ЦИФРОВАЯ ТРАНСФОРМАЦИЯ УПРАВЛЕНИЯ ОРГАНИЗАЦИОННЫМИ СИСТЕМАМИ: МЕТОДЫ АНАЛИЗА И ОПТИМИЗАЦИИ ИНФОРМАЦИОННОЙ АКТИВНОСТИ

АННОТАЦИЯ

В статье исследуется проблема фрагментарности существующих IT-решений, препятствующая сквозной оптимизации бизнес-процессов и целостному анализу информационной активности. Целью работы является разработка комплексного подхода к анализу и оптимизации информационной активности организационных систем. В ходе исследования использовались методы процессного анализа, технологии больших данных и машинного обучения, а также подходы к построению цифровых двойников. Установлено, что интеграция данных инструментов в единую концептуальную модель управления знаниями с позиции системного подхода позволяет преодолеть разрозненность данных. Предложена модель, преобразующая статичную информацию в динамичный адаптивный ресурс через замкнутый цикл из шести этапов. Полученные результаты могут быть применены для формирования целостной цифровой модели компании и повышения качества управленческих решений в условиях неопределенности внешней среды.

Ключевые слова: цифровая трансформация, процессный анализ, цифровые двойники, информационная активность, управление знаниями.

В условиях цифровой трансформации организации сталкиваются с необходимостью пересмотра подходов к управлению информационными потоками и знаниями. Ключевым направлением становится внедрение методов анализа и оптимизации информационной активности, основанных на современных IT-технологиях. Системный подход рассматривает управление знаниями не как изолированную функцию, а как сквозной процесс, который «охватывает все уровни организации и требует согласованной работы людей, технологий, корпоративной культуры и стратегии» [1]. Информация утратила статичность, а границы организационных иерархий стали размытыми, что обусловило переход от классических циклических моделей к сетевым и экосистемным концепциям.

Цифровая трансформация в техническом аспекте предполагает создание цифровой инфраструктуры, экосистем и платформ, представляющих собой «комплекс цифровых технологий, каналов связи, обеспечивающих вычисление, телекоммуникации, сетевые мощности, функционирующий на цифровой основе» [2]. Переход к цифровой экономике требует внедрения сквозных технологий, таких как машинное обучение, большие данные, искусственный интеллект и цифровые двойники. Однако простое внедрение данных технологий без их системной интеграции не решает задачу оптимизации. В связи с этим возникает необходимость детального рассмотрения методов, позволяющих извлекать ценную информацию из цифровых следов организации.

Одним из методов анализа информационной активности является процессный анализ. Данная технология направлена на «обнаружение, мониторинг и улучшение реальных процессов путем извлечения сведений из журналов событий, легко доступные в современных информационных системах» [3]. В отличие от классических методов анализа данных, процессный анализ ориентирован на сквозные процессы и позволяет сопоставлять их с регламентированными моделями и обнаруживать отклонения.

Журналы событий являются основой для процессного анализа. «Каждое событие в таком журнале относится к действию (т. е. четко определенный шаг в некотором процессе), относящееся к конкретному случаю (т. е. экземпляр процесса). События, относящиеся к обращению, упорядочены и их можно просматривать как один «запуск» процесса» [3]. Дополнительная информация о событиях, такая как временные метки, данные об исполнителях или атрибуты процессов, позволяет проводить многомерный анализ.

В процессном анализе выделяются три основных типа задач: обнаружение, проверка соответствия и улучшение. Техника обнаружения позволяет построить модель процесса без использования предварительной информации, что особенно ценно для организаций, где процедуры не формализованы или документально не зафиксированы. Проверка соответствия позволяет сопоставить модель с журналом событий и выявить расхождения между реальным поведением и желаемым. Улучшение использует информацию из журналов событий для расширения или усовершенствования существующей модели, например, для выявления узких мест и задержек.

Для практического применения процессного анализа используются специализированные алгоритмы, такие как эвристический майнинг, который «строит график зависимостей на основе частоты действий и количества раз, когда за одним действием следует другое» [3]. Данный подход позволяет выявлять «скелет» процесса и строить модели, устойчивые к шумам и неполноте данных. Функциональность инструментальных средств обеспечивает поддержку десятков алгоритмов процессного анализа, включая обнаружение процессов, проверку соответствия, анализ социальных сетей, организационный майнинг и прогнозирование на основе истории.

Если процессный анализ выявляет фактические маршруты и «узкие места» процессов, то технологии больших данных и искусственного интеллекта обеспечивают глубину их обработки. Они применяются для анализа огромных объемов информации, так как «роль искусственного интеллекта в управлении знаниями заключается в обработке и анализе огромных объемов данных, выявление на основе них правил, закономерностей, ошибок, при этом процесс поиска и использования знаний становится более эффективным, точным и персонализированным» [4].

В управлении информационной активностью искусственный интеллект применяется для автоматизации и оптимизации множества задач. Распространенным направлением является автоматизация решения информационных и физических задач с применением технологий роботизации. Этот метод значительно превосходит традиционные средства автоматизации, поскольку «роботы подобно человеку вводят и потребляют информацию из множества информационных систем» [5].

Для поддержки принятия решений используются системы, обеспечивающие взаимодействие с потребителями и сотрудниками, предоставляя необходимую информацию, «искусственный интеллект снимает часть неопределенности и помогает руководителю принять более успешное решение» [4].

Развитием описанных выше методов является технология цифровых двойников, которая интегрирует методы процессного анализа, искусственного интеллекта и больших данных в единую прогностическую среду. В отличие от статических моделей, цифровой двойник функционирует в режиме реального времени и позволяет проводить имитационное моделирование сценариев развития информационных потоков без вмешательства в действующую систему.

С практической точки зрения, цифровой двойник может быть представлен как семейство сложных мультидисциплинарных математических моделей с высоким уровнем адекватности реальным физическим объектам. Эти модели «описываются 3D нестационарными нелинейными дифференциальными уравнениями в частных производных и обеспечивающих отличие между результатами виртуальных испытаний и натурных испытаний в пределах ± 5%» [6].

Классификация цифровых двойников предполагает их разделение на «цифровой двойник-прототип (DTP) — полное определение физического объекта, достаточное для его создания» и «цифровой двойник-экземпляр (DTI) — цифровой двойник конкретного экземпляра продукта после его изготовления, с которым он остается связанным на протяжении всего жизненного цикла изделия» [6].

Цифровой двойник может функционировать в режиме для предсказания будущего поведения и производительности физического объекта и в режиме для запроса прошлых данных и текущего состояния. Эти режимы создают основу для непрерывного контроля и оптимизации организационных систем.

Однако применение описанных методов по отдельности сохраняет риск технологической фрагментарности. Решением данного противоречия выступает разработанная в рамках исследования концептуальная модель управления знаниями с позиции системного подхода. В отличие от линейных схем, структура данной модели состоит из последовательных элементов, связанных в единое целое, превращая систему в замкнутый цикл. Модель интегрирует инструменты цифровой трансформации в шесть этапов:

1. Сбор и идентификация: первичная обработка данных из внешних и внутренних источников (сенсоры, системы сбора больших данных).

2. Создание и генерация: преобразование информации в новые знания, синтез неявных знаний (машинное обучение, ИИ).

3. Хранение и структурирование: систематизация интеллектуальных активов (облачные хранилища, цифровые двойники-прототипы).

4. Распределение и передача: обеспечение доступа к знаниям (корпоративные порталы, процессный анализ для оптимизации маршрутов информации).

5. Применение и интеграция: использование знаний в операционной деятельности (системы поддержки принятия решений).

6. Анализ и реинжиниринг: аудит актуальности знаний и адаптация системы к изменениям (предиктивная аналитика, проверка соответствия в процессном анализе).

Практическая реализация концептуальной модели и описанных выше методов требует разработки объективной системы показателей эффективности. В сфере цифровой трансформации ключевые показатели эффективности (KPI) предоставляют четкие количественные метрики такие как «производительность сотрудников и показатели внедрения цифровых технологий» [7].

Оценка эффективности процессного анализа проводится на основе четырех параметров качества: «(a) пригодность, (b) простота, (c) точность и (d) обобщение», где точная модель «не допускает «слишком большого» поведения», а обобщающая «не ограничивает поведение только примерами, приведенными в журнал регистрации» [3]. Эти измерения обеспечивают комплексный подход к валидации построенных моделей.

Проведенный анализ показывает, что цифровая трансформация управления организационными системами требует не просто внедрения разрозненных IT-инструментов, а применения комплексных методов анализа и оптимизации информационной активности. В отличие от фрагментарных решений, системный подход, реализованный в предложенной концептуальной модели, позволяет рассматривать знания как целостный, динамичный ресурс, интегрированный во все бизнес-процессы.

Список литературы:

1. Давидчук Н.Н. Системный подход к управлению знаниями в условиях цифровой трансформации экономики // Экономика и бизнес: теория и практика. – 2026. – № 6 (136). – С. 76-80.
2. Трофимов В.В., Трофимова Л.А. Основные тренды и условия активизации процессов цифровой трансформации // Известия Санкт-Петербургского государственного экономического университета. – 2020. – № 5 (125). – С. 139-143.
3. Wil M. P. van der Aalst Process Mining // ACM Transactions on Management Information Systems. – 2012. – № 3 (2). – P. 7.1-7.17.
4. Мирошниченко М.А., Козлов Н.Н., Самкова М.С. Современные аспекты управления знаниями и документами в период цифровой трансформации // Вестник Академии знаний. – 2024. – № 4 (63). – С. 607-612.
5. Davenport T. H., Ronanki R. Artificial intelligence for the real word // Harvard business rev. – 2018. – № 96, n 1/2. – Р. 108-116.
6. Царев М.В., Андреев Ю.С. Цифровые двойники в промышленности: история развития, классификация, технологии, сценарии использования // Изв. вузов. Приборостроение. – 2021. – Т. 64, № 7. – С. 517-531.
7. Рачковский И.Б., Яковлев А.Р. Оценка эффективности цифровой трансформации. Понимание цифровой трансформации // Экономика и управление: проблемы, решения. – 2025. – № 8 (161). – С. 214-225.