УДК 338
DOI: 10.36871/ek.up.p.r.2026.04.09.001

Авторы

Юрий Алексеевич Малюков,
Российский государственный университет имени А.Н. Косыгина, Москва, Россия

Аннотация

Цель публикации – предложить подход к построению стратегической рекомендательной системы (СРС) на базе корпоративной информационной системы промышленного предприятия. Подход основывается на использовании лингвистических классификаторов экономических факторов.
Современные лингвистические классификаторы, настроенные с учётом отраслевой специфики зарубежных и российских промышленных предприятий, дают топ-менеджменту предприятий надёжную информационную основу для принятия стратегических решений, снабжает процесс стратегического управления атомарными знаниями, сформулированными в нечётко-логической форме. Лингвистическая классификация фактических уровней финансово-экономических факторов системы предприятия позволяет осуществлять целеполагание, направленное на выравнивание положения предприятия в плановом году. Соответственно, все шаблоны рекомендаций, хранящиеся в базе знаний информационной системы, могут быть параметризованы.
В свою очередь, переход от параметризованных рекомендаций к виду стратегического бюджета может быть осуществлён в ходе решения оптимизационной задачи, целевой функцией которой является квадратическая ошибка стратегического позиционирования, которая, в ходе решения задачи, стремится к минимуму. Решением задачи является бюджет, факторы которого находятся в составе своих целевых качественных градаций (в районе средних значений соответствующих градационных интервалов).
В качестве примера работы СРС в статье демонстрируется планирование на российском машиностроительном предприятии АВС, горизонт планирования 1 год. Параметризация рекомендательной системы основывается на лингвистическом классификаторе, созданном для российских предприятий общего машиностроения, ОКВЭД 28.0. На выходе оптимизационной задачи получены бюджетные показатели для традиционных плановых управленческих форм (бюджет доходов и расходов, плановый баланс, бюджет движения денежных средств).

Ключевые слова

стратегическая рекомендательная система, индекс устойчивости, RI, матричный агрегатный вычислитель, лингвистическое нормирование

Список литературы

  1. Силакова В.В., Люцко Д.И. Разметка конкурентных ниш для международной машиностроительной отрасли // Экономика и управление: проблемы, решения. – 2024. – Т. 12, № 10(151). – С. 87–96. – DOI 10.36871/ ek.up.p.r.2024.10.12.010
  2. Малюков Ю.А., Недосекин А.О., Абдулаева З.И. Оценка экономической устойчивости публичных промышленных компаний. – Санкт-Петербург: Санкт-Петербургский политехнический университет Петра Великого, 2023. – 99 с. – ISBN 978-5-7422-8091-0
  3. Терновая Я.О., Силаков А.В. Оценка перспектив организационной трансформации промышленного предприятия с учётом фактора эвентуальности // Экономика и управление: проблемы, решения. – 2024. – Т. 12, № 10(151). – С. 49–57. – DOI 10.36871/ek.up.p.r.2024.10.12.006
  4. Kozlovsky A.N., Nedosekin A.O., Abdoulaeva Z.I., Reyshakhrit E.I. R-Lenses as a Tool for the Enterprise Resilience Analysis // 2nd International Scientific and Practical Conference “Modern Management Trends and the Digital Economy: from Regional Development to Global Economic Growth” (MTDE 2020) : Advances in Economics, Business and Management Research, volume 138. – Amsterdam: Atlantis Press, 2020. – P. 353–355. – DOI 10.2991/aebmr.k.200502.057
  5. Atas M., Felfernig A., Polat-Erdeniz S. et al. Towards psychology-aware preference construction in recommender systems: Overview and research issues // Journal of Intelligent Information Systems. – 2021. – Vol. 57. – P. 467–489. – DOI 10.1007/s10844-021-00674-5
  6. Alfaifi Y.H. Recommender Systems Applications: Data Sources, Features, and Challenges // Information. – 2024. – Vol. 15, No. 10. – Art. 660. – DOI 10.3390/info15100660
  7. Basingab M. AI-based Data-Driven Framework Optimizing Smart Manufacturing // Journal of Industrial Information Integration. – 2025. – Vol. 48. – Art. 100996. – DOI 10.1016/j. jii.2025.100996
  8. Deng J., Chen J., Wang S., Ye J., Wang Y. A novel fuzzy neural collaborative filtering for recommender systems // Expert Systems with Applications. – 2024. – Vol. 258. – Art. 125153. – DOI 10.1016/j.iswa.2024.200435
  9. Esheiba L., Elgammal A., Helal I.M., El-Sharkawi M.E. A hybrid knowledge-based recommender for product-service systems mass customization // Information. – 2021. – Vol. 12. – Art. 296. – DOI 10.3390/info12080296
  10. Felfernig A., Le V.M., Popescu A., Uta M. et al. An overview of recommender systems and machine learning in feature modeling and configuration // 15th International Working Conference on Variability Modelling of Software-Intensive Systems (VaMoS’21). – ACM, 2021. – P. 1–8
  11. Hu L., Li Yu., Cui G., Yi K. Industrial recommender systems: principals, technologies and enterprise applications. – Springer, 2024. – 246 p. – ISBN 978-981-97-2580-9
  12. Jannach D., Manzoor A., Cai W., Chen L. A survey on conversational recommender systems // ACM Computing Surveys (CSUR). – 2021. – Vol. 54, No. 105. – P. 1–36. – DOI 10.1145/3453154
  13. Lubos S., Le V.M., Felfernig A., Tran T.N.T. Analysis operations for constraint-based recommender systems // 17th ACM Conference on Recommender Systems (RecSys’23). – New York, NY: ACM, 2023. – P. 709–714. – DOI 10.1145/3604915.3608819
  14. Ma X., Li M., Liu X. Advancements in recommender systems: a comprehensive analysis based on data, algorithms, and evaluation // International Journal of Industrial Optimization. – 2025. – Vol. 6, No. 1. – P. 47–70. – DOI 10.12928/ ijio.v6i1.11107
  15. Pramod D., Bafna P. Conversational recommender systems techniques, tools, acceptance, and adoption: a state of the art review // Expert Systems with Applications: An International Journal. – 2022. – Vol. 203. – Art. 117539. – DOI 10.1016/j.eswa.2022.117539
  16. Raza S., Rahman M., Kamawal S., Toroghi A. A Comprehensive Review of Recommender Systems: Transitioning from Theory to Practice // Computer Science Review. – 2025. – Vol. 59. – Art. 100849. – P. 1–66. – DOI 10.1016/j. cosrev.2025.100849
  17. Tran T., Felfernig A., Le V. An overview of consensus models for group decision-making and group recommender systems // User Modeling and User-Adapted Interaction. – 2023. – Vol. 34, No. 3. – P. 489–547. – DOI 10.1007/s11257-023- 09380-z
  18. Uta M., Felfernig A., Le V.M. et al. KnowledgeBased Recommender Systems: Overview and Research Directions // Frontiers in Big Data. – 2024. – Vol. 7. – Art. 1304439. – DOI 10.3389/ fdata.2024.1304439
  19. Valencia-Arias A., Uribe-Bedoya H., GonzálezRuiz J.D. et al. Artificial intelligence and recommender systems research trends // Intelligent Systems with Applications. – 2024. – Vol. 24. – Art. 200435. – DOI 10.1016/j.iswa.2024.200435
  20. Wang L., Gao T., Zhou B. et al. Manufacturing Service Recommendation Method toward Industrial Internet Platform // Expert Systems with Applications. – 2022. – Vol. 192. – Art. 116391. – DOI 10.1016/j.eswa.2021.116391
  21. Ziarani R., Ravanmehr R. Serendipity in recommender systems: a systematic literature review // Journal of Computer Science and Technology. – 2021. – Vol. 36. – P. 375–396. – DOI 10.1007/s11390-020-0135-9