УДК 338.24:004:339
DOI: 10.36871/naukograd.2026.04.02.010

Авторы

Мария Константиновна Шмыгина,
Национальный исследовательский ядерный университет «МИФИ»

Аннотация

В условиях ускорения цифровой трансформации и роста объемов неструктурированных данных классические методы управления перестают обеспечивать требуемую скорость и точность бизнес-решений. Настоящая статья посвящена исследованию процессов интеграции алгоритмов машинного обучения (Machine Learning, ML) в системы поддержки принятия решений (СППР) современных организаций. В работе выявлено ключевое противоречие между экспоненциальным ростом анализируемых параметров и ограниченными когнитивными возможностями ЛПР (лиц, принимающих решения), сопровождающееся рисками субъективности и запаздывания. Целью исследования является систематизация методологических подходов к внедрению ML-моделей в СППР, оценка их экономической и операционной эффективности, а также выявление барьеров интеграции. На основе комплексного анализа предложена классификация методов машинного обучения по сегментам управленческих задач, дана количественная оценка риска и снижения операционных затрат. Сформулированы практические кейсы применения гибридных ML-архитектур в ритейле, финансовом секторе и промышленности. Практическая значимость работы заключается в разработке рекомендаций для топ-менеджмента по преодолению технологических и организационных барьеров при цифровизации управленческого анализа.

Ключевые слова

системы поддержки принятия решений, машинное обучение, алгоритмы предиктивной аналитики, цифровая трансформация, бизнес-информатика, нейронные сети, градиентный бустинг, управление рисками, оптимизация бизнес-процессов, big data, когнитивные искажения, интеллектуальный анализ данных

Список литературы

1. Конев К. А. Машинное обучение для поддержки принятия решений в сфере качества на промышленном предприятии / К. А. Конев // Экономика. Информатика. – 2023. – Т. 50, № 3. – С. 689-703. – DOI 10.52575/2687-0932-2023-50-3-689-703.
2. Барбашова Е. В. Гибридные системы поддержки принятия решений: интеграция символического AI и машинного обучения / Е. В. Барбашова, М. В. Строганова // Экономика и качество систем связи. – 2025. – № 4(38). – С. 96-107.
3. Дмитриев А. В. Формирование и развитие цифровых экосистем транспортно-логистического обслуживания : специальность 08.00.05 «Экономика и управление народным хозяйством (по отраслям и сферам деятельности, в т.ч.: экономика, организация и управление предприятиями, отраслями, комплексами; управление инновациями; региональная экономика; логистика; экономика труда; экономика народонаселения и демография; экономика природопользования; экономика предпринимательства; маркетинг; менеджмент; ценообразование; экономическая безопасность; стандартизация и управление качеством продукции; землеустройство; рекреация и туризм)» : диссертация на соискание ученой степени доктора экономических наук / Дмитриев Александр Викторович, 2022. – 410 с.
4. Daniel J. Power. University of Northern Iowa Decision Support Systems: Concepts and Resources for Managers – URL: https://scholarworks.uni.edu/cgi/viewcontent.cgi?article=1066&context=facbook (дата обращения: 20.07.2026).
5. Almtrf, Aljwhrh. (2025). Integrating Explainable Ai (Xai) Into Decision Support Systems: A Framework for Enhancing Transparency and Trust in Managerial Decision-Making. International Journal of Managerial Studies and Research. 13. 9-22. 10.20431/2349-0349.1309002.
6. Мальтин О. В. Сравнительный анализ методов принятия управленческих решений на основе искусственного интеллекта / О. В. Мальтин, Н. А. Смирнова, Е. Б. Виноградова // Инновации и инвестиции. – 2023. – № 12. – С. 355-357.
7. Алгоритмы машинного обучения для обработки и анализа больших данных: математические модели и их применение / Е. А. Сураева, Л. Ю. Озерина, П. В. Благодатский, А. С. Крючкова // Образование и наука в развитии технологий, экономики, общества : Материалы докладов 58-й Международной научно-технической конференции преподавателей и студентов, посвященной 60-летию УО «ВГТУ». В 2-х томах, Витебск, 16–17 апреля 2025 года. – Витебск: Витебский государственный технологический университет, 2025. – С. 428-430.