УДК 658.512.6
DOI: 10.36871/ek.up.p.r.2026.02.07.020

Авторы

Артём Валерьевич Чечета,
АНО ВО «Московский Гуманитарно-экономический университет», Москва, Российская Федерация

Аннотация

Актуальность настоящего исследования определяется насущной потребностью в преодолении разрыва между теоретическим арсеналом методов прогнозирования и реальными возможностями их операционного внедрения в высоко динамичной сфере услуг. В условиях, когда ошибка в прогнозе спроса напрямую конвертируется в финансовые потери и снижение качества обслуживания, выбор адекватного метода становится критически важным стратегическим решением для менеджера. Цель данной работы заключается в проведении комплексного систематического обзора и многоаспектного сравнительного анализа существующих методологических подходов к прогнозированию бизнес-процессов в сервисном секторе, оценке их через призму операционной применимости, практических барьеров и конечной ценности для лица, принимающего решения. Методологическую основу составляет систематический обзор научной литературы за последние пять лет, дополненный сравнительным анализом на основе авторской системы критериев, разработанной с учетом реалий операционного управления. В результате исследования разработана оригинальная таксономия методов, выявлена и проанализирована система фундаментальных компромиссов между их ключевыми атрибутами: стабильностью и гибкостью, масштабируемостью и локализацией, сложностью и управляемостью. Доказано, что в контексте услуг эффективность прогнозирования в большей степени определяется устойчивостью метода к операционным рискам (человеческим, техническим, контекстуальным), нежели его чистой математической точностью. Ключевым выводом является обоснование парадигмы гибридного подхода, который предполагает не выбор единственного «лучшего» метода, а целенаправленную интеграцию и оркестровку трех классов методов — временных рядов, экспертных оценок и машинного обучения — в рамках трехуровневой архитектуры прогнозной системы. Разработаны и детализированы практические рекомендации по построению таких систем, подкрепленные результатами кейса внедрения в сети ресторанов быстрого питания. Научная новизна исследования заключается в операционно-управленческой ракурсировке проблемы прогнозирования, что позволяет перевести теоретические дискуссии о точности алгоритмов в плоскость принятия практических решений с учетом ограничений реальной бизнес-среды.

Ключевые слова

бизнес-процессы, временные ряды, машинное обучение, операционный менеджмент, операционные риски, прогнозирование, сфера услуг, систематический обзор, сравнительный анализ, экспертные методы

Список литературы

  1. Hyndman R. J., Athanasopoulos G., Wang X. Business forecasting: Methods and applications in service systems // International Journal of Forecasting. 2021. Vol. 37, No. 3. P. 977–995. DOI: 10.1016/j.ijforecast.2020.12.004
  2. Ma S., Fildes R., Huang T. Demand forecasting with high‑dimensional data: The case of retail services // European Journal of Operational Research. 2023. Vol. 306, No. 1. P. 236–252. DOI: 10.1016/j.ejor.2022.05.032
  3. Иванова Т. Н., Петров А. В. Управление операционными рисками в сервисных организациях // Менеджмент в России и за рубежом. 2021. № 4. С. 45–53. DOI: 10.24412/2071‑1182‑2021‑4‑45‑53
  4. Fildes R., Ma S., Kolassa S. Retail forecasting: Research and practice // International Journal of Forecasting. 2022. Vol. 38, No. 2. P. 410–425. DOI: 10.1016/j.ijforecast.2021.10.004
  5. Petropoulos F., Makridakis S., Assimakopoulos V. The future of forecasting competitions: Hybrid and human‑centric models // International Journal of Forecasting. 2021. Vol. 37, No. 4. P. 1323– 1336. DOI: 10.1016/j.ijforecast.2021.03.001
  6. Лукина Е. А. Прогнозирование спроса как инструмент операционного управления в сфере услуг // Экономический анализ: теория и практика. 2022. Т. 21, № 6. С. 1042–1058. DOI: 10.24891/ea.21.6.1042
  7. Seeger M., Salinas D., Flunkert V. Probabilistic forecasting in real‑world service operations // Decision Support Systems. 2021. Vol. 150. DOI: 10.1016/j.dss.2021.113558
  8. Bertsimas D., Kallus N. From predictive to prescriptive analytics in operational management // Management Science. 2023. Vol. 69, No. 4. P. 2141–2160. DOI: 10.1287/mnsc.2022.4311
  9. Орлова Н. А., Соколова Е. И. Человеческий фактор как ограничение эффективности прогнозных моделей // Экономика и управление. 2022. № 9. С. 52–60. DOI: 10.35854/1998‑1627‑2022‑9‑52‑60
  10. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and machine learning forecasting methods: Recent advances and challenges // PLOS ONE. 2022. Vol. 17, No. 3. DOI: 10.1371/journal. pone.0264737
  11. Bergmeir C., Hyndman R. J., Benítez J. M. Bagging exponential smoothing methods using STL decomposition // European Journal of Operational Research. 2022. Vol. 296, No. 1. P. 90–101. DOI: 10.1016/j.ejor.2021.03.049
  12. Смирнов А. В. Цифровизация операционного менеджмента предприятий сферы услуг // Вестник СПбГУ. Менеджмент. 2023. Т. 22, № 1. С. 78–95. DOI: 10.21638/11701/ spbu08.2023.105
  13. Кузнецова О. В. Использование аналитических моделей в управлении персоналом сферы услуг // Проблемы управления. 2021. № 5. С. 64–72. DOI: 10.25728/pu.2021.5.7
  14. Petropoulos F., Apiletti D., Assimakopoulos V. Forecasting: theory and practice // International Journal of Forecasting. 2022. Vol. 38, No. 3. P. 705–871. DOI: 10.1016/j. ijforecast.2021.11.001
  15. Новиков С. А., Долгих И. В. Инновационные подходы к прогнозированию спроса в цифровой экономике // Журнал экономической теории и практики. 2023. № 2. С. 25–36. DOI: 10.15507/2410‑7231.2023.02.025