УДК 004.8:338.45
DOI: 10.36871/ek.up.p.r.2025.12.16.022

Авторы

Хамид Шамильевич Насуров,
Абдул-Малик Саламбекович Дукузов,
Грозненский государственный нефтяной технический университет имени академика М. Д. Миллионщикова, Грозный, Россия

Аннотация

В статье рассматривается роль больших данных и искусственного интеллекта в повышении конкурентоспособности промышленных предприятий в условиях цифровой трансформации. Показано, что интеграция систем сбора, хранения и аналитической обработки производственной информации обеспечивает переход от регламентного к предиктивному управлению технологическими процессами, техническим обслуживанием и энергопотреблением. Раскрываются функции больших данных как основы для предиктивной аналитики, оптимизации загрузки мощностей, управления запасами и логистическими потоками. Обосновывается, что применение методов искусственного интеллекта в контроле качества, планировании производства и управлении цепями поставок приводит к снижению издержек, повышению стабильности параметров продукции и сокращению времени реакции на изменения спроса. Предложена концептуальная модель влияния больших данных и искусственного интеллекта на ключевые компоненты конкурентоспособности: затраты, качество, скорость адаптации, инновационную активность и надёжность выполнения контрактных обязательств.

Ключевые слова

большие данные, искусственный интеллект, конкурентоспособность промышленных предприятий, цифровая трансформация

Список литературы

  1. Абрамова А. А. Анализ использования больших данных для принятия решений в промышленной сфере // Экономика и качество систем связи. 2023. № 3. С. 211–215.
  2. Варламова Ю. А., Кадочникова Е. И. Детерминанты использования организациями технологий больших данных в российских регионах // Journal of Applied Economic Research. 2024. Т. 23. № 2. С. 422–451.
  3. Жарасов Б. С., Абрамов В. И. Цифровые двойники в управлении производством: принципы создания, проблемы внедрения и перспективы развития // Современная экономика: проблемы и решения. 2024. № 6 (174). С. 80–94.
  4. Козлова В. В. Оптимизация бизнес-процессов с применением технологий искусственного интеллекта // Вестник Евразийской науки. 2025. Т. 17. № s2. С. 1–16.
  5. Мухамеджанов А. И., Хабибуллин И. И. Обзор методов машинного обучения для прогнозирования технического состояния газотурбинных двигателей // Вестник КГТУ им. А. Н. Туполева. 2023. № 3. С. 70–78.
  6. Нагорнов Д. С. Роль больших данных и аналитики в оптимизации производственных процессов и их экономическое значение // Вопросы природопользования. 2024. Т. 3. № 1. С. 74–84.
  7. Прыткова Е. А., Давыдов В. М. Применение многофакторного анализа показателей качества машиностроительной продукции для оптимизации бизнес-процессов // Вестник МГТУ им. Г. И. Носова. 2024. Т. 22. № 3. С. 152–159.
  8. Рогулин Р. С. Использование методов анализа данных и машинного обучения для прогнозирования и планирования спроса при управлении цепочками поставок // Теоретическая экономика. 2023. № 8. С. 35–53.
  9. Рубцов Ю. В. Оценка метода машинного обучения для системы автоматизированного выбора компонентной базы радиоэлектронной аппаратуры // Автоматизация и измерения в машиностроении. 2025. № 3 (31). С. 47–55.
  10. Смирнов С. В. Анализ применения цифровых двойников. Обзор. Часть 2 // Датчики и системы. 2024. № 1 (273). С. 63–70.