CC BY
47
1. On approval of the program "Digital Economy of the Russian Federation": Decree of the Government of the Russian Federation of July 28, 2017 No. 1632-r // Meeting of the legislation of the Russian Federation. - 2017. - No. 32. - Art. 5138. -S. 14517-14574.
2. Abyzova EV, Ishchenko OV, Financial policy as the basis for a successful organization. Economy. Right. Print. Bulletin of XCEI. 2019.No 1 (81). S. 50-52.
3. Guziekova S.M. Semantic and cognitive aspect of the study of the artistic picture of the world / S.M. Guziekova // Bulletin of the Adygea State University. Series "Philology and art criticism". - Maykop: ASU publishing house, 2016. - Issue. 1 (172) - 172 s. - S. 40-45.
4. Gogolin S. S., Fadeeva E.Yu. Improving the efficiency of managerial decision-making in logistics based on the use of information-analytical systems // Bulletin of the Academy of Knowledge No. 29 (6), 2018. - P. 111-117.
5. Ermilova Yu.A. Aspects of accounting and analytical support of innovative activity at the enterprise // Regional Innovation Economy: essence, elements, formation problems, new challenges. Ulyanovsk., 2016.S. 18-21.
6. Karpova T.P. Directions of development of accounting in the digital economy / T.P. Karpova // Bulletin of the St. Petersburg State University of Economics. - 2018.- No. 3 (111). - S. 52-57.
7. Saliy V.V. Ischenko O.V., Aksenova Zh.A. The main aspects of the organization of management accounting supply and procurement activities of an economic entity // Bulletin of the Academy of Knowledge. - Krasnodar, No. 28 (5). -2018.- S.21-31.
8. Saliy V.V. Enterprise architecture: textbook / Ishchenko OV, Aksenova Zh.A. - Krasnodar: Krasnodar Cooperative Institute (branch) of the Russian University of Cooperation, 2018 .-- 167 p.
9. Khachak S.K., Guziekova S.M. Neologisms in modern Russian and English / S.K. Khachak, S.M. Guziekova // Cultural life of the South of Russia. - Krasnodar: Publishing house Ultrapress, 2013. - No. 2 (49). - S. 67-68. (0.2 p.p.).
DOI: 10.24412/2304-6139-2022-11240
В.В. Салий - к.п.н., доцент кафедры бухгалтерского учета и анализа, Российский экономический университет им. Г.В. Плеханова (Краснодарский филиал), e-mail:vlada-2807@mail.ru,
V.V. Salii - Candidate of Pedagogical Sciences, Associate Professor, Department of Accounting and Analysis, Russian University of Economics G.V. Plekhanova (Krasnodar branch);
Л.В. Кухаренко - кандидат культурологии, доцент кафедры бухгалтерского учета и анализа, Российский экономический университет им. Г.В. Плеханова (Краснодарский филиал),
L.V. Kukharenko - Candidate of Culturology, Associate Professor of the Department of Accounting and Analysis, Russian University of Economics G.V. Plekhanova (Krasnodar branch), e-mail:fam_kuhar@list.ru;
О.В. Ищенко - к.э.н., доцент кафедры бухгалтерского учета и информационных технологий, Краснодарский кооперативный институт (филиал) РУК, e-mail:rov1301@yandex.com,
O.V. Ishchenko - Candidate of Economic Sciences,Associate Professor of the Department of Accounting and Information technologies, Krasnodar Institute of Cooperation (branch) of RUC.
ЦИФРОВАЯ ТРАНСФОРМАЦИЯ ЭКОНОМИКИ И ВНЕДРЕНИЕ ХРАНИЛИЩ ДАННЫХ НА ОСНОВЕ БОЛЬШИХ ДАННЫХ В ИНФРАСТРУКТУРУ КОМПАНИИ DIGITAL TRANSFORMATION OF THE ECONOMY AND IMPLEMENTATION OF BIG DATA STORAGE
IN COMPANY INFRASTRUCTURE
Аннотация. Комплекс информационно-аналитических систем затрагивает всю управленческую деятельность компании, включая анализ бизнеса, оперативное и стратегическое планирование, корпоративную и финансово-экономическую отчетность. Информационно-аналитические системы строятся на основе оперативных данных и Big data, получаемых в режиме реального времени из хранилищ данных, в основе которых функционируют современные инструменты по получению и обработке неструктурированной информации. Цифровые и облачные технологии, позволят оперативно анализировать экономическую деятельность компании и их необходимо встраивать в процесс управления компанией, для ускорения процесса извлечения, преобразования и загрузки данных. Применение хранилищ данных, функционирующих на основе Big data обеспечивает единство данных и их непротиворечивость, позволяя объединять данные из различных источников, а облачная система хранения данных позволит решить вопросы по формированию инфраструктуры компании. Для хранения экономической информации на основе облачной технологии можно развернуть приложения, которые интенсивно используют сверхбольшие объемы данных, а также могут вмещать больше данных, чем физический сервер компании, и ее руководство не будет беспокоиться о нехватке места для хранения информации на внутреннем сервере. Унифицируя процесс аналитической обработки информации и объединяя средства управления бизнес-процессами компании, на основе готовых прикладных решений, возможно построить, эффективно функционирующую информационно-аналитическую систему хранилища данных.
Abstract. The complex of information and analytical systems affects all management activities of the company, including business analysis, operational and strategic planning, corporate and financial and economic reporting. Information and analytical systems are built on the basis of operational data and Big data received in real time from data warehouses, which are based on modern tools for receiving and processing unstructured information. Digital and cloud technologies will allow you to quickly analyze the economic activities of the company and they need to be built into the
company's management process to speed up the process of extracting, transforming and loading data. The use of data warehouses operating on the basis of Big data ensures the unity of data and their consistency, making it possible to combine data from various sources, and the cloud storage system will allow solving the issues of forming the company's infrastructure. Cloud-based storage of economic information can be deployed to applications that are ultra-large data intensive and can hold more data than a company's physical server without worrying about running out of storage space on an internal server. By unifying the process of analytical information processing and combining the means of managing the company's business processes, on the basis of ready-made applied solutions, it is possible to build an efficiently functioning information and analytical data warehouse system.
Ключевые слова: big data, хранилища данных, облачные технологии, информационно-аналитические системы, экономическая и финансовая отчетность.
Keywords: big data, data warehouses, cloud technologies, information and analytical systems, economic and financial reporting.
Цифровая трансформация бизнеса сопровождается существенным ростом объемов информации и данных, а также скорости обработки, а значит, растут и требования к системам хранения. Сегодня информация -это основа любого бизнеса, инструмент эффективного управления и оптимизации рабочих процессов.
Пошаговое развитие информационных систем заключалось в постепенном поглощении каждым следующим классом предыдущего. Однако рост бизнеса не всегда способствует быстрой перестройки ведения бизнес-процессов, так как не успевает организационно перестраиваться, обучить новых сотрудников, оптимизировать и автоматизировать работу отделов и подразделений. Автоматизация стала неотъемлемой частью системы управления компанией, обеспечивая полноценную поддержку принятия управленческих решений и электронный документооборот. При этом на первый план начинают выходить:
- комплексная система анализа деятельности предприятия;
- разрозненное хранение данных;
- применение специализированных систем аналитической обработки данных в режиме реального времени.
Автоматизированные информационные системы, поддерживающие принятие решения, также постоянно расширяют свой функционал, вследствие чего, возник новый класс - аналитические информационные системы, активно внедряемые компаниями при реинжиниринге бизнес-процессов, которые позволяют связать стратегический и оперативный уровни управления.
Финансовая аналитика при сборе и хранении данных помогает компаниям своевременно выявить различные проблемы, при этом, чтобы понимать возможности современных информационных технологий и выбирать среди них оптимальное соотношение «стоимость/результат», современному сотруднику необходимо разбираться в базовых трактовках определений и прикладных решениях.
Цифровая трансформация, позволяет существенно активизировать автоматизацию бизнеса и ИТ-индустрии в целом, что позволит расти всем сферам бизнеса, работающим на массовом рынке и значительно улучшить взаимодействие с потребителями, что эффективно скажется, на растущих объемах данных.
Однако при этом требования к доступу к данным становятся более жесткими - этого требует бизнес, которому необходима надежность для обслуживания клиентов в реальном времени. Также будут расти требования в части скорости доступа к данным и их передачи по сетям.
Технологии, позволяющие эффективно и оперативно анализировать экономическую деятельность компании необходимо встраивать в процесс регулирования, с целью автоматизации и ускорения процесса реагирования на возникающие проблемы с применением средств извлечения, преобразования и загрузки данных.
Все четыре процесса составляют основное ядро информационно-аналитической системы компании, которое постоянно развивается и дополняется управленческими процессами, расширяющими системы управления эффективностью бизнеса (BPM) и систем бизнес-интеллекта (BI).
А так как BPM представляет собой комплекс интегрированных процессов управления и анализа, функционирующих на основе информационных технологий, то и управление на его основе выстраивается в логическую цепочку экономических действий включая финансовое и операционное планирование, консолидацию и отчетность, моделирование и другие показатели эффективности функционирования компании. При этом функционал BI входит в BPM как один из источников технической поддержки обработки информации в процессе анализа экономических показателей, так как BI предлагает средства аналитики, но не может повлиять на бизнес-процессы, когда возникает в этом необходимость. Однако позволяет консолидировать средства управления эффективностью бизнеса и поддерживать основные управленческие процессы в сторону экономических факторов развития.
Таким образом, информационно-аналитические системы функционирующие на основе BPM дают возможность участникам процесса управления реализовывать бизнес-процессы в режиме реального времени, в том числе и с применением облачных сервисов. Преимущественным фактором является взаимодействие BPM-систем с ERP, CRM, PLM, SCM и другими системами через хранилища данных.
Хранилища данных обеспечивают единство данных, их непротиворечивость, позволяя объединять данные из различных источников, при этом их применение уменьшает риски отказов функционирования информационно-аналитических систем. Информация из хранилища данных после процесса обработки поступает на обработку в систему BI для дальнейшей обработки и затем переходит в BPM-систему, которое содержит инструменты прогнозирования, моделирования, бюджетирования и формирования консолидированной отчетности.
Совокупность информационных технологий и программных средств, представляют собой информационный комплекс аналитической системы, предназначенный для реализации методической модели конкретной компании, на основе построения индивидуальной системы управления эффективностью ведения бизнес-процессов: планирования и бюджетирования, управления доходностью, управления рисками, бухгалтерской отчетностью, финансовой консолидацией и др. Соответственно информационный комплекс должен включать следующие взаимосвязанные элементы:
- средства построения хранилищ данных;
- BPM-приложения;
- средства формирования отчетности;
- облачные технологии.
На основе данных элементов формируется комплекс ИТ-инструментов, который необходим для обработки большого количества неструктурированной информации необходимой для принятия решений. Комплекс ИТ-инструментов необходим для создания и эксплуатации:
- встроенных средств отчетности и анализа;
- средств постоянного хранения;
- средств временного хранения;
- средств интеграции;
- источников данных открытого доступа.
Таким образом, формируется хранилище данных, которое будет оптимизировано для ежедневных задач сбора и обработки «больших данных» первичного учета компаниями. Решение данных задач достигается специальной организацией хранилища данных, разделенного для этих целей на две части: область временного хранения и область постоянного хранения.
Сам процесс внедрения хранилищ данных, построенных на основе технологии BPM состоит из нескольких этапов:
- формирование бизнес-требований;
- разработка технического задания;
- формирование портфеля информации, полученной на начальном этапе;
- проверка работоспособности информационной системы;
- настройка системы с учетом недочетов;
- внедрение в компанию.
Однако за последние время системы управления эффективностью бизнеса прошли значительную модернизацию и превратились в основной стратегический инструмент принятия экономически обоснованных решений. Основными элементами являются приложения бюджетирования, планирования и аналитического прогнозирования, а следователь быстро меняющиеся рыночные условия заставляют расширять функциональность систем [2]. При этом информационные системы должны иметь несколько основных компонентов:
- хранилище данных и инструменты для выборки и интеграции данных;
- приложения для управления бизнесом;
- инструменты анализа данных.
При этом, объем корпоративной информации продолжает расширяться за счет неструктурированных данных поступающих из вне. Их основу сегодня составляют различный контент:
- аудио и видео-файлы, различные изображения;
- отдельные файлы и массивы документов;
- сообщения социальных сетей и электронной почты;
- записи показаний различных приборов Интернета вещей (IoT и IIoT);
- сведения из телематических измерений и пр.
Для хранения неструктурированных данных сегодня широко применяются облачные объектные сервисы, которые стали стандартом де-факто для доступа к объектам, позволяющие не заботиться об инфраструктуре хранения и обеспечении быстрого доступа к объектам.
Рассмотрим существующие варианты применения облачных объектных сервисов в бизнесе:
- бенчмаркинговый анализ, когда автоматический сбор и комплексная аналитика больших данных, позволяют сравнивать разрозненные показатели деятельности своей компании с конкурентами и отраслевыми аналогами;
- единая версия данных для сторонних сервисов, облачный сервис выступает в качестве единого хранилища данных с возможностями поиска;
- торговая площадка для конфигурации данных между клиентами, включая межкорпоративный обмен данными или результатами анализа «больших данных»;
- выставление счетов (биллинг), когда обмен данными между приложениями коммерчески оцениваются и соответствующим образом тарифицируются;
- оптимизация производительности в режиме реального времени, включая статистические данные и их анализ при корректировке.
Основными потребителями технологий Big data являются банки, телекоммуникационные компании и крупные ритейлеры. При этом можно отметить, что по настоящее время основной проблемой развития направ-
ления больших данных является нехватка квалифицированных кадров, отсутствие или нехватка опыта российских внедрений, и основным критерием выступает высокая стоимость решений.
В начале января 2021 года в России был разработан проект национального стандарта «Информационные технологии. Эталонная архитектура больших данных. Часть 1 : Структура и процесс применения» входит в серию из пяти стандартов по эталонной архитектуре больших данных и представляет собой русскоязычную адаптацию международного технического отчета ISO/IEC TR 20547-1:2020 Information technology - Big data reference architecture - Part 1: Framework and application process [1].
Документ содержит описание структуры эталонной архитектуры системы для работы с большими данными, а также обеспечивает решение задачи отображения в эталонной архитектуре возможных вариантов использования больших данных. Положения национального стандарта могут применяться организациями для описания архитектуры конкретных систем для работы с большими данными и реализации этих систем с учетом используемых технологий, а также ролей/исполнителей и их потребностей.
В проекте национального стандарта дано концептуальное представление эталонной архитектуры больших данных, а также таких базовых понятий, как: эталонная архитектура, интерес, заинтересованная сторона, область применения, структура архитектуры, пользовательское и функциональное представление, процесс применения, идентификация заинтересованных сторон и др.
Технологии работы с большими данными уже применяются практически во всех отраслях экономики и сейчас организации всерьез заняты разработкой корпоративных стратегий работы с данными с учетом бизнес-задач и формирования технологической инфраструктуры. При этом компании стремятся хранить собственные данные в собственной инфраструктуре, не прибегая к облачным решениям. Еще один важным фактором автоматизации бизнес-процессов является стабильность экономики и инвестиции.
Программное обеспечение на компьютере находится в «постоянной эксплуатации», если оно помещено в постоянную память компьютера. Приобретение программного обеспечения, включает приобретение лицензии на его применение в компании. При эксплуатации облачного сервера затраты на развитие и всей ИТ -инфраструктуры компании не нужны, так как при внедрении отсутствует необходимость его детального планирования, программирования, а также осуществляется возможность одновременной настройки информационной системы совместно с клиентом [5].
Если возникнут изменения в бизнесе, то сотрудник сможет сам быстро адаптировать информационно-аналитическую систему, расположенную в облаке и оперативно получать обновления, что влечет за собой объединение средств управления бизнес-процессами, которые носят характер готовых прикладных решений и поддерживают эффективную работу, совмещая со средствами искусственного интеллекта, которые унифицируют процесс аналитической обработки информации, которая затем поступает в хранилище данных.
В свою очередь, хранилище данных обеспечивает единство всех данных, ее упорядоченность и непротиворечивость, объединяя данные из различных источников, что позволяет в достаточном объеме делать выводы из информации.
Способы получить пользу от больших данных:
- они помогают ритейлерам увеличивать выручку;
- консалтинговым компаниям понимать покупателей,
- различным организациям быстрее и лучше обслуживать пациентов;
- банкам определять спрос на ту или иную услугу и выявлять надежность заемщиков.
Таким образом, качественная работа с большими данными помогает искать закономерности, строить прогнозы и делать выводы, стратегически важные для развития компании на основе точной и правильно проанализированной информации, что дает большие возможности для развития компания.
Сегодня попробовать работать с большими данными проще, чем когда либо, так как все инструменты можно получить в облаке на небольшое время, с целью знакомства и понимания, нужно это компании или нет.
При этом прикладное решение для обработки больших данных можно использовать в созданном компанией дата-центре, на физических серверах, но для обработки и анализа нужны значительные возможности ИТ-инфраструктуры компании, а как известно, что для ведения любой информационной системы нельзя точно предсказать нагрузку на ИТ инфраструктуру.
Не каждая компания для качественной обработки данных должна приобретать собственный сервер и хранилище данных, настраивать распределение нагрузки между ними и создавать локальную и глобальную сеть для функционирования корпоративной информационной системы на основе аналитической информации. Также не каждая компания должна содержать собственный дата-центр с большим количеством серверов возможно дорого, что подразумевает значительные траты на поддержку инфраструктуры, обеспечение информационной безопасности.
Облачная виртуализация позволит решить все эти вопросы по формированию инфраструктуры компании. Облачные технологии могут быть использованы на начальном этапе работы с «большими данными» и при проверке гипотез, когда приходится тестировать новые приложения и технологии.
Поэтому компании для анализа данных все больше переходят к облачным технологиям, которые легче масштабируются, обладают неограниченными возможностями для хранения информации и гибкими настройками. Для хранения экономической информации в облаке можно развернуть приложения, которые интенсивно используют сверхбольшие объемы данных, а также может вмещать больше данных, чем физический сервер, компании придется меньше беспокоиться о нехватке места для хранения информации [3].
Частное облако может быть расположено в локальном дата-центре компании, или у стороннего поставщика, но инфраструктура всегда размещена в частной сети, где аппаратное и программное обеспечение предназначено всегда только для одной компании.
Плюсы частного облака:
- ИТ ресурсы быстрее настроить под потребности компании;
- ИТ ресурсы использует только одна компания;
- компания контролирует всю инфраструктуру в сети.
Минусы частного облака:
- стоимость развертывания частного облака высока;
- организация собственного дата-центра;
- обслуживание технического оборудования;
- оплата услуг персонала, администрирующего систему;
- амортизация оборудование компании;
- обновление приложений [6].
При аренде облака весь перечень действий на себя берет Интернет-провайдер.
Также необходимо обратить внимание, на то, что если данные компании хранятся в дата-центре, то существует риск потери информации, и тогда необходимо создавать распределенный дата-центр с дублированием данных на других ресурсах, что не всегда является бюджетным вариантом, но и хранение данных в частном облаке и полный контроль над инфраструктурой не исключают нарушений информационной безопасности компании.
Существует такое понятие как «публичное облако», которое управляется провайдером услуг, у которого компания арендует готовую платформу для анализа больших данных, такую форму аренды называют облачная платформа или услуга (PaaS). При этом облако совместно используют несколько или много компаний, каждая из которых получает доступ только к своим ресурсам.
В данном случае провайдеры облачных услуг обязуются обеспечить выполнение всех требований заказчика по запрашиваемым критериям. Уровень сервиса, гарантии защиты и конфиденциальности прописывают в соглашении о качестве услуг (SLA), в соглашении о неразглашении (NDA) и других. Таким образом, провайдер несет все виды ответственности, в том числе, юридическую и финансовую за работу приложений, размещенных в облаке, и сохранность информации компании.
В общедоступных облаках ниже риск потери данных и доступа к сервисам, так как хранение данных и выполнение приложений на многих серверах параллельно обеспечивает защиту от сбоев. Кроме того, публичные облака обладают практически неограниченной емкостью и достаточным расширением мощностей.
Существует два основных вида предоставления услуг анализа больших данных в облаке:
1. подход IaaS, здесь провайдер предоставляет виртуальные машины, хранилище и необходимые подключения, при этом сам клиент отвечает за настройку операционной системы до необходимого ему уровня, установку приложений, их интеграцию и администрирование, что позволяет компании гибкость в выборе платформы анализа больших данных и контроль над ее конфигурациями, однако необходимо администрирование со стороны компании.
2. подход PaaS, здесь провайдер предоставляет все сервисы у себя в облаке, пользователю нужно только указать количество необходимых ресурсов. Сервис для анализа больших данных PaaS обычно состоит из предварительно настроенного кластера на основе платформ анализа данных с открытым кодом. Из нескольких таких инструментов в облаке можно составлять «конвейеры» обработки больших данных.
Существует также такое понятие, как «гибридное облако», сочетающее в себе частное и публичное облака. Данный вариант подходит для компаний, у которых уже есть своя инфраструктура, но нужно снизить нагрузку на имеющиеся сервисы или протестировать новые без дополнительных затрат.
Соответственно, облачные технологии в виде общедоступных сервисов, можно использовать для систем с большим объемом данных и отсутствием требований к хранению данных в организации, а частное облако - для ситуаций, когда необходимо хранить определенные типы персональных и финансовых данных.
Представленная возможность увеличения объемов хранения информации в частном облаке может быть ограничена мощностью имеющейся вычислительной техники компании. Если же объем данных будет очень быстро увеличиваться, то общедоступное облако подстроится под новшества и предоставит больше мощностей для хранения данных, то есть появятся десятки серверов за несколько минут [7].
Такие внедрения необходимы для компании, если:
- данные постоянно увеличиваются;
- неизвестны перспективы по объемам хранения и обработки данных;
- не нужна постоянно функционирующая собственная инфраструктура для обработки больших данных;
- компания ориентирована на создание идей и меньше занимается обслуживанием системы обработки
данных.
Таким образом, применение облачных платформ для анализа больших данных позволяет проводить анализ структурированных и неструктурированных данных, объединять и сравнивать данные из разных источников информации, что предоставляет компании получить статус дата-ориентированной и принимать управленческие решения на основе полученной и выверенной информации.
При этом облачные сервисы позволяют анализировать как архивные большие данные, которые необходимы для прогнозирования и лучшего понимания процессов работы компании, но и данные в он-лайн режиме. Чтобы эффективно работать с данными, компании надо учитывать не только структурированные данные из CRM или других информационных систем учета, но и неоднородные и неструктурированные, собранные из множества различных источников [4].
Структурированные данные - те, что собираются в базах данных в определенном формате, а неструктурированные данные - разнородные массивы информации без четкой структуры, которые дают возможность найти скрытые взаимосвязи во входящих данных и проанализировать их, выявить стратегии конкурентов, ценообразование и другое.
Однако помимо понятия «Big data» существует понятие «Data lake», которое переводится как «озеро данных» и представляет собой огромное хранилище, в котором разные данные хранятся в неупорядоченном и необработанном виде, то есть не известно какая там информация находится и в каком виде она представлена. И для того, что бы там выявить необходимую информацию, надо пересмотреть большие объемы, что значительно усложняет работу современной компании.
Data lake - это огромное хранилище хранит любые файлы всех форматов и может собирать данные из CRM-систем или ERP-систем, различных каталогов, банковских программ и любых автоматизированных информационных систем, которые использует компания, при этом их нужно обработать и преобразовать в некоторую таблицу.
При этом когда данные сохранены, их можно извлекать по определенному шаблону в привычные базы данных или анализировать и обрабатывать прямо внутри data lake, а для этих целей в компании должны быть сотрудники-специалисты по Data Scientist, Data Developer, бизнес-аналитик и финансовый аналитик.
Перечисленные специалисты смогут собирать разрозненную информацию о клиентах: время, проведенное на сайте, активность в группе в соцсетях, тон голоса при звонках менеджеру и регулярность покупок. Потом эту информацию можно использовать для глобальной и масштабной аналитики и прогнозирования поведения клиентов.
Таким образом, озера данных нужны для гибкого анализа данных и построения гипотез. Они позволяют собрать как можно больше данных, чтобы потом с помощью инструментов машинного обучения и аналитики сопоставлять разные факты, делать невероятные прогнозы, анализировать информацию с разных сторон и извлекать из данных все больше пользы.
Однако у озер данных есть и минусы, все данные, которые попадают в data lake, попадают туда бесконтрольно, что усложняет задачу по определению их качества.. Если у компании нет четкой модели данных, то есть понимания типов структур данных и методов их обработки, плохо организовано управление озером, в нем быстро накапливаются огромные объемы неконтролируемых данных, чаще всего бесполезных. Уже непонятно, откуда и когда они пришли, насколько релевантны, можно ли их использовать для аналитики. В итоге данные превращаются в бесполезные ресурсы для компании, которые не приносят ни какой пользы.
Чтобы озеро не стало болотом, нужно наладить в компании процесс управления данными, а основная составляющая этого процесса, определить качество данных еще до загрузки в data lake. Есть несколько способов это сделать:
- удалять недостоверные данные;
- ограничить доступ к данным;
- проверять параметры файлов, их вес.
Соответственно, в компании необходимо разработать такую информационно-аналитическую систему, которая будет представлять совокупность четырех основных элементов:
- участники процесса управления;
- интерактивные процессы в управлении на основе облачных технологий и сервисов;
- комплексное внедрение информационных систем и технологий, с полным комплексом внедрения информационной безопасности.
Все эти элементы при построении эффективной информационно-аналитической системы, функционирующей с Big data, должны быть взаимосвязаны друг с другом на основе процессов разработки стратегии управления, процессов планирования, процессов мониторинга и анализа, а также процессов регулирования на основе облачных технологий, электронных таблиц, взаимодействующих интерфейсов и других элементов, позволяющих автоматизировать деятельность компании.
Процесс разработки стратегии позволяет эффективно проводить моделирование ключевых показателей эффективности для выявления ключевых значений на основе генераторов запросов и отчетов, информации выявленной с порталов и с панели индикаторов.
Процесс планирования должен способствовать определению целей и моделировать будущие сценарии бизнес-процессов компании на основе поступающей информации в хранилища данных, в том числе и на основе облачных сервисов.
Информационные технологии, применяемые для процесса мониторинга и анализа, должны обеспечивать возможность отображать все функции деятельности компании и ее подразделений, что даст возможность подготовить информацию нового качества для принятия управленческих решений.
Источники:
1. Информационные технологии. Эталонная архитектура больших данных. Часть 1: Структура и процесс применения. ГОСТ Р ИСО/МЭК ТО 20547-1-2021. - М.: Стандартинформ. - 2021.- Электронный ресурс. - [Режим доступа]: https://api.bigdata-msu.ru/media/uploads/2020/12/30/gost-r-iso-mek-20547-1-standart-it-eabd-struktura-i-process-primeneniya. pdf.
2. Абызова Е.В., Ищенко О.В., Финансовая политика как основа успешной деятельности организации. Экономика. Право. Печать. Вестник КСЭИ. 2019. № 1 (81). С. 50-52.
3. Гоголин С.С., Фадеева Е.Ю. Повышение эффективности принятия управленческих решений в логистике на основе применения информационно-аналитических систем // Вестник Академии Знаний № 29 (6), 2018. - С. 111-117.
4. Кухаренко Л.В., Вахрушева Н.В., Винсковская Л.А., Маркушина А.А., Пантелеева М.А., Пантелеева О.Б., Фролов Р.Н., Холодионова С.И. Информационные технологии в моделировании и оптимизации экономических и производственных процессов. - Краснодар, 2019.
5. Кузьмина Э.В., Нарыжная Н.Ю., Пьянкова Н.Г., Третьякова Н.В., Салий В.В., Силинская С.М., Ищенко О.В. Особенности системного анализа и применения информационных технологий при исследовании явлений и процессов в различных сферах деятельности: Коллективная монография. - Краснодар: Краснодарский ЦНТИ, 2019. - 125 с.
6. Кухаренко Л.В. Поисковая оптимизация как инструмент продвижения web-сайта компании: Социально-экономическое развитие России: актуальные подходы и перспективные решения. сборник научных работ преподавателей III Международной межвузовской конференции. 2019. С. 195-198.
7. Салий В.В. Ищенко О.В., Аксенова Ж.А. Основные аспекты организации управленческого учета снабженческо-заготовительной деятельности хозяйствующего субъекта // Вестник Академии знаний. - Краснодар, № 28(5). -2018. - С.21-31.
References:
1. Information technology. Big Data Reference Architecture. Part 1: Structure and application process. GOST R ISO / IEC TO 20547-1-2021. - M .: Standartinform. - 2021.- Electronic resource. - [Access mode]: https://api.bigdata-msu.ru/media/uploads/2020/12/30/gost-r-iso-mek-20547-1-standart-it-eabd-struktura-i- process-primeneniya.pdf.
2. Abyzova EV, Ishchenko OV, Financial policy as the basis for the organization's successful activities. Economy. Right. Printing. KSEI Bulletin. 2019. No. 1 (81). S. 50-52.
3. Gogolin S.S., Fadeeva E.Yu. Improving the efficiency of managerial decision-making in logistics based on the use of information and analytical systems // Bulletin of the Academy of Knowledge No. 29 (6), 2018. - pp. 111-117.
4. Information technologies in modeling and optimization of economic and production processes. - Vakhrusheva N.V., Vinskovskaya L.A., Kukharenko L.V., Markushina A.A., Panteleeva M.A., Panteleeva O.B., Frolov R.N., Kholodionova S.I. Krasnodar, 2019.
5. Kuzmina E.V., Naryzhnaya N.Yu., Pyankova N.G., Tretyakova N.V., Saliy V.V., Silinskaya S.M., Ishchenko O.V. Features of system analysis and application of information technologies in the study of phenomena and processes in various fields of activity: Collective monograph. - Krasnodar: Krasnodar CNTI, 2019 .- 125 p.
6. L.V. Kukharenko Search engine optimization as a tool for promoting the company's website: Socio-economic development of Russia: current approaches and promising solutions. collection of scientific works of teachers of the III International In-teruniversity Conference. 2019.S. 195-198.
7. Saliy V.V. Ishchenko O.V., Aksenova Zh.A. The main aspects of the organization of management accounting supply and procurement activities of an economic entity // Bulletin of the Academy of Knowledge. - Krasnodar, No. 28 (5). -2018. - P.21-31.
DOI: 10.24412/2304-6139-2022-11241
Н.И. Селиверстова - к.с.н., доцент кафедры государственного и муниципального управления, ФГБОУ ВО «Оренбургский государственный университет»,
N.I. Seliverstova - candidate of sociological sciences, associate professor at the chair of the State and municipal managementof the Orenburg State University.
ФАКТОРЫ, ВЛИЯЮЩИЕ НА ГОСУДАРСТВЕННУЮ ПОДДЕРЖКУ СЕМЕЙ FACTORS AFFECTING STATE SUPPORT FOR FAMILIES
Аннотация. Статья посвящена анализу факторов, которые, полагаем, в настоящее время оказывают непосредственное влияние на процесс государственной поддержки семей, и особенно - семей с детьми. Объектом анализа выступает процесс управления государственной поддержки семей в России.
Обозначены цель, задачи и подходы к предпринятому исследованию, включая анализ вторичных данных социологических исследований, графический метод представления данных. Осуществлено моделирование новых условий функционирования государственной поддержки семей в России.
Abstract. The issue contains of the managerial contradictions analyze, that probably directly impact nowadays, which, as we think, have an impact on the management process of the families state support in Russia. The target of analysis is contradictions management of the families state support in Russia.
The target, concerns and the ways for that research are indicated, including secondary data analyzing, graph method. The model building of new Russian business environment is realized.
Ключевые слова: государственная поддержка, социальное взаимодействие, категория населения, демографическая ситуация, поддержка семей, факторы, влияющие на государственную поддержку семей.
