Цифровая трансформация системы управления стратегической устойчивостью автотранспортного предприятия

Григорьева С.В.1
1 Московский государственный строительный университет

Статья в журнале

Вопросы инновационной экономики
Том 10, Номер 3 (Июль-сентябрь 2020)

Цитировать:
Григорьева С.В. Цифровая трансформация системы управления стратегической устойчивостью автотранспортного предприятия // Вопросы инновационной экономики. – 2020. – Том 10. – № 3. – С. 1773-1788. – doi: 10.18334/vinec.10.3.110710.

Аннотация:
Цифровая трансформация транспортной отрасли является неизбежным процессом в условиях развития информационно-коммуникационных технологий. Данная статья посвящена исследованию различных технологий цифровой трансформации системы управления стратегической устойчивостью автотранспортных предприятий. Динамично меняющееся мышление клиентов и постоянно растущая конкуренция требуют от транспортных предприятий инновационных услуг, использования интернета вещей и облака, телематики, больших данных, улучшения качества обслуживания клиентов. В статье предложена модифицированная система управления стратегической устойчивостью грузового автотранспортного предприятия с учетом тенденций цифровой экономики. В качестве инструмента обеспечения стратегической устойчивости рассмотрено управление знаниями. Приведена модель стратегической карты подсистемы управления знаниями.

Ключевые слова: цифровая трансформация, цифровая экономика, база знаний, управление знаниями, управление взаимодействием с клиентами, стратегическая устойчивость, грузовое автотранспортное предприятие, процессный подход

JEL-классификация: D83, L92, O33, R49



Введение

Актуальность темы обусловлена тем, что мы живем в эпоху цифровой революции. Цифровая революция оказывает существенное влияние на компьютеризацию управленческих процессов предприятия.

Быстрое развитие технологий, а также многие изменения на мировом рынке сегодня привели к появлению новой тенденции – цифровой трансформации.

Важнейшие понятия, составляющие и технологии цифровой трансформации рассматриваются в работах [6, с. 83] (Demyanova, 2018, р. 83), [8, с. 44] (Inozemtseva, 2018, р. 44), [13, с. 15] (Prokhorov, Konik, 2018, р. 15), [14, с. 9] (Sologubova, 2020, р. 9).

Мир транспорта также переживает цифровую революцию, и автотранспортные предприятия могут стать ключевой платформой для внедрения новых инноваций.

Вопросам цифровой трансформации транспорта посвящены работы [10, c. 31] (Larin, Kupriyanovskiy, 2018, р. 31), [11, c. 11] (Merenkov, 2018, р. 11), [15, c. 188] (Seliverstov, Utkin, Semidotchenko, Postnov, 2020, р. 188), [16, c. 44] (Tugashev, 2018, р. 44).

Специфику управления организациями с учетом цифровой трансформации экономики изучали Демьянова О. [6, с. 84] (Demyanova, 2018, р. 84), Кораблев А.Ю. [9, c. 44] (Korablev, Bobkin, 2018, р. 44), Вертакова Ю.В., Толстых Т.О., Шкарупета Е.В., Дмитриева В.В. [2, с. 17] (Vertakova, Tolstyh, Shkarupeta, Dmitrieva, 2017, р. 17), Плотников В.А., Койда С.П. [12, с. 30] (Plotnikov, Koyda, 2014, р. 30).

Стратегии проведения цифровой трансформации предприятий были предложены такими учеными, как Баррет M., Дэвидсон E., Варго С.Л. [18, с. 135] (Barrett, Davidson, Vargo, 2015), Бонне Д, МакАфи A. и Вестерман Дж. [19] (Bonnet, McAfee, Westerman, 2014), Боуи C.E., Шейбл С., Калтенекер Н., Хесс T. и Хуэсиг С. [20] (Bouee, Schaible, Kaltenecker, Hess, Huesig, 2015)

Однако вопросы цифрового управления предприятием на сегодняшний день являются малоизученными.

Для автотранспортных предприятий, осуществляющих грузовые перевозки, является актуальным наличие рекомендаций для цифровизации управленческих процессов.

Современная стратегия, оптимизация решений, оцифровка и автоматизация процессов могут быть реакцией на вызовы, а также условиями для сохранения позиции автотранспортных предприятий на рынке. Быстрое реагирование на эти явления и управление знаниями помогут предприятию повысить его эффективность и эффективно работать в неопределенной деловой среде.

Учитывая ускоряющиеся темпы изменений, автотранспортные предприятия должны трансформироваться в мире, и цифровизация станет основным фактором изменений.

Касательно автотранспортных предприятий, цифровизация – это масштабное проникновение цифровых технологий – как на управленческом уровне, так и на технологическом уровне [6, с. 90] (Demyanova, 2018, р. 90).

Функционирование предприятия связано с достижением целевых установок его развития. Цель деятельности грузового автотранспортного предприятия заключается в удовлетворении потребностей населения, государственных и хозяйственных организаций в транспортных услугах в определенном пространстве, в нужном количестве, необходимого качества, в определенное время и с минимальными расходами. Наиболее перспективным способом достижения этой цели является активное использование цифровых технологий в управлении предприятием.

Система управления стратегической устойчивостью автотранспортного предприятия [4, c. 10] (Grigoreva, 2018) должна своевременно реагировать на изменения как внутренней, так и внешней среды при выполнении грузовых перевозок в условиях цифровой экономики. В связи с чем необходимо разработать схему ее цифровой трансформации.

Целью работы является определение основных направлений цифровой трансформации системы управления стратегической устойчивостью автотранспортного предприятия.

Стратегическая устойчивость представляет собой растущую зону ответственности для автотранспортных предприятий, которая вынуждает их приобретать знания. В современном стремительно меняющемся мире все большее внимание уделяется знаниям. Эффективный работник должен уметь работать со знаниями, и ему не нужно дополнительное объяснение, откуда эти знания берутся и что они должны храниться, совместно использоваться, защищаться. Именно знания определяют конкурентоспособность предприятия. Стратегическое значение знаний обуславливает необходимость управлять ими.

Проблемам управления знаниями посвящены работы [1] (Abdikeev, 2013), [5] (Dzhanetto, Uiler, 2005), [22, c. 29] (Hafez, Alghatas, 2007, р. 29), [27, с. 102] (Shaker, 2007, р. 102), [28, с. 6] (Smith, 2004, р. 6).

Научная новизна статьи состоит в том, что предложена авторская модель модифицированной системы управления стратегической устойчивостью автотранспортного предприятия, которая включает подсистему управления знаниями – инструмент цифрового управления предприятием.

Модифицированная система управления стратегической устойчивостью

Цифровая трансформация относится к изменению существующих бизнес-моделей, а также к созданию новых путем внедрения и использования цифровых технологий в этом процессе. Для достижения стратегических целей предприятию в условиях перехода к цифровой экономике необходима модифицированная система управления стратегической устойчивостью. Следовательно, в структуре системы управления стратегической устойчивостью предприятия необходимо выделить подсистему управления знаниями, предназначенную для цифрового управления в автотранспортном предприятии.

Функциями подсистемы управления знаниями являются:

– функция создания – формирование базы знаний предприятия, информационной среды предприятия;

– функция интеграции – организация обмена знаниями между подразделениями;

– функция использования – разработка системы принятия решений; применение знаний для управления взаимодействием с клиентами.

Процесс управления знаниями состоит из шести основных этапов. Когда эти шаги выполняются последовательно, данные превращаются в знания.

Этап 1: сбор данных. Это самый важный шаг процесса управления знаниями. Если будут собраны неверные данные, полученные знания могут оказаться не самыми точными. Поэтому решения, принимаемые на основе таких знаний, также могут быть неточными.

Этап 2: организация данных. Собранные данные должны быть организованы. Эта организация обычно происходит на основе определенных правил. Эти правила определяются предприятием.

База знаний предприятия – это совокупность всей поступающей и обрабатываемой информации предприятия и среды о ретроспективной оценке развития предприятия, прогнозируемых и плановых объемах работ, о рыночной ситуации, о потребности клиентов, данные стратегических планов, данные о новых технологиях, анализ эффективных форм управления и т.д.

Составляющими базы знаний автотранспортного предприятия являются данные предприятия и среды.

В состав базы знаний предприятия должны входить:

– текущие сведения о рыночной ситуации, потребностях клиента, инновациях, ретроспективной оценки предприятия, стратегических ресурсов, о состоянии стратегической устойчивости предприятия, о показателях деятельности предприятия;

– нормативные и справочные данные;

– методические материалы;

– накапливаемые учетные и архивные сведения, необходимые для планирования, прогнозирования и выработки эффективных стратегических решений в деятельности предприятия.

Содержание базы знаний включает:

– хранение данных;

– внесение изменений;

– накопление данных;

– контроль параметров среды и предприятия;

– контроль состояния стратегического потенциала;

– исключение устаревших данных.

Этап 3: подведение итогов. На этом этапе информация обобщается, чтобы понять ее суть.

Этап 4: анализ. На этом этапе информация анализируется, чтобы найти взаимосвязи, избыточности и закономерности.

Этап 5: синтез. На этом этапе информация становится знанием. Эти знания затем сохраняются в базе знаний организации для дальнейшего использования.

Этап 6: принятие решения.

На этом этапе знания используются для принятия решений.

Схема подсистемы управления знаниями представлена на рисунке 4.

Сегодня цифровизация – это уже не просто информационные и коммуникационные технологии, или ERP на рабочих местах, а разработка совершенно новых бизнес-процессов и моделей, включая интеграцию по всей цепочке создания стоимости.

Глобальное движение в сторону цифровизации трансформирует и подсистему управления знаниями. Динамично меняющееся мышление клиентов и постоянно растущая конкуренция требуют от транспортных предприятий инновационных услуг, использования «Интернета вещей» и облака, телематики, больших данных, улучшения качества обслуживания клиентов.

Модель стратегической карты подсистемы управления знаниями автотранспортного предприятия представлена на рисунке 1.

Рисунок 1. Модель стратегической карты подсистемы управления знаниями автотранспортного предприятия

Источник: составлено автором.

«Интернет вещей» поможет автотранспортным предприятиям составить карту наиболее эффективных маршрутов и максимального использования топлива, отслеживать свои перевозки и запускать паркинги, чтобы отслеживать открытые места в режиме реального времени.

Собирая потоковые данные IoT в режиме реального времени с тысяч датчиков на каждом транспортном средстве, предприятие может отслеживать коды неисправностей, чтобы знать, когда что-то не так с основной системой, такой как двигатель или трансмиссия.

Телематика, большие данные и интеллектуальные устройства помогут предотвратить кражу топлива и другие вспомогательные потери на дороге с помощью мониторов и датчиков.

Блокчейн – это одна из тех тенденций трансформационных технологий в сфере дистрибуции и транспортировки, которые формируют мобильность в 2020 году и в последующий период.

Основное преимущество интеграции технологии блокчейн заключается в оптимизации процессов в режиме реального времени. Блокчейн должен повысить уровень доверия между грузоотправителем и грузополучателем, и процесс принятия решений может быть упрощен, поскольку все стороны имеют постоянный доступ к информации.

Используя блокчейн, все этапы, начиная с подписания документов до доставки груза, будут записаны в блокчейн. Система прозрачна, и все участники могут следить за цепочкой грузоперевозок . Если что-то пойдет не так, записанные данные в системе покажут все проблемы. Используя блокчейн, транспортная зона получит новые дополнительные возможности.

Все транзакции, которые совершаются на блокчейне, становятся доступными для всех, кто принимает участие в этой сделке. Убрать или изменить что-то тайно невозможно, все прозрачно. Таким образом, нет никаких шансов для мошеннических операций.

В условиях растущих ожиданий клиентов и развития конкуренции автотранспортным предприятиям необходимо опережать инновации и оцифровывать свои ключевые бизнес-процессы. Для улучшения качества обслуживания клиентов важным этапом является составление обширной клиентской базы.

Обширная база данных клиентов позволит построить 360-градусный обзор всех взаимодействий с клиентами в одном месте:

- инструменты для хранения всех учетных записей и контактов, управления основными данными клиентов: история обслуживания, профили в социальных сетях, адреса с возможностью просмотра карты и вся история взаимодействий;

- целевое управление коммуникационной стратегией;

- опросы удовлетворенности клиентов, управление обратной связью.

Клиентской базой называют базу данных, в которой содержится основная информация о клиентах организации, когда-либо приобретавших продукцию организации. Она неразрывно связана с работой организации и является одной из важнейших частей взаимодействия с клиентами. Деятельность большинства предприятий невозможна без работы с клиентской базой, так как в результате взаимодействия организации с клиентами заключаются сделки, которые в конечном итоге и приносят прибыль за оказание услуг или продажи товаров.

Чаще всего клиентская база не может быть однородной, у каждого клиента может быть своя модель поведения, они различаются друг от друга по различным параметрам. Но при этом каждый клиент имеет свою ценность для организации.

Сегментация и кластеризация клиентской базы позволят предприятию поднять процесс управления знаниями на качественно более высокий уровень [3, с. 149] (Galyamov, Tarkhov, 2014), [29] (Tamayo, Slonim, Mesirov, Zhu, Kitareewan, Dmitrovsky, Lander, 1999), [30] (Tusher, 2001).

Разделение клиентской базы на несколько групп с похожими характеристиками необходимо на начальных стадиях управления взаимоотношения с клиентами, так как это позволяет правильнее распределить ресурсы компании для последующих этапов процесса управления взаимодействием с клиентами.

Использование сегментации клиентской базы позволяет разделить ее на сегмент-группы. Количество сегментов, принадлежность клиента к определенному сегменту зависят от критериев сегментации. Критериев для разделения может быть несколько.

ABC-анализ является одним из наиболее встречающихся методов анализа клиентской базы. Он достаточно простой и при этом способен разделять клиентов по группам, в зависимости от ценности клиента. В качестве основополагающего принципа данного метода используется закон Парето, который означает, что 20% усилий дают 80% результата. Для разделения клиентской базы он будет иметь несколько другой смысл, а именно то, что 20% клиентов дают 80% прибыли. В основе метода – распределение клиентов на 3 группы (A, B, C), при этом попадание в группу зависит от одного критерия: размера грузооборота клиента.

Чаще всего используются пропорции 2:3:5, что означает попадание первых 20% клиентов – в группу А, 30% – в группу В, остальных – в группу С.

Для компании клиенты из первой группы – наиболее важные, на этих клиентах чаще всего зарабатывается больше половины прибыли. Если в группе A мало клиентов, то это означает, что каждый клиент из этой группы вносит существенный вклад в деятельность компании. Потеря такого клиента может оказаться важной для компании. В таких ситуациях стараются сбалансировать группы, чтобы доля клиентов в группе А была примерно 20%.

В группу В попадают клиенты, обеспечивающие примерно 25% грузооборота предприятия. Для организации такие клиенты важны в первую очередь потому, что в будущем они могут перейти в группу A. С ними нужно налаживать контакт, предлагать определенные условия. При грамотном действии предприятия часть клиентов из группы B будут переходить в категорию А.

В группе С находится большая часть клиентов, на них тоже приходится примерно 25% грузооборота, но при этом их гораздо больше, чем в группе B. На эту часть клиентов приходится тратить много ресурсов компании, несмотря на то, что их общий вклад не такой большой. Часто такие клиенты являются убыточными. Для улучшения позиций компании на рынке необходимо сокращать издержки в работе с этими клиентами и сосредоточиться на клиентах из первых двух групп.

Модель ABC-анализа достаточно простая, в нем всего один критерий для сегментации клиентов. Он не позволяет грамотно оценить работу компании с клиентами групп B и C. Например, клиент может только начинать взаимодействовать с компанией, прибыль еще недостаточно велика, но при этом он может быть ценным клиентом в будущем. Если использовать только модель ABC, то такой клиент попадет в группу C, и взаимодействие с ним может испортиться по причине недостатка работы с ним. При этом клиент из группы А может обанкротиться, что делает работу с ним неэффективной. При этом он будет оставаться в группе А, так как прошлая прибыль держит его там. Отразить все эти тонкие моменты ABC-анализ не может.

Следующий метод сегментации – XYZ-анализ. Для его выполнения используется стабильность перевозок по клиенту. В результате выполнения метода клиенты разделяются по коэффициенту вариации.

В итоге мы получаем список клиентов, разделенных на 3 класса. В класс X (коэффициент вариации до 10%) входят те клиенты, которые совершают сделки достаточно стабильно, что делает время их последующих сделок предсказуемым. В класс Y (коэффициент вариации 10–25%) входят те клиенты, для которых характерны нерегулярные, но периодические сделки. В последнем классе Z (коэффициент вариации больше 25%) находятся клиенты, которые обращаются к компании очень редко, совершенно непредсказуемо.

В отличие от первых двух анализов, RFM-анализ является многофакторным анализом, который использует 3 критерия для сегментации клиентской базы. Первым и наиболее важным критерием является Recency, которая показывает давность осуществления последней сделки. Чем больше времени клиент не пользуется услугами компании, тем больше вероятность того, что клиент больше не вернется.

Вторым критерием является Frequency, показывающий, сколько сделок совершил клиент за период времени. Если клиент совершил много сделок, то велика вероятность, что в следующий период он продолжит пользоваться услугами компании.

Последним критерием в RFM-анализе стоит Monetary. Этот критерий показывает сумму денег, которую компания получила от клиента за весь срок существования взаимоотношений с ним.

Считается, что показатель Recency является приоритетным, за ним идет Frequency, а последний – Monetary. В начале анализа клиенты распределяются по дате последней сделки. Первые 20% клиентов кодируются оценкой 5, следующие 20% – оценкой 4 и так далее. То же самое мы делаем и с другими параметрами. В результате каждый клиент получает 3 оценки.

Например, если клиент получает оценку 543, то это означает, что с точки зрения Recency он совершил последнюю сделку относительно недавно и попал в первые 20%. По показателю Frequency – оценка 4, что означает, что клиент по нему попал в диапазон от 20% до 40%. А по показателю Monetary – в диапазон от 40% до 60%. Клиенты с оценкой 111 являются наиболее ненужными клиентами, а клиенты с оценкой 555 – самыми ценными.

RFM-анализ позволяет сегментировать клиентов на основе прошлых действий клиента. С его помощью можно найти тенденции в поведении клиента, определить, каким клиентам стоит выделить больше времени, а какие не стоят усилий. Для клиентов с оценкой 155 можно сделать вывод, что такой клиент большое время не пользуется услугами компании, но при этом такой клиент очень важен. Возможно, стоит связаться с ним и обсудить дальнейшие взаимоотношения или предложить скидку.

Показатель лояльности служит критерием сегментации клиентов методом NPS-анализа. NPS-анализ показывает отношение клиента к услугам предприятия, а также вероятность того, что клиент порекомендует услуги предприятия своим друзьям, знакомым. Помимо этого, по этому показателю можно оценить вероятность того, что клиент продолжит пользоваться услугами предприятия. NPS-анализ состоит из следующей последовательности действий:

1. Клиентам необходимо численно ответить на вопрос, с какой вероятностью клиент порекомендует своим друзьям, коллегам и знакомым товары или услуги компании по десятибалльной шкале. Ответ 10 означает, что клиент «точно порекомендует», а ответ 0 – «точно не порекомендует».

2. После получения ответов клиентская база разделяется на 3 группы. Клиенты, выбравшие 9 или 10, считаются сторонниками компании, 7 или 8– нейтральные клиенты, а все остальные – критики.

3. Для итогового индекса берется формула NPS = S – C, где S – число сторонников, а C – число критиков.

При необходимости получения более точной информации вместо одного вопроса можно задать несколько, при этом после первого стандартного вопроса использовать более открытые вопросы, не предполагающие численных ответов. Например, узнать причины недовольства критиков.

Ответы «сторонников» показывают сильные стороны компании, места наибольшего развития компании, при этом ответы «критиков» могут определить проблемы внутри компании.

Суть кластеризации клиентской базы состоит в разделении клиентов на группы по схожим характеристикам, но в отличие от сегментирования, количество кластеров, правила отбора в кластеры неизвестны. Важное свойство кластеров – точки внутри кластера должны быть похожи друг на друга. Существуют различные методы, используемые при выполнении группировки данных: K-medians, К-средних, метод нечеткой кластеризации C-средних, нейронные сети, генетические алгоритмы [17] (Anderberg, 1973), [21] (Eisen, Spellman, Brown, Botstein, 1998), [23] (Irizarry, 2003).

Нейронная сеть Кохонена [25] (Kohonen, 1989), [26] (Kohonen, 1982), являясь эффективным инструментом для анализа клиентов, построена из нейронов: один слой единиц (называемых нейронами), а выходной сигнал сети представляет собой просто вектор или скаляр, связанный с каждым нейроном, который называется вектором весов. Количество входных сигналов соответствует количеству характеристик клиентов. А количество выходных сигналов должно соответствовать количеству формируемых кластеров. В качестве характеристик клиентов будем рассматривать грузооборот клиента, рентабельность перевозок, количество договоров на дополнительные услуги, давность заключения договоров, количество заключенных договоров и готовность клиента рекомендовать предприятие.

Заключение

Бесспорно, непрерывное развитие цифровых технологий влияет на стратегическую устойчивость автотранспортного предприятия. Использование информационных технологий означает более легкий доступ к огромной базе клиентов, огромному количеству информации о работниках, маршрутах, транспорте и базах, которую трудно включить в повседневное принятие решений. Традиционные методы обработки данных в управлении автотранспортным предприятием становятся неадекватными. Таким образом, подходы к управлению бизнес-процессами и анализ бизнес-данных являются инструментами, которые можно использовать для оптимизации процессов на предприятии и сбора ценной информации, которая может обеспечить разнообразие материалов для принятия решений для управления стратегической устойчивостью автотранспортного предприятия.

В современном стремительно меняющемся мире для управления стратегической устойчивостью автотранспортным предприятиям следует применять новые методы и стратегии. Автотранспортным предприятиям следует идти в ногу с тенденциями современных технологий в транспортной отрасли, смотреть в будущее и быть готовыми инвестировать в подсистему управления знаниями предприятия.


Источники:

1. Абдикеев Н. М. Управление знаниями корпорации и реинжиниринг бизнеса - М.: ИНФРА-М, 2013.
2. Вертакова Ю.В., Толстых Т.О., Шкарупета Е.В., Дмитриева В.В. Трансформация управленческих систем под воздействием цифровизации экономики: монография - Курск: Изд-во ЮЗГУ, 2017. - 156 с.
3. Галямов А. Ф., Тархов С. В. Управление взаимодействием с клиентами коммерческой организации на основе методов сегментации и кластеризации клиентской базы // Вестник УГАТУ, 2014, Т. 18, № 4 (65), С. 149–156.
4. Григорьева C.В. Формирование системы управления стратегической устойчивостью развития инновационной деятельности организации // Вопросы региональной экономики. 2018, - Т. 36, - № 3, - С. 10-17.
5. Джанетто К., Уилер Э., Управление знаниями. Руководство по разработке и внедрению корпоративной стратегии управления знаниями./ Пер. с англ. Е.М. Пестеревой – М.: Добрая книга, 2005. – 192 с.
6. Демьянова О. Цифровая трансформация деятельности компании в зависимости от стадии жизненного цикла // Проблемы теории и практики управления. - 2018, - №10, - С. 83-94
7. Емельянов Н.В. Цифровизация экономики как фактор обеспечения национальной безопасности России // Экономический рост: проблемы, закономерности, перспективы. - 2019. - №5. - С. 89-93.
8. Иноземцева С. А. Технологии цифровой трансформации в России/ С. А. Иноземцева // Актуальные проблемы экономики, социологии и права. - 2018. - №1. – С. 44-47
9. Кораблев А. Ю. Информационные технологии как фактор повышения конкурентоспособности предприятий малого и среднего бизнеса /А. Ю. Кораблев, Р. Е. Бобкин // Азимут научных исследований: экономика и управление. - 2018. -№ 1. - С. 44-48
10. Ларин О.Н, КуприяновскийВ.П. Вопросы трансформации рынка транспортно-логистических услуг в условиях цифровизации экономики // InternationalJ ournal of Open Information Technologies. - 2018. - №5. - С. 31-35.
11. Меренков А.О. Цифровая экономика: управление на транспорте иинтеллектуальные транспортные системы // E-Management. - 2018. - №1. - С. 11-19.
12. Плотников В.А., Койда С.П. Информационная инфраструктура и ее роль в обеспечении инновационного развития бизнеса // Экономика и управление. - 2014. - № 1 (99). - С. 30-35.
13. Прохоров А., Коник Л. Цифровая трансформация. Анализ, тренды, мировой опыт. - М.: Издательские решения, 2018. - 460 с.
14. Сологубова Г. С. Составляющие цифровой трансформации. - М.: Юрайт, 2020. - 147 с.
15. Селиверстов А. С. Цифровая трансформация в автомобильной промышленности / А. С. Селиверстов, Д. Ю. Уткин, А. Р. Семидотченко, В. В. Постнов. // Молодой ученый. - 2020. - № 7 (297). - С. 188-189.
16. Тугашев A.A. Экономика и логистика в условиях цифровизации транспортной отрасли // Тренды экономического развития транспортного комплекса России: Форсайт, прогнозы и стратеги. - 2018. - №2. - С. 44-53.
17. Anderberg M.R. Cluster Analysis for Applications, Academic Press, New York, London, 1973.
18. Barrett M., Davidson E. and Vargo S. L. Service Innovation In the Digital Age: Key Contributions and Future Directions, MIS Quarterly, 2015, 39(1), pp. 135-154.
19. Bonnet, D., McAfee, A. and Westerman, G. Leading Digital: Turning Technology Into Business Transformation. Boston: Harvard Business Press, 2014.
20. Bouee, C-E. & Schaible, S. Die digitale transformation der industrie. Studie: Roland Berger und BDI. 2015.
21. Eisen M, Spellman P.T., Brown P.O., Botstein D. Cluster analysis and display of genome-wide expression patterns, Proc. Natl. Acad. Sci.USA 95, 1998, 14863–14868.
22. Hafez K., Alghatas F. Knowledge Management in a Virtual Community of Practice using Discourse Analysis // Journal of Knowledge Management, 2007, Vol. 5. No 1. Р. 29–42.
23. Irizarry R.A., et al., Summaries of Affymetrix GeneChip probe level data, Nucleic Acids Res. 31, 2003.
24. Kaltenecker N., Hess T. and Huesig S. Managing potentially disruptive innovations in software companies: Transforming from On-premises to the On-demand’, Journal of Strategic Information Systems, 2015, 24(4), pp. 234-250.
25. Kohonen Т., Self-Organization and Associative Memory Process, Springer-Verlag, Berlin, 1989.
26. Kohonen Т. Analysis of a simple self-organizing process, Biol. Cybern. 44, 1982, 135–140
27. Shaker A.Z. Knowledge sharing and technological capabilities: The moderating role of family involvement // International Journal of Business and Management. 2007, Vol. 15. No 11. Р. 102–118.
28. Smith A.D. Knowledge management strategies: A multi‐case study // Journal of Knowledge Management. 2004, Vol. 8. No 3. Р. 6–16.
29. Tamayo P., Slonim D., Mesirov J., Zhu Q., Kitareewan S., Dmitrovsky E., Lander E.S. Interpreting patterns of gene expression with self-organizing maps: Methods and application to hematopoietic differentiation, Proc. Natl. Acad. Sci. USA 96, 1999, 2907–2912.
30. Tusher V.G., et al., Significance analysis of micro-arrays applied to the ionising radiation response, Proc. Natl. Acad. Sci. USA 98, 2001, 5116–5121.

Страница обновлена: 01.09.2020 в 19:07:29