Интеллектуализация управления по отклонениям: концепция, принципы и применение

Шабалтина Л.В.¹, Масленников В.В.¹, Калинина И.А.¹
¹ Российский государственный университет им. Г.В. Плеханова

Статья в журнале

Информатизация в цифровой экономике ^{(РИНЦ, ВАК)}
опубликовать статью | оформить подписку

Том 6, Номер 2 (Апрель-июнь 2025)

Цитировать эту статью:

Аннотация:
Исследование посвящено интеллектуализации управления по отклонениям (Management by Exception) за счет внедрения искусственного интеллекта и машинного обучения. Рассмотрены современные подходы к автоматизации выявления, прогнозирования и коррекции отклонений в бизнес-процессах. Особое внимание уделено применению интеллектуальных систем в управлении проектом, автоматизации выявления, классификации и корректировки отклонений, а также применению «светофорной» системы для визуализации критических параметров. Приведены практические кейсы и алгоритмы внедрения интеллектуального управления по отклонениям, а также перспективы его развития в условиях цифровой трансформации. На примерах показано, как интеллектуальные системы повышают точность и скорость управленческих решений. Исследование представляет собой ценный ресурс для руководителей, аналитиков и специалистов, занимающихся оптимизацией бизнес-процессов и внедрением инновационных технологий в управление

Ключевые слова: Управление по отклонениям, интеллектуализация управления, искусственный интеллект, машинное обучение, предиктивная аналитика, цифровая трансформация, «светофорная» система

JEL-классификация: D24, M11, O22, O32

Введение

Современные вызовы, такие как высокая динамика рынков, рост сложности бизнес-процессов и необходимость минимизации издержек, требуют перехода от традиционного управления к интеллектуальным системам. Управление по отклонениям управления по отклонениям (MBE), исторически основанное на реагировании на критические отклонения, трансформируется благодаря внедрению искусственного интеллекта (ИИ) и машинного обучения (ML). И это позволяет не только оперативно выявлять, но и прогнозировать аномалии, а также автоматически корректировать процессы. Авторы исследуют методы интеллектуализации управления по отклонениям MBE, их практическое применение и преимущества для различных отраслей.

Актуальность исследования интеллектуализации управления по отклонениям обусловлена такими факторами как: необходимость проактивного управления, для обеспечения перехода от реагирования к предупреждению отклонений за счет предиктивной аналитики; цифровизация производств, рост объема данных требует автоматизированных решений для их обработки; оптимизация ресурсов, снижение затрат на контроль за счет фокусировки на значимых отклонениях; минимизация человеческого фактора, повышение точности решений благодаря алгоритмам искусственного интеллекта ИИ; интеграция MBE с ИИ особенно востребована в высокотехнологичных отраслях, например, таких как производство электроники, фармацевтика и логистика, где даже незначительные отклонения могут привести к существенным потерям.

Теоретической основой исследования авторов послужили работы классиков менеджмента, таких как Фредерик Тейлор [14] и Генри Файоль [34], а также современные исследования в области цифровизации и ИИ [9-11; 15-16; 20; 21-25; 27-28; 36; 45; 49; 52]. В работах Друри К. [7-8] и Шароватовой Е.А. [18; 26] подробно рассмотрены принципы управления по отклонениям MBE, в то время как исследования Дейвенпорт Tомас Х. [30-31] и Сигел Эрик [50] посвящены применению предиктивной аналитики в управлении. Однако вопросы интеграции управления по отклонениям MBE с ИИ для автоматической корректировки процессов остаются недостаточно изученными, что формирует научный пробел.

Несмотря на обширную литературу по управлению по отклонениям MBE и ИИ, недостаточно изучены автономные системы MBE, требующие минимального вмешательства человека, отсутствуют комплексные исследования, посвященные автоматизации корректирующих действий на основе предиктивных моделей. Также мало изучены практические аспекты внедрения «светофорной» системы в высокотехнологичных отраслях, таких как производство средств измерения.

Целью исследования является анализ возможностей управления по отклонениям в сочетании с современными технологиями, а также разработка практических рекомендаций по его внедрению для повышения эффективности управления.

Новизна представленного исследования заключается в: комплексном анализе интеллектуального управления по отклонениям MBE и сочетании классических принципов управления с современными технологиями ИИ и ML; разработке алгоритмов предиктивного управления — использование временных рядов и компьютерного зрения для прогнозирования отклонений; практических решениях — внедрение «умных» светофорных систем с автоматической корректировкой процессов; отраслевых кейсах применения интеллектуального MBE в производстве точных приборов, управлении цепями поставок и HR-аналитике.

Авторы тестируют гипотезу, что интеграция управления по отклонениям MBE с искусственным интеллектом ИИ и машинным обучением ML позволит не только сократить время реакции на отклонения, но и предотвратить их возникновение, что приведет к значительному повышению эффективности бизнес-процессов.

При проведении исследования авторами использованы методы: теоретический анализ для изучения эволюции управления по отклонениям MBE и его адаптации к цифровой среде; Data-driven подход — применение ML для анализа больших данных и выявления скрытых закономерностей; кейс-стади внедрения интеллектуального MBE в промышленности и логистике; экспериментальные методы — тестирование «светофорных» систем и алгоритмов автоматической коррекции; и сравнительный анализ — оценка эффективности интеллектуального управления по отклонениям MBE против традиционных методов.

Теоретические основы интеллектуализации управления по отклонениям

В условиях стремительной и повсеместной цифровизации и роста сложности бизнес-процессов традиционные методы управления демонстрируют свою ограниченность. Руководители сталкиваются с необходимостью оперативно реагировать на изменения, минимизировать издержки и при этом поддерживать высокое качество продукции и услуг. В этом контексте особую актуальность приобретает интеллектуализация управления по отклонениям (Management by Exception, MBE) — методологии, позволяющей фокусироваться только на критически важных отклонениях от запланированных показателей.

Современный этап развития управления по отклонениям MBE характеризуется интеграцией с технологиями ИИ и ML, что принципиально меняет его природу. Если классическое управление по отклонениям предполагало лишь реакцию на уже возникшие аномалии, то интеллектуальное управления по отклонениям MBE способно прогнозировать отклонения, автоматически корректировать процессы и минимизировать человеческое вмешательство. Такой подход особенно востребован в современных высокотехнологичных отраслях — от точного машиностроения до фармацевтики, где даже незначительные отклонения могут привести к существенным финансовым и репутационным потерям.

Данное исследование посвящено исследованию возможностей интеллектуализации управления по отклонениям. В работе рассматриваются:

• теоретические основы эволюции MBE в цифровую эпоху;

• практические аспекты внедрения ИИ и ML для предиктивного анализа;

• кейсы применения интеллектуального MBE в различных отраслях;

• перспективы дальнейшего развития методологии.

Для начала определимся, что подразумевается под управлением по отклонениям, принципы и структура метода, а также его преимущества и недостатки. Начнем с определения:

• Управление по отклонениям (Management by Exception, MBE) – это метод управленческой деятельности, при котором внимание руководства сосредотачивается только на значительных отклонениях фактических показателей от запланированных, требующих принятия решений [17].

Основная цель метода управления по отклонениям – это рационализация управленческих процессов за счет концентрации внимания на критически важных вопросах и проблемах, вместо рутинного контроля всех аспектов деятельности.

Этот подход впервые был описан в трудах Фредерика Тейлора и Генри Файоля, а позднее развит в рамках управленческого учета и системы управленческого контроля [1].

• Принципы управления по отклонениям, включают (табл. 1) [6-8].

Таблица 1. Принципы управления по отклонениям

№	Принцип	Содержание
1	фокус на значимых отклонениях	руководители анализируют только те показатели, которые выходят за пределы допустимых границ
2	стандартизация целевых показателей	четко определены нормативные значения, при выходе за которые требуется вмешательство
3.	распределение полномочий	текущий контроль выполняется подчиненными, руководители включаются только при существенных проблемах
4	своевременное принятие решений	методика предполагает оперативную реакцию на отклонения для минимизации их последствий
5	оптимизация информационных потоков	сокращается объем информации, поступающей руководителю, за счет фильтрации нерелевантных данных

Источник: разработано авторами

3. Структура процесса управления по отклонениям [20; 26]:

• Определение ключевых показателей (KPI) – установка целевых значений (например, производительность, себестоимость, уровень брака).

• Мониторинг и сбор данных – фиксация текущих значений с использованием IT-систем (ERP, BI, MES).

• Выявление отклонений – автоматизированный анализ или отчетность сотрудников о критических изменениях.

• Классификация отклонений – распределение по степени критичности (незначительные, существенные, критические).

• Принятие решений – корректировка планов, оптимизация процессов, перераспределение ресурсов.

• Контроль результатов – оценка эффективности принятых мер, корректировка системы управления.

Пример: в производственном процессе контроль качества может быть основан на управлении по отклонениям:

• если процент брака ≤ 2%, процесс продолжается без вмешательства;

• если отклонение достигает 5%, включаются корректирующие меры.

4. Преимущества и недостатки метода управления по отклонениям [35]:

Плюсы:

• Сокращение нагрузки на управленческий персонал.

• Ускорение процесса принятия решений.

• Уменьшение бюрократии в организации.

• Фокусировка на стратегически важных задачах.

Минусы:

• Возможность пропуска незначительных, но накапливающихся проблем.

• Требование четко настроенных систем мониторинга.

• Сопротивление изменений среди сотрудников, привыкших к полному контролю.

5. Применение управления по отклонениям [12; 13]

• Финансовый менеджмент – контроль затрат и выявление значительных перерасходов.

• Производство – автоматизированные системы контроля качества (например, SPC-карты).

• Логистика – мониторинг сроков поставок, анализ нарушений в цепочках поставок.

• Продажи и маркетинг – анализ резких отклонений спроса или динамики выручки.

• Кадровый менеджмент – контроль уровня текучести персонала, выявление проблемных зон.

Пример: в управленческом учете компании анализируются отклонения фактических затрат от бюджетных:

- если разница фактических затрат от бюджетных ≤ 10%, корректировки не требуются;

- если разница фактических затрат от бюджетных> 20% – инициируется расследование причин перерасхода.

Управление по отклонениям [33; 37; 39; 40; 48] – это ключевой инструмент для эффективного менеджмента, позволяющий сосредоточиться на действительно важных проблемах, минимизируя рутинные вмешательства. Этот подход особенно актуален в условиях цифровизации, где автоматизированные системы позволяют мгновенно выявлять значительные отклонения и своевременно реагировать на них.

Интеграция управления по отклонениям с ИИ и машинным обучением

Современные методы управления по отклонениям (MBE) трансформируются с развитием искусственного интеллекта (ИИ) и машинного обучения (ML). Теперь компании могут не только реагировать на отклонения, но и предсказывать их и автоматически корректировать.

1. Как искусственный интеллект (ИИ) и машинное обучение (ML) улучшают управление по отклонениям [29; 47].

• Автоматизация мониторинга и выявления отклонений [32; 38; 46]:

• ИИ анализирует поток данных в реальном времени и определяет значимые отклонения от целевых значений;

• исключается человеческий фактор, повышается точность анализа;

• используются методы предиктивной аналитики, прогнозирующие будущие проблемы.

Пример: в управлении производством ИИ анализирует показатели качества продукции и предсказывает рост брака, что позволяет принять меры заранее.

• Предиктивный анализ отклонений [42; 43]:

• используются алгоритмы машинного обучения, обученные на исторических данных;

• ML-алгоритмы выявляют скрытые закономерности, которые могут привести к отклонениям;

• формируются предупреждения и рекомендации для корректировки процессов до возникновения проблемы.

Пример: и управлении складом ИИ анализирует запасы, учитывает сезонные колебания и прогнозирует дефицит или избыток товаров, корректируя заказы.

• Автоматическая корректировка отклонений [44; 51]:

• внедрение самообучающихся систем, которые не просто фиксируют отклонения, а автоматически вносят корректировки;

• использование цифровых двойников, которые моделируют процессы и тестируют оптимальные решения;

• реализация адаптивных систем управления, которые меняют параметры в реальном времени.

Пример: в управлении логистикой система AI анализирует задержки транспорта и автоматически корректирует маршруты.

2. Применение ИИ и ML в управлении по отклонениям [19] (табл. 2)

Таблица 2. Преимущества применения ИИ и ML по сферам в управлении по отклонениям [46]

№	Сфера применения	Как работает ИИ	Преимущества
1	Производство	- анализ датчиков IoT - прогноз поломок оборудования	- снижение простоев - повышение эффективности
2	Финансовый менеджмент	- выявление аномалий в расходах - выявление аномалий в транзакциях	- уменьшение рисков - предотвращение мошенничества
3	Логистика	- прогнозирование задержек - оптимизация маршрутов	- сокращение времени доставки
4	Клиентский сервис	- анализ отзывов - прогноз оттока клиентов	- улучшение клиентского опыта
5	HR и управление персоналом	- оптимизация расписания - прогноз увольнений	- снижение текучести кадров - эффективное планирование

Источник: разработано авторами

3. Внедрение ИИ в управление по отклонениям [41; 2] (табл. 3)

Таблица 3. Этапы внедрения ИИ в управление по отклонениям

№ этапа	Наименование этапа	Действия этапа
Этап 1	Сбор данных	интеграция с ERP, MES, CRM, IoT, BI-системами
Этап 2	Обучение моделей ML	анализ исторических данных, выявление закономерностей
Этап 3	Разработка предиктивных алгоритмов	прогнозирование возможных отклонений
Этап 4	Автоматизация корректирующих действий	внедрение адаптивных решений
Этап 5	Мониторинг и постоянное обучение системы	корректировка алгоритмов по мере накопления данных

Источник: разработано авторами

4. Преимущества интеграции ИИ в управление по отклонениям

• ранняя диагностика проблем – возможность предотвращать отклонения, а не устранять последствия;

• снижение операционных затрат – автоматическое регулирование процессов сокращает издержки;

• гибкость и адаптивность – система сама подстраивается под изменяющиеся условия;

• высокая точность и минимизация человеческого фактора – решения принимаются на основе данных, а не интуиции;

• повышение скорости реакции – мгновенное принятие решений без участия человека.

Пример: при управлении продажами AI прогнозирует изменения спроса и автоматически корректирует закупки товаров, минимизируя складские издержки.

5. Направления развития управления по отклонениям с ИИ

• Генеративный ИИ (ChatGPT, Copilot, Google Bard) – автоматическая аналитика и генерация управленческих решений.

• Глубокое обучение (Deep Learning) – анализ сложных взаимосвязей в больших данных.

• Синергия с блокчейном – прозрачное хранение данных об отклонениях и корректировках.

• Полностью автономные системы управления – минимизация участия человека в операционных процессах.

Пример: в будущем производство может быть полностью автоматизировано, где AI-система сама выявляет и устраняет отклонения без участия человека.

Интеграция ИИ в управление по отклонениям позволяет компаниям предвидеть проблемы, автоматически корректировать процессы и повышать эффективность бизнеса.

Машинное обучение делает анализ данных более точным и предиктивным, а автоматизация снижает влияние человеческого фактора.

будущем системы самообучающегося управления позволят компаниям полностью избавиться от реактивного подхода и перейти к проактивному управлению.

Применение методики «Светофор» для производственных задач

Внедрение «светофорной» системы (зеленый/желтый/красный) для целей управления производственными процессами позволяет быстро выявлять отклонения, принимать решения и предотвращать сбои. Рассмотрим, как настроить такой механизм.

1. Основной принцип работы «светофора» в управлении по отклонениям - Система классифицирует задачи по степени критичности:

🔴 Зеленый – процесс в норме, вмешательство не требуется.

🔴 Желтый – есть незначительные отклонения, нужен мониторинг.

🔴 Красный – критические отклонения, требуется срочное вмешательство.

Приведем примеры критериев критичности отклонений для производственного цеха (табл. 4):

Таблица 4. Критерии критичности отклонений для производственного цеха [10]

Показатель	🔴 Норма	🔴 Отклонение	🔴 Критично
% брака	<2%	2–5%	> 5%
Простои оборудования	<30 мин/смена	30–60 мин	> 60 мин
Выполнение плана	95–100%	85–94%	<85%

Источник: разработано авторами

2. Алгоритм внедрения «светофора» на производстве

Выберите показатели, которые напрямую влияют на производственную эффективность (табл. 5)

Таблица 5. Показатели напрямую влияющие на эффективность

Шаг 1.
Определить ключевые контрольные точки (KPI)	Качество	- % брака - % рекламаций
	Производительность	- выполнение плана - общая эффективность оборудования
	Логистика	- сроки поставок - уровень запасов
Шаг 2.
Установить границы отклонений	Статистический анализ		- исторические данные
	Экспертные оценки		- нормативы от технологов
	Benchmarking		- сравнение с лучшими практиками
Шаг 3.
Автоматизировать контроль	MES-системы (Manufacturing Execution System)		- мониторинг в реальном времени
	Панель управления		- дашборды (Power BI, Tableau) с цветовой индикацией
	Оповещения		- Telegram, email, при переходе в желтую/красную зону
Шаг 4.
Прописать регламент действий	Пример для 🔴 «Красной зоны» по простоям		Причина: поломка конвейера. Действия: • мастер останавливает линию. • сервисная бригада устраняет неисправность. • логисты корректируют график отгрузок. Профилактика: внеплановый ТО оборудования

Источник: разработано авторами

3. Интеграция с ИИ для «умного» светофора

Чтобы система не просто фиксировала отклонения, но и предсказывала их:

• Прогнозные модели (ARIMA, LSTM) – предупреждают о рисках до их возникновения.

• Компьютерное зрение – автоматический контроль качества (например, через камеры).

• Рекомендательные системы – подсказывают оптимальные корректировки.

Пример: датчики вибрации на станке → ИИ прогнозирует износ → Система переключает статус в 🟡 и назначает ТО.

4. Преимущества подхода «Светофор» для производственных задач

• Наглядность – вся информация в «одном окне».

• Оперативность – минимизация времени реакции.

• Проактивность – прогнозные модели снижают количество сбоев.

5. Ошибки внедрения подхода «Светофор» для производственных задач

• Слишком жесткие границы – постоянные «ложные тревоги».

• Отсутствие регламентов – сотрудники не знают, что делать при 🔴.

• Ручной ввод данных – задержки в обновлении статусов.

«Светофорная» система – достаточно простой, но мощный инструмент для управления производством. В сочетании с цифровизацией и ИИ она переходит от реактивного к превентивному контролю.

Интеллектуализация управление по отклонениям при производстве средств измерения

В производстве высокоточных приборов (например, датчиков давления, расходомеров, ваттметров, аналитического оборудования) критичны качество, соблюдение допусков и сроки. Рассмотрим конкретные примеры настройки «светофорного» контроля.

1. Ключевые контрольные точки (KPI) и их границы (таблицы 6-8)

Таблица 6. Производство механических компонентов [4] (например: корпус ИМТУ, корпус датчиков, штоки, мембраны)

Показатель	🔴 Норма	🔴 Отклонение	🔴 Критично
Допуск размеров (мкм)	±5	±6–10	> ±10
Шероховатость поверхности (Ra)	≤0.8 мкм	0.9–1.2 мкм	> 1.2 мкм
Время обработки (на деталь)	15±1 мин	16–18 мин	> 18 мин
Действия	- соответствие стандартам	- проверка станка и оснастки - выборочная проверка качества деталей	- остановка станка, проверка оснастки - перепроверка партии бракованных деталей

Источник: разработано авторами

Таблица 7. Сборка электронных модулей [5] (например: платы усилителей сигнала, АЦП)

Показатель	🔴 Норма	🔴 Отклонение	🔴 Критично
Пайка (дефекты на плату)	0	1–2	≥3
Дрейф параметров (тест)	±0.1%	±0.2–0.5%	> ±0.5%
Время цикла сборки	30±2 мин	33–40 мин	> 40 мин
Действия	- соответствие стандартам	- калибровка паяльной станции - проверка подачи припоя	- остановка и проверка станции - перепроверка партии бракованных деталей

Источник: разработано авторами

Таблица 8. Калибровка и финальное тестирование (например: поверка датчиков температуры) [3]

Показатель	🔴 Норма	🔴 Отклонение	🔴 Критично
Погрешность (от эталона)	≤0.05%	0.06–0.1%	> 0.1%
Время калибровки	10±1 мин	12–15 мин	> 15 мин
Температурный дрейф*	±0.01%/°C	±0.02–0.05%/°C	> ±0.05%/°C
Действия	- соответствие стандартам	- проверка прибора для повторной юстировки - проверка калибровочного стенда	- изъятие прибора для повторной юстировки - проверка калибровочного стенда

Источник: разработано авторами

2. Интеграция с ИИ и автоматизацией

Для повышения точности контроля:

- Прогнозные модели

• Анализ временных рядов (ARIMA/Prophet): предсказывает рост погрешности калибровки на основе истории.

• Компьютерное зрение: автоматический контроль качества пайки (OpenCV + YOLO).

- Автоматические корректировки

• Станки с ЧПУ: подстройка параметров реза при отклонении шероховатости.

• Роботы-сборщики: остановка конвейера при обнаружении дефекта камерой.

3. Панель управления для мониторинга

Отображает в реальном времени (дашборд рис. 1):

• Статус линий (цветовые метки).

• Топ-3 отклонения.

• Рекомендуемые действия (на основе ИИ).

Рисунок 1. Панель управления руководителя производства

Источник: разработано авторами

4. Отраслевая специфика

Для средств измерения особенно важны:

• Метрологическая прослеживаемость – все этапы должны фиксироваться (для сертификации).

• Чувствительность к внешним факторам (температура, вибрации) – нужны дополнительные датчики.

• Жесткие стандарты (ГОСТ, ISO 9001) – границы «светофора» должны их учитывать.

Примеры использования метода «Светофор»

Пример 1: Производство и контроль качества. На заводе по производству электроники внедрена цветовая маркировка отклонений в качестве продукции:

🔴 Зеленый – изделие соответствует стандартам.

🔴 Желтый – незначительные отклонения, требуется дополнительная проверка.

🔴 Красный – брак, продукция подлежит утилизации или доработке.

Пример 2: Управление оборудованием и ТОиР (TPM). На машиностроительном предприятии применяется система визуального контроля состояния оборудования:

🔴 Зеленый – оборудование работает без сбоев.

🔴 Желтый – выявлены отклонения, требуется плановое техническое обслуживание.

🔴 Красный – аварийное состояние, необходимо срочное вмешательство.

Пример 3: Управление персоналом и безопасностью, В строительной компании внедрена система оценки физического и эмоционального состояния сотрудников:

🔴 Зеленый – работник здоров, выполняет норму.

🔴 Желтый – работник перегружен, требуется перерыв или перераспределение нагрузки.

🔴 Красный – работник в критическом состоянии, требуется медицинская помощь.

Методика «Светофор», применяемая для производства средств измерения, обеспечивает:

• быстрое выявление проблем – мгновенная визуальная диагностика ситуации;

• простота восприятия всеми сотрудниками – цветовая кодировка понятна без сложных отчетов

• ускорение выпуска – за счет автоматизации рутинных проверок

• гарантию точности – интеграция с ИИ для предиктивного контроля

• минимизацию потерь – позволяет оперативно устранять отклонения, снижая простой и брак, за счет мгновенного реагирования

• гибкость и масштабируемость – может использоваться в любом бизнес-процессе, от производства до логистики.

• повышение вовлеченности персонала – сотрудники сами участвуют в мониторинге процессов

Выводы исследования

• Интеллектуализация MBE за счет ИИ и ML позволяет перейти от реактивного к предиктивному и адаптивному управлению.

• Автоматизированные системы снижают нагрузку на персонал и повышают точность контроля за счет исключения человеческого фактора.

• «Светофорные» системы с цветовой индикацией упрощают мониторинг и ускоряют реакцию на отклонения.

• Внедрение интеллектуального MBE требует четких регламентов, качественных данных и адаптации сотрудников к новым технологиям.

• Наибольший эффект от интеллектуализации MBE наблюдается в производстве, логистике и управлении качеством.

Заключение

Интеллектуализация управления по отклонениям открывает новые возможности для повышения эффективности бизнес-процессов. Интеграция ИИ и ML превращает MBE из инструмента реагирования в систему проактивного управления, способную прогнозировать и предотвращать риски. Дальнейшее исследование направлено на разработку автономных систем, полностью исключающих человеческое вмешательство в операционные процессы. Внедрение интеллектуального MBE особенно актуально для компаний, стремящихся к цифровой трансформации и устойчивому развитию в условиях Индустрии 4.0.

Особое внимание авторы уделяют «светофорным» системам визуализации отклонений, которые в сочетании с алгоритмами ИИ становятся мощным инструментом интеллектуализации оперативного управления. Результаты исследования демонстрируют, что интеллектуализация управления по отклонениям MBE не только повышает эффективность бизнес-процессов, но и создает основу для перехода к автономным, самообучающимся системам управления будущего.

Практическая значимость:

Материалы исследования будут полезны руководителям предприятий, специалистам по цифровой трансформации и исследователям в области управленческих технологий, заинтересованным в практическом применении современных методов анализа данных для принятия управленческих решений, а также применимы в работе руководителями, IT-специалистами и аналитиками для внедрения интеллектуальных систем управления в производственных, логистических и финансовых процессах.

Источники:

1. Ансофф И. Стратегическое управление: Экономика. - Москва, 1989. – 303 c.
2. Болдычева А. Г. Аналитика больших данных для динамического планирования и управления запасами // Аудитор. – 2024. – № 11. – c. 38-49.
3. Бродников А.Ф., Вихарева Н. А. Поверка и калибровка средств измерений температуры. / учебное пособие. - Новосибирск: Сибпринт, 2021. – 132 c.
4. Принципы структурирования и коды. ГОСТ Р 58908.1—2020 Промышленные системы, установки, оборудование и промышленная продукция. [Электронный ресурс]. URL: http://gost.gtsever.ru/Data/741/74180.pdf (дата обращения: 24.05.2025).
5. Электронные модули (IEC 62421:2007, ЮТ). ГОСТ Р МЭК 62421—2016 Технология электронного монтажа. [Электронный ресурс]. URL: https://files.stroyinf.ru/Data2/1/4293749/4293749956.pdf (дата обращения: 24.05.2025).
6. Драккер П.Ф. Управление, нацеленное на результаты. / пер. с англ. - М.: Технологическая школа бизнеса, 1994. – 191 c.
7. Друри К. Управленческий и производственный учёт. Водный курс (5-е изд.). - М.: Юнити-Дана, 2016. – 735 c.
8. Друри К. Управленческий учет для бизнес-решений. / Учебник / Пер. с англ. - М. : ЮНИТИ-ДАНА, 2017. – 655 c.
9. Гохберг Л. М., Туровец Ю. В., Вишневский К. О. Искусственный интеллект в России: технологии и рынки. / Нац. исслед. ун-т «Высшая школа экономики». - М. : ИСИЭЗ ВШЭ, 2025. – 148 c.
10. Лукинов В.А., Соколов Д.А. Роль искусственного интеллекта в цифровой трансформации современной России // Научное обозрение. Технические науки. – 2023. – № 2. – c. 38-43. – url: https://science-engineering.ru/ru/article/view?id=1432.
11. Яковлева Е.А., Виноградов А.Н., Александрова Л.В., Филимонов А.П. Роль технологий искусственного интеллекта в цифровой трансформации экономики // Вопросы инновационной экономики. – 2023. – № 2. – c. 707-726. – doi: 10.18334/vinec.13.2.117710.
12. Семенов В. И. // Планово-экономический отдел. – 2017. – № 7. – url: https://www.cfin.ru/management/manufact/diff.shtml?printversion.
13. Тебекин А.В., Мантусов В.Б. Управление организацией: теоретико-методологические основы, функциональные задачи, технологии, прикладные аспекты применения. / монография. - M.: РИО Российской таможенной академии, 2016. – 312 c.
14. Тейлор Ф.В. Принципы научного управления. / The Principles of Scientific Management. - Harper & Brothers, New York, 1911.
15. Тренды и развитие искусственного интеллекта (ИИ) // https://roscongress.org/materials/trendy-i-razvitie-iskusstvennogo-intellekta-ii/?utm_referrer=https%3A%2F%2Fwww.yandex.ru%2F (дата обращения: 03.06.2025)
16. Тренды развития ИИ в России Как искусственный интеллект обретает лицо и теряет свободу. [Электронный ресурс]. URL: https://www.kommersant.ru/doc/6559938 (дата обращения: 10.02.2025).
17. Управление по исключениям // Современные технологии управления. [Электронный ресурс]. URL: https://sovman.ru/articletop/tekhnologii-upravleniya/upravleniye-po-tselyam/upravleniye-po-isklyucheniyam/ (дата обращения: 24.05.2025).
18. Лабынцев Н.Т., Шароватова Е.А.; Кручанова Н.В. Управленческий учет в системе менеджмента организации. / монография. - Ростовский государственный экономический университет "РИНХ" (Ростов-на-Дону), 2017. – 403 c.
19. Черемохин М. Агрегатор сервисов In Scale. Предиктивная аналитика: 3 метода и системы. [Электронный ресурс]. URL: https://in-scale.ru/blog/prediktivnaya-analitika/ (дата обращения: 24.03.2025).
20. Шабалтина Л. В., Масленников В. В., Микалина М. Р. Управление жизненным циклом высокотехнологичной продукции: влияние теории ограничений и цифровой зрелости // Цифровое общество: научные инициативы и новые вызовы: Сборник научных трудов IХ Всероссийской научно-практической конференции, Москва, 15 ноября 2024 года. Москва, 2024. – c. 32-37.
21. Шабалтина Л.В., Гарнова В.Ю., Чеснокова В.Р. Управление организацией при цифровой трансформации бизнеса // Научные исследования и разработки. Экономика фирмы. – 2020. – № 4. – c. 4-14.
22. Шабалтина Л.В., Масленников В.В. Управление цифровой трансформацией организаций с применением искусственного интеллекта // Вопросы инновационной экономики. – 2023. – № 2. – c. 771-784. – doi: 10.18334/vinec.13.2.118231.
23. Шабалтина Л. В., Масленников В. В. Формализация понятия цифровой зрелости в процессе развития организации // Шаг в будущее: искусственный интеллект и цифровая экономика. Техноэкономика: трансформация платформ: Сборник статей Международного научного форума. Москва, 16–17.02.2023 г. – Москва: РЭУ им. Г.В. Плеханова. Москва, 2023. – c. 267-274.
24. Шабалтина Л. В., Масленников В. В. Цифровая трансформация основа интеграции цифровых технологий в модель развития нового технологического уклада // Финансовый бизнес. – 2022. – № 11. – c. 104-111.
25. Шабанова В.А., Ибрагимов Р.Р., Шабалтина Л.В. Применение технологий искусственного интеллекта в управлении маркетингом // Управление в России: проблемы и перспективы. – 2023. – № 4. – c. 25-40.
26. Шароватова Е.А., Магомедова Р.Н. Управление по отклонениям: современная техника взаимосвязи бюджетной и учетной информации // Международный бухгалтерский учет. – 2020. – № 1. – c. 17 – 29.
27. Artificial Intelligence for the Real World. Thomas H. Davenport, Rajeev Ronanki. Harris // Harvard Business Press, Jan 1, 2018
28. Artificial Intelligence: A Modern Approach (основы ИИ для управления процессами). Stuart Jonathan Russell, Peter Norvig. Pearson, 2021 - С: 1168
29. Thomas H. Davenport, Jeanne G. Harris Competing on Analytics: The New Science of Winning (основы data-driven управления). - Harvard Business Press, 2007. – 218 p.
30. Davenport T. H., Beck J. C. The Attention Economy: Understanding the New Currency of Business. - Harvard Business School Press, 2001.
31. Davenport, Thomas H.; Leibold, M.; Voelpel, S. (2006). Strategic management in the innovation economy. Strategy approaches and tools for dynamic innovation capabilities. Wiley. pp. 441
32. Goodfellow I., Bengio Y., Courville A. Deep Learning (применение глубокого обучения для анализа отклонений). - MIT Press, 2016. – 800 p.
33. Drucker P. The Practice of Management. Harper & Row (1954). - Taylor & Francis Group, 2017. – 370 p.
34. Fayol H. Administration industrielle et générale. - Paris. — Dunod et Pinat, 2016. – 174 p.
35. Gabriel Smith. Management by Exception: What is It and How Does it Work? // Pricefx / March 20th, 2023 (Updated 07/17/2024) / [электронный ресурс] URL: https://www.pricefx.com/learning-center/management-by-exception-what-is-it-and-how-does-it-work (дата обращения 24.05.25) URL: https://www.pricefx.com/learning-center/management-by-exception-what-is-it-and-how-does-it-work (дата обращения: 24.05.25).
36. Halpern N., Mwesiumo D., Suau-Sanchez P., Budd T., Bråthen S. Ready for digital transformation? The effect of organizational readiness, innovation, airport size and ownership on digital change at airports // Journal of Transportation Management. – 2021. – № 101949.
37. Harold Koontz, Cyril O\'Donnell McGraw-Hill. Principles of Management: An Analysis of Managerial Functions. 1955 - Industrial management - 664 pages
38. Sozinova A. A., Ilyina E. N., Shabaltina L. V. Hi-tech production based on intelligent machines in emerging economies in Industry 4.0: a source of new quality of economic growth or a path to socio-economic crisis // International Journal of Economic Policy in Emerging Economies. – 2024. – № 3/4. – p. 368-380.
39. Horngren, C. et al. Cost Accounting: A Managerial Emphasis. Charles T. Horngren, Srikant M. Datar, George Foster Pearson Prentice Hall, 2020 - Business & Economics - 868 pages
40. Hyndman, R.J., & Athanasopoulos, G. (2018) Forecasting: principles and practice (методы прогнозирования в управлении), 2nd edition, OTexts: Melbourne, Australia
41. Ismanov I. N., Muminova E. A., Rasulova Sh. X., Shabaltina L. V. Influence of financing innovations on information systems management in the digital economy // Proceedings on Engineering Sciences. – 2024. – № 3. – p. 251-260.
42. Machine Learning Yearning (практическое применение ML в автоматизации решений). Andrew Ng, Tuan Bui/. [Электронный ресурс]. URL: https://www.dbooks.org/d/1501-1590481125-f7313dbf5ade5fa0/(датаобращения (дата обращения: 24.05.2025).
43. Machine, Platform, Crowd: Harnessing Our Digital Future (автономные системы в менеджменте). Andrew McAfee, Erik Brynjolfsson W. W. Norton & Company, Jun 27, 2017 - Business & Economics - 288 pages
44. Managing the Digital Economy: Directions, Technologies, and Tools / L. V. Shabaltina, E. N. Egorova, I. A. Agaphonov, L. V. Ermolina // Digital Economy: Complexity and Variety vs. Rationality, Vladimir, 17–19.04.2019 г. – Vladimir: Springer Nature, 2020. – P. 168-174
45. Prediction Machines: The Simple Economics of Artificial Intelligence (экономика ИИ-решений). Ajay Agrawal, Joshua Gans, Avi Goldfarb / Harvard Business Press, Apr 17, 2018 - Computers - 272 pages
46. Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking (ML для управления бизнес-процессами). - Publisher: O’Reilly Media, 2013.
47. Robert Newton Anthony, John Dearden, Richard F. Vancil., R.D. Irwin, Management Control Systems: Cases and Readings, 1965 - С: 686
48. Scenario of Hi-Tech Growth of Innovative Economy in Modern Russia / A. I. Pakhomova, R. A. Yalmaev, E. V. Belokurova, L. V. Shabaltina // The 21st Century from the Positions of Modern Science: Intellectual, Digital and Innovative Aspects, Nizhny Novgorod, 23–24 мая 2020 года. Vol. 91. – Cham: Springer, 2020. – P. 544-551
49. Shabaltina, L. V. Digital Development Management Strategy of Organizations Based on Digital Maturity Parameters / L. V. Shabaltina, V. V. Maslennikov, E. V. Popova // II International Scientific Forum on Sustainable Development of SocioEconomic Systems (WFSDS 2022), Zoom, 23–24 декабря 2022 года. – Zoom: LLC Institute of Digital Economics and Law, 2022. – P. 854-858
50. Siegel Eric . Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die Hardcover – January 1, 2013Siegel, E., Predictive Analytics: The Power to Predict Who Will Click, Buy, Lie, or Die (методы прогнозного моделирования)/ Publisher: Wiley Publishing ISBN:978-1-119-14567-7 Published:11 January 2016 Pages:368
51. The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World (универсальные ML-модели для управления). Pedro Domingos Penguin UK, Sep 22, 2015 - Science - 352 pages
52. Shabaltina L. V., Maslennikov V. V., Popova E. V., Gonchukova S. A. Trends in the Development of Digital Transformation of Organizations based on Artificial Intelligence // II International Scientific Forum on Sustainable Development and Innovation (WFSDI 2023): Conference Proceedings, Porto, Portugal, 27–28 апреля 2023 года. – Ekaterinburg: Institute of Digital Economics and Law LLC. Ekaterinburg, 2024. – p. 382-386.

Страница обновлена: 30.06.2025 в 11:24:34

Подробнее об авторах: