ВИКОРИСТАННЯ ІНСТРУМЕНТАРІЮ BUSINESS INTELLIGENCE У ПРОЦЕСІ ПРОГНОЗУВАННЯ ОБЛІКОВИХ ПОКАЗНИКІВ ПІДПРИЄМСТВА
Article Sidebar
Надіслано: 04-11-2023
Опубліковано: 29-02-2024
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
У сучасному глобальному бізнес-середовищі важливість ефективного управління та ухвалення обґрунтованих стратегічних рішень стає все більш критичною для успішної діяльності підприємств. Для досягнення цих цілей інформація стає ключовим ресурсом, а використання інструментарію Business Intelligence (BI) у процесі планування діяльності підприємства набуває великого значення.
Мета дослідження полягає в ідентифікації та порівнянні практичних можливостей прогнозування облікових показників за допомогою сучасного інструментарію Business Intelligence.
Формування показника чистого доходу є ключовою складовою стратегічного планування підприємства й вимагає комплексного аналізу внутрішніх та зовнішніх факторів. Для прогнозування облікових показників використовуються різні методи, такі як кореляційно-регресійний аналіз, моделі часових рядів і нейронні мережі. У статті доведено, що обрані методи прогнозування дали позитивні результати щодо ідентифікації динаміки чистого доходу ПрАТ «КиївХліб». Модель множинної лінійної регресії та ARIMA-модель продемонстрували схожі прогнози чистого доходу, передбачаючи збільшення у 2,03 раза за першим методом та у 2,017 раза за другим. Нейронна мережа також прогнозує зростання чистого доходу, але з меншим темпом приросту (у 2,93 раза). Автори акцентують увагу на ролі інструментарію Business Intelligence (BI) у процесі прогнозування облікових показників підприємства. Аналізується використання аналітики BI-платформ, що надає можливість передбачити стан підприємства в майбутньому та робить BI важливою складовою стратегічного й економічного аналізу. Традиційні методи прогнозування на основі кореляційно-регресійного аналізу та побудови часових рядів дуже поширені, проте мають свої обмеження. Вони ґрунтуються на припущенні, що минулі тенденції залишаться сталими в майбутньому, але не завжди можуть урахувати непередбачувані події.
Розвиток інформаційних технологій призвів до використання більш ефективних методів інтелектуального аналізу даних для побудови прогнозів. Використання генетичних алгоритмів є перспективним напрямом для моделювання та прогнозування облікових показників, але вимагає наявності відповідних даних для кожної змінної моделювання. Порівняння традиційних методів прогнозування з методами інтелектуального аналізу даних може допомогти зрозуміти їхні слабкі й сильні сторони та сприяти розробці гібридних інструментів прогнозування, які усувають обмеження кожного з методів.
Article Details
Посилання
Catal, C., Akbulut, A. (2019) Benchmarking of Regression Algorithms and Time Series Analysis Techniques for Sales Forecasting. Balkan Journal of Electrical and Computer Engineering, 7(1), 20-26. https://doi.org/10.17694/bajece.494920 DOI: https://doi.org/10.17694/bajece.494920
Chen, X., Wu, Z., Gao, Z. (2023, 26 May) [Bayesian non-parametric method for decision support: Forecasting online product sales]. Decision Support Systems. https://doi.org/10.1016/j.dss.2023.114019 DOI: https://doi.org/10.1016/j.dss.2023.114019
Chornous, G. (2012) Business Intelligence Technology: capabilities, application and features in Ukraine. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 140, 26-29. http://bulletin-econom.univ.kiev.ua/wp-content/uploads/2015/11/140_7.pdf
Coakley, J. R., Carol, E. B. (2000) Artificial Neural Networks in Accounting and Finance: Modeling Issues. International Journal of Intelligent Systems in Accounting. Finance & Management, 9, 119-144. https://onlinelibrary.wiley.com/doi/pdf/10.1002/1099-1174(200006)9:2%3C119::AID-ISAF182%3E3.0.CO;2-Y DOI: https://doi.org/10.1002/1099-1174(200006)9:2<119::AID-ISAF182>3.0.CO;2-Y
Ensafi, Y., Amin, S. H., Zhang, G., Shah, B. (2022) Time-series forecasting of seasonal items sales using machine learning – A comparative analysis. International Journal of Information Management Data Insights, 2(1), 58-74. https://doi.org/10.1016/j.jjimei.2022.100058 DOI: https://doi.org/10.1016/j.jjimei.2022.100058
Gustriansyah, R., Ermatita, E., Rini, D. P. (2022, 30 November) [An approach for sales forecasting]. Expert Systems with Applications. https://doi.org/10.1016/j.eswa.2022.118043 DOI: https://doi.org/10.1016/j.eswa.2022.118043
Ignatiuk, A. (2016) Business Intelligence for insurance companies. Bulletin of Taras Shevchenko National University of Kyiv. Economics, 6(183), 10-15. http://dx.doi.org/10.17721/1728-2667.2016/183-6/2 DOI: https://doi.org/10.17721/1728-2667.2016/183-6/2
Ivakhnenkov, S. (2020). The development of technology of the continuous control of financial and accounting information. Scientific Papers NaUKMA. Economics, 5(1), 55-61. DOI: https://doi.org/10.18523/2519-4739.20205.1.55-61
Keller, G. (2022) Statistics for management and economics. Cengage Learning. https://www.stie-66.ac.id/wp-content/uploads/2022/10/Keller-Gerald-Statistics-for-management-and-economics.pdf
Maghsoudi, M., Nezafati, N. (2023) Navigating the acceptance of implementing business intelligence in organizations: A system dynamics approach. Telematics and Informatics Reports, 11, 223-231. https://doi.org/10.1016/j.teler.2023.100070 DOI: https://doi.org/10.1016/j.teler.2023.100070
Prycenko, G. (2015) Forecasting Socio-Economic Processes. KNEU.
Rikhardsson, P., Yigitbasioglu, O. (2018) Business intelligence & analytics in management accounting research: Status and future focus. International Journal of Accounting Information Systems, 29, 37-58. https://doi.org/10.1016/j.accinf.2018.03.001 DOI: https://doi.org/10.1016/j.accinf.2018.03.001
Sohrabpour, V., Oghazi, P., Toorajipour, R., Nazarpour, A. (2021) Export sales forecasting using artificial intelligence. Technological Forecasting and Social Change, 163, 480-490. https://doi.org/10.1016/j.techfore.2020.120480 DOI: https://doi.org/10.1016/j.techfore.2020.120480
Sytnyk, V. (2007) Data Mining. KNEU. https://kneu.edu.ua/ua/depts9/k_informatyky/disciplines_of_masters_degree_level_inform/data_mining/
TD «Kyivkhlib» (2019-2022). Financial Statements of TD «Kyivhhlib». https://kyivkhlib.ua/about/finansova-zvitnist/
TD «Kyivkhlib» (2002-2020). Database of TD «Kyivhhlib». Stock market infrastructure development agency of Ukraine (SMIDA). https://smida.gov.ua/db/prof/00381574
Tomashevskyi, O. (2020) Information Technology and Business Process Modeling. Publishing «CUL».
Tripathi, M. A., Madhavi, K., Kandi, V. S. P., Nassa, V. K., Malik, B., Chakravarthi, M. K. (2023) Machine learning models for evaluating the benefits of business intelligence systems. The Journal of High Technology Management Research, 34(2), 470-475. https://doi.org/10.1016/j.hitech.2023.100470 DOI: https://doi.org/10.1016/j.hitech.2023.100470
Valles-Perez, I., Soria-Olivas, E., Martinez-Sober, M., Serrano-Lopez, A. J., Gomez-Sanchis, J., Mateo, F. (2022, 1 September) [Approaching sales forecasting using recurrent neural networks and transformers]. Expert Systems with Applications. https://doi.org/10.1016/j.eswa.2022.116993 DOI: https://doi.org/10.1016/j.eswa.2022.116993
Watson, M. W., Stock, J. H., Müller, U. K. (2019) An Econometric Model of International Long-run Growth Dynamics for Long-horizon Forecasting. Review of Economic and Statistics, 104 (5), 857-876. https://doi.org/10.3386/w26593 DOI: https://doi.org/10.1162/rest_a_00997
Zhang, B., Tseng, M-L., Guo, Y., Wang, C-H. (2023) A comparative online sales forecasting analysis: Data mining techniques. A comparative online sales forecasting analysis: Data mining techniques, 176, 935-942. https://doi.org/10.1016/j.cie.2022.108935 DOI: https://doi.org/10.1016/j.cie.2022.108935
Żółtowski, D. (2022) Business Intelligence in Balanced Scorecard: Bibliometric analysis. Procedia Computer Science, 207, 4075-4086. https://doi.org/10.1016/j.procs.2022.09.470 DOI: https://doi.org/10.1016/j.procs.2022.09.470