CC BY
61отразить расходы на выплату пособий в едином расчете по страховым взносам, представляемом в ИФНС. Получив расчет, налоговики сообщат данные о заявленном возмещении в ФСС России. Только после этого ФСС примет решение - одобрять зачет или нет. Если результат окажется отрицательным, ИФНС должен направить страхователю требование об уплате недостающих взносов. При положительном результате проверки расходы будут приняты, а ИФНС при необходимости зачтет либо вернет разницу между взносами и расходами.
С января 2017 года проводить камеральные и выездные проверки по страховым взносам (кроме взносов «на травматизм») будут ИФНС. Проверять правильность расчетов начисления и уплаты взносов налоговики будут по тем же правилам, по которым производятся проверки начисления и уплаты налогов.
В бухгалтерском учете никаких изменений в части отражения информации по страховым взносам не произошло. Учет расчетов по обязательным страховым взносам осуществляется на счете 69
"Расчеты по социальному страхованию и обеспечению" по соответствующим субсчетам.
Литература:
1. Налоговый Кодекс Российской Федерации (часть первая и част вторая) от 05.08.2000 г. №117-ФЗ (ред. от 03.04.2017 г.) с изм. и доп., вступ. в силу с 01.07.2017 г.
2. Федеральный Закон об обязательном социальном страховании от несчастных случаев на производстве и профессиональных заболеваний от 24.07.1998 г. №125-ФЗ в ред. Федерального закона от 08.12.2010 №348-ФЗ.
3. Постановление Правительства РФ от 01.12.2005 г. (ред. от 17.06.2016 г.) «Об утверждении Правил отнесения видов экономической деятельности к классу профессионального риска»
4. Постановление Правительства РФ от 17.06.2016 г. №551 «О внесении изменения в Правила отнесения видов экономической деятельности к классу профессионального риска»
========================================= у у ========================================
УДК: 004:413
ТЕХНОЛОГИИ ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ПРОЕКТАМИ
Городецкая О.Ю., к.э.н., доцент ГобареваЯ.Л., к.э.н., доцент
Финансовый университет при Правительстве Российской Федерации (Финуниверситет), Москва,
Россия
Аннотация. Эффективность ИТ-компаний, занимающихся внедрением программных продуктов зависит от эффективности их проектной деятельности. В связи с этим в статье рассматриваются вопросы понятия проекта, его характеристики и управление им. Приводятся основные признаки проекта: целенаправленность, сроки исполнения, уникальность, бюджет проекта, жизненный цикл проекта. Особое внимание уделяется особенностям управления проектами, возможностям управления рисками проекта. Анализируются современные технологии, позволяющие эффективно управлять проектами. Отмечается, что к таким технологиям, прежде всего, относятся технологии анализа данных: OLAP-технологии, технологии Data Mining, технологии KDD, технологии Big Data. Рассматриваются особенности их применения для эффективного управления проектами.
Ключевые слова: проект, признаки проекта, управление проектами, анализ данных, технологии, OLAP-технологии, технологии Data mining, Knowledge Discovery in Databases, поиск закономерностей, структурированные данные, неструктурированная информация, Большие данные.
TECHNOLOGY FOR EFFECTIVE PROJECT MANAGEMENT
Gorodetskaya O., PhD, Associate Professor Gubareva J., PhD, Associate Professor Financial University under the Government of the Russian Federation (The financial University), Moscow,
Russia
Abstract. The efficiency of the it companies engaged in software implementation depends on the effectiveness of their project activities. In this regard, the article discusses the concept of the project, its characteristics and management. The principal characteristics of the project: focus, deadlines, uniqueness, project budget, project life cycle. Special attention is paid to the peculiarities of project management, project risk management.
The article analyzes modern technologies to effectively manage projects. It is noted that such technologies are primarily data analysis technologies: OLAP technology Data Mining and KDD technologies, Big Data technologies. Discusses the features of their application for the effective management ofprojects.
Keywords: the project, featured project, project management, data analysis, technology, OLAP technology, Data mining techniques, Knowledge Discovery in Databases, search patterns, structured data, unstructured information, Big data.
Деятельность современных ИТ-компаний, занимающихся внедрением программных продуктов характеризуется выполнением большого числа проектов, направленных на удовлетворение потребностей бизнеса и бизнес-стратегии.
Согласно определению, под проектом понимается деятельность, направленная на создание уникальных продуктов, услуг или результатов в течение конкретного срока и в рамках фиксированного бюджета [1].
Исходя их этого, для любого проекта характерны следующие основные признаки: наличие цели; сроки исполнения; уникальность, бюджет проекта; жизненный цикл проекта.
Каждый проект направлен на достижение конкретной цели, предполагающей получение требуемого результата. Отметим, что под целями понимаются не только конечные результаты проекта, но и выбранные пути достижения этих результатов (например, применяемые в проекте технологии, система управления проектом).
Проект имеет свое начало и завершение, что позволяет судить о временном ограничении на реализацию проекта. В рамках данного периода оперативная деятельность в большинстве случаев представляет собой повторяющийся процесс, регламентированный внутренними процедурами компании.
Каждый проект является уникальным, характеризуется новизной поставленных задач и проблем, так как у него есть своя специфика, которая отличает его от других проектов.
Любой проект ограничен финансовыми ресурсами, необходимыми для достижения поставленной цели.
Проект возникает, функционирует и развивается в течение определенного времени. Жизненный цикл проекта это набор последовательных этапов проекта, названия и количество которых определяются потребностями в управлении, характером самого проекта и его прикладной областью. Жизненный цикл
может определяться спецификой организации, уникальными особенностями ее деятельности. Тем не менее, жизненный цикл является основополагающей структурой для управления проектом и не зависит от входящих в него конкретных задач.
Таким образом, проект считается успешным, если он выполнен в установленные сроки, в рамках выделенного бюджета и удовлетворяет требованиям заказчика.
Для реализации проектов в условиях строго ограниченных временными рамками, важно правильно и эффективно организовать процесс управления проектами. От результатов реализации тех или иных проектных работ, удовлетворенности клиента продуктом и процессом взаимодействия с сотрудниками компании-исполнителя, как правило, зависит репутация организации, а, следовательно, и ее прибыль.
Под управлением проектами понимается приложение знаний, навыков, инструментов и методов к работам проекта для удовлетворения требований, предъявляемым к проекту. Управление проектами включает в себя все основные процессы, которые могут возникать на различных стадиях выполнения проектов, помогает понять их основные цели и методы взаимодействия.
К управлению проектами также относятся: работа согласно предъявляемым требованиям, решение возникающих проблем, удовлетворение потребностей заинтересованных сторон, урегулирование различных ограничений проекта, в число которых входит расписание, бюджет, ресурсы, риски и многое другое. Все перечисленные работы связаны между собой, при возникновении изменений ситуации в одном месте, возникнут корреляции и в другом. Например, при уменьшении сроков реализации проекта, с высокой долей вероятности увеличатся общие затраты, так как сжатые сроки потребуют привлечения большего количества сотрудников для выполнения всех работ.
Поэтому план управления проектом разрабатывается последовательно на разных стадиях жизненного цикла и позволяет осуществлять детализированное планирование всего проекта.
В условиях нестабильной экономики ИТ-компаниям для повышения конкурентоспособности при управлении проектами необходимо уменьшать количество рисков и уметь эффективно управлять ими. Управление рисками проекта включает в себя процессы, связанные с определением, анализом и реагированием на риски проекта с целью повышения вероятности и степени влияния положительных и снижения вероятности и степени влияния негативных событий в проекте. Для того чтобы определенный риск не помешал реализации проекта, например, разработке программного обеспечения и его внедрения, надо этот риск определить и снизить вероятность его наступления, а не избегать его. Поэтому к анализу этих рисков следует подойти системно. Таким образом, управление рисками проекта включает совокупность методов, обеспечивающих идентификацию, анализ,
планирование рисков, разработку откликов и контроль в течение всего жизненного цикла проекта.
Существуют технологии, позволяющие правильно определять риски и, соответственно, эффективно управлять проектами. К таким технологиям относятся, прежде всего, технологии анализа данных, среди которых можно выделить следующие [6, 7]:
• средства OLAP-технологий (on-line Analytical Processing);
• средства интеллектуальной добычи данных (data mining);
• технологии поиска знаний в сырых данных KDD (Knowledge Discovery in Databases);
• инструменты хранилищ данных (Data Warehouse);
• технологии Больших Данных (Big Data).
Начнем с OLAP-технологии, которую можно
определить, как технологию оперативной аналитической обработки данных, использующей методы и средства хранения и анализа многомерных данных.
Многомерный анализ данных представляет собой исследование данных в различных экономических «срезах» с целью принятия управленческих решений. Данная технология является универсальной и может быть использована в любой прикладной области, где требуется анализ данных.
Поясним реализацию OLAP-технологии на примере. При управлении проектами следует учитывать различные показатели: сроки исполнения проекта, бюджет проекта, этапы выполнения работ проекта, риски проекта и др. Используя данную технологию всю информацию можно представить в виде многомерного куба, измерениями которого являются, например: период времени, наименование работ, риски, в ячейках микрокуба содержится стоимость работ.
Анализ информации и представляет собой операции над этим кубом - проекция, сечение,
детализация, агрегирование. Построив сечение по одному виду работы, получим информацию о её стоимости за период времени. Построив сечение по риску, получим информацию о возможности его возникновения и т.д.
Отметим, что количество измерений может быть любым, а в качестве измерений - любые показатели проекта.
Таким образом, OLAP-технология обеспечивает интерактивную работу с данными в режиме реального времени и позволяет: агрегировать и/ или детализировать данные; менять аналитические разрезы, то есть правила вычисления промежуточных итогов путем изменения порядка следования полей; задавать любые комбинации фильтрации данных; вычислять производные показатели; выполнять расширенный графический анализ; настраивать структуру отчета без программирования.
К преимуществам многомерного представления данных можно отнести: предметную
ориентированность; удобства навигации по данным; высокую скорость формирования сводных таблиц; возможность самостоятельного формирования пользовательских отчетов; отсутствие необходимости привлечения программистов для формирования дополнительных таблиц.
Средство интеллектуальной добычи данных - Data Mining - ("добыча" или "раскопка данных"), определяется как процесс поддержки принятия решений, основанный на поиске в данных скрытых закономерностей [8, 9].
Требования, предъявляемые к перерабатываемым данным, следующие: неограниченность объема данных, разнородный характер данных, понятность результатов переработки данных.
Технологию Data Mining можно применять для анализа данных в любой компании, но, в первую очередь, там, где используются средства информационных хранилищ данных (Data Warehousing) [2, 3].
Data Mining позволяет в необработанных («сырых») данных найти новые полезные знания для принятия решений по управлению проектами. Данная технология включает совокупность различных методов обнаружения знаний (ассоциативные правила, нейронные сети, деревья решений и т. д.), позволяющие:
• выявлять закономерности между связанными событиями (ассоциация);
• устанавливать закономерности между связанными во времени событиями (последовательность);
• устанавливать признаки, характеризующие группу, к которой принадлежит событие или объект (классификация);
• выявлять группы объектов на основе данных, описывающих свойства объектов (кластеризация), при этом, сами группы не заданы, а выявляются при обработке данных;
• устанавливать зависимости между факторами (регрессия).
Data Mining является одним из этапов процесса поиска полезных знаний в "сырых" данных, получивших название KDD (Knowledge Discovery in Databases - «обнаружение знаний в базах данных»).
KDD - это последовательность действий, которую необходимо выполнить для построения модели извлечения знания. Процесс KDD состоит из следующих этапов: подготовка данных, в том числе из различных источников, их предварительная обработка и очистка, трансформация и нормализация данных, извлечение знаний различными методами и интерпретации полученных результатов.
Например, с помощью данной технологии можно построить прогнозную модель.
В настоящее время получил широкое распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Технология Big Data представляет собой совокупность инструментов, методов обработки структурированных и неструктурированных данных значительного объёма для получения воспринимаемых человеком результатов.
Big Data - это данные больших размеров и разнообразного состава, весьма часто обновляемых, достоверных, ценных и находящихся в разных источниках, для которых требуется высокая скорость обработки и нестандартные технологии, повышающие качество принятия управленческих решений, создание новых продуктов и обеспечение конкурентоспособности.
Отметим, что к большим данным можно отнести и результаты научных экспериментов, и информацию о клиентах, системе управления проектами, анализ рисков и т.п., т.е. всё то, что может быть полезно проанализировать.
Основными задачами, решаемыми технологией Big Data, являются:
• хранение и управление объёмом данных, который не может "уместиться" в стандартную базу данных;
• организация неструктурируемой информации;
• анализ больших данных, генерирование аналитических отчётов и прогностических моделей на основе поиска нового, поиска классов (нахождение новых типов объектов и поведений), поиска ассоциаций (установление новых зависимостей между объектами, событиями, клиентами).
Таким образом, в соответствии с вышесказанным Big Data обладают следующими «пять V» характеристиками [4, 5]:
• volume (объем обрабатываемой информации, который постоянно увеличивается),
• veracity (достоверность данных),
• variety (многообразие, т.е. обработка данных как структурированных, так и неструктурированных),
• velocity (скорость накопления данных и скорость обработки потока данных),
• value (ценность накопленной информации).
Следует отметить, что, используя технологии Big
Data, компании могут получить важную информацию за несколько секунд, что позволит повысить эффективность управленческих решений,
применяемых в режиме реального времени.
В заключении отметим, что применение технологий бизнес-анализа дает руководству компании инструмент аналитической обработки больших объемов информации, накапливаемой в хранилищах данных, что способствует получению информации, необходимой для принятия своевременных управленческих решений.
Список используемых источников
1. Грашина, М.Н. Основы управления проектами / М. Н. Грашина, В.Р. Дункан. - М.: Бином, 2015. - 240 с.
2. Гобарева, Я.Л. Big data: большой потенциал управления рисками / Я.Л. Гобарева, О.Ю. Городецкая, М.С. Николаенкова // Транспортное дело России. - 2016. - №1. - С. 21-24.
3. Гобарева, Я.Л. Эффективное управление рисками в банковском бизнесе: Big data / Я.Л. Гобарева, О.Ю. Городецкая, М.С. Николаенкова // Валютное регулирование. Валютный контроль. -2016. - №2. - С. 38-40.
4. Городецкая, О.Ю. Технологии Big data: перспективы развития в России / О.Ю. Городецкая, Я.Л. Гобарева // V Международная научно-практическая конференция «Математика, статистика и информационные технологии в экономике, управлении и образовании: сб. трудов. - Тверь: Тверской гос.арственный университет, 2016. - С.34-39.
5. Гобарева, Я.Л. Возможности технологии Big data для повышения качества эксплуатации CRM-систем / Я.Л. Гобарева, О.Ю. Городецкая, Е.Р. Кочанова // Транспортное дело России. - 2015. - № 5. -С. 62-63.
6. Золотарюк, А.В. BI-технологии предотвращают мошенничество в банковской сфере / Е.В. Гайдар, А.В. Золотарюк, Е.С. Худеньких // Валютное регулирование и валютный контроль.- 2015. - № 5. -С. 63-66.
7. Демин, И.С. Концепция кластера в технологиях интеллектуального анализа данных / И.С. Демин // РИСК: Ресурсы, информация, снабжение, конкуренция. - 2012. - № 1. - С. 260-263.
8. Интернет-ресурс: http://www.zirvan.ru/platform/ detail.php?ID=951
9. Интернет-ресурс: https://basegroup.ru/
