УДК 004.9
DOI: 10.36871/ 26189976.2026.06.020

Авторы

Евгений Михайлович Чайковский,
Аспирант базовой кафедры цифровой экономики института развития информационного общества, РЭУ им. Г.В. Плеханова. Москва. Россия, Москва, Россия

Аннотация

Цифровая трансформация торговли обусловливает необходимость переосмысления подходов к аналитической поддержке развития торговых организаций: традиционный инструментарий финансовой диагностики не обеспечивает своевременного выявления угроз и перехода к стратегическому прогнозированию. В статье предложены авторская систематизация индикаторов результативности, реализующая риск-ориентированный подход, и методика прогнозного анализа на основе интеллектуального анализа данных, трансформирующая стратегические цели в плановые задания с привязкой к зонам риска.

Ключевые слова

математические индикаторы
электронный бизнес
торговая сфера
риск-ориентированный подход
интеллектуальный анализ

Список литературы

[1] Савицкая Г.В. Анализ хозяйственной деятельности предприятия. – 5-е изд. – М. : ИНФРА-М, 2017. – 378 с.

[2] Agrawal R., Srikant R. Fast algorithms for mining association rules in large databases // Proceedings of the 20th International Conference on Very Large Data Bases. – San Francisco : Morgan Kaufmann Publishers, 1994. – P. 487–499.

[3] Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 281–305.

[4] Box G.E.P., Jenkins G.M. Time Series Analysis: Forecasting and Control. – 2nd ed. – San Francisco : Holden-Day, 1976. – 575 p.

[5] Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, No. 1. – P. 5–32.

[6] Chapman P., Clinton J., Kerber R. [et al.] CRISP-DM 1.0: Step-by-step data mining guide. – Chicago : SPSS Inc., 2000. – 76 p.

[7] Fisher R.A. Statistical Methods for Research Workers. – 14th ed. – Edinburgh : Oliver and Boyd, 1970. – 362 p.

[8] Frawley W.J., Piatetsky-Shapiro G., Matheus C.J. Knowledge Discovery in Databases: An Overview // AI Magazine. – 1992. – Vol. 13, No. 3. – P. 57–70.

[9] Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. – 3rd ed. – Burlington : Morgan Kaufmann, 2011. – 744 p.

[10] Lebas M.J. Performance measurement and performance management // International Journal of Production Economics. – 1995. – Vol. 41, No. 1–3. – P. 23–35.

[11] MacQueen J. Some methods for classification and analysis of multivariate observations // Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability. – Berkeley : University of California Press, 1967. – Vol. 1. – P. 281–297.

[12] Marr B. Key Performance Indicators: The 75 Measures Every Manager Needs to Know. – Harlow : Pearson, 2012. – 288 p.

[13] Montgomery D.C., Peck E.A., Vining G.G. Introduction to Linear Regression Analysis. – 5th ed. – Hoboken : Wiley, 2012. – 672 p.

[14] Pearson K. Notes on regression and inheritance in the case of two parents // Proceedings of the Royal Society of London. – 1895. – Vol. 58. – P. 240–242.

[15] Tan P.N., Steinbach M., Kumar V. Introduction to Data Mining. – 2nd ed. – Hoboken : Pearson, 2018. – 864 p.

[16] Varian H.R. Big Data: New Tricks for Econometrics // Journal of Economic Perspectives. – 2014. – Vol. 28, No. 2. – P. 3–28.