АНАЛІЗ ПРОБЛЕМ ЗБИРАННЯ ДАНИХ У ІНТЕГРОВАНИХ СТРУКТУРАХ ТА ЇХ ВПЛИВ НА ТОЧНІСТЬ ПРОГНОЗНОЇ АНАЛІТИКИ ПРИ ПОБУДОВІ БІЗНЕС-ПРОЦЕСІВ
DOI:
https://doi.org/10.15407/economyukr.2025.06.039Ключові слова:
збирання даних; інтегровані структури; прогнозна аналітика; якість даних; машинне навчання; інтеграція даних у бізнес-процесиАнотація
Ефективність бізнес-процесів у сучасному світі визначається якістю аналітики, проведеної на основі великих даних. Ці процеси являють собою послідовність взаємопов’язаних дій, спрямованих на досягнення стратегічних і оперативних цілей. Однією з ключових перешкод для високоточної аналітики є неоднорідність джерел даних, несумісність форматів, затримки в оновленні інформації, а також помилки в агрегації і обробці. Ці фактори провокують спотворення даних, що негативно впливає на надійність прогнозних моделей і може призвести до неефективного управління. Інструменти BigData дозволяють проводити детальний аналіз бізнес-операцій, виявляти «вузькі» місця, оптимізувати процеси і визначати перспективні напрями розвитку. Ефективність таких рішень безпосередньо залежить від якості вихідних даних. За наявності помилок, невідповідностей або суперечностей прогнозні моделі втрачають точність, що знижує достовірність аналітичних висновків. Для мінімізації ризиків, пов’язаних із перекрученням інформації, необхідно стандартизувати процедури збирання, перевірки й обробки даних. Використання сучасних алгоритмів машинного навчання і методів статистичного аналізу дозволяє автоматично виявляти помилки, очищати дані й підвищувати точність прогнозування. Завдяки оптимізації процесів збирання й аналізу даних у інтегрованих структурах компанії можуть ухвалювати обґрунтовані рішення на основі актуальної інформації. Це допомагає підвищувати конкурентоспроможність, створювати затребувані продукти, формулювати ефективні стратегії і швидко адаптуватися до змін на ринку.
Розглянуто вплив проблем збирання даних у інтегрованих структурах на точність прогнозної аналітики. Проаналізовано ключові фактори, що призводять до викривлення даних, включаючи неоднорідність, неповноту, застарілість і проблеми інтеграції. Обґрунтовано необхідність стандартизації процесів збирання, очищення і верифікації даних для підвищення достовірності прогнозу. Окреслено сучасні методи машинного навчання і статистичного аналізу, ефективність яких залежить від якості даних.
Посилання
Redman, T. (2001). Data Quality: The Field Guide. Digital Press. 241 p. URL: https://books.google.com.ua/books/about/Data_Quality.html?id=iE2qsxDyEEYC&redir_esc=y
Provost, F., Fawcett, T. (2013). Data Science for Business. URL: https://www.researchgate.net/publication/256438799_Data_Science_for_Business
O’Neil, C. (2016). Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy. New York, Crown Publishers. 272 p. https://doi.org/10.5860/crl.78.3.403
Patil, DJ (2011). Building Data Science Teams. O'Reilly Media. 25 p.
Kimball, R., Ross, M. (2013). The Data Warehouse Toolkit. Third edition. Wiley. 601 p. URL: https://ia801609.us.archive.org/14/items/the-data-warehouse-toolkit-kimball/The%20Data%20Warehouse%20Toolkit%20-%20Kimball.pdf
Ventsel, V. (2020). Improving the effectiveness of management decisions in the process of economic and social policy-making based on economic and mathematical modeling. Theory and Practice of Public Administration, 1(68), 100-109. https://doi.org/10.34213/tp.20.01.13 [in Ukrainian].
Shchedrina, O. (2020). System analysis as a tool for making management decisions in business. Modeling and Information System in Economics, 99, 169-183. http://doi.org/10.33111/mise.99.15 [in Ukrainian].
Kravchenko, S., Grishkun, E., Vlasenko, O. (2020). Classification methods for machine learning using the Scikit-Learn library. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences. Vol. 31 (70). No. 3. Part 1. https://doi.org/10.32838/TNU-2663-5941/2020.3-1/19 [in Ukrainian].
Temchyshyna, Yu., Kravchenko, I. (2014). Improvement of the accounting and analytical component in the information system for forecasting at a modern production enterprise. Scientific Journal of the National Pedagogical Dragomanov University. Iss. 26. P. 57-63. URL: https://dspace.nuft.edu.ua/handle/123456789/19632 [in Ukrainian].
Turing, A. (1950). Computing Machinery and Intelligence. Mind. Vol. LIX. Iss. 236. P. 433-460. https://doi.org/10.1093/mind/LIX.236.433
Zamlynskyi, V., Shchurovska, A., Zamlynska, O. (2023). Features and characteristics of business intelligence (BI)-systems as a tool for improving the efficiency of company activities. Ukrainian Journal of Applied Economics and Technology. Vol. 8. No. 1. P. 53-61. https://doi.org/10.36887/2415-8453-2023-1-8 [in Ukrainian].
Golestanizadeh, M., Sarvari, H., Parishani, A., Akindele, N., Edwards, D.J. (2025). Probing the Effect of Business Intelligence on the Performance of Construction Projects Through the Mediating Variable of Project Quality Management. Buildings, 15, 621. https://doi.org/10.3390/buildings15040621
Kumar, V., Ashraf, A., Nadeem, W. (2024). AI-powered marketing: What, where, and how? International Journal of Information Management, 77, 102783. https://doi.org/10.1016/j.ijinfomgt.2024.102783
Bousdekis, A., Kerasiotis, A., Kotsias, S., Theodoropoulou, G., Miaoulis, G., Ghazanfarpour, D. (2023). Modelling and Predictive Monitoring of Business Processes under Uncertainty with Reinforcement Learning. Sensors, 23 (15), 6931. https://doi.org/10.3390/s23156931
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Видавничий дім "Академперіодика" НАН України
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
