Использование больших данных в стратегическом управлении знаниями компании, следующей трендам Индустрии 4.0

Кельчевская Н.Р., Колясников М.С.

Статья в журнале

Лидерство и менеджмент
Том 7, Номер 3 (Июль-сентябрь 2020)

Цитировать:
Кельчевская Н.Р., Колясников М.С. Использование больших данных в стратегическом управлении знаниями компании, следующей трендам Индустрии 4.0 // Лидерство и менеджмент. – 2020. – Том 7. – № 3. – doi: 10.18334/lim.7.3.110662.

Аннотация:
В современных условиях актуальность приобретают новые технологические ориентиры, следование которым во многом повышает вероятность достижения компаниями устойчивого конкурентного преимущества в будущем. Современная высокотехнологичная бизнес-среда, следующая трендам Индустрии 4.0, генерирует значительное количество данных, обработка, анализ и интерпретация которых способны дать компаниям ценное организационное знание. Использование больших данных призвано повысить качество управленческих решений, повысить прозрачность деловой среды, осведомленность менеджеров о современных трендах в мировой экономике при значительном количестве источников и найти новые точки для стратегического роста компаний. Ставшие уже традиционными направления применения больших данных, такие как сбор и обработка информации о производственных системах для построения улучшенных моделей процессов изготовления продуктов или оптимизации логистических цепочек широко зарекомендовали себя на практике и обладают большой инвестиционной привлекательностью. Между тем, в данном исследовании, внимание обращается на малоизученную область стратегического контент-анализа и выработки стратегического видения менеджеров при поддерживающей роли интерпретации визуализированных больших данных для применения соответствующих стратегий управления знаниями в компаниях. Исследование основано на методологических достижениях ресурсно-ориентированного подхода к управлению компанией с точки зрения перспектив кодификации и персонализации знаний как ключевых ресурсов. В работе предложена модель бизнес-процессов в разрезе информационных кластеров, которые становятся объектом анализа в условиях активного накопления больших данных о внешней и внутренней среде, а также приведены примеры интерпретации результатов визуализации данных с обсуждением последствий для стратегий управления знаниями.

Ключевые слова: стратегическое управление, управление знаниями, Индустрия 4.0, большие данные, стратегический анализ

JEL-классификация: D83, M11, O33



Введение

Происходящие во внешней среде социальные и технологические изменения неизбежно влияют на компании всех отраслей в мире и приводят к очередной трансформации уже устоявшихся на практике бизнес-моделей и подходов к ведению бизнеса. В последнее десятилетие одним из зарождающихся трендов, но ставшим уже ключевым для понимания текущих технологических изменений, призванных преобразовать облик производства в период с 2020 по 2030 год, является широкое внедрение достижений Индустрии 4.0 [1, 2] (Sniderman, Monika, Cotteleer, 2016). Основными тенденциями Индустрии 4.0 становятся сетевая интеграция, позволяющая создать устойчивую внутреннюю сеть «Интернета вещей», развивающуюся под влиянием внешних и внутренних сигналов, применение гибкой автоматизации, призванное универсализировать процессы производства для адаптации к единичным потребительским запросам и быстрой смене продуктовых линеек, а также интеллектуальные технологии, которые позволяют обеспечить интеграцию производственных элементов, их непрерывное функционирование, а также анализировать текущее состояние, обеспечив управленцев знаниями для принятия стратегических решений.

Очевидно, что тенденции внедрения технологий Индустрии 4.0 оказывают существенное влияние на стратегическое мышление руководства компаний и, следовательно, на стратегии ведения бизнеса во всех отраслях по всему миру. В последние годы все больше компаний сообщают об успешном внедрении сценариев использования цифровых технологий, дистанционного управления производством, аддитивных технологий и применении больших данных для моделирования и управления производственными процессами, углубленного анализа внутренней среды и поддержки решений [1, 2] (Sniderman, Monika, Cotteleer, 2016). Необходимость повышения скорости принятия решений в таких условиях стимулирует компании проводить умный отбор информации и расставить информационные приоритеты исходя из существующих бизнес-моделей для того, чтобы справиться с избытком информации, поступающей в коротком периоде.

Внутренняя среда предприятия может, таким образом, быть рассмотрена как непрерывный процесс преобразования и использования организационного знания для достижения устойчивого конкурентного преимущества [3, 4] (Curado, Bontis, 2006; Hesamamiri, Mahdavi Mazdeh, Bourouni, 2016). Современные стратегии управления знаниями предполагают построение непрерывных и устойчивых процессов получения и накопления, преобразования, обмена и использования знаний [5] (Kodama, 2006). Следуя общепринятым моделям, можно рассматривать получение и преобразование знания как трансформацию большого объема внешних и внутренних данных с помощью различных методов в информацию и интерпретацию ее для последующей кристаллизации и получения организационного знания [6]. Процессы управления знаниями становятся существенными для понимания и построения процесса формулирования, внедрения и развития стратегического видения, миссии, целей и задач компании [5] (Kodama, 2006).

Каждая сфера экономической деятельности и отрасль производства использует приемлемый для себя спектр достижений Индустрии 4.0, в частности больших данных. Например, компании сферы услуг все чаще обращаются к внешним большим данным, таким как данные о посещении сайтов, материалы социальных сетей, блогов и т.п., для анализа и прогнозирования потребительских трендов, настроений, а также обеспечения целевой рекламы и индивидуальных продаж [7] (Khan, Vorley, 2017). Производственные предприятия зачастую прибегают к анализу накопленных внутренних данных – многолетние «ежеминутные» наблюдения за производственными процессами с помощью различных датчиков в среде «Интернета вещей» (IoT) позволяют им генерировать модели для наиболее эффективной организации производственных процессов [8] (Mohammadpoor, Torabi, 2018). Между тем актуальной проблемой остается вопрос системного подхода к освоению Индустрии 4.0 в рамках всех бизнес-процессов, где это может принести существенный для компании положительный экономический эффект.

В данной работе предлагается систематическое решение, основанное на подходе к управлению знаниями при принятии стратегических решений по внедрению технологий Индустрии 4.0 с точки зрения информационных потоков больших данных, сгруппированных в кластеры. Целью работы является разработка модели бизнес-процессов, отражающей возникновение, преобразование и интерпретацию данных, а также направления анализа основных информационных потоков, группируемых в кластеры – рассмотренные бизнес-процессы начинаются с формирования стратегического видения, миссии и целей и продолжаются во внедрении умного производства и стратегии управления логистическими цепочками.

1. Стратегии управления знаниями в условиях использования больших данных: обзор литературы

Индустрия 4.0 получила широкое распространение как в академической среде, так и в сфере практического менеджмента [9, 10] (Fakhar Manesh et al., 2020; Meleshko, 2018). Концепция направлена на цифровую трансформацию производственной среды с применением современных технологий, связывающих внутреннюю среду в единую сеть обмена данными для обеспечения непрерывного саморегулирования и развития. Условно концепция может быть разделена на архитектурные составляющие: интеллектуально-вычислительные технологии сетевой интеграции и данные («Интернет вещей», генерируемые потоки больших данных, облачные вычисления) и физическую оболочку продвинутой автоматизации (аддитивное производство, продвинутые роботы (коботы), дополненная реальность и виртуализация) [2] (Sniderman, Monika, Cotteleer, 2016). На наш взгляд, с точки зрения стратегического анализа и принятия долгосрочных решений в теории и практике большее внимание уделяется интеллектуально-вычислительным элементам, таким как инфраструктура работы с большими данными и облачными вычислениями на их основе.

Подавляющее число крупных компаний в мире уже много лет активно используют большие данные о внешней и внутренней среде для решения стратегически важных задач в сфере маркетинга, производства и управления логистическими цепочками [7, 8] (Khan, Vorley, 2017; Mohammadpoor, Torabi, 2018). Большие данные представляют собой обширные информационные массивы смешанных количественных и качественных (текстовых) данных, которые имеют различную степень сопоставимости, организации и формализации, что затрудняет их статистический анализ с помощью традиционных статистических методов, по крайней мере, без существенной предварительной обработки [11, 12] (Fosso Wamba et al., 2015; Ferraris et al., 2019). В современных условиях, в зависимости от контекста и масштабов предполагаемого анализа, речь идет о петабайтах информации (1015 байт) и выше [12] (Ferraris et al., 2019).

Отличительные признаки больших данных, рассмотренные выше, не только дают новые возможности для организаций, но и накладывают существенные ограничения на использование традиционных подходов [13] (Wilkesmann, Wilkesmann, 2018). При высокой скорости изменения среды, в которой функционирует организация 4.0, для управления знаниями с использованием больших данных целесообразно применять ситуационный подход – гибко подходить к выбору стратегии в зависимости от сложившихся условий [14, 15] (Khalifa, Yan, Ning Shen, 2008). В своем исследовании Т. Ким и др. (2014) выделяют в стратегическом менеджменте знаний дополнительные стратегии, учитывая типы организационного знания, которое формируется в компании (системное или человеческое), и источники его происхождения (внешние или внутренние), соответственно, появляется четыре синтетических типа стратегии – комбинируются внешняя и внутренняя персонализация и кодификация [16] (Kim et al., 2014). Выбор той или иной стратегии связан с динамичностью изменений во внешней и внутренней среде компании, которая может быть определена на основе стратегического анализа – выявления значимых факторов, определяющих тренды развития рынков (совокупного спроса) и скорости технологического обновления.

Стратегический анализ. В связи с популяризацией Индустрии 4.0 воспринимаемые управленцами выгоды от использования больших данных делают весьма привлекательной сферу стратегического анализа, которая позволяет интерпретировать полученные данные, превращая ее в ценное организационное знание, являющееся основой устойчивого конкурентного преимущества. С. Фоссо и др. (2015) определяют пять ключевых причин использования больших данных во всех сферах человеческой деятельности – они создают и поддерживают прозрачность бизнес-процессов; обеспечивают поле для экспериментов и поиска решений, улучшения результативности; сегментируют деятельность компаний для разработки планов действий по каждому направлению; заменяют или поддерживают решения, которые принимаются людьми для снижения риска ошибки, повышения скорости принятия решений и т.п.; позволяют внедрять инновации в продуктах, услугах, бизнес-моделях [11] (Fosso Wamba et al., 2015). Стратегический анализ больших данных направлен на улучшение понимания закономерностей в больших данных для извлечения из них полезной информации и знаний, которые затем классифицируются и интерпретируются для обеспечения качества принятия управленческих решений [12] (Ferraris et al., 2019).

Для обработки больших данных используют технологии сбора и интеллектуального анализа (data mining), для выполнения рутинных операций распознавания определенных паттернов используется машинное обучение (например, формализация результатов обработки видео-, фото- или аудиоинформации, улучшение сопоставимости данных), для формализованных на основе предварительной обработки данных используют различные статистические методы [17] (Fisher et al., 2012). Одной из ключевых фаз обработки и анализа больших данных является визуализация результатов с последующей интерпретацией, поскольку пользователи получаемой в результате бизнес-информации не всегда знакомы со сложными статистическими методами. Визуализация может основываться на различных типах картирования (географическое, кластерное, сетевое), позволяющих отследить, во-первых, взаимосвязь объектов, во-вторых, их значимость, иерархию и объем, а в результате на основе относительно простой визуальной модели интуитивно оценить закономерности для принятия эффективных управленческих решений [17] (Fisher et al., 2012).

На наш взгляд, визуализация и интерпретация результатов стратегического анализа являются центральным звеном в создании ценности при использовании больших данных. Соответственно, существенной проблемой становятся способность компаний использовать базовые инструменты для дальнейшего обследования массивов данных и поиска закономерностей, а также адекватная оценка полученных результатов.

2. Методы исследования, модель и используемые данные

В данном исследовании мы использовали базовые методы обработки неструктурированных данных для проведения контент-анализа на примере среды функционирования крупного металлургического предприятия, которое следует трендам Индустрии 4.0. Основной идеей эмпирической части исследования стал поиск данных и трансформация их в организационное знание с помощью интерпретации полученных результатов.

Модель исследования. Для формализации модели исследования мы использовали принципы моделирования бизнес-процессов, являющиеся ключевыми для Индустрии 4.0, и идею информационных кластеров, которые соответствуют стратегиям управления знаниями, выявленными при теоретическом анализе. В модель включены бизнес-процессы, генерирующие наиболее существенный объем данных, – это маркетинговые бизнес-процессы и умное производство, которые, по мнению ряда исследователей, должны быть включены в разрабатываемые в компаниях стратегические карты перехода к Индустрии 4.0 [18] (Ghobakhloo, 2018), а также логистические процессы, обладающие значительным потенциалом оптимизации с применением технологий умной автоматизации и «Интернета вещей» [19] (Hopkins, Hawking, 2018). Входящими данными модели являются материалы внешних и внутренних источников, которые обрабатываются по раскрытым далее алгоритмам обработки с последующей визуализацией результатов анализа на выходе и последующей их интерпретацией. В соответствии с рассмотренным ранее ситуационным подходом к реализации стратегий управления знаниями [16] (Kim et al., 2014) в рамках предложенной модели мы классифицировали возникающие информационные потоки на соответствующие кластеры, количество которых соответствует базовым стратегиям управления знаниями (табл. 1).

Таблица 1

Информационные кластеры, соответствующие стратегиям управления знаниями в компании

Степень формализации // Источники
Формальные и структурированные (кластер _f)
Неформальные полуструктурированные (кластер _inf)
Внешние (кластер ext_)
- данные целевых RSS каналов;
- данные внешних ресурсов и баз данных – деловой и юридической информации;
- данные внешней деловой рассылки и закрытых каналов распространения деловой информации (в т.ч. платные отраслевые подписки)
- данные социальных сетей и блогов - потребители, поставщики и партнеры в конкурентной среде;
- данные опросов потребителей и интервью фокус-групп, обработанные с помощью систем распознавания на основе искусственного интеллекта (ИИ);
- данные целевых опросов поставщиков и потребителей (элементы работы с клиентами, customer relations management, CRM)
Внутренние (кластер int_)
- кодированные данные систем планирования ресурсов (enterprise resource systems, ERP);
- облачные данные (документы, договоры, почтовые сервисы);
- локальные внутрикорпоративные «озера» данных на сервере (за определенный период – 2–7 лет в зависимости от глубины внедрения технологий Индустрии 4.0)
- данные структурированных интервью персонала (менеджеры, технические специалисты и т.п.), обработанные с помощью систем распознавания на основе ИИ; - данные внутрикорпоративных мессенджеров с учетом политики обработки персональных данных и этики
Источник: составлено авторами.

Для понимания ключевых видов деятельности и активности компаний, которые являются источниками и потребителями соответствующих данных и знаний, мы предложили базовую модель бизнес-процессов, включающую в себя различные направления анализа по приведенным выше кластерам (анализ конкурентной среды и технологических трендов, анализ и моделирование физических показателей производственных и логистических систем, анализ данных о потребителях). На рисунке 1 в предложенной модели соответствующие кластеры выделены (подчеркнуты в тексте) в рамках бизнес-процессов, в эмпирической части исследования мы сфокусировали внимание на базовом стратегическом анализе (области выделены серым цветом): на уровне изучения технологических трендов, маркетинговой стратегии, а также на знакомстве с общеотраслевой информацией и использовали при этом внешние и внутренние формальные данные, а также внутренние неформальные данные (на основе материалов интервью работников компании).

Рисунок 1. Модель ключевых бизнес-процессов в разрезе направлений анализа кластеров данных для стратегического управления знаниями (цветом выделены области базового стратегического анализа, применяющиеся в данном исследовании на примере металлургической компании)

Источник: составлено авторами.

Для модели были выделены соответствующие кластеры (табл. 2), которые разделяются по бизнес-процессам и элементам внешней среды, и субкластеры, которые представляют собой сгруппированные источники данных (по 3–5 источников в каждом субкластере). Основной объем информации пришелся на объемный кластер информации о конкурентной среде (данные были собраны с помощью бесплатных программ для парсинга сайтов по ключевым словам в соответствии с первоначальным запросом через поисковые системы Яндекс и Google.

Данные и методы обработки. Исходный массив данных представляет собой данные сайтов, электронных документов, а также данные интервью, которые были формализованы с помощью технологии искусственного интеллекта (ИИ) распознавания речи. На рисунке 2 приведена общая схема сбора и обработки данных для целей апробации предложенной модели. Во внешних источниках приоритет отдавался материалам, публикуемым в период с января 2019 года по апрель 2020 года. Особенностью исследования является использование материалов интервью двух менеджеров исследуемой компании и специалиста по информационным технологиям (ИТ). В ходе структурированных интервью было собрано около 10 часов аудиозаписей, которые были формализованы с помощью технологий распознавания речи и использованы в отдельных кластерах в исходном массиве данных. Основные направления интервью приведены в таблице 2. Объем данных, использованных для анализа, не превышает 500 Мб обработанной текстовой информации, что на порядок меньше информации, имеющей коммерческую ценность. Однако для базового масштаба и анализа механизма работы предложенной модели такой объем позволяет обрабатывать информацию с минимальными затратами, что является достаточным для целей академического исследования.

Рисунок 2. Общая схема подхода к сбору входящих данных, их обработке и визуализации для дальнейшей интерпретации.

Источник: составлено авторами.

Основной программой для визуализации данных стала программа KH Coder, которая была предложена научному сообществу в 2016 году Х. Коичи в качестве полноценного инструмента для контент-анализа разнообразной информации, такой как литературные произведения, обширные подборки научных статей и т.п. [20] (Koichi, 2016). Программа позволяет визуализировать результаты обработки большого количества данных в виде диаграмм и схем для дальнейшей интерпретации и обладает надстройками, которые позволяют задать требуемые направления анализа в виде программного кода.

Таблица 2

Структура исследуемых кластеров данных и их содержание

Код
Кол-во субкластеров
Объем, Мб
Общее содержание данных
int_gen_f
11
21,3
Материалы внутренних источников о компании: - общие сведения, история, формальные стратегические документы; - партнеры, конкуренты и поставщики; - технологические производственные инструкции и т.п., отчеты; - информация о социальных и экологических программах; - прочая формализованная текстовая отчетность (презентации, инструкции и т.п.).
int_km_inf
7
0,5
Материалы внутреннего интервью двух менеджеров и ИТ-специалиста компании по направлению «Управление знаниями» (структурированный открытый опросник, часть 1): - какие методы, подходы к управлению известны специалисту; - ключевые процессы управления знаниями в понимании специалиста; - процесс трансформации организационного знания и принципы компании; - значимые проекты в области управления знаниями в компании; - взаимосвязь управления знаниями и корпоративной культуры
int_BD_inf
7
0,5
Интервью тех же специалистов по направлению «Большие данные» (часть 2): - факторы, способствующие ускоренному росту информации в отрасли; - роль отдельных источников в получении данных, проблема избыточности данных, знакомство с термином «большие данные»; - примеры, где в компании могут потенциально генерироваться большие данные; - известный опыт других компаний в использовании больших данных
ext_cons_f
28
50,1
Данные внешних информационных источников по ключевым словам: - названия ключевых покупателей и поставщиков, ссылки с сайтов покупателей и поставщиков на локальные и отраслевые новости
ext_otr_f
16
26,4
Общеотраслевые новости и источники деловой информации (например, metallurgical-research.org) на основе поиска по ключевым словам, в том числе блогам (по сервису feedspot.com) – металлургия, новости, развитие, российский рынок, международный рынок
ext_comp_f
198
254,2
Данные внешних сайтов (новостных и источников деловой информации, например, metalinfo.ru, rbc.ru, ria.ru) по отраслевой тематике и смежным отраслям на русском и английском языках о конкурентах по ключевым словам, например, металлургия, порошок, медь, цветные металлы + названия конкурентов
ext_bd_f
25
52,1
Данные внешних сайтов о технологиях Индустрии 4.0 по ключевым словам, например: порошок, медь, металлургия, большие данные.
ext_soc_f
12
20,1
Данные внешних сайтов о социальных и экологических программах партнеров по ключевым словам, например: благотворительность, социальная ответственность, экология, металлургия
Источник: составлено авторами.

Предварительная обработка данных проходила в несколько этапов: первоначально были исключены шумовые слова (союзы, предлоги и т.п.), затем вручную были исключены технические конструкции (повторяющиеся элементы структуры сайтов, ссылки на социальные сети, адреса сторонних сайтов и т.п.), при парсинге использовался блокиратор стороннего рекламного контента. Информация, полученная в ходе последующей обработки и визуализации данных, а также их интерпретация приведены далее в разделе с обсуждением результатов.

Описание исследуемого предприятия. Для исследования была выбрана компания из металлургической отрасли относительно консервативной с точки зрения изменения бизнес-моделей [21] (Orekhova, 2017). Предприятие входит в состав крупного российского холдинга и является одним из значимых игроков на российском и международном рынке цветных металлов. Предприятие было выбрано в качестве объекта исследования по нескольким причинам. Во-первых, основным видом деятельности компании является создание изделий из порошковой меди, а в данной отрасли значительной перспективой обладают технологии аддитивного производства, которое является одной из базовых технологий Индустрии 4.0. Во-вторых, предприятие входит в состав финансово устойчивого холдинга, который обладает активной инвестиционной позицией и в ближайшие годы планирует углубить внедрение Индустрии 4.0 в производство. В-третьих, предприятие обладает высоким уровнем зрелости для внедрения Индустрии 4.0, сопоставимым с другими представителями конкурентной среды. На основе анализа открытых источников, опроса интервьюированных сотрудников мы определили уровень зрелости по трем подходам (табл. 3). Исходя из анализа можно заключить, что предприятие может быть отнесено к числу организаций, следующих трендам Индустрии 4.0, и может быть использовано для дальнейшего анализа.

Таблица 3

Результаты оценки зрелости Индустрии 4.0 на исследуемом предприятии

Используемый подход
Оценка зрелости внутренней среды с позиций Индустрии 4.0
Аналитический доклад McKinsey для Всемирного экономического форума (2019) [1]
Последователь. Предприятие освоит технологии Индустрии 4.0 к 2030 году в базовом масштабе
Дж. Мюллер и др. (2019) [22] (Müller, 2019)
Пользователь Индустрии 4.0. Нововведения в производственном оборудовании (элементы сетевой интеграции датчиков), рабочей силы (обучение на основе технологий виртуализации производственных процессов в корпоративном университете)
Дж. Ганзараин и др. (2016) [23] (Ganzarain, Errasti, 2016)
Стадия дорожной карты. На предприятии идентифицированы требования для внедрения Индустрии 4.0, перспективными остаются разработка и реализация дорожной карты Индустрии 4.0
Источник: составлено авторами на основе приведенных в таблице источников.

4. Результаты и обсуждение

В исследовании мы разделили работу на два этапа – применение базовых методов контент-анализа, которые позволяют отследить общие тренды в мировом, национальном и отраслевом масштабе на основе предложенной ранее модели бизнес-процессов, а также углубленные методы в отношении отдельных специфических аспектов работы исследуемого предприятия – его внешнего окружения, поставщиков и внутренней среды.

Результаты исследования с использованием базовых методов. Первоначально проводился частотный анализ – частота упоминания слов в общем контексте по исследуемым кластерам и субкластерам для понимания однородности текста, выявления аномалий, которые бы затруднили дальнейшее исследование. Общее число уникальных слов во всех кластерах – 13 833, средняя частота терминов (term frequency) составила 6,6, стандартное отклонение – 23,6, что соответствует литературному тексту, пригодному для дальнейшего анализа с учетом профессиональных терминов и аббревиатур, встречающихся во внутренней технической документации (части речи были распознаны с помощью POS Stanford Tagger для русского языка, данные сравнивались с модельным файлом, используемым для апробации KH Coder [20] (Koichi, 2016)). Самыми часто встречающимися словами стали «производство» (0,78% от всего корпуса документов), «медь» (0,43%), «предприятие», «технологии», «компании», «данные», «порошок» (в диапазоне 0,2–0,3% от общего числа слов). Результаты являются разумными, поскольку основным бизнес-процессом, генерирующим потребительскую ценность, является производство меди, а с учетом ключевых слов и источников информации результаты частотного анализа не являются необычными.

Далее был проведен анализ сети смежности слов (co-occurrence network analysis), на данном этапе для лучшей визуализации рекомендуется выбирать 100–150 слов в зависимости от масштаба исходных данных (рис. 3). Целью анализа смежности сети является понимание взаимосвязи и иерархичности, контекста упоминания ключевых слов во всех субкластерах. По данным сетевой диаграммы, топ-120 слов можно выделить восемь сопоставимых подграфов (subgraphs), основным из которых является подграф, включающий контент, связанный с основными бизнес-процессами предприятия – производством (04, «производство»). Во-первых, основной подграф связан с остальными посредством отношения к рынку цветных металлов в целом и «рынку металлургии» (подграф 01), кроме того, явно прослеживаются два участка диаграммы, которые относятся к Индустрии 4.0, подграфы 02 «больших данных» и 06 «порошковой металлургии», они связаны через слова «порошок», «сплав», «металлы». В данной сфере компании, вероятно, следует активизировать стратегию внутренней кодификации знания, чтобы разработать дорожную карту перехода к Индустрии 4.0.

Для понимания смысла связей элементы сети развернуты до контекста упоминания – конкретных предложений и абзацев (для этого существует встроенная функция KH Coder), а на основе алгоритмов отбора ключевых слов выделены предложения, содержащие сжатый смысл абзацев и целых статей. Анализ показал, что крупные проекты Индустрии 4.0 в черной металлургии (в частности, проекты АО «ММК», групп НЛМК и «Северсталь» за последние 2–3 года) ускоренно внедряются в отрасли и получили более широкое освещение во внешних источниках, чем проекты, связанные с предприятиями, производящими алюминий и медь. В частности, в черной металлургии собираются большие данные для анализа и моделирования более эффективного процесса плавки и обработки металлов. В публикациях уделяется значительное внимание эффективности внедренных мероприятий – ключевые слова «тонн», «млн», «рубль».

Подпись: подграф Created by R using devEMF ver. 3.4

Рисунок 3. Результаты анализа смежности сети слов

Источник: составлено авторами.

Во-вторых, из анализа смежности сети слов можно определить публикационные тренды относительно конкретного предприятия (названия «УГМК» и «Уралэлектромедь» входили в состав ключевых слов). Подграф 05 «анализируемое предприятие» связан с «рынком металлургии» через «производство», позиционирование во внешней среде (кластер данных ext_comp_f) сопровождается словами и сочетаниями «современный», «повышение эффективности», «строительство цеха», что в целом говорит о положительной оценке деятельности предприятия в глазах потенциальных инвесторов. С другой стороны, связь «производственного» подграфа с подграфами, относящимися к Индустрии 4.0, относительно слабая. В-третьих, несмотря на складывающуюся в первой половине 2020 года неблагоприятную ситуацию на рынке металлов, деловая активность предприятий не снижается, видимый в общем потоке на статистически значимом уровне вклад слов «кризис» и «вирус» практически отсутствует. Несмотря на это, ряд новостей металлургической отрасли связаны с влиянием событий марта и апреля 2020 года на экономику одного из крупнейших участников мирового рынка – США (подграф 03). Это прослеживается на уровне слабого сигнала внешней среды. В целях анализа этого направления будет проведен дальнейший углубленный анализ.

Результаты исследования с использованием углубленных методов. К углубленным методам нами были отнесены все способы обработки, включающие целевое «кодирование» интересующих менеджеров слов и документов для анализа конкретных взаимосвязей. Во-первых, мы расширили отдельные направления исследования внешней среды (на примере сетей смежности партнера – одного из ключевых покупателей) и стратегического анализа внутренней среды на предмет необходимости инвестиций в человеческий капитал на примере интервью.

Анализ корреспонденций слов проведен нами для исследования распределения ключевых слов по информационным кластерам (рис. 4). Определение таких слов осуществляется на основе сети смежности переменных. Например, по кластеру потребителей (ext_cons_f) значение имеет слово «контроль». Интерпретация может быть применена для выработки или совершенствования стратегии управления знаниями для каждого кластера в рамках предложенной ранее бизнес-модели: в сфере распределения продукции следует активизировать ранее рассмотренную стратегию персонализации внешних знаний, проверить знания сотрудниками и эффективность соблюдения требований, предъявляемых покупателями к упаковке продукции, срокам доставки и порядку оформления документов для снижения вероятности срыва поставок по ключевым клиентам.

Created by R using devEMF ver. 3.4

Рисунок 4. Выделение сетей смежности в соотношении с предложенными информационными кластерами

Источник: составлено авторами.

Второй этап проведенного нами углубленного анализа – это построение и интерпретация смежных моделей кодов по заданному слову (co-occurrence network of codes), заключающийся в поиске характера, силы взаимосвязей и контекста интересующих менеджеров слов. Ключевыми словами для кодирования стали «кризис», «медь», «рынок», «спрос» и «Уралэлектромедь». Анализ контекста выявил сигналы, такие как «снижение спроса на базовые цветные металлы более существенно, чем снижение предложения», «кризис и сокращение мощностей», «сильнейшая стагнация цен и спроса со времен кризиса 2008 года», что в целом отражает последние общие тенденции в состоянии отрасли (рис. 5). По направлению выявлены новые ключевые связи с экспортом, интерпретацией динамики цен, поскольку значительная часть продукции предприятия отправляется на экспорт. В данном случае сокращение экспорта касается всех национальных экономик ключевых производителей цветных металлов, по данным информационных источников (например, в кластер ext_comp_f вошел специализированный источник metalinfo.ru), наблюдается также рост цен на сырье. Информация по данному направлению может использоваться для подтверждения общих трендов, на которые закладывается стратегический анализ, в частности для поиска численных экспертных оценок снижения объемов рынка во внешних источниках в контексте кризиса.

Подпись: подграф Created by R using devEMF ver. 3.4

Рисунок 5. Сеть смежности ключевых слов для анализа отражения кризиса во внешних источниках

Источник: составлено авторами.

Наконец, нами были углубленно проанализированы материалы проведенных интервью. Основными задачами анализа была оценка осведомленности менеджеров и ИТ-специалиста об управлении знаниями, больших данных, а также интерпретация внутренней интеллектуальной сети «понимания проблемы» (на основе метода анализа смежности слов) и оценка необходимости проведения углубленного обучения или тренингов по направлению больших данных. Направления интервью были приведены ранее в таблице 2 в кластерах int_KM_inf и int_BD_inf (рис. 6).

Подпись: подграф Рисунок 6. Сеть смежности слов в кластерах int_KM_inf и int_BD_inf (интервью сотрудников компании)

Источник: составлено авторами.

Как видно из базового анализа, одним из существенных инструментов управления знаниями в компании, по мнению опрошенных сотрудников, является корпоративный университет (подграф 02), при этом область обработки больших данных связана с технологическими процессами (подграф 03). Сотрудники обладают достаточными знаниями по теме больших данных, приводя примеры потенциальных сфер, где могут использоваться технологии, и достаточно осведомлены о деятельности других предприятий в данной отрасли. Обучение сотрудников имеет для менеджеров стратегический эффект, играя важную роль в управлении компанией, а ключом к повышению эффективности внутреннего обмена знаниями считается повышение доверия к изменениям, происходящим в компании (подграф 01, анализирован с разворачиванием контекста). Таким образом, в компании целесообразно активизировать стратегию внутренней персонализации знаний, а именно, разработать ряд мероприятий для сотрудников для повышения организационной культуры доверия и обмена знаниями для решения производственных задач.

Заключение

В данной статье рассмотрены теоретические аспекты стратегического анализа в условиях четвертой промышленной революции и проблемы трансформации большого количества данных в ценное организационное знание, предложена модель бизнес-процессов и выделения соответствующих им кластеров для проведения контент-анализа текстовых больших данных во внутренней и внешней среде и осуществлена ее апробация на примере металлургического предприятия, следующего трендам Индустрии 4.0, с соответствующей интерпретацией.

В первую очередь предложенная модель анализа данных и подходы к интерпретации позволят осуществлять поддержку в принятии управленческих решений. Во-первых, анализ больших данных способен помочь управленцам в выявлении закономерностей в тех областях, где человеческие интеллектуальные ресурсы ограничены и где требуется высокая скорость обработки и интерпретации значительного количества данных. Во-вторых, стратегический анализ таких данных позволяет соблюсти в большей степени, чем с использованием традиционных методов обработки информации, принцип полноты и достаточности информации, необходимой для поддержки принятия решений. В-третьих, он позволяет систематизировать внутренние подходы и выявить тренды, которые встраиваются в подсистему индивидуального управления знаниями топ-менеджеров и используются ими для формирования стратегического видения. Проведенный в данном исследовании базовый анализ с использованием относительно небольшого объема данных предлагается также в качестве инструмента для ручной доработки сложных инструментов интеллектуального исследования больших данных.


Источники:

1. McKinsey. Четвертая промышленная революция Целевые ориентиры развития промышленных технологий и инноваций. Информационный документ: http://www3.weforum.org/docs/WEF_Четвертая_промышленная революция.pdf, 2019. 47 p.
2. Sniderman B., Monika M., Cotteleer M.J. Industry 4.0 and manufacturing ecosystems // Deloitte University Press. 2016. P. 1–23.
3. Curado C., Bontis N. The knowledge-based view of the firm and its theoretical precursor // International Journal of Learning and Intellectual Capital. 2006. Vol. 3, № 4. P. 367.
4. Hesamamiri R., Mahdavi Mazdeh M., Bourouni A. Knowledge-based strategy selection: a hybrid model and its implementation // VINE Journal of Information and Knowledge Management Systems. 2016. Vol. 46, № 1. P. 21–44.
5. Kodama M. Knowledge-based view of corporate strategy // Technovation. 2006. Vol. 26, № 12. P. 1390–1406.
6. Nonaka I., Toyama R., Hirata T. Managing flow: a process theory of the knowledge-based firm. Palgrave Macmillan, 2008. 255 p.
7. Khan Z., Vorley T. Big data text analytics: an enabler of knowledge management // Journal of Knowledge Management. 2017. Vol. 21, № 1. P. 18–34.
8. Mohammadpoor M., Torabi F. Big Data analytics in oil and gas industry: An emerging trend // Petroleum. 2018. № November 2018. P. 1–9.
9. Fakhar Manesh M. et al. Knowledge Management in the Fourth Industrial Revolution: Mapping the Literature and Scoping Future Avenues // IEEE Transactions on Engineering Management. 2020. P. 1–12.
10. Мелешко Ю.В. Индустрия 4.0 - новая промышленная политика Германии: теоретическая основа и практические результаты // Экономическая наука сегодня. 2018. Vol. 8, № 1. P. 80–93.
11. Fosso Wamba S. et al. How ‘big data’ can make big impact: Findings from a systematic review and a longitudinal case study // International Journal of Production Economics. Elsevier, 2015. Vol. 165. P. 234–246.
12. Ferraris A. et al. Big data analytics capabilities and knowledge management: impact on firm performance // Management Decision. 2019. Vol. 57, № 8. P. 1923–1936.
13. Wilkesmann M., Wilkesmann U. Industry 4.0 – organizing routines or innovations? // VINE Journal of Information and Knowledge Management Systems. 2018. Vol. 48, № 2. P. 238–254.
14. Khalifa M., Yan Yu A., Ning Shen K. Knowledge management systems success: a contingency perspective // Journal of Knowledge Management. 2008. Vol. 12, № 1. P. 119–132.
15. Cohen J.F., Olsen K. Knowledge management capabilities and firm performance: A test of universalistic, contingency and complementarity perspectives // Expert Systems with Applications. Elsevier Ltd, 2015. Vol. 42, № 3. P. 1178–1188.
16. Kim T.H. et al. Understanding the effect of knowledge management strategies on knowledge management performance: A contingency perspective // Information and Management. Elsevier B.V., 2014. Vol. 51, № 4. P. 398–416.
17. Fisher D. et al. Interactions with big data analytics // Interactions. 2012. Vol. 19, № 3. P. 50.
18. Ghobakhloo M. The future of manufacturing industry: a strategic roadmap toward Industry 4.0 // Journal of Manufacturing Technology Management. 2018. Vol. 29, № 6. P. 910–936.
19. Hopkins J., Hawking P. Big Data Analytics and IoT in logistics: a case study // International Journal of Logistics Management. 2018. Vol. 29, № 2. P. 575–591.
20. Koichi H. A Two-Step Approach to Quantitative Content Analysis: KH Coder Tutorial Using Anne of Green Gables (Part I) // Ritsumeikan Social Sciences Review. 2016. Vol. 12, № 1. P. 77–91.
21. Orekhova S. V. Economic Growth Quality of Metallurgical Industry in Russia // Journal of Applied Economic Sciences. 2017. Vol. 51, № 1. P. 1377–1388.
22. Müller J.M. Business model innovation in small- and medium-sized enterprises: Strategies for industry 4.0 providers and users // Journal of Manufacturing Technology Management. 2019. Vol. 30, № 8. P. 1127–1142.
23. Ganzarain J., Errasti N. Three stage maturity model in SME’s toward industry 4.0 // Journal of Industrial Engineering and Management. 2016. Vol. 9, № 5. P. 1119.

Страница обновлена: 23.07.2020 в 13:01:06