УДК 330.43:004.65
DOI: 10.36871/ek.up.p.r.2026.03.13.026

Авторы

Руслан Фанисович Сафиуллин,
Казанский кооперативный институт (филиал) Российского университета кооперации, Казань, Россия

Аннотация

Актуальность исследования обусловлена нарастающим разрывом между потребностью современных коммерческих организаций в оперативной и многомерной управленческой информации и возможностями традиционных систем мониторинга социально-экономического развития (СЭР), опирающихся на периодическую статистическую отчётность. Цель статьи – сформировать концептуальную аналитическую архитектуру интеллектуальной системы мониторинга СЭР коммерческой организации, преодолевающую ключевые ограничения классических подходов. Методологическую основу составляют системный и процессный подходы, методы сравнительного анализа и синтеза, а также обобщение результатов рецензируемых публикаций в базах Scopus и Web of Science. Научная новизна заключается в разработке авторской четырёхуровневой архитектуры мониторинга, интегрирующей технологии больших данных (Big Data), машинного обучения (ML), Интернета вещей (IoT) и бизнес-аналитики (BI) в единый аналитический контур с ESG-компонентой устойчивости. В статье систематизированы ограничения традиционных систем мониторинга по информационному, временному и методическому измерениям; проведён сравнительный анализ цифровых технологий по критериям скорости обработки данных, прогностических возможностей и адаптивности; предложена функциональная спецификация четырёх уровней архитектуры: сбора, хранения и предобработки, аналитики и поддержки управленческих решений. Полученные результаты имеют теоретическую значимость для развития методологии мониторинга СЭР и практическую применимость для коммерческих организаций, реализующих цифровую трансформацию управления.

Ключевые слова

мониторинг, социально-экономическое развитие, цифровая трансформация, Big Data, машинное обучение, IoT, аналитическая архитектура, data-driven управление, ESG, предиктивная аналитика

Список литературы

  1. Reinsel D., Gantz J., Rydning J. The Digitization of the World: From Edge to Core [Электронный ресурс] // IDC White Paper. – Framingham, 2018. – 28 p.
  2. Индикаторы цифровой экономики: 2024: стат. сборник / Г.И. Абдрахманова [и др.]; НИУ ВШЭ. – М.: НИУ ВШЭ, 2024. – 332 с. – ISBN 978-5-7598-3047-5.
  3. Manyika J., Chui M., Brown B. [et al.] Big data: The next frontier for innovation, competition, and productivity [Электронный ресурс] // McKinsey Global Institute. – 2011. – 156 p. – URL: https:// www.mckinsey.com/capabilities/mckinseydigital/our-insights/big-data-the-next-frontier-forinnovation (дата обращения: 01.05.2026).
  4. Brynjolfsson E., McAfee A. The Second Machine Age: Work, Progress, and Prosperity in a Time of Brilliant Technologies. – New York: W.W. Norton & Company, 2014. – 320 p.
  5. Chen M., Mao S., Liu Y. Big Data: A Survey // Mobile Networks and Applications. – 2014. – Vol. 19, no. 2. – P. 171–209. – DOI 10.1007/ s11036-013-0489-0.
  6. Chandola V., Banerjee A., Kumar V. Anomaly Detection: A Survey // ACM Computing Surveys. – 2009. – Vol. 41, no. 3. – Article 15. – 58 p. – DOI 10.1145/1541880.1541882.
  7. Makridakis S., Spiliotis E., Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward // PLOS ONE. – 2018. – Vol. 13, no. 3. – e0194889. – DOI 10.1371/journal.pone.0194889.
  8. Atzori L., Iera A., Morabito G. The Internet of Things: A Survey // Computer Networks. – 2010. – Vol. 54, no. 15. – P. 2787–2805. – DOI 10.1016/j.comnet.2010.05.010.
  9. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York: Springer, 2009. – 745 p. – DOI 10.1007/978-0-387-84858-7.
  10. Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, no. 1. – P. 5–32. – DOI 10.1023/A:1010933404324.
  11. Hochreiter S., Schmidhuber J. Long ShortTerm Memory // Neural Computation. – 1997. – Vol. 9, no. 8. – P. 1735–1780. – DOI 10.1162/ neco.1997.9.8.1735.
  12. García S., Luengo J., Herrera F. Data Preprocessing in Data Mining. – Cham: Springer, 2015. – 320 p. – DOI 10.1007/978-3-319-10247-4.
  13. Bifet A., Holmes G., Kirkby R., Pfahringer B. MOA: Massive Online Analysis [Электронный ресурс] // Journal of Machine Learning Research. – 2010. – Vol. 11. – P. 1601–1604. – URL: https:// www.jmlr.org/papers/v11/bifet10a.html (дата обращения: 01.05.2026).
  14. Shen H., Lin J. Digital transformation as an ESG performance catalyst with insights from China’s external governance // Scientific Reports. – 2025. – Vol. 15, no. 1. – DOI 10.1038/ s41598-025-18120-9.
  15. Porter M.E., Heppelmann J.E. How Smart, Connected Products Are Transforming Competition // Harvard Business Review. – 2014. – Vol. 92, no. 11. – P. 64–88.
  16. Schwab K. The Fourth Industrial Revolution. – Geneva: World Economic Forum, 2016. – 172 p.
  17. Об утверждении программы «Цифровая экономика Российской Федерации» : распоряжение Правительства Российской Федерации от 28 июля 2017 г. № 1632-р // Собрание законодательства Российской Федерации. – 2017. – № 32. – Ст. 5138.
  18. Стратегия развития информационного общества в Российской Федерации на 2017–2030 годы : Указ Президента Российской Федерации от 9 мая 2017 г. № 203 // Собрание законодательства Российской Федерации. – 2017. – № 20. – Ст. 2901.