CC BY
1
ИСПОЛЬЗОВАНИЕ ДАННЫХ ДЛЯ СТРАТЕГИЧЕСКОГО ПРИНЯТИЯ РЕШЕНИЙ
В КРУПНЫХ КОРПОРАЦИЯХ
К.А. Соловьев, магистрант
Национальный исследовательский университет «Высшая школа экономики» (Россия, г. Москва)
DOI:10.24412/2500-1000-2024-8-3-204-210
Аннотация. В статье исследуются возможности использования аналитики больших данных и машинного обучения для стратегического принятия решений в крупных корпорациях. Рассматриваются теоретические основы данных технологий и их влияние на управление. Аналитика больших данных позволяет выявлять скрытые закономерности, оптимизировать ресурсы и прогнозировать рыночные изменения. Машинное обучение автоматизирует рутинные процессы, снижая вероятность ошибок и повышая инноваци-онность. Примеры успешного применения технологий в компаниях Procter & Gamble, Citadel, Сбербанк демонстрируют их значительные преимущества для повышения конкурентоспособности и эффективности управления.
Ключевые слова: большие данные, машинное обучение, аналитика, корпоративное управление, стратегические решения, автоматизация, инновации, оптимизация.
Цифровая трансформация ставит перед крупными корпорациями новые задачи в области стратегического управления. Аналитика больших данных и машинное обучение (МО) становятся одними из ключевых инструментов, обеспечивающих повышение организационной эффективности и скорость принятия решений. Внедрение этих технологий позволяет компаниям не только улучшить текущие операционные процессы, но и адаптироваться к быстро меняющимся рыночным условиям, что является важным в условиях глобальной конкуренции.
Цель данной работы - исследовать, как аналитика больших данных и МО транс-
формируют процессы принятия стратегических решений на высшем уровне управления в крупных корпорациях. В статье рассматриваются теоретические основы данных технологий и анализируются примеры их успешного внедрения в бизнес.
Определение больших данных и их характеристики
Большие данные представляют собой значительные объемы информации, которые невозможно эффективно обработать и проанализировать с использованием традиционных методов и инструментов. Характеристики больших данных описываются тремя основными аспектами (рис. 1).
Рис. 1. Характеристики больших данных
Объем данных указывает на количественные параметры, измеряемые в пета-байтах и эксабайтах, что значительно превышает возможности обычных систем хранения и обработки [1]. Это требует применения специализированных технологий и инфраструктуры для эффективного управления.
Разнообразие данных отражает множество источников и форматов, из которых поступает информация. Это могут быть структурированные данные, такие как таблицы и базы, а также неструктурированные, включающие текстовые документы, изображения, видео и данные из социальных сетей. Способность интегрировать и анализировать различные типы данных позволяет получать более полное и точное представление о бизнес-процессах и потребительских предпочтениях [2].
Скорость характеризует время поступления и обработки информации. В совре-
менном мире данные генерируется оперативно, и для оперативного принятия решений необходимы технологии, способные обрабатывать сведения практически в реальном времени. Это особенно важно для таких областей, как финансы, здравоохранение и ритейл, где задержки в обработке данных могут привести к существенным потерям [3].
Дополнительной характеристикой
больших данных является достоверность, которая указывает на необходимость проверки точности и надежности. В условиях значительных объемов информации часто возникают проблемы с качеством, что требует применения методов очистки и вали-дации.
Согласно исследованиям [4], в 2023 году 39,5% компаний управляли данными как бизнес-активом (рис. 2)
О 10 20 30 40 50 60
Рис. 2. Внедрение больших данных в компании во всем мире
Появление и развитие технологий больших данных обусловлено необходимостью решения сложных задач анализа и прогнозирования в различных отраслях.
Способность обрабатывать большие объемы разнородной информации с высокой скоростью позволяет компаниям улучшать операционную эффективность (табл. 1).
Таблица 1. Преимущества использования аналитики больших данных [5, 6]
Преимущества Описание Примеры применения Ожидаемые результаты
Улучшение точности прогнозов Анализ больших объемов данных позволяет строить более точные модели прогнозирования Прогнозирование спроса на продукцию, рыночных трендов Снижение неопределенности, повышение эффективности планирования
Оптимизация бизнес-процессов Аналитика помогает выявлять проблемы и неэффективные процессы Оптимизация цепочек поставок, управление запасами Снижение затрат, увеличение скорости и качества выполнения операций
Повышение конкурентоспособности Использование данных для разработки стратегий и принятия решений Маркетинговые исследования, анализ пове-цения клиентов Увеличение доли рынка, повышение удовлетворенности клиентов
Идентификация новых возможностей Анализ данных помогает выявлять скрытые закономерности и новые рыночные ниши Разработка продуктов и услуг, выход на новые рынки Рост доходов, улучшение инновационного потенциала
С точки зрения автора, использование данных для стратегического принятия решений в крупных корпорациях открывает широкие возможности для повышения эффективности управления и конкурентоспособности на современном рынке. Аналитика данных позволяет руководству получать объективную и детализированную информацию о текущем состоянии бизнеса, что способствует более обоснованному и своевременному принятию решений.
Одним из ключевых преимуществ аналитики данных является возможность интеграции различных источников информации, что обеспечивает комплексный подход к изучению бизнес-процессов и ры-
ночных условий. Это позволяет компаниям не только оперативно реагировать на изменения во внешней среде, но и предвосхищать потенциальные риски и возможности.
Применение МО в аналитике данных
Область искусственного интеллекта (ИИ), известная как МО, ориентирована на разработку алгоритмов и моделей, способных обучаться на основе данных и улучшать свои результаты без прямого программирования [7]. Эти методы находят широкое применение в аналитике данных, предоставляя инструменты для обработки значительных объемов информации (табл. 2).
Таблица 2. Влияние МО на оперативные и стратегические решения [8, 9]
Влияние Оперативные решения Стратегические решения Примеры технологий и инструментов
Повышение точности прогнозирования и принятия решений Оптимизация запасов, точное предсказание спроса Долгосрочное планирование, анализ рыночных тенденций Регрессионные модели, временные ряды, предсказательные инструменты
Анализ текстов и изображений Мониторинг клиентских отзывов, социальных сетей Разработка маркетинговых стратегий на основе данных NLP-библиотеки (spaCy, NLTK), инструменты компьютерного зрения
Автоматизация операций Снижение затрат на ручную обработку данных Перераспределение ресурсов, планирование RPA (Robotic Process Automation)
Персонализация Адресные предложения и услуги Стратегии удержания клиентов, повышения лояльности Рекомендательные систе-мы,маркетинговые платформы
Прогнозирование угроз и предотвращение ошибок Управление рисками в реальном времени Разработка стратегий по управлению рисками Модели прогнозирования рисков, системы управления рисками
Обнаружение закономерностей и трендов Улучшение маркетинговых кампаний Открытие новых рыночных ниш, развитие направлений Кластеризация, инструменты визуализации данных (например, Tableau)
По мнению автора, МО играет важную роль в трансформации процессов принятия решений на высшем уровне управления в компаниях. Эти технологии предоставляют руководителям инструменты для более точного анализа и интерпретации данных. Одним из ключевых аспектов является возможность автоматизации рутинных операций, что позволяет находить ресурсы для выполнения стратегических задач. Использование МО способствует интеграции разнообразных источников данных, включая текстовые и визуальные. Это позволяет компаниям улучшать взаимодействие с клиентами и разрабатывать более эффективные стратегии для достижения устойчивого роста и успеха на рынке.
Аналитика больших данных и МО в корпорациях
Крупные компании активно внедряют аналитику больших данных и МО для оптимизации операций, улучшения клиентского опыта и повышения конкурентоспособности. Это позволяет им подтверждать лидерские позиции в различных отраслях и эффективно адаптироваться к быстро меняющимся рыночным условиям.
Procter & Gamble (P&G), крупная мировая компания в области потребительских товаров, активно использует аналитику больших данных и МО для разработки новых продуктов и оптимизации маркетинговых стратегий. Технологии МО позволяют P&G изучать данные о потребительских предпочтениях и поведении, оптимизировать производственные процессы и управление цепочками поставок.
P&G внедрила несколько ключевых инструментов и технологий для достижения этих целей. Один из них - платформа Microsoft Azure. С ее помощью компания собирает и обрабатывает информацию, поступающую из различных источников, включая социальные сети, онлайн-отзывы и внутренние данные о продажах. Для анализа потребительских предпочтений и поведения P&G использует Amazon SageMaker. Интеграция этой платформы позволяет разрабатывать персонализированные маркетинговые стратегии и улучшать качество продукции.
Операционный доход P&G в 2023 году составил $18,1 млрд по сравнению с $17,8 млрд в 2022 году, что связано с увеличением объема продаж (рис. 3).
ми
Рис. 3. Объем продаж P&G, млрд долларов [10]
Эта динамика подчеркивает, что P&G успешно интегрирует современные технологии анализа больших данных и МО в свои бизнес-процессы. Это позволяет компании поддерживать высокий уровень инноваций, оптимизировать операции и обеспечивать удовлетворение потребностей клиентов.
Citadel, одна из ведущих американских финансовых организаций, демонстрирует, как аналитика больших данных и МО мо-
гут трансформировать процессы принятия решений. Компания применяет такие инструменты, как Hadoop и Spark, для распределенной обработки информации, где Hadoop обеспечивает хранение больших объемов данных с использованием параллельных вычислений, а Spark - высокоскоростную обработку в оперативной памяти для анализа в реальном времени. Для прогнозирования рыночных тенденций и управления рисками Citadel использует
алгоритмы МО, анализирующие исторические данные и выявляющие паттерны, что позволяет предсказывать изменения на рынке и минимизировать риски. Для анализа текстовых данных из новостных лент и социальных сетей компания применяет технологии обработки естественного языка (КЬР), что позволяет быстро оценивать настроения рынка и реагировать на значимые события.
Аналитика данных и МО позволяют компании оптимизировать свои инвестиционные стратегии, эффективно управлять рисками и предлагать клиентам более точные и персонализированные продукты. Согласно годовому отчету за 2023 год, финансовые показатели Citadel значительно улучшились (рис. 4).
2019 2020 2021 2022 2023
Рис. 4. Общая сумма активов и чистый капитал, млн долларов [11]
Общие активы компании возросли с $5, 58 млрд в 2022 году до $5,81 млрд в 2023 году. Чистый доход от процентных операций увеличился с $188,9 млн в 2022 году до $255,4 млн в 2023 году, что свидетельствует о высокой эффективности принятых инвестиционных решений. Увеличение активов под управлением с $841 млн в 2022 году до $943 млн в 2023 году также подтверждает успешное применение передовых технологий [11].
Сбербанк, крупнейшая российская финансовая организация, активно внедряет аналитические платформы и технологии МО для улучшения процессов принятия решений. Использование Apache Hadoop и Apache Spark позволяет банку эффективно обрабатывать большие объемы данных и анализировать их в реальном времени. Алгоритмы МО помогают прогнозировать рыночные тенденции и управлять рисками. Например, модели МО оценивают кредитные риски, что снижает вероятность невозвратных кредитов и оптимизирует процесс выдачи займов. Технологии NLP используются для анализа клиентских отзывов и данных из социальных сетей, что позволяет быстро реагировать на потребности. По состоянию на конец 2023 года
количество активных клиентов-физичес-ких лиц Сбербанка составило 108,5 млн человек, что на 2,1 млн больше, чем в 2022 году [12].
Среди инструментов, которые Сбербанк разработал для работы с большими данными, можно выделить SberDataExchange и Sber Process Mining. SberDataExchange -это сервис для безопасного и контролируемого обмена данными в экосистеме банка. Sber Process Mining - платформа для анализа бизнес-процессов, позволяющая визуализировать и оптимизировать процессы, выявлять отклонения и улучшать операционную эффективность. Эти инструменты помогают компании оставаться лидером российского финансового сектора, улучшая операционную эффективность, снижая риски и повышая качество клиентского обслуживания.
Выводы
Современные корпорации активно используют аналитические технологии и методы МО для стратегического принятия решений, что позволяет им эффективно адаптироваться к изменяющимся условиям рынка и повышать конкурентоспособность. Аналитика больших данных предоставляет организациям возможность глуб-
же понимать текущие тенденции и преду- процессов и улучшение клиентского опы-гадывать изменения, что способствует бо- та. Примеры успешного применения ана-лее точному планированию и оптимизации литики больших данных и МО в таких ресурсов. Технологии МО автоматизируют компаниях, как Procter & Gamble, Coca Co-рутинные процессы, снижая вероятность la и Citadel показывают, что такие страте-ошибок и освобождая время для стратеги- гии позволяют не только улучшить внут-ческих инициатив, таких как разработка ренние операции, но и значительно повы-новых продуктов и услуг. сить доходы и снизить риски. Для дости-
Внедрение данных технологий демон- жения максимальной эффективности необ-стрирует значительные преимущества для ходимо учитывать достоверность данных и крупных корпораций, включая повышение применять методы очистки и валидации. точности прогнозов, оптимизацию бизнес-
Библиографический список
1. Макеева Я.И. Исследование технологии big-data и ее роль в экономике // Экономика будущего: тренды, вызовы и возможности. - 2023. - С. 682-686.
2. Bobunov A. Yu. Analysis of the effectiveness of automated testing frameworks for big data in financial systems // Вестник науки. - 2024. - № 6(75). - Т. 1. - С. 1334-1343.
3. Березовская Н.О. Анализ рынка краткосрочной аренды недвижимости: влияние экономических факторов и внедрение инновационных технологий // Вестник науки. - 2024. -№ 4(73). - Т. 1. - С. 62-76.
4. State of big data/AI adoption in organizations worldwide from 2018 to 2023 / Statista. -[Электронный ресурс]. - Режим доступа: https://www.statista.com/statistics/742993/worldwide-survey-corporate-disruptive-technology-adoption/ (дата обращения: 28.06.2024).
5. Бозиева Л. Использование больших данных для повышения эффективности go-to-market стратегий // Universum: экономика и юриспруденция. - 2024. - № 5(115). - С. 5-10.
6. Киселева Е.А., Шилов Н.Ю. Развитие возможностей поддержки принятия решений с помощью информационных систем управления в организации // Проблемы развития современного общества. - 2023. - С. 192-195.
7. Кузнецов И.А., Рубин И.М. Развитие мобильных систем рекомендаций: интеграция машинного обучения и адаптивных алгоритмов // Дневник науки. - 2024. - № 3.
8. Малыхин Н.И. Оптимизация производительности с помощью Hibernate Cache: стратегии, преимущества и проблемы // Актуальные исследования. - 2021. - № 31(58).
9. Рогулин Р.С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. - 2023. - Т. 104. - № 8. - С. 35-35.
10. Financial highlights / Procter & Gamble Annual report. - [Электронный ресурс]. - Режим доступа: https://us.pg.com/annualreport2023/financial-highlights/ (дата обращения: 10.07.2024).
11. Citadel Credit Union's 2023 Annual Report / Citadel. - [Электронный ресурс]. - Режим доступа: https://www.citadelbanking.com/about-citadel/annual-reports/2023-annual-report (дата обращения: 19.07.2024).
12. Результаты Группы Сбер / Сбербанк. - [Электронный ресурс]. - Режим доступа: https://www.sberbank.com/ru/investor-relations/groupresults (дата обращения: 24.07.2024).
USING DATA FOR STRATEGIC DECISION-MAKING IN LARGE CORPORATIONS K.A. Solovyev, Graduate Student
The National Research University Higher School of Economics (Russia, Moscow)
Abstract. The article explores the potential of using big data analytics and machine learning for strategic decision-making in large corporations. It examines the theoretical foundations of these technologies and their impact on management. Big data analytics allows for the identification of hidden patterns, resource optimization, and market change forecasting. Machine learning automates routine processes, reducing the likelihood of errors and enhancing innovation. Examples of successful technology implementation in companies such as Procter & Gamble, Citadel, and Sberbank demonstrate their significant advantages in improving competitiveness and management efficiency.
Keywords: big data, machine learning, analytics, corporate governance, strategic decisions, automation, innovation, optimization.
