ИТ и прогнозирование экономических процессов



Актуальность прогнозирования объективна и необходимость доказана. На данный момент очень важно понимать, какие будут последствия определённых действий, так как неизвестно будущее явлений. Экономическая деятельность — это именно тот вид деятельности, который требует прогнозирования и, в том числе, планирования. Можно сказать, что этапы, которые проходит прогнозирование далеко не очевидны, к этапам прогнозирования можно отнести организацию, обеспечение, интерпретацию результатов. И именно ИТ могут оказывать значительную помощь на данных этапах.

Ключевые слова: прогнозирование, планирование, ИТ, экономические процессы.

The relevance of forecasting is objective and the necessity has been proven. It is very important to understand at the moment what the consequences of certain actions will be, since the future of phenomena is unknown. Economic activity is exactly the type of activity that requires forecasting, including planning. It can be said that the stages that forecasting goes through are far from obvious, the stages of forecasting include organization, provision, interpretation of results. IT can provide significant assistance in these stages.

Keywords: forecasting, planning, IT, economic processes.

Основным составляющим элементом достаточно эффективной организации управления является прогнозирование. Все потому, что эффективность принимаемых решений — это заслуга качественного прогнозирования различных последствий.

Современный мир невозможно представить без информационных технологий (ИТ). Они охватывают все сферы нашей жизни, включая экономику. Использование ИТ в экономической сфере позволяет улучшить эффективность работы предприятий и организаций, а также осуществлять прогнозирование экономических процессов.

В целях поддержания сферы Информационных технологий государство выполнило следующие действия.

8 июля 2006 года был принят Государственной Думой и одобрен Советом Федераций Федеральный закон «Об информации, информационных технологиях и о защите информации» от 27.07.2006 N 149-ФЗ (последняя редакция) [8].

Также была одобрена Государственная программа «Информационное общество», повышающая качество жизни граждан. В рамках этой программы государство решило реализовать еще одну национальную программу «Цифровая экономика Российской Федерации», ответственным за которую является Министерство цифрового развития.

Далее перечислены причины, по которым широко применяются современные информационные технологии в прогнозировании:

— Трудозатратность и сложность в расчетах алгоритмов прогнозов;

— предъявление высоких требований к качеству разрабатываемых прогнозов.

На данный момент уже существует очень много исследований, а также практических решений проблем прогнозирования в разных областях, например, в науке, технике, демографии или экономике. Эта проблема обусловлена следующими факторами: «масштабами современной экономики, потребностями производства, динамикой развития общества, необходимостью совершенствования планирования на всех уровнях управления, а также накопленным опытом» [1].

Прогнозирование является неотъемлемой частью экономического анализа. Оно позволяет оценивать будущее состояние рынка, принимать обоснованные решения и разрабатывать стратегии развития. С появлением ИТ возможности для прогнозирования значительно расширились. Системы аналитики данных и машинного обучения стали незаменимыми инструментами для работы с большими объемами информации и для выявления трендов.

Прогнозирование — это процесс, при котором составляются прогнозы на основании данных, полученных в прошлом или настоящем времени. Впоследствии эти данные, при необходимости, можно сравнить и построить стратегию на перспективу. К примеру, предприятия могут предположить свои доходы на будущий год, а по происшествии этого года, сравнить с результатами, которые были реально достигнуты. Таким образом, решения, которые принимаются сегодня, обязаны строиться на правильных оценках событий будущего, которые возможно будут развиваться.

ИТ-инструменты также способствуют автоматизации процесса прогнозирования. Возможность быстрого доступа к актуальным данным и использование программного обеспечения для расчета позволяют сократить время на проведение аналитических работ и увеличить точность прогнозов.

Многие специалисты совершенствование прогнозирования видят в развитии информационных технологий, соответствующих этому направлению:

— «рост объемов информации» [3];

— «сложность алгоритмов расчета и интерпретации результатов» [3];

— «высокие требования к качеству прогнозов» [3];

— «необходимость использования результатов прогнозирования для решения задач планирования и управления» [3].

В современном мире онлайн-просторы обильны благоприятными свидетельствами о достижениях разнообразных компаний. Множество текстов говорят о том, что корректная оценка рыночного статуса и его уклонов, а также глубокий анализ товарного и сервисного запроса, экономических дуновений, без сомнения, даруют шанс приблизиться к внушительному приросту прибыли и доскональной оптимизации экономических координат. Владение предвидением будущего предоставляет возможность беспрепятственно и вовремя реагировать на текущие крышесносные события, эффективно вмешиваться для устранения насущных препятствий, а также капитализировать на позитивных тенденциях, молниеносно устраняя негативные. Гораздо важнее уметь строить действия в соответствии с предоставленными прозрениями и анализировать нынешнюю панораму, в угоду обеспечения удачи и продолжительного существования фирме.

Для анализа экономических данных используются различные статистические методы и модели. Они позволяют выявить закономерности и тренды, которые могут быть использованы для прогнозирования будущих экономических процессов.

Например, метод временных рядов позволяет анализировать изменения экономических показателей со временем и на основе полученных результатов строить прогнозы на будущее. Метод регрессионного анализа позволяет определить связь между различными переменными и использовать эту информацию для предсказания будущих значений.

В ходе анализа данного контекста становится ясно, что практика прогнозирования нередко оказывается на распутье, где негативные сценарии не редкость. Примером здесь послужит обзор, представленный информационной службой компании Cisco [2], одной из влиятельных фигур в своей эпохе. В этой публикации подчеркивалась позиция Cisco как символа новой экономики. Весьма символично, но именно в этот период они не сумели предвидеть разразившийся экономический спад 2001 года, что неблагоприятно отразилось на их положении.

Рассмотрев детальнее, оказывается, что ошибку можно свести к чрезмерной самоуверенности компании в своем программном и методологическом аппарате. Предполагалось, что он столь безупречен, что допущение ошибки в прогнозах было крайне маловероятным сценарием.

Это как крошечная трещина в неопалимой уверенности, которая в результате привела к катастрофическому обвалу акций в шесть раз, массовому увольнению (до 20 % сотрудников) и списанию товаров на сумму около 2,2 миллиарда долларов. Последствия анализа обрисовывают картину, в которой кризис стал следствием таинственных факторов, облитых огненной неясностью, таких как дефицит информации или задержки в ее поступлении к аналитикам. Однако корень зла, как мы видим, заложен в методологической уязвимости и ошибочном структурировании методологической основы предприятия. Это именно то, что подрывает адекватность оценок и прогнозов, опирающихся на такие методы. Важно отметить, что, возможно, выбранная в Cisco модель неспособна была полностью и своевременно адаптироваться к динамике изменений на рынке.

С помощью информационных технологий можно повысить точность и правильность прогнозов. Они дают возможность собирать, сохранять и анализировать огромные объемы данных. Это делает прогнозирование более точным, а также обоснованным.

В современном мире, прогнозирование стало настоящим волшебством, где главные роли исполняют технологии машинного обучения и искусственного интеллекта. Как волшебные посохи современности, они призваны автоматизировать таинственный ритуал анализа данных и творения моделей, в итоге подарив прогнозам недостижимую прежде глубину и точность.

Подпитываясь океаном информации и владея магией вычислительных мощностей, они осмеливаются воплотить самые сложные алгоритмы и заложить в модели множество переменных, создавая предсказания, которые словно взяты из будущего. Информационные заклинания мгновенно передают весточки о предсказаниях между членами волшебного круга организации, позволяя им принимать решения с мудростью загадочных пророчеств. Волшебный кристалл быстрого доступа к данным и способность обрабатывать их в реальном времени позволяет мгновенно откликаться на изменения окружающего мира и вносить коррективы в предсказания, как изменения в заклинании.

Таким образом, информационные заклинания играют роль ключа от тайной комнаты точности и правильности предсказаний, открывая дверь к эффективному управлению волшебной организацией будущего.

Обеспечение качества в прогнозировании представляет собой важный фактор, который включает такие аспекты как точность, достоверность и оперативность.

Для достижения высокого качества прогнозирования необходимо учитывать следующие факторы:

— Использование программного обеспечения, основанного на адекватных экономико-математических моделях, а также обеспечение полноты и надежности источников исходной информации, на которой основываются алгоритмы прогнозирования [4];

— обеспечение оперативной обработки как внутренней, так и внешней информации [4];

— навык критического анализа прогнозных оценок [4];

— важность своевременного внесения необходимых изменений в методическое и информационное обеспечение прогнозирования [4].

Современный мир информационных технологий предлагает широкий спектр инструментов и технологий для прогнозирования экономических процессов. Одним из таких инструментов является анализ больших данных, или Big Data. С помощью этой технологии можно обрабатывать и анализировать огромные объемы данных, что позволяет выявить скрытые закономерности.

Анализ экономических тенденций — это всегда не бескрайнее поле для размышлений и поиска новых подходов. Однако, наряду с традиционными методами прогнозирования, заслуживающими уважение, на сцену выходят и совершенно новые игроки. Среди них — нейронные сети, воплощение искусства компьютерного моделирования, схожее с устройством человеческого разума. Эти сущности способны погрузиться в море данных, впитать их, как губка, и выдать прозрения о будущем экономическом полотне. Впрочем, не стоит забывать о том, что малые и средние предприятия сталкиваются с некой дилеммой.

Идеального решения, которое удовлетворяло бы потребности всех, пока что в этой истории не нашлось. Но их главной задачей остается учет и контроль, который становится ключевым в области автоматизированных систем управления.

Технологический прорыв намечает переворот в области экономических прогнозов. Век огромных данных, искусственного интеллекта и обучения машин приносит с собой свои сокровища, предоставляя нам возможность оглядываться в будущее с невиданной доселе глубиной. Однако, как всегда, даже в этой сказочной эпохе есть свои секреты. Обработка обширных данных остается верным вопросом, на который предстоит найти мудрые ответы. Грамотный анализ — ключ к раскрыванию тайн, скрытых в объемных потоках информации.

ИТ-системы способствуют аккумуляции информации из разных источников, включая социальные платформы, Интернет-ресурсы и даже устройства интернета вещей. Тем не менее, для эффективной работы с такой информацией требуются новейшие методики анализа, учитывающие специфические особенности экономических данных. Дополнительное испытание представляет обеспечение надежной защиты данных при внедрении ИТ в сферу прогнозов.

Раз такие экономические сведения могут включать конфиденциальные детали о компаниях или отдельных лицах, обеспечение безопасности становится критически важным аспектом для предотвращения несанкционированного доступа к этой информации.

Далее представлены методологические проблемы построения подсистемы прогнозирования:

1) Разработка структуры и ее внутреннего механизма;

2) необходимость организовать информационное обеспечение;

3) разработка математического обеспечения.

Первая проблема самая сложная, так как для того чтобы выстроить систему прогнозирования надо провести целый ряд сравнительных анализов. «Методы экспертных оценок; методы логического моделирования, математические методики» [5] — это одна из версий классификации методов прогнозирования в целом.

Каждая группа решает определённый круг задач. Таким образом, требования к тем методам, которые используются, должны быть следующими:

— ориентированность под определенный объект прогнозирования;

— качественность меры адекватности.

Основные задачи, которые решаются в процессе создания системы прогнозирования:

— Построение прогнозируемого процесса и показателей [6].

— разработка математической модели прогнозирования экономических и статистических процессов [6];

— конкретизация метода экспертизы, выделение некоторых показателей для экспертной оценки и вынесение экспертного заключения по некоторым процессам и показателям [6];

— прогнозирование показателей, процессов и событий с указанием интервалов точности [6].

— разработка методик интерпретации результатов и их анализа [4].

Так же необходимо выделить работы по информационному обеспечению и математическому обеспечению системы прогнозирования. Процесс по созданию математического обеспечения представляется следующими этапами:

1) «Разработка методики структурной идентификации объекта прогнозирования» [9];

2) «разработка методов параметрической идентификации объекта прогнозирования» [9];

3) «разработка методов прогнозирования тенденций» [9];

4) «разработка методов прогнозирования гармонических составляющих процессов» [9];

5) «разработка методов оценки характеристик случайных составляющих процессов» [9];

6) «создание комплексных моделей для прогнозирования показателей, образующих взаимосвязанную систему» [9].

Комплексное прогнозирование — это неотъемлемый инструмент в мозаике современного информационного обеспечения. Зачастую представляется, что информационное обеспечение системы прогнозирования — это мозговой центр, где в уравновешенной симфонии сливаются и взаимодействуют разнообразные источники формирования информационного фонда, потоки и способы поступления данных. Ведь именно в этой виртуальной вселенной умело встраивается мозаика методов накопления, хранения, обновления и поиска данных, слагающих фундамент информационного фонда.

С каждым этапом этого таинственного процесса мы видим, как методы, принципы и правила циркуляции данных в системе создают сложную паутину, обеспечивающую надежность и достоверность данных на всех этапах их сбора и обработки. Из этой гармонии вырастают методы информационного анализа и синтеза, словно виртуозно исполняемые ноты в музыкальной партитуре. Как ноты в партитуре, экономические данные находят свое место в этой балладе, благодаря способам однозначного формализованного описания. Они воплощаются в базе данных, словно хранящей в себе драгоценные мелодии знаний. Именно так комплексное прогнозирование становится частью большого музыкального произведения информационного обеспечения, где каждая нота данных вносит свой вклад в мелодию будущего.

Компоненты, которые требуются для реализации процесса прогнозирования:

— «источники внутренней информации, которая основывается на системах управленческого и бухгалтерского учета» [4];

— «источники внешней информации» [4];

— «специализированное программное обеспечение, реализующее алгоритмы прогнозирования и анализ результатов» [4].

Помимо того, что было перечислено выше, так же необходимо использовать и определенные технологии по хранению и обмену данными.

Прежде всего, необходимо провести тщательную оценку предсказательных возможностей. Решение задач, связанных с анализом будущего, обладает огромным весом. Если мы учитываем этот аспект, то для адекватной проверки алгоритмов и методов нам необходимо прибегнуть к специально отобранным исходным данным.

Подтвердить качество и подвергнуть верификации наш прогноз можно, прибегнув к следующему методу: модельные значения, полностью известные нам, сравниваются с нашими прогнозами, исследуется также оценка статистических характеристик точности наших прогнозов.

Ниже представлен случай (рисунок 1), в котором модель представляет совокупность тренда Tt, сезонной и случайной составляющей.

Рис. 1. Систематическая составляющая модели [3]

Выше на рисунке представлен тренд в виде параболы второго порядка в качестве иллюстрации тенденции адаптивной модели.

Рис. 2. Сезонная составляющая модели [3]

На вышеприведенном рисунке под номером 2 мы видим, что изображены сезонная составляющая процесса с периодом в 12 месяцев.

Рис. 3. Случайная составляющая модели [3]

На рисунке 3 представлена случайная составляющая модели или, другими словами, случайный компонент.

Рис. 4. Модельные данные (Y) и их прогнозные значения (OY) [3]

На рисунке 4 можно увидеть, как фактическая реализация процесса сравнивается с его прогнозным значением, которое осуществлялось в рамках краткосрочных методов в прогнозировании.

Рис. 5. Абсолютные погрешности прогноза [4]

На рисунке под номером 5 можно увидеть абсолютные ошибки в прогнозах. Как раз-таки по статистическим характеристикам можно оценить качество технологии погрешности оценок прогнозов.

Ниже разберем перспективы в развитии системы прогнозирования.

В настоящее время наблюдается неоспоримый виток популярности в разнообразных программных решениях, цель которых заключается в улучшении сбора и анализа информации [6]. Вкладывая в контекст, необходимо подвинуть на передний план итерацию всем известного инструмента — MS Excel, с его встроенным арсеналом статистических функций, расширяющих горизонты программной деятельности.

На сегодняшний день существует множество программных решений, доступных по вполне разумной цене, способных эффективно решать задачи бухгалтерского и управленческого учета. Тем не менее, несмотря на их многообразие, нельзя не заметить, что вопросы статистического программирования в них остаются недостаточно удовлетворительно решенными. Иногда аналитические возможности этих программных продуктов оставляют желать лучшего, будь то из-за неточностей в реализации или ограниченности функционала. И тем не менее, стоит признать, что даже более мощные и полнофункциональные системы управления не всегда способны удовлетворить все потребности пользователей в анализе данных. Эта ситуация может быть обусловлена недостаточным вниманием разработчиков к аналитическим аспектам или использованием недостаточно критичного подхода к их интеграции.

В пределах рассматриваемой тематики статьи мы углубимся в анализ отечественных банковских систем — их пути развития и становления, вдавшись также в аспект автоматизации. Первые банковские системы, исходившие из глубины времен, прочно утвердились на фундаменте передовых технологий, хотя из времени всплывали потребности в доработках и ревизиях. Важно заметить, что таинство кульминации кроется в усовершенствовании программных компонентов. Этот важный этап подвиг разработчиков финансового программного обеспечения на решительный шаг в направлении интеграции промышленных систем управления базами данных [3]. Однако основная проблема заключалась в том, что такие системы не признавались эффективными для решения аналитических задач на высшем уровне. В этом сложном положении разработчики вынуждены были обратить внимание на дополнительные плацдармы, а именно — на технологии, обеспечивающие хранение данных и оперативную аналитическую обработку. Эти приложения, с нацеленностью на составление прогнозов, твердо сосредоточились на поддержании высокого стандарта.

SAS Churn Management Solution for Telecommunications — это невероятно мощный инструмент в арсенале телекоммуникационных гигантов. Как будто волшебная палочка для операторов связи, оно открывает двери в мир предсказательной аналитики. Заклинание, созданное разработчиками этого программного решения, способно вычислить вероятность ухода клиентов различных сегментов. Это как прорицание с балансом вероятностей в руках. Scalable Performance Data Server — это не что иное, как кузница, в которой кует свои молниеносные молоты это программное волшебство. Основополагающий камень, на котором стоит великое здание аналитических решений. А рядом с ним готовы в бой вступить верные союзники: Enterprise Miner, искусный горец анализа данных, и SAS/MDDB Server, вооруженный мудростью для принятия решений. С таким вооружением, ни один вопрос не останется без ответа, ни одна задача не останется нерешенной.

В таблице 1 ниже приведены другие виды программных решений для прогнозирования с подробным их описанием.

Таблица 1

Виды программных решений для прогнозирования [4]

Для того чтобы хорошо работали такие новые программные системы, как CRM-системы, и была обеспечена их конкурентоспособность на должном уровне, функции отчетности включают технологии OLAP. Эти технологии OLAP дают возможность осуществлять прогнозирование результатов маркетинга, обслуживания клиентов и осуществлённых продаж, в той или иной степени [7]. Так же OLAP обеспечивают не только CRM-системы, но и автоматизированные банковские системы.

SPSS, Statistica — это такие программные продукты, которые имеют специализированный характер, и обеспечивают обработку численных данных в статистике, и так же захватывают отдельные элементы прогнозирования. SPSS, Statistica имеют и плюсы, и минусы. Минусы, конечно же, ограничивают сферу применения на практике.

Стоит отметить, что именно исходя из финансовых интересов эти дорогостоящие информационные системы практически не используются на малых и средних предприятиях, хотя эти системы и являются мощными и решают много задач прогнозирования. Именно поэтому системы бухгалтерского учета управления, которые стоят недорого, очень перспективны для развития аналитических возможностей.

В современном мире разработчики нацелены на обеспечение пользователей целыми гаммами аналитических инструментов, специально созданных для внедрения в программное обеспечение. Эти инструменты, представленные такими грандами как «ПАРУС-Аналитика» и «Триумф-Аналитика» от «Корпорации ПАРУС», ориентированы именно на широкий круг пользователей, преимущественно средних и малых предприятий [8].

Однако, более серьезные аналитические задачи требуют более мощных средств. Ведь управление предприятием в наше время немыслимо без точного предвидения будущего. В этом контексте интеграция инструментов типа «Касатка», MS Project Expert и аналогичных систем прогнозирования становится неотъемлемой частью процесса. «Касатка» выделяется как программное обеспечение, ориентированное на автоматизацию рутины руководителей и высококвалифицированных маркетологов.

В заключении хочется добавить, что, исходя из целей и задач конкретного предприятия или конкретного потребителя, должны выбираться технологии прогнозирования и средства, с помощью которых они будут реализовываться. Прежде всего должен учитываться уровень информационного обеспечения, квалификацию пользователей и множество других различных аспектов. Все вышеприведённое говорит о том, что разработка или адаптация созданного ранее программного обеспечения должны проводиться индивидуально, с учетом специфики той или иной программы.

Литература:

1. Баутов А. Н. Заметки о статье С. А. Кошечкина «Алгоритм прогнозирования продаж в MS Excel», Маркетинг в России и за рубежом, 2022.
2. Беринато С. Что случилось с Cisco? «Директор информационной службы». 2021.
3. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М.: Мир, 2021. Боровиков В. П., Ивченко Г. И. Прогнозирование в системе Statistica в среде Windows. М.: Финансы и статистика. 2021.
4. Иванов П. Управление стихией. Computerwold Россия. 2021. Кильдишев Г. С., Френкель А. А. Анализ временных рядов и прогнозирование. М.: Статистика, 2022.
5. Раяцкас Р. Л. Система моделей планирования и прогнозирования. М.: Экономика, 2019.
6. Редкозубов С. А. Статистические методы прогнозирования в АСУ. М.: Энергоиздат, 2022.
7. Тарасов И. В. Вы уверены, что вам продают CRM? «Директор информационной службы». 2021.
8. Федеральный закон «Об информации, информационных технологиях и о защите информации» от 27.07.2006 N 149-ФЗ (последняя редакция).
9. Шестопалова Н. В. Банковские стихии. Мир ПК. 2021.