CC BY
22
DOI: 10.24143/2072-9502-2019-1-99-106 УДК 004.42:[658.012.12:334]
ИНФОРМАЦИОННАЯ ТЕХНОЛОГИЯ ПОИСКА КОМПАНИЙ-АНАЛОГОВ ДЛЯ ОЦЕНКИ СТОИМОСТИ БИЗНЕСА, ИСПОЛЬЗУЮЩАЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ1
А. Е. Квятковская, Е. В. Чертина, А. О. Полумордвинова, И. Ю. Квятковская
Астраханский государственный технический университет, Астрахань, Российская Федерация
Рассмотрены вопросы создания информационной технологии обработки информации для решения задач оценки стоимости бизнеса на основе подбора компаний-аналогов. В качестве объекта исследования выступают растущая 1Т-компания или стартап, к которым неприменимы традиционные методы оценки стоимости. Применительно к задаче исследования вводится понятие прецедента - компании, для которой осуществляется поиск аналогов. Использованы основные понятия теории мультиагентных систем. Представлены четыре типа интеллектуальных агентов, обеспечивающих реализацию элементов сквозной технологии: информационный поиск объектов с заданными свойствами, интеллектуальная обработка запросов пользователя, мониторинг объектов, анализ добытых данных. Рассмотрена последовательность этапов распределенной технологии принятия решений. Приведены механизмы обработки метрической и неметрической информации об аналогах с использованием метрик и мер близости. Сформулирована проблема обработки неметрической информации. Определены задачи анализа добытых данных, актуальные для процесса мониторинга 1Т-компаний в целях оценки стоимости бизнеса. Представленные результаты обобщены в виде комплексной информационной технологии обработки данных.
Ключевые слова: 1Т-компания, обработка информации, компания-аналог, информационная технология, интеллектуальный агент, информационный поиск, прецедент, принятие решений.
Для цитирования: Квятковская А. Е., Чертина Е. В., Полумордвинова А. О., Квятковская И. Ю. Информационная технология поиска компаний-аналогов для оценки стоимости бизнеса, использующая интеллектуальных агентов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2019. № 1. С. 99-106. DOI: 10.24143/2072-9502-2019-1-99-106.
Введение
Распоряжением Правительства РФ от 03 декабря 2012 г. № 2237-р утверждена Программа фундаментальных научных исследований государственных академий наук на 2013-2020 годы. В ней большое значение придается использованию методов искусственного интеллекта в областях знаний, связанных с неполнотой информации, слабой структурированностью проблем в управлении в социальных и экономических системах. В то же время полноценное информационное обеспечение любого процесса управления возможно только при использовании новейших информационных технологий, включая современные интеллектуальные технологии поддержки принятия решений. Одной из задач управления в экономических системах в условиях неопределенности является задача оценки стоимости бизнеса предприятия.
Реализация этой задачи сдерживается ввиду несовершенства или отсутствия информационных моделей и механизмов, обеспечивающих данный процесс: постоянно актуализируемой базы знаний о предприятиях-аналогах, необходимых для сравнения; отсутствия механизмов сбора информации из любых открытых информационных источников для пополнения базы знаний; отсутствия системы критериев «подобия» компаний, содержащих неоднородную информацию; отсутствия обоснования метрик для вычисления «близости» предприятий-аналогов. Выходом из создавшегося положения является разработка программных средств для реализации информационной технологии поиска компаний-аналогов для оценки стоимости бизнеса, использующей современные механизмы, которые ускоряют процесс обработки информации (интеллектуальные агенты).
1 Работа выполнена при финансовой поддержке РФФИ, проект № 18-37-00130.
Целью данной работы является повышение эффективности обработки информации при подборе и анализе компаний-аналогов, необходимых для реализации сравнительного подхода оценки стоимости бизнеса, путем использования агентно-ориентированного подхода.
Математические методы для разработки информационной технологии, основанной на агентно-ориентированном подходе
В современной научно-технической литературе тема моделирования информационной базы оценки бизнеса длительное время находилась на периферии исследовательских интересов, хотя значимость исследований в области информационного обеспечения оценки бизнеса подчеркивали многие ученые [1-3]. Использование в процессе оценки стоимости бизнеса математического аппарата, значительных объемов данных, в том числе и неструктурированных, неоднократное использование этих данных приводят к необходимости разработки новых информационных технологий обработки информации.
В экономике существуют три базовых подхода для оценки стоимости предприятия: доходный, затратный и сравнительный, причем в работах [1-3] рассматривается сравнительный подход, основанный на сопоставлении стоимости оцениваемого предприятия со стоимостями сопоставимых предприятий, т. е. он предусматривает сравнение рассматриваемого бизнеса с аналогичными, которые были проданы на открытом рынке. В нашем случае для исследования выбраны предприятия ГГ-индустрии и стартапы, активно развивающиеся на российском рынке. Оценка их стоимости имеет существенные отличия вследствие нетипичности свойств, поэтому для их оценки применяется сравнительный подход на основе поиска компаний-аналогов оцениваемого предприятия [3]. Его реализация затруднена вследствие труднодоступности информации, необходимой для сравнения, точность оценки напрямую зависит от достоверности собранных сведений о продажах-аналогах. Главным условием для применения сравнительного подхода является реализация процедуры поиска адекватного предприятия-аналога, информация о котором либо недоступна, либо недостоверна или искажена. Оценка бизнеса ГГ-компаний имеет свою специфику; для ГТ-компаний небольшого масштаба или молодых стартапов доходный и затратный подходы не формируют достоверный результат. Стартапы являются компаниями с короткой историей операционной деятельности, поэтому методы экономической диагностики, основанные на ретроспективном анализе, к ним не применимы. Компании данного типа могут показывать 100 и более процентов роста, поэтому доходный подход не позволит точно спрогнозировать их доходы и даст ошибочный результат [4, 5]. Сравнительный метод позволяет быстро оценить компанию, он основан на сравнении экономических параметров заданной ГТ-компании с всевозможными действующими предприятиями-аналогами, российскими или зарубежными [6]. Поэтому сравнительный подход в основном используется в тех случаях, когда имеется достаточная информационная база по компаниям-аналогам, причем с необходимыми для оценки по данному подходу сведениями об их финансово-хозяйственной деятельности. В то же время вопросы создания информационной базы, программно-алгоритмических средств для реализации сравнительного подхода к оценке стоимости бизнеса ГТ-компании особенно слабо изучены [5].
Рассмотрим подходы, которые необходимо применить для построения информационной технологии подбора компаний-аналогов, генерирующие множество задач для разработки заявленной информационной технологии:
1. Использование методов информационного поиска в сети Интернет групп объектов с заданными признаками с участием интеллектуальных агентов [7-9].
2. Использование методов многокритериального выбора компаний-аналогов с использованием правил нечеткой классификации для учета многокритериальности задачи оценки стоимости ГТ-компании и метрической неоднородности состава характеристик [10].
3. Использование методов рассуждения по прецедентам для извлечения и адаптации близкого решения из множества ранее решенных похожих задач и формализация знаний, например в виде онтологической модели [11].
Для решения первой задачи предполагается использовать агентный подход. Для него необходимо определить типы интеллектуальных агентов и их поведение, зависящее от среды, в которой они находятся. Под агентом понимается программный поисковый робот, мигрирующий
по компьютерной сети в целях отыскания нужной информации, иначе говоря - программная сущность с заранее заданным поведением, обеспечивающим взаимодействие с внешней средой, изменяющейся вслед за существующей экономической ситуацией. Задачей агента информационного поиска является сбор адресов документов и их реквизитов (с последующим сохранением в базе данных), имеющих заданные параметры в части:
- принадлежности IT-отрасли;
- ведения аналогичных хозяйственных операций;
- наличия идентичной номенклатуры продукции или услуг;
- одинаковых масштабов деятельности;
- влияния аналогичных экономических факторов.
Для реализации предлагается разработать как элемент информационной технологии программный модуль «Информационный агент», который по заданному расписанию будет осуществлять обход заданных ему страниц с информацией о купле-продаже IT-компаний, собирать гиперссылки на страницы и выгружать данные по компаниям, сохраняя их в базе данных в виде атрибутивной информации следующего вида:
- адрес страницы на сайте;
- дата индексации;
- название компании;
- вид выпускаемой продукции или услуг;
- диверсификация продукции или услуг;
- стадия жизненного цикла, на которой находится предприятие;
- сведения о компании: стоимость компании, прибыль, денежный поток, рыночная стоимость материальных активов;
- дата оценки стоимости.
В качестве информационных источников - среды для работы агента - могут выступать официально публикуемая информация в сети Интернет; информация по стартапам; справочники фирм; информация, которая публикуется самими фирмами; информация о фирмах, которая предоставляется по заказу правительственных организаций; ростеры (досье) на фирмы, которые формируются в международных экономических организациях, и пр.
Предлагаемый интеллектуальный агент будет востребован не только на начальных этапах сбора данных для системы обработки информации, но и для непрерывного решения повторяющихся поисковых задач (мониторинга информации). Предполагается автономность в работе агентов, исключающая вмешательство пользователя для запуска закрепленных за агентами задач. Для задач информационного поиска и принятия решений предполагается использование следующих типов агентов:
- пользовательские агенты (User Agents), необходимые для поиска информации по заданному предмету. Они самостоятельно заполняют web-формы, сохраняя информацию для последующего использования, просматривают веб-страницы, регистрируя ключевую информацию;
- управляющие и наблюдающие агенты (Monitoring and Surveillance Agents), которые ведут мониторинг и пополняют хранилище данных информацией из различных источников;
- агенты, добывающие информацию (Data mining agents), которые осуществляют анализ информации в хранилище данных, сигнализируя о наличии новой информации или изменениях в существующей, способные генерировать глобальные тренды в изменяющихся данных;
- интерфейсные агенты (Interface Agents), осуществляющие диалог с пользователем на основе интеллектуального взаимодействия, ассистирующие при формулировке запросов пользователя и сообщающие другим агентам предметную область поискового запроса или методы обработки информации и принятия решений.
Рассмотрим поэтапную схему информационной технологии распределенного принятия решений несколькими интеллектуальными агентами. На различных этапах агенты являются и потребителями, и поставщиками информации, исключая вмешательство человека.
1. Интерфейсный агент формализует запрос пользователя, сделанный на естественном или псевдоестественном языке.
2. Управляющий агент (аналог лица, принимающего решение) декомпозирует исходную проблему: задает множество из п компаний-аналогов 1Т = [г^, и2, ..., itn}, обладающих свойствами K = [кь k2, ..., кт}, где т - количество свойств. Для определения свойств-характеристик каждой 1Т-компании предлагается сопоставить множество характеристик К = {к:!}, ] =1, т .
Каждая 1Т-компания в этом случае представима в виде = {/ (к),/2 (к2), ..., fm (кт)}, где/¿к)
- характеристическая функция, определяющая подмножество К*£ К для г-й 1Т-компании. Примеры характеристик указаны в таблице.
Характеристики IT-компании
Характеристика Единицы измерения Характеристика Единицы измерения
Сумма затрат на привлечение новых клиентов (CAC) Руб. Уровень возврата инвестиций (ROI) %
Cash-Flow Руб. Ставка дисконтирования %
Мультипликаторы - Ожидаемые темпы роста %
Рыночная капитализация Руб. Регулярный месячный доход Руб.
Задолженность Руб. Число сотрудников Чел.
Выручка Руб. EBITDA Руб.
Разумная идея (базовая стоимость) Руб. Валовая прибыль Руб.
Вводится понятие прецедента - компании, для которой осуществляется поиск аналогов: it* = {f (k),f2* (k2), ...,f* (km)}, - свойства которого заранее известны.
3. Управляющий агент распределяет задачи поиска аналогов между отдельными исполнителями-агентами. Цель данного этапа - отбор наиболее близких к прецеденту компаний-аналогов. Отличия в поведении интеллектуальных агентов заключены в использовании различных оригинальных метрик близости либо различных методов выбора. В любом случае управляющий агент, определяя характер исходных данных, инициализирует решение той или иной задачи выбора, постановка которой в общем виде такова: из заданного множества n компаний-аналогов IT = {itb it2, ..., itn}, обладающих свойствами K = (kb k2, ..., km}, где m - количество свойств, необходимо выбрать подмножество IT * с IT компаний, близких к аналогу it*:
it*l = {itl e IT | p(itl, it*) < s, itl e {1, 2, n}},
где p(itl, it*) - метрика близости компаний-аналогов и прецедента, вычисляемая по m характеристикам аналога и прецедента fj (kj) и fj (kj) ; е - заданный уровень отклонения j-х характеристик аналога и прецедента друг от друга.
3.1. Определение меры близости для метрических характеристик.
Сложность выбора метрики, связанная с неоднородностью характеристик, выражена в использовании для их оценивания различных метрических шкал, что не позволяет использовать на данном множестве характеристик алгебру операций. Наиболее известным является математический метод определения «ближайшего соседа», способный измерить степень близости по любой характеристике при условии, что для них введены отношения порядка и эквивалентности:
* m „
рner(it ) = arg max E((f (f (kj) = fj(kj)), then 1, eise 0)wj),
itc IT j=
где Wj - степень важности j-й характеристики.
При использовании характеристик, измеренных в метрических шкалах, можно применить евклидово расстояние или Манхэттенскую метрику, при условии, что все характеристики будут приведены к одной шкале измерений или нормированы.
Если не требуется точное совпадение характеристик (или оно недостижимо), возможно использовать метрику Журавлева:
m *
Pzw(it') =Yif(\f-(kj)-fJ(kJ)i<8, then 1, else 0),
j=i
где e - заданный уровень отклонения j-х характеристик аналога и прецедента.
Для дихотомических признаков возможно использовать меру сходства Хэмминга, определяя максимальное число совпадающих характеристик у прецедента и аналога:
* m *
Phem(it) =Щ' (kj) - fj(kj)\.
j=1
3.2. Определение меры близости для неметрических характеристик.
Если не удается ввести метрику, агентами используются различные меры близости на основе методов многомерной классификации. Учитывая наличие значительной неопределенности в оценке компаний-аналогов и решении последующих задач выбора, предлагается использовать методы нечеткой кластеризации для определения алгоритма действий интеллектуального агента [12].
Предлагается выполнение оценки зафиксированной '-й IT-компании в определенные моменты времени t'1, t'2, ..., t'T , где T - общий период наблюдений за объектом, по показателям k1, k2, ..., km. Используя термины кластеризации, IT = {'t1, it2, ..., itn} - это множество объектов кластеризации, K = {k1, k2, ..., km} - множество признаков кластеризации, KL = {KL1, KL2, ..., KLs} -множество непересекающихся кластеров, ALG = {Algb Alg2, ..., Algp} - множество алгоритмов кластеризации, каждый из которых закреплен за отдельным интеллектуальным агентом. Необходимо разбить исходное множество компаний-аналогов на заданное число непересекающихся кластеров с применением заданных результативных алгоритмов кластеризации:
VIT, K, KL 3 ALG: IT ^ KL.
При использовании нечеткой кластеризации выделенные кластеры будут нечеткими и будут описываться матрицей нечеткого разбиения M = [Цу], где е [0;l] - функция принадлежности '-й IT-компании к нечетким кластерам KL1, KL2, ..., KLs, на которую наложены следующие ограничения:
' m _
j =1,' =1, n;
j=i
n _
0 <Z^',j <n, j =1 m.
'=1
Основными алгоритмами нечеткой кластеризации являются нечеткая кластеризация по методу С-средних, алгоритм Густафсона - Кесселя.
Для реализации алгоритма нечеткой кластеризации по методу С-средних необходимо минимизировать функционал
¿¿kjYl^i -VjfK ^min, j=1'=1
где V = [v1, ..., vm], vj е Rm - вектор центров кластеров; em - экспоненциальный вес.
Для алгоритма Густафсона - Кесселя необходимо минимизировать функционал
m n j=1 i=1
где Kj - собственная матрица.
4. Обобщение результатов управляющим агентом: формирование отношения порядка или отбор множества недоминируемых альтернатив, формируемого из компаний-аналогов.
5. Добывающие информацию агенты постоянно сканируют сырые данные, находящиеся в хранилище, и решают следующие задачи:
- верификация данных;
- сопоставление найденных данных атрибутивным характеристикам;
- поиск пропущенных значений в полученных данных;
- отбор наиболее информативных характеристик для последующего анализа или сравнения, поскольку увеличение числа характеристик значительно влияет на погрешность результата, а их взаимозависимость искажает результат;
- поиск глобальных тенденций на основе ретроспективной информации о компаниях-аналогах;
- решение задач классификации и кластеризации компаний-аналогов;
- прогнозирование развития жизненного цикла прецедента на основе анализа временных данных о деятельности компаний-аналогов.
Заключение
Рассмотрены вопросы экономической диагностики IT-компаний и стартапов в задаче оценки стоимости бизнеса, основанные на использовании метода рассуждений по прецедентам и сравнении аналогов. Отобраны характеристики и рассмотрены вопросы выбора метрик и мер близости для количественных и качественных характеристик аналогов. Приведены математические методы, упорядочивающие множество аналогов по близости к прецеденту. Представленные результаты обобщены в виде комплексной информационной технологии обработки данных.
СПИСОК ЛИТЕРА ТУРЫ
1. Ларченко А. П. Оценка бизнеса. Подходы и методы. СПб.: PRTeam, 2008. 59 с.
2. Просветов Г. Оценка бизнеса - задачи и решения. М.: Альфа-Пресс, 2015. 240 с.
3. Филиппов М. В., Глущенко И. В. Оценка стоимости информации в информационном бизнесе // Бизнес. Образование. Право. 2009. № 8. С. 97-100.
4. Кондратьев К. А. Особенности оценки стоимости ИТ-компаний // Изв. Тул. гос. ун-та. Экономические и юридические науки. 2013. № 4-1. С. 140-145.
5. Метелев В. М. Особенности оценки стоимости бизнеса IT-компаний // Экономические науки: сб. ст. по материалам XLIII Междунар. науч.-практ. конф. № 6 (43). URL: https://slbac.lnfo/archlve/ economy/6(43).pdf (дата обращения: 29.09.2017).
6. Назарова В. В., Ильина М. Е. Оценка стоимости компаний информационно-технологического сектора (ИТ-сектора) // Науковедение. 2014. № 3 (22). URL: https://cyberlenlnka.ru/artlcle/n7otsenka-stolmostl-kompanly-lnformatslo (дата обращения: 29.09.2017).
7. Dosyn D. G., Kovalevych V. M. Archltecture of lntelllgent system of lnternet lnformatlon search // Искусственный интеллект. 2012. № 3. С. 241-252.
8. Шоуман М. А. Модель процесса многоязыкового интеллектуального информационного поиска с учетом мультиагентной реализации // Фундаментальные исследования. 2015. № 12-4. С. 724-728.
9. lurygina I., Anisimov A., Lakhin O., Stratilatova N., Egorov A., Skirmunt V. Ontology and multl-agent technology appllcatlon for lntellectual property knowledge management // Indlan Journal of Sclence and Technology. 2016. V. 9. N. 46. P. 107500.
10. Сафронов А. С., Мороз А. В., Николайчук С. В. Анализ критериев для классификации ИТ-компаний // Восточно-Европейский журнал передовых технологий. 2011. № 6 (49). С. 44-45.
11. Шуршев В. Ф., Кочкин Г. А., Кочкина В. Р. Модель системы поддержки принятия решений на основе рассуждений по прецедентам // Вестн. Астрахан. гос. техн. ун-та. Сер.: Управление, вычислительная техника и информатика. 2013. № 2. С. 175-183.
12. Чертина Е. В. Использование алгоритмов Густафсона - Кесселя и FCM для решения задачи многокритериального выбора инновационных ИТ-проектов // Современные тенденции развития науки и технологии: сб. тр. XVI Междунар. науч.-практ. конф. Белгород, 2016. С. 89-93.
Статья поступила в редакцию 08.11.2018
ИНФОРМАЦИЯ ОБ АВТОРАХ
Квятковская Анастасия Евгеньевна — Россия, 414056, Астрахань; Астраханский государственный технический университет; ассистент кафедры высшей и прикладной математики; zima00@list.ru.
Чертина Елена Витальевна — Россия, 414056, Астрахань; Астраханский государственный технический университет; канд. техн. наук; доцент кафедры высшей и прикладной математики; saprikinae_1912@mail.ru.
Полумордвинова Анна Олеговна — Россия, 414056, Астрахань; Астраханский государственный технический университет; канд. техн. наук; проректор по воспитательной работе и связям с общественностью; a.polumordvinova@astu.org.
Квятковская Ирина Юрьевна — Россия, 414056, Астрахань; Астраханский государственный технический университет; д-р техн. наук, профессор; зав. кафедрой высшей и прикладной математики; i.kvyatkovskaya@astu.org.
INFORMATION TECHNOLOGY OF SEARCHING COMPARATIVE COMPANIES FOR BUSINESS VALUATION USING INTELLIGENT AGENTS
A. E. Kvyatkovskaya, E. V. Chertina, A. O. Polumordvinova, I. Yu. Kvyatkovskaya
Astrakhan State Technical University, Astrakhan, Russian Federation
Abstract. The paper deals with developing information technology of data processing for solving business valuation problems based on the selection of comparative companies. An emerging IT company or a startup are taken as the object of study, for which traditional valuation methods are not apt. In terms of the research task there has been introduced the concept of a precedent -a company for which the search of analogues is being realized. The basic concepts of multi-agent systems are used. Four types of intelligent agents are presented that provide the implementation of the elements of the end-to-end technology: information search of objects with specified properties, intelligent processing of user requests, monitoring of objects, data mining. Stage sequence of the distributed decision-making technology has been considered. There are given metric and non-metric information processing mechanisms about analogues using metrics and proximity measures. The problem of non-metric information processing has been formulated. The tasks of data mining analysis have been defined, which are vital for monitoring the IT-companies in order to evaluate the business. The presented conclusions are summarized in the form of a complex information technology of data processing.
Key words: IT company, information processing, comparative company, information technology, intelligent agent, information retrieval, precedent, decision making.
For citation: Kvyatkovskaya A. E., Chertina E. V., Polumordvinova A. O., Kvyatkovskaya I. Yu. Information technology of searching comparative companies for the business valuation using intelligent agents. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics. 2019;1:99-106. (In Russ.) DOI: 10.24143/2072-9502-2019-1-99-106.
REFERENSES
1. Larchenko A. P. Otsenka biznesa. Podkhody i metody [Business evaluation. Approaches and methods]. Saint-Petersburg, PRTeam Publ., 2008. 59 p.
2. Prosvetov G. Otsenka biznesa - zadachi i resheniia [Business evaluation - problems and solutions]. Moscow, Al'fa-Press, 2015. 240 p.
3. Filippov M. V., Glushchenko I. V. Otsenka stoimosti informatsii v informatsionnom biznese [Evaluating information cost in information business]. Biznes. Obrazovanie. Pravo, 2009, no. 8, pp. 97-100.
4. Kondrat'ev K. A. Osobennosti otsenki stoimosti IT-kompanii [Characteristics of evaluating the cost of IT companies]. Izvestiia Tul'skogo gosudarstvennogo universiteta. Ekonomicheskie i iuridicheskie nauki, 2013, no. 4-1, pp. 140-145.
5. Metelev V. M. Osobennosti otsenki stoimosti biznesa IT-kompanii [Characteristics of evaluating the business cost of IT companies]. Ekonomicheskie nauki: sbornik statei po materialam XLIII Mezhdunarodnoi nauchno-prakticheskoi konferentsii № 6 (43). Available at: https://sibac.info/archive/economy/6(43).pdf (accessed: 29.09.2017).
6. Nazarova V. V., Il'ina M. E. Otsenka stoimosti kompanii informatsionno-tekhnologicheskogo sektora (IT-sektora) [Evaluating company cost of IT sector]. Naukovedenie, 2014, no. 3 (22). Available at: https://cyberleninka.ru/article/n7otsenka-stoimosti-kompaniy-informatsio (accessed: 29.09.2017).
7. Dosyn D. G., Kovalevych V. M. Architecture of intelligent system of internet information search. Iskusstvennyi intellekt, 2012, no. 3, pp. 241-252.
8. Shouman M. A. Model' protsessa mnogoiazykovogo intellektual'nogo informatsionnogo poiska s uchetom mul'tiagentnoi realizatsii [Model of the process of multilingual intelligent information search relative to multiagent realization]. Fundamental'nye issledovaniia, 2015, no. 12-4, pp. 724-728.
9. Iurygina I., Anisimov A., Lakhin O., Stratilatova N., Egorov A., Skirmunt V. Ontology and multi-agent technology application for intellectual property knowledge management. Indian Journal of Science and Technology, 2016, vol. 9, no. 46, p. 107500.
10. Safronov A. S., Moroz A. V., Nikolaichuk S. V. Analiz kriteriev dlia klassifikatsii IT-kompanii [Analysis of criteria for IT companies classification]. Vostochno-Evropeiskii zhurnal peredovykh tekhnologii, 2011, no. 6 (49), pp. 44-45.
11. Shurshev V. F., Kochkin G. A., Kochkina V. R. Model' sistemy podderzhki priniatiia reshenii na osnove rassuzhdenii po pretsedentam [Model of decision support system using case-based reasoning]. Vestnik Astrakhanskogo gosudarstvennogo tekhnicheskogo universiteta. Seriia: Upravlenie, vychislitel'naia tekhnika i informatika, 2013, no. 2, pp. 175-183.
12. Chertina E. V. Ispol'zovanie algoritmov Gustafsona - Kesselia i FCM dlia resheniia zadachi mnogokrite-rial'nogo vybora innovatsionnykh IT-proektov [Application of Gustafson-Kessel algorithms for solving a problem of multicriterial choice if innovative IT projects]. Sovremennye tendentsii razvitiia nauki i tekhnologii: sbornik trudov XVIMezhdunarodnoi nauchno-prakticheskoi konferentsii. Belgorod, 2016. Pp. 89-93.
The article submitted to the editors 08.11.2018
INFORMATION ABOUT THE AUTHORS
Kvyatkovskaya Anastasia Evgenievna — Russia, 414056, Astrakhan; Astrakhan State Technical University; Assistant of the Department of Higher and Applied Mathematics; zima00@list.ru.
Chertina Elena Vitalievna — Russia, 414056, Astrakhan; Astrakhan State Technical University; Candidate of Technical Sciences; Assistant Professor of the Department of Higher and Applied Mathematics; saprikinae_1912@mail.ru.
Polumordvinova Anna Olegovna - Russia, 414056, Astrakhan; Astrakhan State Technical University; Candidate of Technical Sciences; Vice Rector for Pastoral Work and PR; a.polumordvinova@astu.org.
Kvyatkovskaya Irina Yurievna — Russia, 414056, Astrakhan; Astrakhan State Technical University; Doctor of Technical Sciences, Professor; Head of the Department of Higher and Applied Mathematics; i.kvyatkovskaya@astu.org.
