Оптимизация операционных затрат в многофункциональной цифровизированной системе на основе результатов предиктивной аналитики на примере авиастроительного предприятия
Авторы
Воронежский государственный технический университет, ВГТУ, Московский проспект, 14, Воронеж, 394026, Россия
e-mail: pgusev@cchgeu.ru
Аннотация
В работе рассматриваются вопросы применения предиктивной аналитики как инструмента коррекции управленческих решений в многофункциональных цифровизированных системах. Рассмотрены факторы, влияющие на размер операционных затрат. Предложено формальные описание трех задач предиктивной аналитики, обеспечивающих поддержку принятия решений при оптимизации операционных затрат. На примере авиастроительного предприятия рассмотрено практическое применение предлагаемых инструментов.
Ключевые слова:
цифровизированная система, предиктивная аналитика, операционные затраты, авиастроительное предприятиеБиблиографический список
1. Вайл П., Ворнер С. Цифровая трансформация бизнеса: Изменение бизнес-модели для организации нового поколения. –М.: Альпина Паблишер, 2019. – 257 с.
2. Хасанов А.Р. Влияние предиктивной аналитики на деятельность компаний // Стратегические решения и риск-менеджмент. 2018. № 3 (108). URL: https://doi.org/10.17747/2078-8886-2018-3-108-113
3. Зайченко И.М., Яковлева М.А. Предиктивная аналитика в управлении цепями поставок // Научный вестник Южного института менеджмента. 2019. № 2. C. 18-23.
4. Гусев П.Ю. Львович Я.Е. Структуризация многофункциональной цифровизированной системы и управление ею на основе оптимизационных моделей дезагрегации ресурсов и объемов деятельности // Моделирование, оптимизация и информационные технологии. 2023. № 11 (4). URL: https://moitvivt.ru/ru/journal/pdf?id=1441. DOI: 10.26102/2310-6018/2023.43.4.004
5. Дорожко И.В., Горохов Г.М., Кириллов И.А. Методический подход к разработке системы поддержки принятия решений оператора автоматизированной системы управления технологическими процессами на основе динамических байесовских сетей // Труды МАИ. 2022. № 125. URL: https://trudymai.ru/published.php?ID=168195. DOI: 10.34759/trd-2022-125-23
6. Рысбай Н. Машинное обучение в передовых исследованиях. Процессы разработки // Вестник науки. 2023. № 5 (62). URL: www.вестник-науки.рф/volume/journal-5-62-2
7. Гаврилина Е.А., Захаров М.А., Карпенко А.П. Количественная оценка метакомпетенций учащихся на основе методов машинного обучения // Наука и образование. 2015. № 4. DOI: 10.7463/0415.0764221
8. Гусев П.Ю. Прогнозирование развития и управление многофункциональной цифровизированной системой с применением методов искусственного интеллекта // Системы управления и информационные технологии. 2023. № 4 (94). С. 4-7.
9. Минаков Е.П., Привалов А.Е., Бугайченко П.Ю. Метод оценивания характеристик цифровых моделей киберфизических систем на основе множественного регрессионного анализа результатов их применения // Труды МАИ. 2023. № 131. URL: https://trudymai.ru/published.php?ID=175925. DOI: 10.34759/trd-2023-131-19
10. Касатиков Н.Н., Брехов О.М., Николаева Е.О. Интеграция технологий искусственного интеллекта и интернета вещей для расширенного мониторинга и оптимизации энергетических объектов в умных городах // Труды МАИ. 2023. № 131. URL: https://trudymai.ru/published.php?ID=175929. DOI: 10.34759/trd-2023-131-23
11. Антропова Е.М., Конкин Н.А. Выбор ансамблевых моделей машинного обучения для прогнозирования полосы когерентности трансионосферных каналов связи // Всероссийские открытые Армандовские чтения «Современные проблемы дистанционного зондирования, радиолокации, распространения и дифракции волн» (Муром, 27–29 июня 2023): сборник трудов. – Муром: Владимирский государственный университет им. Александра Григорьевича и Николая Григорьевича Столетовых, 2023. С. 275-283.
12. Лутай В.Н., Хусаинов Н.Ш. Повышение устойчивости линейной регрессии // Известия ЮФУ. Технические науки. 2022. № 5 (229). URL: https://izv-tn.tti.sfedu.ru/index.php/izv_tn/article/view/707
13. Базилевский М.П. Метод построения неэлементарных линейных регрессий на основе аппарата математического программирования // Проблемы управления. 2022. № 4. C. 3-14. DOI: 10.25728/pu.2022.4.1
14. Кобко Л.И. Комплексный комбинаторный метод построения расписания работы рабочих мест первичных производственных систем // Труды МАИ. 2001. № 3. URL: https://trudymai.ru/published.php?ID=34687
15. Ксенофонтов В.В. Нейронные сети // Проблемы науки. 2020. № 11 (59). URL: https://cyberleninka.ru/article/n/neyronnye-seti-1
16. Гусев П.Ю. Гусев К.Ю. Прогнозирование выполнения производственного плана авиационного предприятия с применением нечетко-нейронной сети // Труды МАИ. 2020. № 110. URL: https://trudymai.ru/published.php?ID=112933. DOI: 10.34759/trd-2020-110-20
17. Gunawardana A., Shani G. A survey of accuracy evaluation metrics of recommendation tasks // Journal of Machine Learning Research, 2009, vol. 10, no. 12. DOI: 10.1145/1577069.1755883
18. Чижов М.И., Скрипченко Ю.С., Гусев П.Ю. Создание имитационной модели цеха производства деталей из полимерно-композиционных материалов // Вестник Воронежского государственного технического университета. 2012. Т. 8. № 12-2. С. 73-75.
19. Чижов М.И., Скрипченко Ю.С., Гусев П.Ю. Имитационное моделирование производства деталей из полимерных композиционных материалов // Компьютерные исследования и моделирование. 2014. Т. 6. № 2. С. 245-252.
20. Степаненко А.С. Роль человеческого фактора в общественном производстве // Научный вестник МГТУ ГА. 2009. № 150. С. 135-138.
Скачать статью