CC BY
81юрисдикциях существуют различные требования. В рамках одной юрисдикции, как правило, встречаются разные подходы к различным предприятиям - в зависимости от их размера, вида собственности и деятельности. Наконец, меняются сами требования - это непрерывный процесс.
Список литературы
1. АлтуховК.В., КоротецкийИ.В., БарсолаИ.С. Интегрированная отчетность: преодоление разрыва между содержанием корпоративной отчетности и ожиданиями инвесторов // Аудиторские ведомости. 2014. № 12. С. 24-30. URL: https:// wiseeconomist.ru.
2. Герасимова Л.Н. Интегрированная бухгалтерская отчетность: преимущества и перспективы развития в России // Аудит и финансовый анализ. 2013. № 4. URL: http://auditfin.com.
3. Международный стандарт интегрированной отчетности. Международный совет по интегрированной отчетности (МСИО). URL: http:// www.theiirc.org/wp-content/uploads.
4. Хорин А.Н., Бровкин А.В. Цели и особенности анализа интегрированной отчетности, корпоративного капитала и комплексной результативности бизнес-процесса // Креативная экономика. 2018. Т. 12. № 4. С. 499-512.
5. Чхутиашвили Л.В. Аудит интегрированной отчетности компаний в условиях интеграции России в систему мировой экономики и международной экологической безопасности // Мониторинг правоприменения. 2014. № 2 (11). С. 2428. URL: https://cyberleninka.ru.
References
1. Altukhov K.V., Korotetskij I.V., Barsola I.S. Integrirovannaya otchetnosf: preodolenie razryva mezhdu soderzhaniem korporativnoj otchetnosti i ozhidaniyami investorov [Integrated reporting: bridging the gap between corporate reporting and investor expectations] // Auditorskie vedomosti. 2014. № 12. S. 24-30. URL: https://wiseeconomist.ru.
2. Gerasimova L.N. Integrirovannaya bukhgal-terskaya otchetnosti preimushchestva i perspektivy razvitiya v Rossii [Integrated accounting reporting: benefits and prospects of development in Russia] // Audit i finansovyj analiz. 2013. № 4. URL: http:// auditfin.com.
3. Mezhdunarodnyj standart integrirovannoj otchetnosti. Mezhdunarodnyj sovet po integrirovan-noj otchetnosti (MSIO). URL: http://www.theiirc. org/wp-content/uploads.
4. Khorin A.N., Brovkin A.V. Tseli i osobennosti analiza integrirovannoj otchetnosti, korporativno-go kapitala i kompleksnoj rezuFtativnosti biznes-protsessa [Goals and features of the analysis of integrated reporting, corporate capital and complex performance of business process] // Kreativnaya ekonomika. 2018. T. 12. № 4. S. 499-512.
5. Chkhutiashvili L.V. Audit integrirovannoj otchetnosti kompanij v usloviyakh integratsii Ros-sii v sistemu mirovoj ekonomiki i mezhdunarodnoj ekologicheskoj bezopasnosti [Audit of the integrated reporting of company in conditions of Russia's integration into the system of world economy and international environmental security] // Monitoring pravoprimeneniya. 2014. № 2 (11). S. 24-28. URL: https://cyberleninka.ru.
МУСИПОВА Лэйля Камаровна - магистр учета и аудита, старший преподаватель кафедры бухгалтерского учета и аудита. Карагандинский экономический университет Казпотребсою-за. Казахстан. Караганда. E-mail: [email protected].
MUSIPOVA, Layla Kamarovna - Master of Accounting and Audit, Senior Lecturer of the Department of Accounting and Audit. Karaganda Economic University of Kazpotrebsoyuz. Kazakhstan. Karaganda. E-mail: [email protected].
УДК 004.032.24:338.27:796
ПОТЕНЦИАЛ ПРИМЕНЕНИЯ СОВРЕМЕННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В БИЗНЕС-АНАЛИТИКЕ
М.С. Портнов, А.В. Речнов, В.П. Филиппов
В статье рассматриваются особенности применения современных инструментальных методов аналитической обработки информации в экономике. Сделан акцент на высокой эффективности классических инструментов статистической обработки сравнительно небольших объемов данных. При современном развитии информационных технологий экспоненциально увеличивающийся объем информации стимулирует разработку инновационных информационных техноло-
88
Вестник Российского УНИВЕРСИТЕТА КООПЕРАЦИИ. 2020. № 2(40)
гий, одним из примеров которых является Big Data и, в частности, применяющие ее технологии Business Intelligence. Проведенное исследование позволяет утверждать, что на основе своей концепции работы с данными эта технология нивелирует рост сложности обработки больших данных, предлагая пользователям современные средства анализа и визуализации данных, критически важные для руководителя крупной организации. В статье представлены результаты исследования, основанные на практическом опыте, полученном авторами в ходе создания и внедрения методик сбора и обработки информации на базе системы Power BI в бизнес-аналитике. Авторами сделаны выводы о значимости применения инновационных информационных технологий обработки больших массивов данных для повышения эффективности бизнеса и роста его конкурентоспособности.
Ключевые слова: информационные технологии; Data Mining; Big Data; Business Intelligence; анализ данных; визуализация данных; Power BI; бизнес-аналитика.
M.S. Portnov, A.V. Rechnov, V.P. Filippov. POTENTIAL OF APPLICATION OF MODERN INFORMATION TECHNOLOGIES IN BUSINESS ANALYTICS
The article discusses the features of applying modern instrumental methods of analytical information processing in the economy. The emphasis is placed on the high efficiency of classical tools for statistical processing of relatively small amounts of data. With the modern development of information technologies, the exponentially increasing volume of information encourages the development of innovative information technologies, one example of which is Big Data and in particular, Business Intelligence technologies that use it. The research suggests that by offering its own concept of working with data, this technology neutralizes the growing complexity of big data processing, offering users modern tools for analyzing and visualizing data that are critical for the head of a large organization. The article presents the results of the research based on the practical experience gained by the authors during the creation and implementation of methods for collecting and processing information based on the Power BI system. The authors draw conclusions about the importance of using innovative information technologies for processing large amounts of data to improve business efficiency and increase its competitiveness.
Keywords: information technology; Data mining; Big Data; Business Intelligence; data analysis; data visualization; Power BI; business analytics.
В современных условиях деятельность любой организации сопровождается регистрацией, представлением, накоплением, обработкой всех критически важных параметров ее функционирования в разнообразных видах, формах и способах кодирования. Тщательное исследование конкретных экономических, коммерческих, производственных ситуаций с целью принятия в оперативном порядке экономически обоснованных и наиболее приемлемых решений невозможно без привлечения средств автоматизированного исследования данных с целью обнаружения скрытых в данных структур или зависимостей [2]. Для этого могут быть привлечены классические, ставшие уже привычными инструменты Data Mining: корреляционный анализ, регрессионный анализ, искусственные нейронные сети [4; 5], деревья решений, эволюционное программирование и генетические алгоритмы, кластерный анализ, дискриминантный анализ, методы визуализации данных, теории базы данных и многие другие [7].
Действующие системы Data Mining [1], как правило, интегрируют в себе несколько подходов, реализуя множество предлагаемых ме-
тодов и алгоритмов. В основу технологии положен принцип типовых алгоритмических решений, шаблонов, в соответствии с которыми возникающие задачи можно свести к некоторым однородным классам решений, т.е. к некоторому типовому набору альтернатив. Для реализации экспертной поддержки на этом уровне создается информационный фонд хранения и анализа типовых альтернатив.
Если возникшая проблемная ситуация не ассоциируется с имеющимися вариантами решения поставленной задачи, задействует-ся второй уровень экспертной поддержки алгоритмических решений. На нем происходит генерация оптимальных альтернатив на базе имеющихся в информационном фонде сведений, метаданных, процедур оценки синтезированных правил. Именно таким образом могут работать экспертные системы, применяющие методы Data Mining. Особая роль здесь отводится инструментам на базе аппарата искусственных нейронных сетей, основными решаемыми задачами которых являются прогнозирование и распознавание образов (классификация, кластеризация) [3; 6].
Однако при существенном увеличении
объемов подлежащих обработке данных большинство классических алгоритмов обработки начинают терять свою эффективность. Экспоненциальный рост объемов генерируемой в науке, бизнесе, обществе, индустрии информации стимулирует появление новейших информационных технологий. Одной из таких технологий является Big Data (большие данные). Предлагаемый в ее рамках многофункциональный набор стратегий анализа, обработки, структуризации данных (своего рода новая форма производства знаний) расширяет возможности Data Mining за счет применения некоторых принципиальных элементов. Так, например, в сравнении с традиционной базой данных, применяется слабая взаимосвязь данных (фактически не применяется теория нормальных форм), горизонтальная модель хранения и обработки данных, сами данные при этом являются неструктурированными или частично структурированными. Объясняется это тем, что на комплексных запросах, характерных для больших данных, использование СУБД становится неэффективным по причине неоптимального использования ресурсов вычислительной техники (обобщенный термин - NoSQL).
Необходимо отметить используемый принцип локальности данных, отражающий необходимость хранения и обработки информации на одном сервере, иначе расходы ресурсов и времени на передачу такого объема данных могут превысить соответствующие значения на собственно обработку. Одной из ключевых технологий Data Mining в контексте массово-параллельной обработки неопределенно структурированных данных считается предложенная Google парадигма MapReduce. В ее рамках информационный массив автоматически разделяется на большое количество одинаковых элементарных заданий, каждое из которых выполняется параллельно на выделенных узлах кластера и затем полученные значения консолидируются в итоговый результат.
В настоящее время концепция MapReduce реализуется программными средствами Hadoop, ApacheCouchDB, MongoDB, MySpaceQizmt, Greenplum, GridGain, Phoenix и многими другими. Так, например, Hadoop - свободно распространяемый набор утилит, библиотек компании ApacheSoftwareFoundation для разработки и выполнения распределенных программ. Особая роль отводится языку программирования R для статистической обработки данных и работы с графикой для обработки.
Помимо перечисленных механизмов в контекст применимости для обработки больших
данных включают также технологии Business Intelligence (BI, бизнес-данные), предлагающие наряду с платформой больших данных инструменты визуализации, программное обеспечение для бизнес-аналитики, инструменты статистического анализа, аналитические платформы самообслуживания. Их основной задачей является повышение эффективности бизнеса путем превращения разрозненных источников данных в согласованные, интерактивные аналитические сведения. Именно к этому классу продуктов относится Microsoft Power BI. Это комплексное решение интегрирует в своем составе следующие компоненты: редактор запросов для загрузки и очистки данных Power Query, интерфейс для работы с табличными данными Power Pivot, подсистему визуализации и построения отчетов Power View. В состав Power BI входит традиционное для Microsoft Windows приложение - Power BI Desktop, веб-службы SaaS и мобильные приложения. Их комбинация позволяет создавать и обмениваться динамически изменяемыми аналитическими данными для эффективного принятия управленческих решений.
Рассмотрим один из возможных сценариев. Предположим, что некоторая организация имеет сеть продуктовых магазинов. Ведется полная статистика по всем транзакциям в каждом подразделении. Накопление данных может происходить произвольным образом с возможностью выгрузки, обмена, передачи. При необходимости эти сведения могут быть отправлены в головной офис. На рис. 1 представлена соответствующая описанной ситуации модель данных, согласно которой имеется справочник филиалов, содержащий их наименования, расположение и другие необходимые сведения. Основные данные содержатся в таблице Big Data.
Мощный встроенный язык DAX позволяет не только выполнять практически весь комплекс запросов, характерный для SQL, но и писать привычные для пользователей офисных продуктов формулы обработки. Например, определение сезона исходя из номера месяца: IIf ([Месяц]т (3,4,5); "Весна"; IIf ([Ме-сяц]т (6,7,8); "Лето"; IIf ([Месяц]т (9,10,11); "Осень"; "Зима").
Отметим, что несмотря на кажущуюся визуальную схожесть с традиционным Microsoft Excel, принцип работы в Power BI существенно отличается. Сюда можно отнести невозможность редактирования данных, загрузку колоссальной по объему информации, применение инновационных методов графического представления данных.
Щ BigData8882 \\ ФилиалыЗ
[И1 Дата ] НйименсЕэмие
Ш ДеньНедели П Номер
~~1 КодЗэгрул^ дУд
Ш Количество
О Месяц
~~] НзиерПоцрэзде-сен^я
П Оборот
1 Тлп Продукция
Рис. 1. Модель данных
На рис. 2 продемонстрирован результат визуализации исходных данных.
В примере применены инструменты Диаграмма дерева, Кольцевой график, Карта, Дерево декомпозиции. Характерной особенностью является непосредственная реакция этих инструментов на любые действия пользователей, например, при выборе одного из объектов на карте остальные компоненты отразят ситуацию по конкретному подразделению организации. Более того, при обновлении источников данных информация на графиках тоже изменится.
Как показало проведенное исследование,
развитие рынка Power BI обусловлено увеличением роли цифровой экономики. Применение ИС обработки информации позволяет современным организациям обрабатывать огромные объемы неструктурированной информации и получать наглядную интерпретацию сложных процессов. Интерактивные отчеты по любым показателям деятельности организации позволяют комплексно оценить ее результаты. Внедряя Power BI-продукт, современная организация получает структуризацию накапливаемых данных, их аналитику в реальном масштабе времени, удобный инструмент контроля показателей эффективности организации.
Рис. 2. Вариант размещения визуальных компонентов
В работе рассмотрены возможности использования системы бизнес-аналитики для организаций малого бизнеса и предложены направления оптимизации настройки системы в целях повышения ее эффективности. Выявленные результаты основаны на практическом опыте, полученном авторами в ходе создания и внедрения методик сбора и обработки информации на базе системы Power BI для организаций розничной торговли. Положительный эффект от внедрения автоматизированной аналитики, которая становится инструментом контроля показателей эффективности и результативности бизнеса и принятия своевременных управленческих решений, наблюдается уже в течение первых месяцев. Внедренные Power BI-решения способны стать основой формирования конкурентных преимуществ для современных организаций и могут быть использованы не только для регулирования текущей деятельности, но и построения долгосрочных стратегий развития бизнеса.
Список литературы
1. Возяков В.И., Филиппов В.П. О поддержке принятия решения в технологии Data Mining // Обозрение прикладной и промышленной математики. 2006. Т. 13. Вып. 6. С. 1063-1064.
2. Гаврилова М.В. Актуальные проблемы и тренды развития ИТ-отрасли: региональный аспект // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., посвящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации (27 января 2017 г.). Чебоксары: ЧКИ РУК, 2017. С. 169-182.
3. Лаврентьев Л.Ф., Филиппов В.П. Финансовое прогнозирование на основе аппарата нейронных сетей // Вестник Российского университета кооперации. 2014. № 2 (16). С. 122-127.
4. ПортновМ.С., Речнов А.В., Филиппов В.П., Егорова Г.Н., Мулгачев Н.Н. Особенности прогнозирования спортивных событий на основе использования аппарата нейронных сетей // Вестник Российского университета кооперации. 2019. № 2 (36). С. 76-79.
5. Речнов А.В. Нейросетевое моделирование в информационной системе торгового предприятия // Вестник Российского университета кооперации. 2014. № 2 (16). С. 129-133.
6. Речнов А.В. Применение нейронных сетей для классификационного анализа // Вестник Российского университета кооперации. 2013. № 4 (14). С. 141-144.
7. Филиппов В.П. Применение современных информационных технологий интеллектуальной
обработки данных в экономике // Актуальные вопросы теории и практики вузовской науки: сб. материалов Междунар. науч.-практ. конф., посвящ. 55-летию Чебоксарского кооперативного института (филиала) Российского университета кооперации (27 января 2017 г.). Чебоксары: ЧКИ РУК, 2017. С. 311-316.
References
1. Vozyakov V.I., Filippov V.P. O podderzhke prin-yatiya resheniya v tekhnologii Data Mining [About decision support in Data Mining technology] // Oboz-renie prikladnoj i promyshlennoj matematiki. 2006. T. 13. Vyp. 6. S. 1063-1064.
2. GavrilovaM.V. AktuaFnye problemy i trendy razvitiya IT-otrasli: regional ly) aspekt [Actual problems and development trends of the IT-industry: regional aspect] // AktuaFnye voprosy teorii i prak-tiki vuzovskoj nauki: sb. materialov Mezhdunar. nauch.-prakt. konf., posvyashch. 55-letiyu Chebok-sarskogo kooperativnogo instituta (filiala) Rossijsk-ogo universiteta kooperatsii (27 yanvarya 2017 g.). Cheboksary: ChKI RUK, 2017. S. 169-182.
3. Lavrentyev L.F., Filippov V.P. Finansovoe prognozirovanie na osnove apparata nejronnykh setej [Financial forecasting based on the apparatus of neural networks] // Vestnik Rossijskogo universiteta kooperatsii. 2014. № 2 (16). S. 122-127.
4. Portnov M.S., Rechnov A.V., Filippov VP., Egorova G.N., Mulgachev N.N. Osobennosti prognozirovaniya sportivnykh sobyti) na osnove ispolzovaniya apparata nejronnykh setej [Features of forecasting sporting events based on the use of neural network apparatus] // Vestnik Rossijskogo universiteta kooperatsii. 2019. № 2 (36). S. 76-79.
5. Rechnov A.V. Nejrosetevoe modelirovanie v informatsionnoj sisteme torgovogo predpriyatiya [Neural network modeling in the information system of a trade enterprise] // Vestnik Rossijskogo univer-siteta kooperatsii. 2014. № 2 (16). S. 129-133.
6. Rechnov A.V. Primenenie nejronnykh setej dlya klassifikatsionnogo analiza [The use of neural networks for classification analysis] // Vestnik Rossijskogo universiteta kooperatsii. 2013. № 4 (14). S.141-144.
7. Filippov V.P. Primenenie sovremennykh informatsionnykh tekhnologij intellektuaFnoj obrabotki dannykh v ekonomike [Application of modern information technologies of intellectual data processing in the economy] // AktuaFnye voprosy teorii i praktiki vuzovskoj nauki: sb. materialov Mezhdunar. nauch.-prakt. konf., posvyashch. 55-letiyu Cheboksarskogo kooperativnogo instituta (filiala) Rossijskogo universiteta kooperatsii (27 yanvarya 2017 g.). Cheboksary: ChKI RUK, 2017. S. 311-316.
ПОРТНОВ Михаил Семенович - кандидат социологических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: [email protected].
РЕЧНОВ Алексей Владимирович - кандидат педагогических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: [email protected].
ФИЛИППОВ Владимир Петрович - кандидат физико-математических наук, доцент кафедры информационных технологий и математики. Чебоксарский кооперативный институт (филиал) Российского университета кооперации. Россия. Чебоксары. E-mail: [email protected].
PORTNOV, Mikhail Semyonovich - Candidate of Sciences (Sociology), Associate Professor of the Department of Information Technology and Mathematics. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: [email protected].
RECHNOV, Alexey Vladimirovich - Candidate of Sciences (Pedagogy), Associate Professor of the Department of Information Technologies and Mathematics. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: a.v. [email protected].
FILIPPOV, Vladimir Petrovich - Candidate of Sciences (Physics and Mathematics), Associate Professor of the Department of Information Technology and Mathematics. Cheboksary Cooperative Institute (branch) of the Russian University of Cooperation. Russia. Cheboksary. E-mail: v.p.filippov@ rucoop.ru.
УДК 332.14
УПРАВЛЕНИЕ ЭКОНОМИКОЙ РЕГИОНА В ТЕРРИТОРИАЛЬНОМ АСПЕКТЕ
О.Е. Рассанова, А.Р. Салахутдинова, Е.Д. Волкова
В настоящее время, когда мир стоит на пороге масштабных изменений в экономике целых стран и регионов, формируется новый облик промышленно-производственной сферы, развитая среда «генерации знаний», высокоэффективная инновационная система, требуется глубокое переосмысление сложившихся теоретико-практических подходов к управлению экономикой, как на региональном, так и территориальном уровне. Передача на местный уровень управления все большего спектра ответственности за результативность и эффективность управления экономикой территории особо обостряет обозначенную проблему, подтверждает высокую актуальность и своевременность углубленного исследования действующих систем управления экономикой региона в территориальном аспекте. Критическая оценка функционирующей системы управления экономикой городского округа Новочебоксарск в составе Чувашской Республики позволила исследовать эффективность и результативность данного вида управления, выявить вклад городского округа в экономику субъекта Российской Федерации, определить направления улучшения системы управления экономикой города.
Ключевые слова: регион; муниципальное образование; экономика города; экономическое развитие; управление экономикой; территория.
O.E. Rassanova, A.R. Salakhutdinova, E.D. Volkova. REGIONAL ECONOMY MANAGEMENT IN THE TERRITORIAL ASPECT
In modern conditions, when the world is on the verge of large-scale changes in the economy of entire countries and regions, a new face of the industrial and production sphere is being formed, a developed environment for «generating knowledge», a highly effective innovative system, a deep rethinking of the existing theoretical and practical approaches to economic management is required, such as at the regional and territorial level. The transfer to the local level of management of an increasingly wide range of responsibility for the effectiveness and efficiency of managing the economy of the territory particularly aggravates the identified problem, confirms the high relevance and timeliness of the in-depth study of the existing systems of managing the regional economy in the territorial aspect. A critical assessment of the functioning economic management system of the Novocheboksarsk urban district as part of the
