Виктор Валентинович Курлов, кандидат технических наук, доцент, доцент кафедры инноватики и интегрированных систем качества; доцент кафедры информационных технологий и математики
190000, Санкт-Петербург, Большая Морская ул., д. 67а
190103, Санкт-Петербург, Лермонтовский пр., д. 44а
Viktor V. Kurlov, PhD in Technology, Associate Professor, Associate Professor of the Department of Innovation and Integrated Quality Systems; Associate Professor of the Department of Information Technology and Mathematics
67 Bolshaya Morskaya str., St. Petersburg 190000
44A Lermontovskiy Ave., St. Petersburg 190103
Мария Александровна Косухина, кандидат экономических наук, доцент, доцент кафедры инновационного менеджмента
197022, Санкт-Петербург, ул. Профессора Попова, д. 5
Mariya A. Kosukhina, PhD in Economics, Associate Professor, Associate Professor of the Department of Innovation Management
5 Professora Popova str., St. Petersburg 197022
Алексей Викторович Курлов, директор Центра «Проектный офис»
199178, Санкт-Петербург, Средний пр. В.О., д. 57/43
Aleksey V. Kurlov, Director of the Center "Project Office"
57/43 Sredniy Prospect V.O., St. Petersburg 199178
Цель. Разработать количественную модель оценки цифровой зрелости промышленного предприятия.
Задачи. Определить понятие цифровой зрелости промышленного предприятия; систематизировать существующие подходы к оценке цифровой зрелости промышленного предприятия; провести критический анализ существующих подходов в аспекте учета требований уровней корпоративной архитектуры TOGAF, требований достоверности результатов оценки; предложить количественную модель оценки цифровой зрелости промышленного предприятия.
Методология. К инструментам исследования, примененным в настоящей статье, относятся методы системного анализа и синтеза, методы экономического анализа для систематизации существующих подходов к оценке степени цифровой зрелости промышленного предприятия, а также методы математической статистики, эконометрического анализа для разработки многофакторной регрессионной модели оценки цифровой зрелости промышленного предприятия с учетом требований процессного подхода.
Результаты. Предложена классификация моделей оценки цифровой зрелости, которая помогает выделить основные подходы к последней и рассмотреть направления деятельности предприятия для оценки уровня его цифровой зрелости, шкалы оценки, методы, используемые при оценке, и область применения моделей, а также применимость таких моделей к комплексной оценке по уровням архитектуры предприятия. Разработана многофакторная регрессионная модель оценки цифровой зрелости предприятия, позволяющая оценить степень влияния каждого направления этой оценки на цифровую зрелость предприятия и дать рекомендации по управлению цифровой зрелостью, которые могут быть использованы при формировании стратегии цифровой трансформации предприятия.
Выводы. В результате систематизации подходов к оценке цифровой зрелости промышленных предприятий выявлено, что в настоящее время применяемые модели преимущественно основаны на экспертных оценках, что приводит к субъективности. В этих моделях используются номинальные и порядковые шкалы, что затрудняет применение аппарата эконометрического анализа. Описанные модели не учитывают соотношение переменных, определяющих цифровую зрелость предприятия и уровней его архитектуры по методике TOGAF, что приводит к «лоскутному» характеру рассмотрения бизнес-процессов промышленного предприятия и, как следствие, отсутствию всесторонней оценки цифровой зрелости. Очевидны, по мнению авторов, неполнота и субъективность существующих моделей оценки, необходимость их модернизации. Авторами предложена модель оценки цифровой зрелости промышленного предприятия, позволяющая решить изложенные проблемы. Коэффициент детерминации построенной модели (R2 = 0,845) свидетельствует о том, что доля общего разброса относительно выборочной средней интегрального показателя оценки цифровой зрелости на 84,5 % объяснена построенной регрессионной моделью. Коэффициент множественной корреляции (Multiple R = 0.919) говорит о силе взаимосвязи между результативной и независимыми переменными. Значение критерия Фишера (F = 102) указывает на высокую значимость построенной многофакторной регрессионной модели. Согласно результатам расчета, к значимым стандартизованным коэффициентам регрессионного уравнения относятся Х1 beta, Х3 beta, Х4 beta, Х5 beta, что позволяет сделать вывод о наиболее сильном влиянии вариации Хi на вариацию результативного признака Y при отвлечении от сопутствующего влияния вариаций других факторов, входящих в уравнение регрессии.
Aim. The work aimed to develop a quantitative model for assessing the digital maturity of an industrial enterprise.Tasks. The work was performed to define the concept of digital maturity of an industrial enterprise; systematize existing approaches to assessing the digital maturity of an industrial enterprise; conduct a critical analysis of existing approaches in terms of taking into account the requirements of the TOGAF corporate architecture levels, the requirements for the reliability of the assessment results; and propose a quantitative model for assessing the digital maturity of an industrial enterprise.Methods. The research tools used in this article include methods of system analysis and synthesis, methods of economic analysis for systematization of existing approaches to assessing the degree of digital maturity of an industrial enterprise, as well as methods of mathematical statistics, econometric analysis for developing a multivariate regression model for assessing the digital maturity of an industrial enterprise taking into account the requirements of the process approach.Results. A classification of models for assessing digital maturity is proposed, which is used to highlight the main approaches to the latter and consider the fields of enterprise activity to assess the level of its digital maturity, assessment scales, methods used in the assessment, and the scope of the models application, as well as the applicability of such models to a comprehensive assessment by levels of the enterprise architecture. A multifactorial regression model for assessing the digital maturity of an enterprise has been developed, which enables to assess the degree of influence of each direction of this assessment on the digital maturity of an enterprise and give recommendations for managing digital maturity, which can be used in the formation of an enterprise digital transformation strategy.Conclusions. The systematization of approaches to assessing the digital maturity of industrial enterprises revealed that the models currently used are mainly based on expert assessments, which leads to subjectivity. These models use nominal and ordinal scales, which makes it difficult to apply the apparatus of econometric analysis. The models described do not take into account the ratio of variables that determine the digital maturity of an enterprise and the levels of its architecture according to the TOGAF method, which results in a “patchwork” nature of considering the business processes of an industrial enterprise and, as a result, the lack of a comprehensive assessment of digital maturity. According to the authors, the incompleteness and subjectivity of the existing evaluation models, as well as the need for their modernization, are obvious. The authors propose a model for assessing the digital maturity of an industrial enterprise, which enables to solve the above problems. The coefficient of determination of the constructed model (R2 = 0.845) indicates that the share of the total scatter relative to the sample average of the integral indicator of digital maturity assessment is 84.5% explained by the constructed regression model. The multiple correlation coefficient (Multiple R = 0.919) indicates the strength of the relationship between the resulting and independent variables. The value of the Fisher criterion (F = 102) indicates the high significance of the constructed multivariate regression model. According to the calculation results, the significant standardized coefficients of the regression equation include Х1 beta, Х3 beta, Х4 beta, Х5 beta, therefore we can conclude that the variation of Х i has the strongest influence on the variation of the resulting attribute Y, when abstracted from the concomitant influence of variations of other factors included in the equation regression.
The authors declare that there are no conflicts of interest present.