Конкурентоспроможність підприємств на основі методів інтелектуального аналізу даних
| dc.contributor.advisor | Бідюк, Петро Іванович | |
| dc.contributor.author | Савченко, Анастасія Сергіївна | |
| dc.date.accessioned | 2019-01-28T12:17:56Z | |
| dc.date.available | 2019-01-28T12:17:56Z | |
| dc.date.issued | 2018 | |
| dc.description.abstracten | Master’s thesis: 138 p., 22 fig., 41 tab., 73 sources. Relevance of the topic. Rapid information technology development facilitated application of data mining methods in the economic processes modelling. The peculiarity of these methods is the possibility to design complex economic processes and systems in a terms of an enterprise’s uncertainty and to receive more accurate forecasting results based on big databases and influence factors analysis. Potential level of the enterprise competitiveness is among constantly changing processes of both external and internal environment. Under such conditions, domestic enterprises are in constant search for methods to effectively forecast the results of their performance and the factors determining their level of competitiveness. An objective of research is to provide theoretical substantiation, scientific and methodological foundations and practical suggestions on the application of intellectual data analysis methods for the enterprise competitiveness forecast. In accordance with research objective the following tasks are defined and solved: - disclosed system-functional essence of the enterprise competitiveness; - defined and systematized enterprise competitiveness factors; - analyzed scientific and methodical approaches to the assessment of the enterprise competitiveness; - analyzed the expediency of the intellectual data analysis methods application in the enterprise competitiveness forecast; - analyzed existing regression models of nonstationary processes with a trend; - described the Bayesian network as a special tool of data mining; - determined and selected competitiveness indicators and limits of its levels; - regression models of competitiveness are built and results are analyzed; - created a Bayesian network to predict the level of the enterprise competitiveness. An object of the research is to forecast the enterprise competitiveness based on the data mining methods. A subject of the research is theoretical, methodological and practical principles for forecasting the enterprises performance results and factors that determine the level of enterprises competitiveness based on the data mining methods. Research methods: the main general scientific research methods used in the work are: dialectical method of cognition; logical and formal logical methods; methods of induction and deduction, analysis and synthesis, logical comparison - for the formation of scientific provisions, refinement and systematization of the definitions relative to the competitiveness entity; grouping, statistical, mathematical - in estimation of the enterprise competitiveness; regression analysis and Bayesian networks for estimation of the enterprises` current status. Results: Presented the classification of the basic data mining methods which can be used in forecasting the enterprise competitiveness. It is noted that the basis for forecasting enterprise competitiveness is the historical information that is accumulated in the databases in the form of time series. The main criteria and tasks assigned to the data mining methods are considered. Conclusions are made regarding the prospects of using these methods in forecasting the enterprise competitiveness. It is stated that for the adoption of rational decisions in the system of competitiveness control and forecasting, domestic enterprises shall use more modern methods of data analysis. Scientific originality: is to substantiate theoretical and methodological principles and to develop scientific and practical recommendations of enterprise competitiveness forecasting. The most important scientific positions of the master's dissertation characterizing its originality are as follows: improved: - system-targeted approach to competitiveness, which should be understood as the transformation of the enterprise's internal resources of the attracted resources, as a result of which it is able to offer in the current and future period more attractive proposals to buyers compared with competitors. Thus, the internal environment is considered as a system and the target characteristic is to provide in the current and future periods, attractive, compared with competitors, market proposals; - approach to forecasting of certain indicators of the enterprise competitiveness or its level, based on the use of the autoregression model and Bayesian networks, whose application is aimed at solving an optimization problem, where optimization criteria consider the maximization or optimization of key factors that determine the level of the enterprise competitiveness and its economical development. received further development: - data mining methods and their combination (hybrid data mining methods) for making rational decisions in the system of competitiveness control and forecasting, which, according to their advantages and ability to process databases, have been able to push down traditional mathematical statistics. | uk |
| dc.description.abstractuk | Магістерська дисертація: 138 с., 22 рис., 41 табл., 73 джерела. Актуальність теми. Стрімкий розвиток інформаційних технологій сприяє використанню у моделюванні економічних процесів методів інтелектуального аналізу даних. Особливістю зазначених методів є можливості проектування складних економічних процесів та систем в умовах невизначеності суб’єкта господарювання та отримати високоймовірні результати прогнозування з урахуванням великої вибірки інформаційно-аналітичних даних та чинників впливу. Серед процесів, що підлягають постійним змінам як зовнішнього, так і внутрішнього середовища належить потенційний рівень конкурентоспроможності підприємства. За таких умов вітчизняні підприємства перебувають у постійному пошуку методів ефективного прогнозування результатів діяльності та чинників, що визначають рівень їх конкурентоспроможності. Мета роботи полягає в теоретичному обґрунтуванні, виробленні науково-методичних засад і практичних пропозицій щодо застосування методів інтелектуального аналізу даних для прогнозування конкурентоспроможності підприємства. Відповідно до поставленої мети в роботі визначено і вирішено такі завдання: – розкрито системно-функціональну сутність конкурентоспроможності підприємств; – визначено та систематизовано фактори конкурентоспроможності підприємств; – проаналізовано науково-методичні підходи до оцінювання конкурентоспроможності підприємств; – проаналізовано доцільність застосування методів інтелектуального аналізу даних в прогнозуванні конкурентоспроможності підприємств; – проаналізовано існуючі регресійні моделі нестаціонарних процесів з трендом; – охарактеризовано мережу Байєса, як особливий інструмент інтелектуального аналізу даних; – обрано та визначено показники конкурентоспроможності та межі її станів; – побудовано регресійні моделі конкурентоспроможності та проаналізувати отримані результатів; – побудовано байєсівську мережу для прогнозування стану конкурентоспроможності підприємства. Об’єктом дослідження є прогнозування конкурентоспроможності підприємств на основі інтелектуального аналізу даних. Предметом дослідження є теоретико-методичні та практичні засади прогнозування результатів діяльності підприємств та чинників, що визначають рівень їх конкурентоспроможності на основі інтелектуального аналізу даних. Методи дослідження. до основних загальнонаукових методів дослідження, які використані в роботі, відносяться: діалектичний метод пізнання; логічний та формально-логічний методи; методи індукції та дедукції, аналізу та синтезу, логічного порівняння – для формування наукових положень, уточнення й систематизація термінологічного апарату щодо суті конкурентоспроможності; групування, статистичні, математичні – при оцінці показників конкурентоспроможності підприємства; регресійний аналіз та байєсівські мережі, з використанням середовищ EViews та GeNIe відповідно, для аналізу поточного стану підприємств. Отримані результати: представлено класифікацію основних методів інтелектуального аналізу даних, що можуть бути використані в прогнозуванні конкурентоспроможності підприємства. Відзначено, що базою для прогнозування конкурентоспроможності підприємства та показників, що визначають її рівень, слугує історична інформація, котра нагромаджується у базах даних у вигляді часових рядів. Розглянуто основні критерії та завдання, що покладені на методи інтелектуального аналізу даних. Зроблено висновки стосовно перспектив використання цих методів у прогнозуванні конкурентоспроможності підприємства. Констатовано, що для прийняття раціональних рішень в системі управління та прогнозування конкурентоспроможністю вітчизняних підприємств необхідно використовувати більш сучасні методи аналізу даних. Наукова новизна: полягає в обґрунтуванні теоретико-методологічних засад і розробці науково-практичних рекомендацій щодо прогнозування конкурентоспроможності підприємств. Найважливіші наукові положення магістерської дисертації, що характеризують її новизну, полягають у такому: удосконалено: – системно-цільовий підхід до конкурентоспроможності, під якою потрібно розуміти перетворення у внутрішньому середовищі підприємства залучених ресурсів, у результаті якого воно має змогу надавати в поточному та майбутньому періоді пропозиції, більш привабливі для покупців порівняно з конкурентами. Таким чином, внутрішнє середовище розглядається як системне утворення, а цільовою характеристикою є надавання у поточному та майбутньому періодах привабливих порівняно з конкурентами ринкових пропозицій; – підхід до прогнозування окремих показників конкурентоспроможності підприємства, чи його рівня на основі використання моделі авторегресії та байєсівських мереж, застосування яких спрямоване на розв'язання оптимізаційної задачі, де в якості критерію оптимальності розглядаються максимізація чи оптимізація ключових чинників, що визначають рівень конкурентоспроможності підприємства та його економічний розвиток. отримали подальший розвиток: – методи інтелектуального аналізу даних та їх комбінації (гібридні методи ІАД) для прийняття раціональних рішень в системі управління та прогнозування конкурентоспроможністі, які за своїми перевагами та здатністю обробляти цілі системи даних змогли потіснити традиційну математичну статистику. | uk |
| dc.format.page | 138 с. | uk |
| dc.identifier.citation | Савченко, А. С. Конкурентоспроможність підприємств на основі методів інтелектуального аналізу даних : магістерська дис. : 124 Системний аналіз / Савченко Анастасія Сергіївна. - Київ, 2018. - 138 с. | uk |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/26071 | |
| dc.language.iso | uk | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | конкурентоспроможніть | uk |
| dc.subject | інтелектуальний аналіз даних | uk |
| dc.subject | data mining | uk |
| dc.subject | моделі авторегресії | uk |
| dc.subject | байєсівські мережі | uk |
| dc.subject | аналіз | uk |
| dc.subject | інформація | uk |
| dc.subject | системи | uk |
| dc.subject | бази даних | uk |
| dc.subject | моделювання | uk |
| dc.subject | прогнозування конкурентоспроможності підприємства | uk |
| dc.subject | competitiveness | uk |
| dc.subject | intellectual data analysis | uk |
| dc.subject | data mining | uk |
| dc.subject | autoregressive models | uk |
| dc.subject | bayesian network | uk |
| dc.subject | analysis | uk |
| dc.subject | information | uk |
| dc.subject | systems | uk |
| dc.subject | databases | uk |
| dc.subject | modelling | uk |
| dc.subject | enterprise competitiveness forecast | uk |
| dc.subject.udc | 004.942:519.216.3 | uk |
| dc.title | Конкурентоспроможність підприємств на основі методів інтелектуального аналізу даних | uk |
| dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Ескіз недоступний
- Назва:
- Savchenko_magistr.docx
- Розмір:
- 1.95 MB
- Формат:
- Microsoft Word XML
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 7.74 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: