Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: XCIX Международной научно-практической конференции «Актуальные вопросы экономических наук и современного менеджмента» (Россия, г. Новосибирск, 06 октября 2025 г.)

Наука: Экономика

Секция: Управление проектами

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Чикаревский В.С. ЦИФРОВАЯ ЗРЕЛОСТЬ ОРГАНИЗАЦИЙ КАК ФАКТОР УСПЕШНОЙ РЕАЛИЗАЦИИ МЕДИАПРОЕКТОВ // Актуальные вопросы экономических наук и современного менеджмента: сб. ст. по матер. XCIX междунар. науч.-практ. конф. № 10(82). – Новосибирск: СибАК, 2025. – С. 122-138.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

ЦИФРОВАЯ ЗРЕЛОСТЬ ОРГАНИЗАЦИЙ КАК ФАКТОР УСПЕШНОЙ РЕАЛИЗАЦИИ МЕДИАПРОЕКТОВ

Чикаревский Владислав Сергеевич

аспирант, Государственный Университет Управления,

РФ, г. Москва

АННОТАЦИЯ

В статье рассматривается цифровая зрелость организаций как ключевой фактор успешной реализации медиапроектов в условиях стремительной цифровизации медиарынка. Автор анализирует существующие модели цифровой зрелости (Digital Maturity Model, Digital Transformation Index, DBA, Forrester 4.0) и выявляет их ограниченность в применении к медиапроизводству, отличающемуся фрагментарным жизненным циклом. Предлагается собственная методика оценки цифровой зрелости медиасубъектов, включающая восемь аспектов деятельности: стратегию и управление, данные и аналитику, технологическую инфраструктуру, процессы и автоматизацию, продукт и аудиторию, монетизацию и права, организационную культуру и экосистему. Для каждого аспекта формируются метрики и показатели, на основе которых рассчитывается индекс цифровой зрелости. Особое внимание уделяется взаимосвязи «мягких» и «жёстких» факторов (культура, компетенции, лидерство vs технологии, инфраструктура, инструменты), влияющих на эффективность медиапроектов. Предложенная система позволяет не только диагностировать текущее состояние медиапроизводства, но и формировать управленческие решения, направленные на повышение конкурентоспособности и устойчивости медиакомпаний в цифровой среде.

 

Ключевые слова: цифровая зрелость, медиапроизводство, медиапроект, цифровая трансформация, модель цифровой зрелости, индекс цифровой зрелости, KPI, управление медиакомпанией, цифровая инфраструктура, Learning and Development (L&D), организационная зрелость.

 

Успешность любой деятельности во многом определяется способностью исполнительных структур ставить и решать задачи, обеспечивающие получения желаемого результата. Поэтому трансформация медиапроизводства становится фактором повышения его эффективности во всех ее аспектах, если объективно возникающие проблемы могут быть успешно решены организацией независимо от ее уровня. При этом важно учитывать, что эти проблемы надо решать в условиях, когда стремительная цифровизация медиарынка радикально меняет способы разработки, производства, дистрибуции и монетизации контента. Что конкурентную среду формируют не только классические медиакомпании, но и технологические платформы, сервисы потокового видео, создатели-индивидуалы и бренды с собственными студиями. Поэтому обостряются проблемы достижения того, что принято называть цифровой зрелостью организации, под которой следует понимать ее системную способность быстро адаптироваться к изменениям в цифровой среде, управлять данными на всех стадиях жизненного цикла медиапроекта и извлекать экономическую ценность из новых технологий, включая аналитику, облака, автоматизацию, искусственный интеллект.

В современном дискурсе понятие цифровой зрелости всё чаще рассматривается не как статическая характеристика, а как динамический объект управления, требующий постоянного анализа, корректировки и развития. В связи с этим возникла потребность в создании специализированных инструментов, позволяющих измерять и управлять этим процессом. Одним из наиболее распространённых инструментов стала модель цифровой зрелости (Digital Maturity Model) — концептуальная и аналитическая рамка, которая служит ориентиром для оценки текущего состояния цифровой трансформации организации и определения направлений её дальнейшего роста.

В современной управленческой и исследовательской практике термин «цифровая зрелость» (Digital Maturity) всё чаще рассматривается не просто как уровень внедрения технологий, а как комплексная характеристика управляемого организационного развития, отражающая степень готовности компании функционировать и эффективно конкурировать в условиях цифровой экономики. Сегодня цифровая зрелость выступает как объект стратегического управления, что делает необходимым использование специализированных инструментов диагностики, анализа и прогнозирования, позволяющих измерять степень цифровой трансформации и планировать её дальнейшее развитие.

Одним из наиболее известных и методологически проработанных инструментов такого рода является модель цифровой зрелости (Digital Maturity Model). Её цель — оценить текущее состояние цифрового развития организации, определить, какие направления требуют улучшения, и выработать дорожную карту цифровой трансформации. Модель не только позволяет сопоставлять результаты разных компаний, но и служит инструментом управленческого самоанализа, помогая выстраивать стратегию цифрового роста с учётом реальных возможностей и ограничений бизнеса.

Характерным примером подобной системы можно считать модель, предложенную компанией Deloitte, которая стала одной из наиболее цитируемых и практико-ориентированных в международной бизнес-среде. Согласно этому подходу, цифровая зрелость оценивается по пяти ключевым измерениям, охватывающим все сферы деятельности организации:

1 Потребители (Customer) — анализ того, как организация взаимодействует с клиентами в цифровой среде. Включает такие аспекты, как степень персонализации клиентского опыта, интеграция цифровых каналов продаж, использование аналитики данных для прогнозирования поведения потребителей, а также качество обратной связи.

2 Стратегия (Strategy) — отражает, насколько цифровые инициативы встроены в общую стратегию развития компании. Оценивается наличие долгосрочного плана цифровой трансформации, способность руководства принимать решения на основе данных (data-driven management), а также гибкость стратегии в ответ на технологические изменения.

3 Технологии (Technology) — характеризует уровень развития ИТ-инфраструктуры, включая автоматизацию процессов, внедрение облачных и гибридных решений, использование искусственного интеллекта, машинного обучения, интернета вещей и других инновационных технологий.

4 Операции (Operations) — фокусируется на цифровизации производственных, логистических и управленческих процессов. Здесь оцениваются такие показатели, как эффективность внутренних процессов, интеграция цифровых инструментов в управление ресурсами (ERP-системы), уровень прозрачности цепочек поставок и скорость реакции на изменения внешней среды.

5 Организация и культура (Organisation & Culture) — определяет готовность сотрудников и корпоративной структуры к цифровым изменениям. Сюда относятся цифровые компетенции персонала, открытость инновациям, готовность к постоянному обучению, стиль лидерства и степень внутренней коммуникационной связности.

Эти пять измерений включают 28 субизмерений и детализируются 179 количественными и качественными индикаторами, что делает модель чрезвычайно многоуровневой и аналитически насыщенной. Подобная структура подчёркивает системность подхода: чем сложнее объект управления — тем более детальной должна быть его модель. Вместе с тем, чрезмерная детализация делает систему громоздкой: расчёты требуют значительных ресурсов, а интерпретация данных становится сложной без применения специализированных аналитических инструментов.

Со временем исследователи и консалтинговые компании предложили альтернативные версии моделей цифровой зрелости, стремясь сделать их более адаптивными и прикладными. Среди них можно выделить:

  • Индекс цифровой трансформации (Digital Transformation Index) — концентрируется на скорости и глубине внедрения цифровых технологий, а также на их влиянии на бизнес-модели компаний.
  • Модель цифровых компетенций бизнеса (Digital Business Aptitude, DBA) — делает акцент на развитии человеческого капитала, цифровых навыков и способности организации обучаться и адаптироваться.
  • Модель цифровой зрелости Forrester 4.0 — интегрирует подходы системного анализа и ориентирована на устойчивое развитие бизнеса в условиях технологических изменений, уделяя особое внимание взаимосвязи стратегии, технологий и клиентского опыта.

Несмотря на различия между моделями, их объединяет общая идея: цифровая зрелость определяется степенью интеграции и эффективности использования информационно-коммуникационных технологий (ИКТ) во всех аспектах деятельности организации.

Ключевые компоненты этого подхода включают:

  • Развитие человеческого капитала: повышение цифровых компетенций сотрудников, наличие квалифицированных ИКТ-специалистов, внедрение систем непрерывного обучения (LMS-платформ).
  • Интеграция цифровых решений: использование ERP, CRM, BI-систем и инструментов аналитики больших данных, что обеспечивает прозрачность и управляемость процессов.
  • Информационная безопасность: создание устойчивых систем защиты данных и обеспечение киберустойчивости бизнеса.
  • Гибкость технологической архитектуры: способность быстро адаптировать инфраструктуру под новые задачи, развивать внутренние ИТ-разработки и использовать принципы DevOps и CI/CD.
  • Инновационная культура: поддержка экспериментов, стимулирование внутренних цифровых инициатив, создание среды для генерации и тестирования новых идей.

Неотъемлемым элементом цифровой зрелости выступает веб-зрелость (Web Maturity) — степень, в которой организация взаимодействует с внешним миром в цифровом пространстве. Этот параметр отражает не только наличие и функциональность корпоративного сайта, но и уровень вовлечённости в цифровые экосистемы:

  • использование платформ электронной коммерции;
  • ведение цифрового маркетинга и продвижение в социальных сетях;
  • организация онлайн-коммуникации с клиентами и партнёрами;
  • аналитика пользовательского поведения и цифровых каналов.

Таким образом, модель цифровой зрелости представляет собой интегрированный управленческий инструмент, позволяющий комплексно оценивать состояние цифровой трансформации организации, выявлять сильные и слабые стороны, сопоставлять себя с отраслевыми ориентирами и формировать обоснованную стратегию дальнейшего развития.

Она объединяет технологические, организационные, культурные и поведенческие факторы, формируя единое представление о том, насколько эффективно компания использует цифровые возможности для достижения своих стратегических целей. Рассматривая сегодняшние управленческие практики оценки цифровой зрелости, надо признать, что подавляющее множество моделей ориентировано на банковский сектор, ритейл (розничную торговлю), материальное производство. Поэтому они практически не учитывают специфику медиапроизводства, где жизненный цикл отличается высокой фрагментарностью: pre-production(разработка идеи, сценария, питчинг), production (съёмки или запись), post-production (монтаж, цветокоррекция, звук, VFX), distribution/publishing (платформы, телевидение, соцсети) и, наконец, стадия роста и удержания аудитории (маркетинг, аналитика вовлечённости, комьюнити-менеджмент). Поэтому в них не представлены ключевые медиааспекты, без чего объективно оценить зрелость медиапроизводста и ее связи с результатами медиапроектов невозможно.  

Успешность в достижении цифровой зрелости медиапроектов оценивается множеством разнотипных ключевых показателей эффективности (KPI -Key Performance Indicator), отражающих результаты деятельности в достижении поставленных целей. Как любое качественно определенное количества они должны отвечать требованиям предметности, точности, конкретность и принципам SMART. Эффективным можно считать такой показатель, который интегрирован в систему метрик по принципу «результат – фактор», что позволяет рассматривать производственную эффективность как управляемый объект. Вследствие этого цифровая зрелость становится предметом анализа и объектом управленческого воздействия. При оценке цифровой зрелости важно учитывать, с одной стороны, уровень организационной зрелости компании — включая аспекты корпоративной культуры, компетенций и лидерства, а с другой — влияние внешней среды, выраженное в правовых ограничениях, платформенной зависимости, особенностях локальных рынков, моделях монетизации и инфраструктурных факторах, определяющих развитие медиапроизводства в цифровой экосистеме. Успешность управления в этом контексте определяется пониманием того, насколько гармонично взаимодействуют «мягкие» элементы (культура, навыки, лидерство) и «жёсткие» компоненты (технологии, инфраструктура, инструменты) цифровой зрелости, а также тем, как их взаимосвязь влияет на эффективность медиапроектов.

Считаем, что наиболее полным будет представление, основанное на наблюдении явлений и процессов, представляющих:  стратегию и ее представление в управлении; данные и их использование в аналитической работе; технологическая инфраструктура, архитектура которой обеспечивает реализацию технологических процессов в их разнообразии;  процессы и степень их автоматизации;  продукция как объект, предназначенный для удовлетворения конкретного спроса со стороны аудитории; монетизация и права, во многом определяющие медиапроизводство как объекты экономики и права; организация деятельности людей и культура их отношений.

Для каждого из явлений и процесса вводится своя метрика, которая представляет собой соответствующую шкалу измерения конкретного параметра. Использование ее в наблюдении реального объекта в реальных условиях места и времени определяет каждому явления меру – качественно определенное количество. Если речь идет о конкретном явлении, не подлежащем какому-либо деагрегированию на составляющие, то соответствующий показатель выступает как элементарный, входящий в соответствующее множество элементарных. Определяя отношение к элементарным показателям, надо отметить, что каждый из них уже самодостаточен потому, что выступает источником знаний: что имеем и какие произошли изменения. В то же время должны понимать, что он является характеристикой того явления, которое определяет явление более высокой степени общности/высокого порядка. И как следствие, его показатель выступает фактором, определяющим значение показателя явления более высокого порядка, а в последующем и показателем того явления, которое определяется как степень цифровой зрелости объекта, будь то компания, ее подразделение, проект.

Решение вопроса метрики конкретного сталкивается с тем, что проявление свойства данного явления может принимать форму наличия или отсутствия данного атрибута, предопределяя использования шкалы измерения атрибутивного признака: 0 – нет, 1 – есть. Поэтому, когда рассматривается совокупность явление-признаков, то выполняется процедура обобщения множества оценок: 0;1 При этом не исключается процедура простого суммирования, принимая условия, что все явления равнозначны. Однако любое обращение к множеству различных качеств приводит в первую очередь к заключению о их неравнозначности: одни более значимы, другие менее значимы. Поэтому и равные оценки отличного, будь то 0 и 0 или 1и 1, неравнозначны и, как следствие, обобщению подлежат количества разного качества. Чтобы не допустить такое, расчет обобщающего показателя основан на учете веса/значимости элементарного, в связи с чем будем иметь

Расчет подобного рода показателей связан с трудностями в первую очередь с установлением весов элементарного в их множестве, представляющем общее. Если речь идет о степени зрелости, то значимость ее фактора в их множестве представляет собой меру влияния на зрелость как общее. Такие меры можно установить аналитически, опираясь на множество наблюдений, используя при этом технологии Big data- аналитики, в том числе для познания неочевидных связей и зависимостей. Правда отметим, что нам не известны примеры таких исследований, что с неизбежностью приводит к использованию экспертных оценок, методология которых насчитывает многие десятилетия. Результатом может стать система показателей весов явлений цифровой зрелости, которая может быть или индивидуальной, поскольку разработана и применима в отношении конкретного объекта, или групповой, если используется в отношении группы объектов, или общепризнанной, когда используется всеми объектами без исключения. Проблема весов значимости возникает, когда, имея при сравнении двух объектов А и В:

 ,

отмечаем, что изучаемое различие вызвано не только отличием в части показателей конкретных явлений    , но и различиями в весах значимости  и . И как следствие, в первом случае исследования можно производить только в отношении конкретного объекта, так как его система весов отлична от системы весов других, что делает объекты несопоставимыми, так как несопоставимы и оценки схожего во всех отношениях. В случае групповой системы весов значимости становится возможным объективное изучение реального положения в области зрелости в рамках группы объектов, выявляя объективное различие их и в элементарном, и частном, и общем, так как согласно:

 ,

 равенство весов в сравнении друг с другом исключает их влияние на оценки, которые представляют различия явлений как таковых. И сопоставимыми можно считать меры зрелости для всего множества объектов, если система весов едина для всех.

Многообразие явлений подлежащих наблюдению при всем значении отражения их присутствия как такового предопределяет различие степени проявления конкретных свойств, качеств, которые с использованием количественных шкал получают количественную меры. В частности, в случае рассмотрения явлений, относящихся к стратегии и управлению, имеем, что утвержденный документ, закрепляющий стратегию проекта, отражается признаком наличия (да/нет), дополненный датой утверждения и владельца, определяющий в конечном итоге кто и какие изменения в стратегию может вносить.  Как представить факт наличия такого явления в данном случае скорее всего можно, если перейти к бальной оценке, оценивая в балах актуальность документа и уровень документа. Тогда будем иметь 0-если документ отсутствует, а далее целочисленное значение из последовательности: или 1-4, или 1-5. Аналогично имеем в случае OKR (Objectives and Key Results) - системы, которая помогает фокусироваться на действительно важных целях компании, определясь в отношении ее наличия, регулярности использования и эффективности постановки синхронизации и мониторинга целей и ключевых показателей на уровне организации, команды конкретного исполнителя. И представлять такое явление можно на основе балльной оценки, воспользовавшись скорее всего шкалой 0-10.

Данный пример, высветил еще одну проблему: сопоставимости значений признаков, измеряемых по отличным шкалам. Если признаки получают разное измерение по различным шкалам, то в случае их обобщения имеет место совокупность несоизмеримых элементов. Статистическая теория и практика рекомендует в таком случае от абсолютных мер переходить к относительным, то есть индексам.  В нашем случае подобный индекс, рассчитывается как отношение данного значения к максимально возможному, рассчитывая для измеряемого признака:

x по шкале 0-4 – его относительный уровень  , где  ;

y по шкале 0-5 его сравнительный уровень   , где   ;

z по шкале 0-10 его сравнительный уровень   , где   .

Сопоставимость признаков определяется тем, что их индексы измеряют достигнутый уровень из максимально установленного. Так оценивается каждое явление и, как следствие, феномен любой степени общности.

В этом случае их обобщением будет выступать общий индекс, рассчитываемый согласно формуле среднего индекса. Поэтому индекс – оценка феномена, определяемого x, y, z, рассчитывается согласно:

.

Даная формула выступает в качестве информационной модели среднего уровня, согласно которой величина средней изменяется за счет изменения вариантов. Такая модель служит инструментом изучения, позволяя определить: что произошло с данным феноменом и как феномен отреагирует на конкретных мероприятия.

Воспользовавшись   , , , будем иметь:

 

Здесь   представляет изменение феномена F в связи с изменением явления х. Поскольку подобное имеет место и для остальных явлений, то в виде числовой модели имеем:  .

Представленный граф взаимосвязи показателей цифровой зрелости и ее факторов (см. рисунок 2) отражает подход, при котором оцениванию подлежат следующие явления, относящиеся к конкретным аспектам деятельности медиасубъекта.

 

Рисунок 1. Взаимосвязи показателей цифровой зрелости и ее факторов

 

1. Стратегия и управление

1.1. Утвержденный документ стратегии, дата разработки, ответственный

 1.2. Система OKR (Objectives and Key Results), ориентированная на систему ключевых показателей эффективности/результативности KPI, регулярность использования, результаты – целесовпадения;

1.3. Комитет\совет по данным и медиапродукту, регулярность в работе, уровень представительств, использование результат в решениях вопросов структур проекта и задачи

1.4. Роли и ответственные, представленные продукт-оунером, техпродюсером, службой data lead, обеспечивая взаимодействие с потребителями медиапродукта, DPO - ответственными за обеспечение защиты персональных данных организации и соответствия ее деятельности требованиям законодательства

1.5. Система бюджетирования с использованием подхода, предусматривающего периодизацию в исполнении бюджетов, бюджетирование по этапам.

1.6. Объем средств бюджета различных уровней, связанных с использованием цифровых технологий.

2. Данные и их использование в аналитической работе (в аналитике)

2.1. Единая модель данных, представляющих контент и его аудиторию, состояние рынков медиапродуктов, степень монетизации и доходы.

2.2. Метаданные: методология таксономии, системы стандартов, использование универсальных идентификаторов (Identifier), обеспечивая отражение жанров, тегов, прав, окон, высокий уровень реализации стандартизированного подхода, в минимальной степени допуская какого-либо вида пропуски.

2.3.Инструменты анализа: отслеживание событий, совершаемых пользователем сайта (трекинг событий) с выходом на аналитику ключевых воронок процесса реализации медиапродукта,  A/B- тестирование для сравнения эффективности вариантов медиапродукта, представленное частотой A/B-экспериментов, модели атрибуции для определения поведения пользователей на сайте, модели машинного обучения, с одной стороны, исполнение запроса в максимальной степени сокращая время и использование рекомендаций в совершенствовании деятельности, с другой стороны,

2.4.Система стратегическое управления данными (Data governance) через фреймворк, который включает в себя систему правил, процессов, политик и зон ответственности, обеспечивая качество данных, формирование систематизированных их наборов при высоких требованиях безопасности и доступности.

3. Технологическая инфраструктура, ее архитектура

3.1.MAM/ DAM-система, система индексирования и пополнения документов в хранилищах, системы работы с прокси и готовым продуктом, системы контроля качества (QC), использование процедур render/encode при работе с графикой, сеть доставки контента CDN (Content Delivery Network), не исключая присутствие системы OTT.

3.2. Интеграция систем управления цифровым контентом класса (CMS) и информационных систем класса CRM (Customer Relationship Management) для реализации аналитики как внутренних процессов создания медиапродукта, так и его использования с целью определения рекламной политики, в первую очередь, на основе концепции рекламного кабинета, а также монетарной политики

3.3. Использование публичных, частных и гибридных облачных инфраструктур, а также систем централизованного управления вычислительными ресурсами — серверами, базами данных, сетевыми и иными компонентами — посредством принципов инфраструктуры как кода (IaC, Infrastructure as Code). Реализация непрерывной интеграции и доставки (CI/CD, Continuous Integration / Continuous Delivery) обеспечивает автоматизацию жизненного цикла разработки программного обеспечения — от сборки и тестирования до развертывания и обновления. В дополнение к этому внедряются интеллектуальные системы мониторинга, предоставляющие целостное представление о состоянии инфраструктуры и динамике нагрузки для своевременного реагирования на изменения спроса.

3.4. Применение ключевых метрик RPO (Recovery Point Objective) и RTO (Recovery Time Objective) позволяет формировать архитектуру надежного резервного копирования и восстановления данных, обеспечивая баланс между скоростью восстановления и допустимой потерей информации. Эти показатели служат основой для оценки уровня устойчивости критически важных систем, а также для анализа масштабов, частоты и эффективности использования механизмов резервирования и восстановления.3.5. Интеграция данных с использованием программного интерфейса API, описывающего взаимодействие компьютерных программ, и шины данных: получающей сообщения и распределяющая их по адресатам согласно настройкам маршрутизации и правил безопасности.

3.6. Утилизация в операционной системе пакетов устаревших кодеков (программ для обработки аудио- и видеоданных), которые не используются или не поддерживают современные форматы.

4. Процессы и их автоматизация

4.1. Сквозной пайплайн: pre-prodprodpost-proddistribution/publishin → рост/ретеншен.

4.2. Автоматизированные шаги пайплайна в наличии и по продолжительности цикла.

4.3.Автоматизация рутины: процессов управления версиями, приведения финального монтажа к исходным материалам (конформинг), преобразования файла из одного метода кодирования (т.е. формата файла) в другой (транскодинг), тестирование продукта и анализ технической документации перед передачей её в разработку (QA - Quality Assurance), контроля качества уже созданного продукта (QC - Quality Control)

4.4. Канбан-доска и система критериев Definition of Ready (DoR) и Definition of Done (DoD), а также контроль их соблюдения по спринтам для команд исполнителей в рамках гибких методологий Scrum и Scrumban.

4.5. Система, обеспечивающая поддержание для команд исполнителей требуемого уровня сервиса (SLA — Service Level Agreement) на основе показателей эффективности функционирования (SLI — Service Level Indicator), рассматриваемых как метрики достижения целевых значений качества сервиса (SLO — Service Level Objective).

5. Продукт и аудитория как объект удовлетворения спроса

5.1. Предпроектное изучение спроса с использованием подхода, который помогает понять настоящие мотивы и потребности потенциальных клиентов (JTBD - Jobs to Be Done).

5.2. Эксперименты с использованием технологий A/B- тестирования для сравнения эффективности вариантов медиапродукта, представленные частотой A/B-экспериментов, удельным весом конечных медиапродуктов, прошедших A/B-тестирование,

5.3. Контентная персонализация: персонализированные плейлисты, ленты, рекомендации по ускоренному запуску приложения, улучшению общего быстродействия, выходу на новые уровни серверов Rust.

5.4. Когортный анализ поведения пользователей, разделенных на группы, с целью оценки эффективность. Когортная аналитика: изучение повторных обращений по системе D1/D7/D30, использование метрик VTR (view-through rate),

5.5. Технологии виртуализации вычислений (VT -Virtualization Technology) и ввода-вывода (VT-d - Virtualization technology for directed I/O), их использование:

5.6. Каналы привлечения трафика (органический, платный, партнерской), их использование.

6. Монетизация и права

6.1. Модели ценообразования видео по запросу: «по подписке на видео по запросу» SVOD, «оплата за просмотр» TVOD и «Видео по запросу на основе рекламы» AVOD, их сочетание Hybrid, процесс купли/ продажи через интернет. 

6.2. Концепции интеграции брендов и тотального брендинга и использование в продвижении контента

6.3. Управление правами доступа к контенту, объемы разрешений и отказов по видам доступа, случаи несоблюдения/нарушения. Практика исключения и ограничения исключительного права, предоставляемого законом, клиринг музыки/архивов

6.4. Технические средства защиты прав - управление цифровыми правами (DRM – digital rights management). Адаптивная аутентификация пользователей веб и мобильных платформ, системы предотвращения и выявления мошенничества, блокирования доступа,

6.5. Модели и инструменты сквозной атрибуции доходов, позволяющей распределить между различными каналами и точками взаимодействия с клиентом с целью конверсии активов, серий, кампании.

7. Организация деятельности людей и культура их отношений

7.1. Организационная готовность: культура, компетенции, лидерство, адаптация сотрудника в коллектив

7.2. Управление персоналом с использованием метрик FTE (Full-Time Equivalent): оптимизация планирования ресурсов, финансовая отчетность, управление учебными программами, анализ производительности труда

7.3. Цифровая грамотность сотрудников: развитие компетенций IТ-персонала и повышение уровня цифровой осведомлённости работников; внедрение принципов Learning and Development (L&D) для формирования профессиональных цифровых навыков и активного участия персонала в цифровой трансформации. Определение индекса цифровой вовлечённости личности в использование информационно-коммуникационных технологий.

7.4. Продуктовый подход в управления проектом: от гипотезы к реализации. Структурированные встречи команды в конце каждой итерации, спринта, проекта: регулярность, конверсия конкретных действия (аction items). Процессные метрики эффективности и результативности выполнения определенных бизнес-процессов. Отчеты по завершению проекта, анализ - «безопасность для ошибок»

7.5. Кроссфункциональные команды. Структуры в сочетаниях: редакция, техника/технология, данные, маркетинг. Отношения в команде. Эффективность деятельности.

8. Экосистема медиаорганизации

8.1. Платформы из Интернета: требования и интеграция.

8.2. Регуляторика - регуляторная политика (regulatory policy) в отношении персональных данных, авторского права, лицензий, маркировок как реализация государственного регулирования аспектов деятельности

8.2. Инфраструктура: каналы связи, распределённая сеть серверов CDN (Content Delivery Network), локальные/международные облака.

8.3.Партнёрства: разработчики ИТ-продуктов и решений – вендоры, которые продают лицензии на них другим, студии, продакшены, специалисты фриланс-пулов,.

8.4. Инциденты несоответствия деятельности законодательству, внутренним политикам, этическим стандартам и общепринятым нормам поведения. Практика оценки воздействия/атак на систему защиты персональных данных (DPIA -Data Protection Impact Assessment)

8.5. Соблюдение соглашений с вендорами, сетями доставки контента, процессы адаптации нового партнера (онбординг)

Объективность и достоверность оценок обеспечивает обращение в первую очередь к документам медиакомпании, которые ведутся, в том числе с целью предания осуществляемыv действиям юридической силы. Сталкиваясь с большим количеством разнообразных документов, успех обеспечит участие компетентных команд, наделенных знаниями, умениями и навыками, позволяющим решит задачу отбора соответствующих документов и их изучение. В частности, для оценки технической инфраструктуры по меньшей мере потребуются: архитектурные схемы, соглашение об уровне обслуживания со стороны исполнителей, например, провайдеров информационных платформ, программы для автоматической установки и обновления драйверов, договора с облаками и сетями, акты о проведении мониторингов, а управление «игрой по правилам», минимизируя риски и укрепляя доверие со стороны клиентов и партнёров - реестр рисков, руководство DPIA (Data Protection Impact Assessment) по оценка воздействия на защиту персональных данных, политика ИИ, политика маркировки, технологии проверки подлинности и происхождения онлайн-контента (Content Credentials) на открытых стандартах, созданных C2PA, реестр прав, реестр лицензий.

Другим источником сведений выступает диагностический опрос, который обеспечивает успех при выполнении очень жестких условий: четко обозначенный темой круг вопросов, формулировка вопросов, обеспечивающая однозначную трактовку интереса и ожидаемых ответов, взаимосвязь вопросов, обеспечивая не только представление системного объекта. но и эффективный логический контроль.

Обобщение оценок явлений в их множестве использует систему весов значимости явлений среди множества, представляющего аспекты зрелости. Проблема установление их значений связано с деятельностью экспертов, которые объективно будут исходить из характера деятельности производства конкретного медиапродукта. В условиях различия самой деятельности неизбежно различие значений весов, подобное представленному в таблице.

Таблица.

Значений весов значимости объектов – акцентов зрелости для отличных типах деятельности

Тип проекта

Объекты оценки зрелости

1

2

3

4

5

6

7

8

Сумма

Сериалы

0,15

0,15

0,15

0,15

0,15

0,10

0,10

0,05

1,00

Live новости

0,10

0,15

0,20

0,20

0.15

0,05

0,05

0,15

1,00

 

Результатом всех расчетов согласно системе показателей является величина индекса цифровой зрелости мадиасубъекта, которая занимает определенное место в интервале:

,

где 0 означает нулевую цифровую зрелость, 1- абсолютную цифровую зрелость. Если ввести систему числовых цензов, то можно установить градации цифровой зрелости. Тогда, опираясь на мнение экспертов, скорее всего будем иметь: 0,39 — низкая зрелость; 0,400,69 — средняя зрелость; 0,700,85— высокая зрелость, 86 — близко к абсолютной.

Учитывая абстрактный характер числовой величины, отнесение к конкретной градации должно дополняться конкретными условиями. Например, объект с низкой зрелостью во всех случаях должен представлен базовыми блоками: данные, MAM/DAM-система, обучение. Объекты, относимые к группам более высокой зрелости, должны быть представлен соответствующими базовыми блоками, данными в дополнение с выходом на представительство в высшей группе всех базовых блоков без исключения.

Рассмотрение всего набора явлений, представляющие цифровую зрелость медиасубъекта, показывает, что все они определяют эффективность деятельности, будь то техническая, технологическая, экономическая или социальная. Поскольку эффективность деятельности определяет конкурентоспособность медиасубъекта на медиарынах, то сохранить и укрепить свое присутствие на рынке может тот, кто повышает свою цифровую зрелость. И как следствие, цифровая зрелость становится не столько объектом мониторинга, сколько объектом непосредственного управления. А это определяет, что цифровая зрелость выступает объектом наблюдения, регулярных оценок того, что произошло и что произойдет в результате осуществления конкретных мероприятий, связанных с реализацией «политики зрелости»

 

Список литературы:

  1. Кричевский, М. Л. Оценка цифровой зрелости предприятия / М. Л. Кричевский, Ю. А. Мартынова, С. В. Дмитриева // Вопросы инновационной экономики. – 2022. – Т. 12, № 4. – С. 2545-2560. – DOI 10.18334/vinec.12.4.116786
  2. Digital company transformation: case studies. — Текст: электронный // Arthur D. Little: [сайт]. — URL: https://www.adlittle.com/en/case-studies/146/digital-transformation-company (дата обращения: 30.09.2025).
  3. Digital Transformation — How to Become Digital Leader. — Текст: электронный // Arthur D. Little: [сайт]. — URL: https://www.adlittle.com/sites/default/files/viewpoints/ADL_HowtoBecomeDigitalLeader_02.pdf (дата обращения: 28.09.2025).
  4. Мерзлов И. Ю. Методика оценки цифровой зрелости компании // Пермский государственный национальный исследовательский университет.
  5. Глухов В.В. Интеллектуальная зрелость промышленной экосистемы: понятие, сущность и инструментарий оценки // [Название книги]. – 2025. – С. 539–568.
  6. Диких В.А. Управление современным университетом: учебное пособие для студентов, обучающихся по направлениям подготовки «Экономика» (38.04.01) и «Менеджмент» (38.04.02). – Москва: ГАОУ ВО «Московский городской педагогический университет», 2025.
  7. Калабина Е.Г., Ананьина Н.А. От мануфактуры к роботизации: эволюция российской промышленности от конвейерного производства к конвейерному обучению // [Материалы конференции]. – 2023. – С. 438–448.
Проголосовать за статью
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий