РОЛЬ АНАЛІТИКИ ДАНИХ В УХВАЛЕННІ УПРАВЛІНСЬКИХ РІШЕНЬ У ЛОГІСТИЦІ ПОСЕРЕДНИЦЬКОЇ ДІЯЛЬНОСТІ

Article Sidebar

PDF (English)

Надіслано: 25-04-2024

Опубліковано: 31-08-2024

DOI: https://doi.org/10.55643/fcaptp.4.57.2024.4422
Ключові слова:
аналітика даних великі дані штучний інтелект ефективність швидкість доставки
Номер
Том 4 № 57 (2024): ФІНАНСОВО-КРЕДИТНА ДІЯЛЬНІСТЬ: проблеми теорії і практики
Розділ
МОДЕЛІ ТА ТЕХНОЛОГІЇ ОБРОБКИ ФІНАНСОВОЇ ІНФОРМАЦІЇ
Як цитувати
Воробець, Є., Хмелюк, А., Мошковська, О., Велие, В. И., & Марухленко, О. (2024). РОЛЬ АНАЛІТИКИ ДАНИХ В УХВАЛЕННІ УПРАВЛІНСЬКИХ РІШЕНЬ У ЛОГІСТИЦІ ПОСЕРЕДНИЦЬКОЇ ДІЯЛЬНОСТІ. Financial and Credit Activity Problems of Theory and Practice, 4(57), 185–196. https://doi.org/10.55643/fcaptp.4.57.2024.4422
Creative Commons License

©, 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

Євген Воробець
аспірант, Державний торговельно-економічний університет, Київ, Україна
Альона Хмелюк
к.е.н., доцент кафедри фінансів та обліку, Дніпровський державний технічний університет, Дніпро, Україна
Олена Мошковська
д.е.н., професор кафедри обліку та оподаткування, Державний торговельно-економічний університет, Київ, Україна
Вели Иса Велие
к.е.н., доцент, Національна академія авіації, Баку, Азербайджа́н
Оксана Марухленко
доктор філософії з публічного управління та адміністрування, доцент, завідувачка кафедри управління, Київський університет імені Бориса Грінченка, Київ, Україна
https://orcid.org/0000-0001-8050-6615

Анотація

Аналітика даних відіграє вирішальну роль у підвищенні ефективності управлінських рішень у логістиці посередницької діяльності. Метою дослідження є ідентифікація, наскільки якість аналітики даних упливає на ефективність ухвалення рішень у логістиці посередницької діяльності, зокрема щодо швидкості доставки компаній досліджуваної вибіркової сукупності. У межах дослідження використано регресійний та кореляційний аналіз для виявлення ключових факторів впливу в розрізі аналітики даних на ефективність управлінських рішень у логістиці посередницької діяльності. Виявлено значущість інвестицій у кваліфікацію аналітиків (з коефіцієнтом -1,6754), аналітичні інструменти (з коефіцієнтом -1,2575), інтеграцію аналітики в процеси ухвалення рішень (з коефіцієнтом -3,2511), що безпосередньо впливає на скорочення часу доставки. Акцентовано, що кожний аналітичний проєкт сприяє скороченню часу доставки на 0,48 години. Кореляційний аналіз підтвердив зв'язок між ефективністю логістики та рівнем кваліфікації аналітиків (-0,283617), інвестиціями в аналітичні інструменти (-0,257322), кількістю аналітичних проєктів (-0,343792), рівнем інтеграції аналітики (-0,712058), де найсильніша кореляція спостерігалася для інтеграції аналітики у формування управлінських рішень. Авітори рекомендують зосередити увагу на розвитку аналітичних компетенцій, збільшенні інвестицій в інструменти, активізації проєктів, інтеграції аналітики в стратегічне управління. Подальші дослідження передбачають використання штучного інтелекту для оптимізації управлінських рішень у логістиці в рамках забезпечення системного й сталого розвитку компанії.

Article Details

Посилання

Agarwal, S., Moghe, N., & Wadhe, V. (2023). Big data analytics for supply chain optimization: A review of methodologies and applications. International Research Journal on Advanced Science Hub, 5(07), 215–221. https://doi.org/10.47392/irjash.2023.046 DOI: https://doi.org/10.47392/irjash.2023.046

Barzizza, E., Biasetton, N., Ceccato, R., & Salmaso, L. (2023). Big data analytics and machine learning in supply chain 4.0: A literature review. Stats, 6(2), 596–616. https://doi.org/10.3390/stats6020038 DOI: https://doi.org/10.3390/stats6020038

Buntak, K., Kovačić, M., & Mutavđžija, M. (2019). Internet of things and smart warehouses as the future of logistics. Tehnički Glasnik, 13(3), 248–253. https://doi.org/10.31803/tg-20190215200430 DOI: https://doi.org/10.31803/tg-20190215200430

Feng, B., & Ye, Q. (2021). Operations management of smart logistics: A literature review and future research. Frontiers of Engineering Management, 8(3), 344–355. https://doi.org/10.1007/s42524-021-0156-2 DOI: https://doi.org/10.1007/s42524-021-0156-2

Giusti, R., Manerba, D., Bruno, G., & Tadei, R. (2019). Synchromodal logistics: An overview of critical success factors, enabling technologies, and open research issues. Transportation Research Part E: Logistics and Transportation Review, 129, 92–110. https://doi.org/10.1016/j.tre.2019.07.009 DOI: https://doi.org/10.1016/j.tre.2019.07.009

Gomes, A., De Lima, F. B., Soliani, R. D., De Souza Oliveira, P. R., De Oliveira, D. A., Siqueira, R. M., Da Silva Nora, L. a. R., & Macedo, J. (2023). Logistics management in e-commerce: Challenges and opportunities. GeSec, 14(5), 7252–7272. https://doi.org/10.7769/gesec.v14i5.2119 DOI: https://doi.org/10.7769/gesec.v14i5.2119

Gumzej, R. (2022). Intelligent logistics systems in E-commerce and transportation. Mathematical Biosciences and Engineering, 20(2), 2348–2363. https://doi.org/10.3934/mbe.2023110 DOI: https://doi.org/10.3934/mbe.2023110

Hawking, P. (2018). Big data analytics and IoT in logistics: A case study. The International Journal of Logistics Management, 29(2), 575–591. https://doi.org/10.1108/ijlm-05-2017-0109 DOI: https://doi.org/10.1108/IJLM-05-2017-0109

He, L., Liu, S., & Shen, Z. M. (2022). Smart urban transport and logistics: A business analytics perspective. Production and Operations Management, 31(10), 3771–3787. https://doi.org/10.1111/poms.13775 DOI: https://doi.org/10.1111/poms.13775

Jahani, H., Jain, R., & Ivanov, D. (2023). Data science and big data analytics: A systematic review of methodologies used in the supply chain and logistics research. Annals of Operations Research, 2, 1–58. https://doi.org/10.1007/s10479-023-05390-7 DOI: https://doi.org/10.1007/s10479-023-05390-7

Jeong, Y. (2023). Digitalization in production logistics: How AI, digital twins, and simulation are driving the shift from model-based to data-driven approaches. International Journal of Precision Engineering and Manufacturing-Smart Technology, 1(2), 187–200. https://doi.org/10.57062/ijpem-st.2023.0052 DOI: https://doi.org/10.57062/ijpem-st.2023.0052

Kniaziev, S., Shulzhenko, A., Tymchyshyn, A., Vedenyapina, M., & Stepanova, H. (2024). Investigation of International Transport Crimes. Pakistan Journal of Criminology, 16(2), 1-18. https://doi.org/10.62271/pjc.16.2.1.18 DOI: https://doi.org/10.62271/pjc.16.2.1.18

Lee, P. F., Siew, L. W., & Lam, W. H. (2023). Performance evaluation of the efficiency of logistics companies with data envelopment analysis model. Mathematics, 11(3), 718. https://doi.org/10.3390/math11030718 DOI: https://doi.org/10.3390/math11030718

Lyu, J., Zhou, F., & He, Y. (2023). Digital technique-enabled container logistics supply chain sustainability achievement. Sustainability, 15(22), 16014. https://doi.org/10.3390/su152216014 DOI: https://doi.org/10.3390/su152216014

McKinsey & Company. (2023). Digital logistics: Technology race gathers momentum. https://www.mckinsey.com/capabilities/operations/our-insights/digital-logistics-technology-race-gathers-momentum

Özmen, M., & Aydoğan, E. K. (2019). Robust multi-criteria decision making methodology for real life logistics center location problem. Artificial Intelligence Review, 53(1), 725–751. https://doi.org/10.1007/s10462-019-09763-y DOI: https://doi.org/10.1007/s10462-019-09763-y

Prokopenko, O., Järvis, M., Prause, G., Kara, I., Kyrychenko, H., Kochubei, O., & Prokopenko, M. (2022). Economic features of the use of electric vehicles in delivery services in Estonia. International Journal of Energy Economics and Policy, 12(6), 340-349. https://doi.org/10.32479/ijeep.13617 DOI: https://doi.org/10.32479/ijeep.13617

Pulikottil, T., Estrada-Jimenez, L. A., Abadía, J. J. P., Carrera-Rivera, A., Torayev, A., Rehman, H. U., Mo, F., Nikghadam-Hojjati, S., & Barata, J. (2023). Big data life cycle in shop-floor–trends and challenges. IEEE Access, 11, 30008–30026. https://doi.org/10.1109/access.2023.3253286 DOI: https://doi.org/10.1109/ACCESS.2023.3253286

Rathor, K., Mandawat, A., Pandya, K. A., Teja, B., Khan, F., & Khan, Z. T. (2022). Management of shipment content using novel practices of supply chain management and big data analytics. In 2022 International Conference on Augmented Intelligence and Sustainable Systems (ICAISS) (pp. 884-887). IEEE. https://doi.org/10.1109/icaiss55157.2022.10011003 DOI: https://doi.org/10.1109/ICAISS55157.2022.10011003

Shokouhyar, S., Dehkhodaei, A., & Amiri, B. (2021). A mixed-method approach for modelling customer-centric mobile phone reverse logistics: Application of social media data. Journal of Modelling in Management, 17(2), 655–696. https://doi.org/10.1108/jm2-07-2020-0191 DOI: https://doi.org/10.1108/JM2-07-2020-0191

Transport topics. (2024). 2023 Top 100 Logistics. https://www.ttnews.com/logistics/rankings/2023

Xiang, Z., & Xu, M. (2019). Dynamic cooperation strategies of the closed-loop supply chain involving the internet service platform. Journal of Cleaner Production, 220, 1180–1193. https://doi.org/10.1016/j.jclepro.2019.01.310 DOI: https://doi.org/10.1016/j.jclepro.2019.01.310

Xiao, Z., & Jiao, Y. (2023). Analysis of the impact of big data and artificial intelligence technology on supply chain management. Symmetry, 15(9), 1801. https://doi.org/10.3390/sym15091801 DOI: https://doi.org/10.3390/sym15091801

Zhu, Y., Zhou, L., Xie, C., Wang, G., & Van Nguyen, T. (2019). Forecasting SMEs’ credit risk in supply chain finance with an enhanced hybrid ensemble machine learning approach. International Journal of Production Economics, 211, 22–33. https://doi.org/10.1016/j.ijpe.2019.01.032 DOI: https://doi.org/10.1016/j.ijpe.2019.01.032