Финансовый Университет при Правительстве Российской Федерации (кафедра бизнес-аналитики, старший преподаватель)
Россия
ВАК 5.2.3 Региональная и отраслевая экономика
ВАК 5.2.4 Финансы
ВАК 5.2.5 Мировая экономика
ВАК 5.2.6 Менеджмент
ВАК 5.2.7 Государственное и муниципальное управление
УДК 33 Экономика. Народное хозяйство. Экономические науки
В данной работе рассмотрено применение нейросетевого моделирования в различных аспектах бизнеса, таких как анализ поведения клиентов, оптимизация цепочки поставок, финансовый анализ и управление персоналом. Акцент делается на способности нейронных сетей анализировать и прогнозировать на основе больших массивов данных, что позволяет улучшать принятие бизнес-решений. Также обсуждаются вызовы, связанные с внедрением нейронных сетей, включая требования к качеству данных и интерпретируемость результатов. Нейросетевое моделирование, вдохновленное структурой и функциями человеческого мозга, представляет собой мощный инструмент для анализа и прогнозирования на основе больших массивов данных. Актуальность данной работы обусловлена тем, что принятие решений в современном бизнесе требует учета множества факторов и переменных, где нейронные сети позволяют выявлять тенденции и паттерны, тем самым обеспечивая более точные прогнозы.
Нейросеть, моделирование, финансовый анализ, управление персоналом, прогнозирование, массив данных, нейросетевое моделирование
Введение. В данной работе особое внимание уделяется ряду ключевых применений нейросетевого моделирования: анализ поведения клиентов для персонализации предложений, оптимизация цепочки поставок для повышения эффективности логистики, финансовый анализ для оценки рисков и прогнозирования рыночных тенденций, а также управление персоналом для прогнозирования кадровых потребностей и улучшения процессов найма. Несмотря на значительные преимущества, такие как повышение точности предсказаний и оптимизация процессов, внедрение нейросетевых моделей сопряжено с рядом вызовов. Среди них необходимость в большом объеме качественных данных, значительные вычислительные мощности и ресурсы, а также сложная интерпретируемость результатов.
Основу проведенного исследования составили научные разработки специалистов в вопросах нейросетевого моделирования, а именно: В.И. Глухова [1], К.Д. Демина [2], И.О. Иванова [3] и других.
Цель исследования. Рассмотреть важные аспекты применения нейросетевого моделирования для анализа эффективности принятия бизнес-решений.
Методы исследования. В ходе исследования использовались методы анализа и синтеза научной литературы для выявления текущих тенденций в применении нейросетевого моделирования, а также метод сравнения и сопоставления.
Результаты исследования и их обсуждение. Нейросетевое моделирование основывается на структуре и функциях человеческого мозга, что позволяет моделям «учиться» на огромных массивах данных. Это особенно полезно в бизнесе, где принятие решений требует учета множества факторов и переменных. Алгоритмы машинного обучения анализируют исторические данные, выявляют тенденции и паттерны, а затем применяют эти знания для прогнозирования будущих событий и результатов.
На рисунке 1 представлена схема устройства простейшей нейронной сети.
Рисунок 1 – Схема устройства простейшей нейронной сети
В базовом виде нейросеть состоит из трех обязательных частей: входного, выходного и скрытых слоев. Входной слой включает в себя все входные данные для модели, которые затем обрабатываются в скрытых слоях (их может быть несколько) и после результат выводится в выходной слой, представляющий из себя целевую переменную [7].
Обработка в скрытых слоях происходит за счет умножения соответствующих данных из предыдущего слоя на определенный вес и добавления смещения. Собственно задача обучения нейросети заключается в подборе данных весов с целью минимизации функции потерь (снижения ошибки предсказания).
Одним из важных применений нейросетевого моделирования в бизнесе является анализ поведения клиентов. Экономические субъекты могут использовать нейронные сети для обработки данных о покупательских предпочтениях, уровне удовлетворенности и лояльности, а также о факторах, влияющих на решение о покупке [10]. Это позволяет более точно сегментировать аудиторию и предлагать персонализированные предложения, что в свою очередь приводит к увеличению продаж и улучшению клиентского опыта. При этом, для формирования персонализированного опыта не обязательно иметь обширные данные о клиенте – в некоторых случаях достаточно отслеживать пользовательское поведение в рамках одной сессии взаимодействия с бизнесом (сервисом) [6].
Кроме того, нейросетевые модели помогают оптимизировать цепочку поставок. Используя данные о спросе, запасах, производственных мощностях и других параметрах, нейронные сети могут прогнозировать потребности и оптимизировать закупки. Это приводит к снижению издержек, улучшению управления запасами и повышению общей эффективности логистических процессов. Также нейросетевое моделирование позволяет оптимизировать и оценивать эффективность логистических цепочек – в работе [11] авторами представлен процесс нейросетевого моделирования для оптимизации управления морским грузопотоком с использованием различных судов с определением экономического и логистического эффектов. В общем в виде, задача оптимизации логистических цепочек может привести к трем компонентам: построение оптимальной логистической сети, без пересечений, конфликтов и задержек; минимизация времени доставки; улучшение традиционных алгоритмов в логистике [2].
Финансовый анализ и риск-менеджмент также выигрывают от внедрения нейросетевого моделирования. Модели могут предсказывать финансовые риски на основе анализа исторических данных, оценивать кредитоспособность клиентов и оптимизировать инвестиционные стратегии. Например, посредством анализа прошлых финансовых данных и рыночных тенденций, нейронные сети могут прогнозировать котировки акций и валют, что оказывает значительное влияние на принятие инвестиционных решений [4, 5].
Также нейросетевое моделирование нашло свое применение в классическом финансовом анализе, а именно в анализе финансовой устойчивости и ликвидности субъектов хозяйствования [3].
Нейросетевое моделирование так же применяется и в области управления персоналом. Анализ данных о сотрудниках, таких как производительность, уровень удовлетворенности и динамика карьерного роста, позволяет экономическим субъектам более точно прогнозировать потребности в кадрах, разрабатывать программы обучения и мотивации, а также минимизировать текучесть кадров. Применение нейросетевого моделирования в автоматизации найма сотрудников позволяет существенно сократить HR-цикл, а также позволит повысить эффективность самого процесса поиска кандидатов и нивелирует предвзятость HR-менеджеров при выборе кадрового персонала [8, 1].
Тем не менее, внедрение нейросетевого моделирования не лишено вызовов. Одним из основных препятствий является необходимость в большом объеме качественных данных. Неполные или неточные данные могут привести к ошибочным прогнозам и негативным бизнес-решениям. Кроме того, нейронные сети требуют значительных вычислительных мощностей и ресурсов для обучения моделей, что может оказаться дорогим удовольствием для небольших субъектов хозяйствования.
Важным аспектом также является интерпретируемость и объяснимость решений, принятых на основе нейросетевых моделей. В отличие от традиционных статистических методов, результаты работы нейронных сетей часто трудно объяснить в терминах привычной логики, что может вызвать недоверие у пользователей и осложнить процесс принятия решений. С точки зрения интерпретации результатов, нейросеть можно представить в виде «черного ящика», в который на вход подаются определенные данные, а на выходе получается результат, но при этом конкретные процессы и логика получения данного результата неизвестны. При этом интерпретируемость модели напрямую зависит от ее сложности: чем сложнее модель, тем труднее интерпретировать ее работу. Поэтому при разработке нейронных сетей в целях принятия тех или иных бизнес-решений необходимо делать целесообразный выбор в пользу точности предсказаний или возможности их интерпретации [9].
Выводы. В заключении стоит отметить, что нейросетевое моделирование представляет собой мощный инструмент для анализа эффективности принятия бизнес-решений. Оно позволяет более точно прогнозировать потребности клиентов, оптимизировать операционные процессы, управлять рисками и повышать производительность труда. Однако для успешного применения нейронных сетей субъектам хозяйствования необходимо обеспечить доступ к качественным данным, достаточным вычислительным ресурсам и разработать методы для обоснования принимаемых моделью решений. В перспективе внедрение нейросетевого моделирования станет неотъемлемой частью стратегического управления и поможет субъектам хозяйствования сохранять и приумножать свое конкурентное преимущество в условиях глобальной цифровой трансформации экономики.
1. Глухов, В. И. Искусственный интеллект, основанный на рекуррентной нейронной сети, в сфере HR / В. И. Глухов, Н. А. Залетин, Е. В. Субботин // Всероссийская конференция молодых исследователей с международным участием «Социально-гуманитарные проблемы образования и профессиональной самореализации» (Социальный инженер-2020) : сборник материалов Всероссийской конференции молодых исследователей с международным участием, Москва, 07–10 декабря 2020 года. Том Часть 4. – Москва: Федеральное государственное бюджетное образовательное учреждение высшего образования "Российский государственный университет имени А.Н. Косыгина (Технологии. Дизайн. Искусство)", 2020. – С. 172-175. – EDN TEGCBK.
2. Демин, К. Д. Анализ применения глубокого обучения для современных логистических систем и цепей поставок / К. Д. Демин, А. Д. Шишкова // Системный анализ и логистика. – 2023. – № 3(37). – С. 169-175. – DOIhttps://doi.org/10.31799/2077-5687-2023-3-169-175. – EDN PAMGLI.
3. Иванов, И. О. Разработка и исследование системы оценки финансовой состоятельности предприятия связи на основе применения дискриминантного анализа и нейросетевых технологий / И. О. Иванов // ТЕОРИЯ и ПРАКТИКА СОВРЕМЕННОЙ науки : сборник статей Международной научно-практической конференции : в 2 ч., Пенза, 17 июня 2020 года. Том Часть 1. – Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2020. – С. 39-44. – EDN MANQRT.
4. Клюева, Е. Г. Применение методов машинного обучения для анализа показателей на финансовых рынках / Е. Г. Клюева, И. В. Солодовникова, Н. А. Котляров // Труды университета. – 2024. – № 1(94). – С. 511-518. – DOIhttps://doi.org/10.52209/1609-1825_2024_1_511. – EDN POVTGV.
5. Лабусов, М. В. Анализ краткосрочных финансовых временных рядов с помощью нейронных сетей долгой краткосрочной памяти / М. В. Лабусов // Экономика и управление: проблемы, решения. – 2021. – Т. 3, № 4(112). – С. 165-178. – DOIhttps://doi.org/10.36871/ek.up.p.r.2021.04.03.023. – EDN JJMMJL.
6. Митина, О. А. Применение графовых нейронных сетей в сессионных рекомендательных системах / О. А. Митина, Д. М. Масякин // Национальная Ассоциация Ученых. – 2023. – № 89-3. – С. 47-54. URL: https://elibrary.ru/item.asp?id=54802524 (дата обращения 23.07.2024).
7. Пронькин К.А. НЕЙРОННЫЕ СЕТИ // Мировая наука. 2020. №5 (38). С. 482-484. URL: https://cyberleninka.ru/article/n/neyronnye-seti-2 (дата обращения: 23.07.2024).
8. Скрипникова, С. А. Найм сотрудников с использованием нейросети кадрового подбора / С. А. Скрипникова, А. В. Григорьевых // Информационные технологии в управлении и экономике. – 2022. – № 1(26). – С. 32-48. – EDN VMZOJD.
9. Слепцова, Ю. А. Риски управленческих решений, подготовленных с помощью искусственных нейронных сетей / Ю. А. Слепцова, Я. В. Шокин // Экономическая безопасность и маркетинговое управление социально-экономическими системами : материалы Всероссийской научно-практической конференции, Кострома, 20–21 октября 2020 года. – Кострома: Костромской государственный университет, 2020. – С. 232-239. – EDN VYKXYJ.
10. Хрищатый А.С. Исследование использования нейросетей для анализа данных и принятия бизнес-решений: анализ эффективности использования нейросетей для обработки больших объемов данных и предоставления ценных инсайтов для принятия решений // Инновации и инвестиции. 2023. №7. С. 294-298. URL: https://cyberleninka.ru/article/n/issledovanie-ispolzovaniya-neyrosetey-dlya-analiza-dannyh-i-prinyatiya-biznes-resheniy-analiz-effektivnosti-ispolzovaniya (дата обращения: 23.07.2024).
11. Development of an automation system and intelligent neural network management of transport cargo flows using autonomous ships / M. V. Vasilescu, A. I. Epikhin, T. G. Toriia [et al.] // Эксплуатация морского транспорта. – 2023. – No. 1(106). – P. 114-122. URL: https://elibrary.ru/item.asp?id=54059126 (дата обращения 23.07.2024).
