Качество данных в процессах материально-технического обеспечения и адаптация методологии CRISP-DM

Цель. Модификация методологии межотраслевого процесса интеллектуального анализа данных CRISP-DM для области материально-технического обеспечения (далее — МТО) на основе концепции «данные как стратегический актив» в аспекте обеспечения проектов цифровой трансформации релевантными данными и повышенными показателями результативности.

Задачи. Исследовать эволюцию концепции данных как стратегического актива и определить их значимость в условиях цифровой трансформации; оценить влияние качества данных на эффективность производственных процессов через призму функционирования информационных систем в области МТО; спроецировать и адаптировать этапы методологии CRISP-DM для применения в процессах МТО; разработать дополнительный профильный этап методологии CRISP-DM «Адаптация к управлению данными в области МТО» для ее применения в процессах МТО.

Методология. Исследование базируется на комплексном применении научных методов познания. Системный подход использован для целостного анализа процессов цифровой трансформации и места данных в них. Сравнительный анализ проведен при оценке практик управления данными. Метод моделирования обеспечил научное обоснование проецирования этапов и модификации методологии CRISP-DM для процессов МТО. Статистические методы применены при обработке и интерпретации количественных данных из отраслевых отчетов, а кейс-метод позволил извлечь практические выводы из опыта внедрений информационных систем и практик управления данными. Информационную базу настоящей статьи составили научные публикации российских ученых в области цифровой трансформации, аналитические отчеты и исследования международных консалтинговых компаний (McKinsey, Deloitte, Ernst & Young, Gartner), материалы ведущих российских ИТ-компаний.

Результаты. Выявлена эволюционная трансформация данных в стратегический актив предприятия, раскрыта их роль как ключевого фактора конкурентоспособности в условиях цифровой трансформации. Определены основные составляющие понятия «качество данных», а также показано влияние качества данных на информационные системы и связанные производственные процессы области МТО. Рассмотрен вопрос о применимости методологии СRISP-DM, а также предложена адаптированная и расширенная интерпретация этапов для процессов МТО. Модифицирована методология CRISP-DM в аспекте введения дополнительного этапа «Адаптация к управлению данными в области МТО», ориентированного на повышение устойчивости и адаптивности цепочек поставок на базе анализа данных.

1. Paramita (Guha) Ghosh The evolution of data as an asset // DataVersity. December 9. 2020. URL: https://www.dataversity.net/the-evolution-of-data-as-an-asset/ (дата обращения: 19.11.2024).

2. Xu T., Shi H., Shi Y., You J. From data to data asset: Conceptual evolution and strategic imperatives in the digital economy era // Asia Pacific Journal of Innovation and Entrepreneurship. 2024. Vol. 18. No. 1. P. 2–20. https://doi.org/10.1108/APJIE-10-2023-0195

3. Petzold B., Roggendorf M., Rowshankish K., Sporleder C. Designing data governance that delivers value // McKinsey Digital. June 26. 2020. URL: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/designing-data-governance-that-delivers-value (дата обращения: 19.11.2024).

4. Data as a strategic asset // Deloitte. URL: https://www2.deloitte.com/us/en/pages/consulting/articles/data-strategic-asset.html (дата обращения: 19.11.2024).

5. Лапидус Л. В. Что такое цифровая экономика и Индустрия 4.0? Принципы трансформации и перспективы для бизнеса // Перспективы развития электронного бизнеса и электронной коммерции: материалы IV межфакультетской науч.-практ. конф. молодых ученых (Москва, 13 декабря 2017 г.) / под ред. Л. В. Лапидус. М.: Экономический факультет МГУ имени М. В. Ломоносова, 2018. С. 4–15.

6. Цифровые технологии в логистике и управлении цепями поставок: аналитический обзор / под общ. и науч. ред. В. И. Сергеева. М.: ИД Высшей школы экономики, 2020. 192 с.

7. Reinsel D., Gantz J., Rydning J. The digitization of the world: From edge to core. An IDC White Paper-#US44413318 // Framingham, MA: International Data Corporation (IDC), 2018. 28 p. URL: https://www.seagate.com/files/www-content/our-story/trends/files/idcseagate-dataage-whitepaper.pdf (дата обращения: 25.01.2024).

8. Лапидус Л. В. Синергетические эффекты как результат реализации Data Strategy и стратегия цифровой трансформации // Экономика железных дорог. 2022. № 11. С. 26–39.

9. Трофимов В. В., Трофимова Л. А. О концепции управления на основе данных в условиях цифровой трансформации // Петербургский экономический журнал. 2021. № 4. С. 149–155. https://doi.org/10.24412/2307-5368-2021-4-149-155

10. Аналитика в тренде: Data-driven-подход и современные методы решения бизнес-задач // Forbes. 2023. 12 декабря. URL: https://www.forbes.ru/spetsproekt/501823-analitika-v-trendedata-driven-podhod-i-sovremennye-metody-resenia-biznes-zadac?erid=4CQwVszH9pWuokYkYu7 (дата обращения: 01.12.2024).

11. Data quality is the state of the data, reflected in its accuracy, completeness, reliability, relevance, and timelines // Starburst. URL: https://www.starburst.io/data-glossary/ (дата обращения: 01.12.2024).

12. Data quality: The foundation of effective business analytics // IABAC. October 12. 2023. URL: https://iabac.org/blog/data-quality-the-foundation-of-effective-business-analytics (дата обращения: 12.12.2024).

13. Скворцов Н. DAMA-DMBOK2: трудности перевода // Открытые системы. 2020. 9 апреля. URL: https://www.osp.ru/os/2020/02/13055423 (дата обращения: 12.12.2024).

14. Лапидус Л. В. Системные эффекты от имплементации Data Strategy в стратегию цифровой трансформации на транспорте // Экономика железных дорог. 2022. № 8. С. 17–29.

15. 10 Examples of how Big Data in logistics can transform the supply chain // Datapine. URL: https://www.datapine.com/blog/how-big-data-logistics-transform-supply-chain/ (дата обращения: 18.12.2024).

16. Kendall G. Why UPS drivers don’t turn left and you probably shouldn’t either // The Conversation. January 20. 2017. URL: https://theconversation.com/why-ups-driversdont-turn-left-and-you-probably-shouldnt-either-71432 (дата обращения: 18.12.2024).

17. UPS extends use of Google Cloud data analytics technology // UPS Stories. March 25. 2022. URL: https://about.ups.com/us/en/our-stories/innovation-driven/ups-and-google-cloud.html (дата обращения: 21.12.2024).

18. Davenport T. H., Bean R. Action and inaction on data, analytics, and AI // MIT Sloan Management Review. January 19. 2023. URL: https://sloanreview.mit.edu/article/actionand-inaction-on-data-analytics-and-ai/#article-authors (дата обращения: 21.12.2024).

19. Moore S. Gartner top 10 data and analytics trends for 2019 // Gartner. November 5. 2019. URL: https://www.gartner.com/smarterwithgartner/gartner-top-10-data-analytics-trends (дата обращения: 25.12.2024).

20. Decoding key trends from Gartner’s hype cycle for data management — 2021 report // Indium. February 21. 2022. URL: https://www.indiumsoftware.com/blog/decoding-keytrends-from-gartners-hype-cycle-for-data-management/ (дата обращения: 25.12.2024).

21. Pallotta C. 5 insights from Gartner’s hype cycle for data management: 2022 report // СhaosSearch. September 1. 2022. URL: https://www.chaossearch.io/blog/data-managementhype-cycle-report-gartner (дата обращения: 12.01.2025).

22. Discover the future of data management: 2023 Gartner hype cycle for data management // Denodo. URL: https://www.denodo.com/en/document/analyst-report/gartner-hype-cycledata-management-2023 (дата обращения: 12.01.2025).

23. Gezgin E., Huang X., Samal P., Silva I. Digital transformation: Raising supply-chain performance to new levels // McKinsey. November 17. 2017. URL: https://www.mckinsey.com/capabilities/operations/our-insights/digital-transformation-raising-supply-chain-performance-to-new-levels (дата обращения: 12.01.2025).

24. Redesigning master data management framework to save up to $98 million in procurement spend // Genpact. URL: https://www.genpact.com/insight/harnessing-master-data-managementto-save-up-to-98m-by-improving-spend-visibility-and-compliance (дата обращения: 12.01.2025).

25. Что такое data mining и для чего он применяется? // Kaspersky. URL: https://www.kaspersky.ru/resource-center/definitions/data-mining (дата обращения: 16.01.2025).

26. Data mining concepts // Microsoft Build. October 31. 2023. URL: https://learn.microsoft.com/en-us/analysis-services/data-mining/data-mining-concepts?view=asallproducts-allversions (дата обращения: 16.01.2025).

27. What is data mining? // RightData. URL: https://medium.com/rightdata/what-is-datamining-70978aedf079 (дата обращения: 21.01.2025).

28. How can data mining enhance supply chain management? // Quantzig. February 10. 2025. URL: https://www.quantzig.com/blog/data-mining-supply-chain-management/ (дата обращения: 21.01.2025).

29. Data Mining — интеллектуальный или глубинный анализ данных // Web-Creator. URL: https://web-creator.ru/articles/data-mining (дата обращения: 28.01.2025).

30. CRISP-DM is still the most popular framework for executing data science projects // Data Science PM. November 18. 2024. URL: https://www.datascience-pm.com/crisp-dm-stillmost-popular/ (дата обращения: 10.02.2025).

31. CRISP-DM. Часть 1. Как использование CRISP-DM может улучшить ваши проекты по машинному обучению? // SCMAX. URL: https://scmax.ru/articles/44259/ (дата обращения: 10.02.2025).

32. What is CRISP DM? // Data Science PM. December 9. 2024. URL: https://www.datasciencepm.com/crisp-dm-2/ (дата обращения: 24.02.2025).

33. CRISP-DM: проверенная методология для Data-Scientist-ов // Хабр. May 17. 2017. URL: https://habr.com/ru/companies/lanit/articles/328858/ (дата обращения: 24.02.2025).

34. CRISP-DM // Machine Learning.ru. URL: http://www.machinelearning.ru/wiki/index.php?title=Crisp-dm (дата обращения: 24.02.2025).