Financial University under the Government of the Russian Federation (kafedra biznes-analitiki, starshiy prepodavatel')
employee
Russian Federation
VAC 5.2.3 Региональная и отраслевая экономика
VAC 5.2.4 Финансы
VAC 5.2.5 Мировая экономика
VAC 5.2.6 Менеджмент
VAC 5.2.7 Государственное и муниципальное управление
UDK 33 Экономика. Народное хозяйство. Экономические науки
This paper examines the use of neural network modeling in various aspects of business, such as customer behavior analysis, supply chain optimization, financial analysis and personnel management. The emphasis is on the ability of neural networks to analyze and predict based on large amounts of data, thereby improving business decision making. Challenges associated with the implementation of neural networks are also discussed, including requirements for data quality and interpretability of results. Inspired by the structure and function of the human brain, neural network modeling is a powerful tool for analyzing and predicting large data sets. The relevance of this work is due to the fact that decision-making in modern business requires taking into account many factors and variables, where neural networks make it possible to identify trends and patterns, thereby providing more accurate forecasts.
Neural network, modeling, financial analysis, personnel management, forecasting, data array, neural network modeling
Введение. В данной работе особое внимание уделяется ряду ключевых применений нейросетевого моделирования: анализ поведения клиентов для персонализации предложений, оптимизация цепочки поставок для повышения эффективности логистики, финансовый анализ для оценки рисков и прогнозирования рыночных тенденций, а также управление персоналом для прогнозирования кадровых потребностей и улучшения процессов найма. Несмотря на значительные преимущества, такие как повышение точности предсказаний и оптимизация процессов, внедрение нейросетевых моделей сопряжено с рядом вызовов. Среди них необходимость в большом объеме качественных данных, значительные вычислительные мощности и ресурсы, а также сложная интерпретируемость результатов.
Основу проведенного исследования составили научные разработки специалистов в вопросах нейросетевого моделирования, а именно: В.И. Глухова [1], К.Д. Демина [2], И.О. Иванова [3] и других.
Цель исследования. Рассмотреть важные аспекты применения нейросетевого моделирования для анализа эффективности принятия бизнес-решений.
Методы исследования. В ходе исследования использовались методы анализа и синтеза научной литературы для выявления текущих тенденций в применении нейросетевого моделирования, а также метод сравнения и сопоставления.
Результаты исследования и их обсуждение. Нейросетевое моделирование основывается на структуре и функциях человеческого мозга, что позволяет моделям «учиться» на огромных массивах данных. Это особенно полезно в бизнесе, где принятие решений требует учета множества факторов и переменных. Алгоритмы машинного обучения анализируют исторические данные, выявляют тенденции и паттерны, а затем применяют эти знания для прогнозирования будущих событий и результатов.
На рисунке 1 представлена схема устройства простейшей нейронной сети.
Рисунок 1 – Схема устройства простейшей нейронной сети
В базовом виде нейросеть состоит из трех обязательных частей: входного, выходного и скрытых слоев. Входной слой включает в себя все входные данные для модели, которые затем обрабатываются в скрытых слоях (их может быть несколько) и после результат выводится в выходной слой, представляющий из себя целевую переменную [7].
Обработка в скрытых слоях происходит за счет умножения соответствующих данных из предыдущего слоя на определенный вес и добавления смещения. Собственно задача обучения нейросети заключается в подборе данных весов с целью минимизации функции потерь (снижения ошибки предсказания).
Одним из важных применений нейросетевого моделирования в бизнесе является анализ поведения клиентов. Экономические субъекты могут использовать нейронные сети для обработки данных о покупательских предпочтениях, уровне удовлетворенности и лояльности, а также о факторах, влияющих на решение о покупке [10]. Это позволяет более точно сегментировать аудиторию и предлагать персонализированные предложения, что в свою очередь приводит к увеличению продаж и улучшению клиентского опыта. При этом, для формирования персонализированного опыта не обязательно иметь обширные данные о клиенте – в некоторых случаях достаточно отслеживать пользовательское поведение в рамках одной сессии взаимодействия с бизнесом (сервисом) [6].
Кроме того, нейросетевые модели помогают оптимизировать цепочку поставок. Используя данные о спросе, запасах, производственных мощностях и других параметрах, нейронные сети могут прогнозировать потребности и оптимизировать закупки. Это приводит к снижению издержек, улучшению управления запасами и повышению общей эффективности логистических процессов. Также нейросетевое моделирование позволяет оптимизировать и оценивать эффективность логистических цепочек – в работе [11] авторами представлен процесс нейросетевого моделирования для оптимизации управления морским грузопотоком с использованием различных судов с определением экономического и логистического эффектов. В общем в виде, задача оптимизации логистических цепочек может привести к трем компонентам: построение оптимальной логистической сети, без пересечений, конфликтов и задержек; минимизация времени доставки; улучшение традиционных алгоритмов в логистике [2].
Финансовый анализ и риск-менеджмент также выигрывают от внедрения нейросетевого моделирования. Модели могут предсказывать финансовые риски на основе анализа исторических данных, оценивать кредитоспособность клиентов и оптимизировать инвестиционные стратегии. Например, посредством анализа прошлых финансовых данных и рыночных тенденций, нейронные сети могут прогнозировать котировки акций и валют, что оказывает значительное влияние на принятие инвестиционных решений [4, 5].
Также нейросетевое моделирование нашло свое применение в классическом финансовом анализе, а именно в анализе финансовой устойчивости и ликвидности субъектов хозяйствования [3].
Нейросетевое моделирование так же применяется и в области управления персоналом. Анализ данных о сотрудниках, таких как производительность, уровень удовлетворенности и динамика карьерного роста, позволяет экономическим субъектам более точно прогнозировать потребности в кадрах, разрабатывать программы обучения и мотивации, а также минимизировать текучесть кадров. Применение нейросетевого моделирования в автоматизации найма сотрудников позволяет существенно сократить HR-цикл, а также позволит повысить эффективность самого процесса поиска кандидатов и нивелирует предвзятость HR-менеджеров при выборе кадрового персонала [8, 1].
Тем не менее, внедрение нейросетевого моделирования не лишено вызовов. Одним из основных препятствий является необходимость в большом объеме качественных данных. Неполные или неточные данные могут привести к ошибочным прогнозам и негативным бизнес-решениям. Кроме того, нейронные сети требуют значительных вычислительных мощностей и ресурсов для обучения моделей, что может оказаться дорогим удовольствием для небольших субъектов хозяйствования.
Важным аспектом также является интерпретируемость и объяснимость решений, принятых на основе нейросетевых моделей. В отличие от традиционных статистических методов, результаты работы нейронных сетей часто трудно объяснить в терминах привычной логики, что может вызвать недоверие у пользователей и осложнить процесс принятия решений. С точки зрения интерпретации результатов, нейросеть можно представить в виде «черного ящика», в который на вход подаются определенные данные, а на выходе получается результат, но при этом конкретные процессы и логика получения данного результата неизвестны. При этом интерпретируемость модели напрямую зависит от ее сложности: чем сложнее модель, тем труднее интерпретировать ее работу. Поэтому при разработке нейронных сетей в целях принятия тех или иных бизнес-решений необходимо делать целесообразный выбор в пользу точности предсказаний или возможности их интерпретации [9].
Выводы. В заключении стоит отметить, что нейросетевое моделирование представляет собой мощный инструмент для анализа эффективности принятия бизнес-решений. Оно позволяет более точно прогнозировать потребности клиентов, оптимизировать операционные процессы, управлять рисками и повышать производительность труда. Однако для успешного применения нейронных сетей субъектам хозяйствования необходимо обеспечить доступ к качественным данным, достаточным вычислительным ресурсам и разработать методы для обоснования принимаемых моделью решений. В перспективе внедрение нейросетевого моделирования станет неотъемлемой частью стратегического управления и поможет субъектам хозяйствования сохранять и приумножать свое конкурентное преимущество в условиях глобальной цифровой трансформации экономики.
1. Gluhov, V. I. Iskusstvennyy intellekt, osnovannyy na rekurrentnoy neyronnoy seti, v sfere HR / V. I. Gluhov, N. A. Zaletin, E. V. Subbotin // Vserossiyskaya konferenciya molodyh issledovateley s mezhdunarodnym uchastiem «Social'no-gumanitarnye problemy obrazovaniya i professional'noy samorealizacii» (Social'nyy inzhener-2020) : sbornik materialov Vserossiyskoy konferencii molodyh issledovateley s mezhdunarodnym uchastiem, Moskva, 07–10 dekabrya 2020 goda. Tom Chast' 4. – Moskva: Federal'noe gosudarstvennoe byudzhetnoe obrazovatel'noe uchrezhdenie vysshego obrazovaniya "Rossiyskiy gosudarstvennyy universitet imeni A.N. Kosygina (Tehnologii. Dizayn. Iskusstvo)", 2020. – S. 172-175. – EDN TEGCBK.
2. Demin, K. D. Analiz primeneniya glubokogo obucheniya dlya sovremennyh logisticheskih sistem i cepey postavok / K. D. Demin, A. D. Shishkova // Sistemnyy analiz i logistika. – 2023. – № 3(37). – S. 169-175. – DOIhttps://doi.org/10.31799/2077-5687-2023-3-169-175. – EDN PAMGLI.
3. Ivanov, I. O. Razrabotka i issledovanie sistemy ocenki finansovoy sostoyatel'nosti predpriyatiya svyazi na osnove primeneniya diskriminantnogo analiza i neyrosetevyh tehnologiy / I. O. Ivanov // TEORIYa i PRAKTIKA SOVREMENNOY nauki : sbornik statey Mezhdunarodnoy nauchno-prakticheskoy konferencii : v 2 ch., Penza, 17 iyunya 2020 goda. Tom Chast' 1. – Penza: "Nauka i Prosveschenie" (IP Gulyaev G.Yu.), 2020. – S. 39-44. – EDN MANQRT.
4. Klyueva, E. G. Primenenie metodov mashinnogo obucheniya dlya analiza pokazateley na finansovyh rynkah / E. G. Klyueva, I. V. Solodovnikova, N. A. Kotlyarov // Trudy universiteta. – 2024. – № 1(94). – S. 511-518. – DOIhttps://doi.org/10.52209/1609-1825_2024_1_511. – EDN POVTGV.
5. Labusov, M. V. Analiz kratkosrochnyh finansovyh vremennyh ryadov s pomosch'yu neyronnyh setey dolgoy kratkosrochnoy pamyati / M. V. Labusov // Ekonomika i upravlenie: problemy, resheniya. – 2021. – T. 3, № 4(112). – S. 165-178. – DOIhttps://doi.org/10.36871/ek.up.p.r.2021.04.03.023. – EDN JJMMJL.
6. Mitina, O. A. Primenenie grafovyh neyronnyh setey v sessionnyh rekomendatel'nyh sistemah / O. A. Mitina, D. M. Masyakin // Nacional'naya Associaciya Uchenyh. – 2023. – № 89-3. – S. 47-54. URL: https://elibrary.ru/item.asp?id=54802524 (data obrascheniya 23.07.2024).
7. Pron'kin K.A. NEYRONNYE SETI // Mirovaya nauka. 2020. №5 (38). S. 482-484. URL: https://cyberleninka.ru/article/n/neyronnye-seti-2 (data obrascheniya: 23.07.2024).
8. Skripnikova, S. A. Naym sotrudnikov s ispol'zovaniem neyroseti kadrovogo podbora / S. A. Skripnikova, A. V. Grigor'evyh // Informacionnye tehnologii v upravlenii i ekonomike. – 2022. – № 1(26). – S. 32-48. – EDN VMZOJD.
9. Slepcova, Yu. A. Riski upravlencheskih resheniy, podgotovlennyh s pomosch'yu iskusstvennyh neyronnyh setey / Yu. A. Slepcova, Ya. V. Shokin // Ekonomicheskaya bezopasnost' i marketingovoe upravlenie social'no-ekonomicheskimi sistemami : materialy Vserossiyskoy nauchno-prakticheskoy konferencii, Kostroma, 20–21 oktyabrya 2020 goda. – Kostroma: Kostromskoy gosudarstvennyy universitet, 2020. – S. 232-239. – EDN VYKXYJ.
10. Hrischatyy A.S. Issledovanie ispol'zovaniya neyrosetey dlya analiza dannyh i prinyatiya biznes-resheniy: analiz effektivnosti ispol'zovaniya neyrosetey dlya obrabotki bol'shih ob'emov dannyh i predostavleniya cennyh insaytov dlya prinyatiya resheniy // Innovacii i investicii. 2023. №7. S. 294-298. URL: https://cyberleninka.ru/article/n/issledovanie-ispolzovaniya-neyrosetey-dlya-analiza-dannyh-i-prinyatiya-biznes-resheniy-analiz-effektivnosti-ispolzovaniya (data obrascheniya: 23.07.2024).
11. Development of an automation system and intelligent neural network management of transport cargo flows using autonomous ships / M. V. Vasilescu, A. I. Epikhin, T. G. Toriia [et al.] // Ekspluataciya morskogo transporta. – 2023. – No. 1(106). – P. 114-122. URL: https://elibrary.ru/item.asp?id=54059126 (data obrascheniya 23.07.2024).
