Применение методов интеллектуального анализа данных и машинного обучения для повышения эффективности управления в менеджменте

В статье раскрываются ключевые аспекты бизнес-аналитики, включая интеграцию данных и приложений, процессы трансформации информации в практические знания, а также разнообразные методы аналитической обработки. Определены отличительные характеристики концепции Big Data и технологий анализа больших данных. Проведена систематизация и сравнительная оценка современных подходов к интеллектуальному анализу информации с акцентом на их применение для решения управленческих задач и разработки бизнес-стратегий. Описана общая архитектура процессов цифровой обработки корпоративной информации. Особое внимание уделено функциональным возможностям предиктивной аналитики и систем прогнозирования. Представлен обзор лидирующих решений в области аналитики и машинного обучения на ИТ-рынке, а также перспективы их интеграции в цифровую экономику. Рассмотрены базовые подходы к обучению моделей в системах искусственного интеллекта и возможности их использования в различных сферах бизнеса. Исследуется специфика применения алгоритмов машинного обучения как составной части систем искусственного интеллекта, анализируются их преимущества и ограничения, а также оценивается потенциал использования данных технологий в современном менеджменте. Перечислены перспективные направления и функциональные возможности развития искусственного интеллекта для корпоративных решений, такие как агентные системы, автоматизированное машинное обучение и причинный искусственный интеллект.

1. Басергян А.А. Куприянов М.С., Холод И.И. и др. 2009. Анализ данных и процессов. Учебное пособие. 3-е издание. Санкт-Петербург: БХВ-Петербург. 512 с.

2. Кацов И.В. 2024. Искусственный интеллект на предприятии. Теория и практика для маркетинга, управления поставками и производством. Mосква: ДМК Пресс. 710 с.

3. Кацов И.В. 2019. Машинное обучение для бизнеса и маркетинга. Санкт-Петербург: Питер. 512 с.

4. Маслова Л.А., Гутник С.А. и Чеповский П.В. 2017. Бизнес-архитектура решений SAP для автоматизации деятельности финансово-кредитных организаций. Учебное пособие. Mосква: ИНТУИТ. 255 с.

5. Сигель Э. 2014. Просчитать будущее. Кто кликнет, купит, соврет или умрет. Mосква: Альпина Бизнес Букс. 374 с.

6. Старостин В.С. 2018. Трансформация маркетинговых технологий в эпоху машинного интеллекта. Вестник университета. 1 (1). С. 28–34.

7. Abbott D. 2014. Applied Predictive Analytics: Principles and Techniques for the Professional Data Analyst. New Jersey: Wiley. 464 p.

8. Baesens B. 2014. Analytics in a Big Data World. The Essential Guide to Data Science and Its Applications. New Jersey: Wiley. 256 p.

9. Balef A.R. and Eggensperger K. 2025. In-Context Decision Making for Optimizing Complex AutoML Pipelines. Preprint Arxiv.org (Cornell University Library). https://doi.org/10.48550/arXiv.2508.13657

10. Brunk J., Stottmeister J.,Weinzierl S. et al. 2020.Exploring the Effect of Context Information on Deep Learning Business Process Predictions. Journal of Decision Systems. Vol. 29. P. 328–343. https://doi.org/10.1080/12460125.2020.1790183

11. Brynjolfsson E., Rock D. and Syverson C. 2017. Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. National Bureau of Economic Research. No. 24001. P. 1–44. https://doi.org/10.3386/w24001

12. Challapally A., Pease C., Raskar R and Chari P. 2025. The GenAI Divide: State of AI in Business 2025. Cambridge: MIT Vedia Lab. 26 p.

13. Fayyad U., Piatetsky-Shapiro G., Smyth P. and Uthurusamy R. Advances in Knowledge Discovery in Databases. Cambridge: MIT Press. 1996. 625 p.

14. Gandhi A., Adhvaryu K., Poria S. et al. 2023. Multimodal Sentiment Analysis: A Aystematic Review of History, Datasets, Multimodal Fusion Methods, Applications, Challenges and Future Directions. Information Fusion. Vol. 91. P. 424–444. https://doi.org/10.1016/j.inffus.2022.09.025

15. Gutnik S. 2021. Application of Data Mining and Machine Learning Methods to Enhance the Effectiveness of Digital Marketing Strategies. Digital Strategies in a Global Market. Navigating the Fourth Industrial Revolution. Konina N.Yu. (ed.). Cham: Palgrave Macmillan. P. 131–144. https://doi.org/10.1007/978-3-030-58267-8

16. Kumar V., Reinartz W. 2012. Customer Relationship Management: Concept, Strategy, and Tools. Berlin: Springer-Verlag. 411 p. https://doi.org/10.1007/978-3-662-55381-7

17. Rawal A., Raglin A., Rawat D.B. et al. 2025.Causality for Trustworthy Artificial Intelligence: Status, Challenges and Perspectives. ACM Computing Surveys. 57 (6). P. 1–30. https://doi.org/10.1145/3665494

18. Riad M., Naimi M. and Okar C. 2024. Enhancing Supply Chain Resilience Through Artificial Intelligence: Developing a Comprehensive Conceptual Framework for AI Implementation and Supply Chain Optimization. Logistics. 8 (4). P. 1–26. https://doi.org/10.3390/logistics8040111

19. Rogers D.L. 2016. The Digital Transformation Playbook. New York: Columbia Business School Publishing. 278 p.

20. Russell S.J., Norvig P. 2022. Artificial Intelligence. A Modern Approach: Fourth Edition. London: Pearson Education Limited. 1167 p.

21. Shlash A., Khanfar I., Al-Oraini B. et al. 2024. Predictive Analytics on Artificial Intelligence in Supply Chain Optimization. Data & Metadata. Vol. 3. P. 1–395. https://doi.org/10.56294/dm2024395

22. Wang Z., Zhang J. 2025. From Bits to Boardrooms: A Cutting-Edge Multi-Agent LLM Framework for Business Excellence. Preprint Arxiv.org (Cornell University Library). https://doi.org/10.48550/arXiv.2508.15447

23. Yang Q., Wu X., Domingos P. et al. 2006. 10 Challenging Problems in Data Mining Research. International Journal of Information Technology & Decision Making. 5 (4). P. 597–604. https://doi.org/10.1142/S0219622006002258