CC BY
20
Список литературы /References
1. Материалы Ассоциации Российских Банков (АРБ). [Электронный ресурс]. Режим доступа: https://arb.ru/banks/analitycs/-10180515/ (дата обращения: 08.10.2018).
2. Материалы компании Frank Research Group. [Электронный ресурс]. Режим доступа: https://www.frankrg.com/index.php?new_div_id=145/ (дата обращения: 10.10.2018).
3. Материалы Московского банка ПАО Сбербанк. [Электронный ресурс]. Режим доступа: www.sberbank.ru/ (дата обращения: 17.10.2018).
4. Тавасиев А.М., Мазурина Т.Ю. Банковское кредитование. Учебник. 2-е изд., перераб. и доп. М.: ИНФРА-М, 2018. 366 с.
ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В ПРОЦЕССЕ СТРАТЕГИЧЕСКОГО УПРАВЛЕНИЯ ПРОМЫШЛЕННЫМ ПРЕДПРИЯТИЕМ Ильичев К.В. Email: Ilyichev650@scientifictext.ru
Ильичев Кирилл Владимирович - магистрант, кафедра менеджмента и государственного управления, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского, г. Нижний Новгород
Аннотация: в статье анализируются вопросы, связанные с разработкой информационных систем поддержки принятия решений в управлении экономической и производственной системой масштаба предприятия. Рассматриваются подходы к автоматизации управления деятельностью промышленных предприятий, а также методы анализа больших данных промышленного предприятия. Приводится пример разработки системы обработки больших массивов неструктурированных данных промышленного предприятия. В статье демонстрируются результаты внедрения на промышленном предприятии информационной системы поддержки принятия решений. Ключевые слова: экономическая устойчивость промышленного предприятия, система поддержки принятий решений, автоматизация управления промышленным предприятием, информационное обеспечение управления промышленным предприятием.
INFORMATION SUPPORT FOR DECISION-MAKING IN THE MANAGEMENT OF INDUSTRIAL ENTERPRISES
Ilyichev K.V.
ILYICHEVKIRILL VLADIMIROVICH - MASTER STUDENT, DEPARTMENT OF MANAGEMENT AND PUBLIC ADMINISTRATION, N.I. LOBACHEVSKYSTATE UNIVERSITY OF NIZHNYNOVGOROD NATIONAL RESEARCH UNIVERSITY, NIZHNY NOVGOROD
Abstract: the article analyzes the issues related to the development of information systems for decision-making in the management of the economic and production system of the enterprise. It considers approaches to automating the management of industrial enterprises, as well as methods for analyzing large data of an industrial enterprise. An example of developing a processing system for large arrays of unstructured industrial enterprise data is
given. The article presents the results of implementation at the industrial enterprise of a decision-making information system.
Keywords: economic sustainability of an industrial enterprise; decision support system; automation of industrial enterprise management; information support for industrial enterprise management.
УДК 338.984
В настоящее время цифровые технологии активно проникают во все сферы нашей жизни. При этом данные создаются лавинообразными темпами. Деятельность предприятий, их бизнес процессы с каждым днем все теснее связаны с информационными технологиями. В менеджменте информация представляет собой совокупность нужных, воспринятых и осознанных сведений, которые помогают анализировать определенную ситуацию, позволяющие дать всестороннюю оценку для основания ее возникновения и развития, а тaкже помогающие в поиске возможных решений, из которых, если отталкиваться от конкретной ситуации, реально найти наилучшее управленческое решение и способы осуществления контроля над его выполнением [1]. В рамках тянущегося перехода к рыночным отношениям важнейшим помощником руководителя смогут послужить информационные системы поддержки принятия управленческих решений (СППР), с помощью которых возможно будет представить любую ситуацию и выбрать самый благоприятный план действий. Использование методов математического моделирования и принятие, базирующихся на них разумных решений по управлению деятельности предприятия, представляет собой конкурентное преимущество в сравнении с предприятиями, действующими в этих же сегментах рынка и не применяющими современные экономико-математические методы в управлении [2].
Современное технологическое оборудование обладает широким набором различных датчиков, сенсоров, измерителей. Так на промышленных предприятиях автоматизированные системы управления (АСУ) технологическим процессом собирают данные с датчиков агрегатов о состоянии и режимах технологических процессов, системы контроля качества передают видеоизображения с наличием дефектов на материалах, АСУ транспортной логистики содержат данные о перемещении материалов. Enterprise Resource Planning (ERP) и Manufacturing Execution System (МЕS) системы владеют информацией о заказах, планировании, оперативном управлении обработкой материалов, о состоянии запасов на складах [3]. При этом информация, которую эти датчики генерируют, используется предприятиями лишь на 5-10%. Оставшаяся часть необработанных данных представляет большую ценность для предприятий, заинтересованных в максимально эффективном использовании имеющихся у них ресурсов. При анализе ситуации на производстве, поиске причин брака и закономерностей, решении оптимизационных задач необходимо собрать и сопоставить между собой отчеты совершенно разнородных систем. На сопоставление данных этих отчетов может уйти много времени и поставленная задача может оказаться уже не актуальной. Применяя технологии обработки больших данных и анализируя весь массив, поступающий с различных датчиков неструктурированной информации, мы можем проводить комплексную диагностику технического состояния оборудования, тем самым предотвращать внеплановые простои, поломки оборудования, сократить время внепланового техобслуживания. Данная технология позволяет приводить получаемые данные в единое пространство, что помогает принимать управленческие решения для развития производства.
В настоящее время существует три подхода к работе с большими данными: MapReduce, NoSQL и обработка потоков событий в реальном времени. На рынке технологий обработки больших данных промышленного предприятия особой популярностью пользуется проект Apache Hadoop. Однако существуют и
отечественные решения анализа больших массивов данных. Так компания «ДАТА-ЦЕНТР Автоматика» реализовала проект по созданию информационного единства неструктурированных данных всех уровней управления современным металлургическим производством на АС СКП «Технология». Разработанная система под названием «EXPERT BASE», используя подходы по обработке больших данных, применяется как для оценки текущего производства и выявления причин бракованной продукции (цеховой персонал), так и для поиска способов оптимизации производства (эксперты) [4]. Под последним понимается процессы изменения нормативных документов по отбраковке изделий, а также маршрутных и операционных карт, в логистике перемещения материалов.
Связи между данными из разнородных источников строятся при помощи построения производственной генеалогической цепочки, которая основана на понятии «объект» и связях между объектами. Все источники данных четко привязываются к объектам. На предприятии создаются справочники, в которых хранится информацию обо всей иерархии цехов, агрегатов и процессов. Аналогично создаются справочники источников данных и коннекторов. В итоге, в системе возникает определенный граф производства, в котором все объекты связаны между собой. Этим функционалом и реализуется привидение неструктурированных данных из разнородных источников в единое пространство.
Функционал данной системы реализуется при помощи инструментариев интеллектуального анализа данных. Накопленные в процессе функционирования предприятия данные должны пройти процессы обработки и анализа в целях оценки рациональности текущего производства и последующего принятия управленческого решения. Для разрешения таких задач используются следующие подходы интеллектуального анализа данных: построение ассоциативных правил, построение деревьев решений, кластерный анализ, построение математических функций. Благодаря визуальному графическому представлению полученных результатов вычислений технологи могут качественно проанализировать результаты.
Для поиска скрытых закономерностей в больших объемах неструктурированных данных в данной системе используется построение «Контрольных карт Шухарта», благодаря которым становится возможным выявить нестабильность процессов, рисунок 1. Именно оперативное выявление нестабильности позволяет получить управляемый процесс, в отсутствии которого невозможны никакие улучшения производства.
Рис. 1 Контрольная карта Шухарта
Система «EXPERT BASE» представляет собой совокупность нескольких основных модулей. Так интеграционная шина уровня предприятия реализует подключение различных параметров производства. Она включает набор коннекторов к внешним системам и коммуникационное программное обеспечение. Хранилище данных
записывает данные интеграционной шины. Данный модуль представляет собой базу данных, использующий решения такие как: Berkeley DB XML, MongoDB, Oracle NoSQL Database 3.0. Аналитический модуль выполняет функции обработки данных.
Внедрение систем обработки больших массивов неструктурированных данных на промышленных предприятиях не только открывает широкие возможности по контролю производства, а также обеспечивает возможностью изменять производство, сохраняя конкурентное преимущество.
Список литературы /References
1. Качир К. Информационные системы промышленного предприятия / К. Качир. М.: Прогресс, 2016. С. 205.
2. Карелин В.П., Кузьменко О.Л. Оптимизация процедур построения и использования нечетких классификационных моделей принятия управленческих решений // Вестник ТИУиЭ, 2008. № 2 (8). С. 28.
3. Манцеров С.А., Панов А.Ю. Развитие систем единой функциональной систематики для хранения данных о техническом состоянии объекта // Вестник Нижегородского университета им. Н.И. Лобачевского. Н. Новгород, 2013. № 6 (ч. 1). С. 45-52.
4. Технология Big Data в металлургии. [Электронный ресурс] // dc.ru: ДАТА-ЦЕНТР Автоматика. Режим доступа: http://www.dc.ru/activities/asu_tp/big_data/ (дата обращения: 02.06.2017).
ФАКТОРНЫЙ АНАЛИЗ КРЕДИТНОГО РИСКА ПРИ КРЕДИТОВАНИИ МАЛОГО И СРЕДНЕГО БИЗНЕСА Ваулина Е.В. Email: Vaulina650@scientifictext.ru
Ваулина Евгения Владимировна - бакалавр экономических наук, кафедра экономики и бухгалтерского учета, Забайкальский государственный университет, г. Чита
Аннотация: в статье приведены факторы повышения эффективности регулирования кредитного риска коммерческого банка от общего - экономической ситуации в стране в целом, к частному - кредитная история юридического лица и репутация собственника бизнеса. Факторы были распределены в иерархическом порядке - в виде пирамиды по принципу пирамиды Абрахама Маслоу. Наибольшее внимание уделено сезонным колебаниям бизнеса и повышению эффективности управления кредитным риском коммерческим банкам при сезонной отрасли предприятия.
Ключевые слова: анализ, кредит, кредитный риск, фактор, банк, малый, средний бизнес.
FACTOR ANALYSIS OF THE CREDIT RISK WHEN LENDING TO SMALL AND MEDIUM BUSINESSES Vaulina E.V.
Vaulina Evgenia Vladimirovna - Bachelor in Economics, ECONOMICS AND ACCOUNTING DEPARTMENT, TRANSBAIKAL STATE UNIVERSITY, CHITA
Abstract: the article presents the factors for increasing the efficiency of regulation of the credit risk of a commercial bank from the general - the economic situation in the country, to
