shie dannye (Big Data) [Jelektronnyj resurs]. Available at: http://www.tadviser.ru/
12. Deputatova E. Yu. Modelirovanie pokupatel'skogo povedeniya na osnove tradicionnogo i empiricheskogo marketinga [Modeling of customer behavior based on traditional and empirical marketing], Marketing i marketingovye issledovaniya [Marketing and marketing research], 2012, No. 2, pp. 110-119.
13. Pichugina A. A. Rabota s bol'shimi dannymi dlya malyh i srednih predpriyatij [Working with big data for small and medium-sized enterprises], Chelovecheskij kapital i professional'noe obrazovanie [Human capital and vocational education], 2017, No. 2 (22), pp. 89-93.
14. Panasenko S. V., Panasenko V. A. Kriterii kompanij vendorov na rynke sistem korporativnogo poiska [Criteria companies vendors in the market for enterprise search], Vestnik Severo-Kavkazskogo federal'nogo universiteta [Bulletin of the North Caucasus Federal University], 2015, No. 2 (47), pp. 144-150.
15. Majorova E. A., Nikishin A. F., Pankina T. V. Social'nye seti v deyatel'nosti roznichnyh torgovyh organiza-cij [Social networks in the activity of retail trade organizations], Ekonomika. Biznes. Bank [Economy. Business. Banks], 2016, No. 3 (16), pp. 57-67.
16. Zvereva A. O., Leonova Yu. G., Perel'man M. A. Osobennosti kross-prodvizheniya v sovremennoj Internet-torgovle [Features of cross-promotion in modern Internet trade], Ekonomika i predprinimatel'stvo [Economics and en-trepreneurship], 2017, No. 12-2 (89-2), pp. 440-443.
17. Aleksina S. B. Sovershenstvovanie sistemy upravleniya kanalami distrib'yucii tovarov v usloviyah cifrovoj ekonomiki [Improvement of the system of distribution channels management in the digital economy], Ekonomika i predprinimatel'stvo [Economics and entrepreneurship], 2017, No. 11 (88), pp. 768-771.
18. Oficial'nyj sajt Instituta razvitiya Interneta [Official website of the Internet development Institute] [Jelek-tronnyj resurs]. Available at: http://yMHbmropog.HpH.p$/
19. Federal'nyj zakon «O zashchite prav yuridicheskih lic i individual'nyh predprinimatelej pri osushchestvlenii gosudarstvennogo kontrolya (nadzora) i municipal'nogo kontrolya» [About protection of the rights of legal entities and individual entrepreneurs at implementation of the state control (supervision) and municipal control], 26.12.2008, No. 294-FZ.
20. Anastasiya Grigor'eva (X5 Retail Group) i Aleksandr Anikin (Kinian) - O klientskoj analitike na Big Data Conference [About client Analytics at Big Data Conference] [Jelektronnyj resurs]. Available at: https://rb.ru/list/x5-retail-on-big-data-conference
Submitted 24.07.2018; revised 20.08.2018.
About the authors:
Oksana S. Karash^uk, Ph. D. (Economy), Associate Professor of the Chair «Trade policy» Address: Plekhanov Russian University of Economics, 117997, Russia, Moscow, Stremyanny Lane, 36 E-mail: kseniak72@mail.ru Spin-code: 4087-4006
Elena A. Mayorova, Ph. D. (Economy), Associate Professor of the Chair «Trade policy» Address: Plekhanov Russian University of Economics, 117997, Russia, Moscow, Stremyanny Lane, 36 E-mail: mayorova.ea@rea.ru Spin-code: 7179-7385
Yuriy N. Prokhorov, Ph. D. (Economy), Head of Educational and Methodical Department
Address: State Budgetary Institution «Info gorod», 107078, Russia, Moscow, New Basmannaya Str., house 10, building 1 E-mail: proyuri@mail.ru Author ID: 415937
Contribution of the authors:
Oksana S. Karash^uk: developed the theoretical framework, collection and processing of materials, preparation of the initial version of the text.
Elena A. Mayorova: participation in the discussion on topic of the article carried out the analysis of scientific literature in a given field.
Yuriy N. Prokhorov: managed the research project, analyzing and supplementing the text.
All authors have read and approved the final manuscript.
