Оценка качества событийных данных в цифровых следах сквозных организационно-управленческих процессов

Экономико-математические методы и модели
Авторы:
Аннотация:

Статья посвящена методологической проблеме, возникающей при переходе организаций от «управления по отчетам» к управлению по цифровым следам сквозных (межфункциональных и межсистемных) процессов. Показано, что обилие событийных данных (журналов ERP/CRM/Service Desk, интеграционных и пользовательских логов, транзакций оборудования и др.) само по себе не гарантирует их пригодность для управленческих решений: систематические дефекты измерения — неполнота логирования, разрывы сквозной идентичности кейса, несогласованность семантики статусов, низкое временное разрешение и дрейф определений после релизов — могут приводить не просто к «шуму», а к устойчиво смещенным управленческим выводам. Особый акцент сделан на том, что требования к качеству событийных данных различаются для двух режимов использования: описательно-контрольного (реконструкций процесса, KPI, мониторинга отклонений, process mining) и причинно-объяснительного (оценки эффекта управленческого вмешательства на основе наблюдательных данных). Методологическая рамка исследования строится как синтез интеллектуального анализа процессов, стандартов и практик управления качеством данных и теории причинного вывода (потенциальные исходы, причинные графы, квазиэкспериментальные дизайны). Вводится двухконтурная модель качества событийных данных: «измерительная состоятельность» (насколько корректно данные отражают траекторию кейса во времени) и «каузальная пригодность» (насколько данные позволяют однозначно определить вмешательство, исход, временные окна и обеспечить обоснованность идентификационных допущений). Предлагается операционализация каузальной пригодности в виде набора индексов (целостности единицы наблюдения, временной пригодности, устойчивости смыслов, наблюдаемости вмешательства, достаточности контекста для контроля смешения, наблюдаемости ресурсной среды), связывающих дефекты журналов событий с рисками ложной оценки эффекта. Дополнительно обоснована необходимость метаданных учета (версионности статусов и правил, паспортирования времени, трассируемости изменений), а также процессно-семантических ограничений (аксиом процесса) как механизма контроля качества, критичного именно для причинных выводов. Практический результат — контур организационного управления качеством событийных данных (паспорт журнала событий, реестр вмешательств, версионирование смыслов, панель индексов качества), позволяющий заранее определять, какие управленческие решения и каузальные оценки в принципе допустимы на имеющихся цифровых следах.

  • Список литературы

    1. Wang R.Y., Strong D.M. (1996) Beyond Accuracy: What Data Quality Means to Data Consumers. Journal of Management Information Systems, 12 (4), 5–33. DOI: 10.1080/07421222.1996.11518099

    2. Музалев С.В. (2025) Роль процессного майнинга в цифровой трансформации предприятий. Вопросы региональной экономики, 3 (64), 109–116.

    3. Миннебаев Г.Ф. (2025) Основные проблемы и вызовы применения цифровых следов. Международный журнал гуманитарных и естественных наук, 5-2 (104), 365–369. DOI: 10.24412/2500- 1000-2025-5-2-365-369

    4. Яхонтова И.М., Ефимиади Л.К. (2024) Технология интеллектуального анализа бизнес- процессов для повышения конкурентоспособности предприятий. Вестник Сургутского государственного университета, 12 (3), 73–83. DOI: 10.35266/2949-3455-2024-3-7

    5. Думбрайс К.О., Двойнова А.Д. (2022) Интеллектуальный анализ данных в задачах исследования и моделирования бизнес-процессов. Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки, 8, 74–80. DOI: 10.37882/2223-2966.2022.08.15

    6. Дробкова О.С., Емельянова О.С., Жамгырчиева А., Пятницкая С.А. (2023) Анализ основных аспектов, тенденций развития и специфики применения технологии Process mining как инструмента повышения эффективности бизнес-процессов предприятий. Экономика и предпринимательство, 5 (154), 1322–1329. DOI: 10.34925/EIP.2023.154.5.264

    7. Отоса П.А. (2024) Методологические направления совершенствования проектного менеджмента в контексте оптимизации моделирования операционных бизнес-процессов. Финансо- вые рынки и банки, 5, 55–60.

    8. Shmueli G., Bruce P.C., Yahav I., Patel N.R., Lichtendahl Jr. K.C. (2017) Data Mining for Busi- ness Analytics: Concepts, Techniques, and Applications in R. Hoboken: Wiley.

    9. Kalenkova A.A., van der Aalst W.M.P., Lomazova I.A., Rubin V.A. (2017) Process Mining Using BPMN: Relating Event Logs and Process Models. Software & Systems Modeling, 16 (4), 1019–1048. DOI: 10.1007/s10270-015-0502-0

    10. Миннебаев Г.Ф. (2025) Цифровые следы организаций: структура, виды и их роль в экономической оценке бизнеса. Вестник экономики, права и социологии, 1, 430–435. DOI: 10.24412/1998-5533-2025-1-430-435

    11. Грицкевич Е.Н. (2022) Цифровые следы как инструмент управления. Вестник цифровой экономики, 3, 45–52.

    12. Беккер Й., Вилков Л., Таратухин В., Кугелер М., Роземанн М. (2010) Менеджмент процессов (под ред. Й. Беккера), М.: Эксмо.

    13. Ягнюк И.М. (2025) Роль интеллектуальных систем поддержки принятия решений в формировании и реализации стратегии организации. Новое в экономической кибернетике, 3, 272–286. DOI: 10.5281/zenodo.17850075

    14. Hompes B.F.A., Maaradji A., La Rosa M., Dumas M., Buijs J.C.A.M., van der Aalst W.M.P. (2017) Discovering Causal Factors Explaining Business Process Performance Variation. In: Advanced Information Systems Engineering (eds. K. Pohl, E. Dubois), Cham: Springer, 10253, 177–192. DOI: 10.1007/978-3-319-59536-8_12

    15. Днепровская Н.В. (2020) Метод исследования компетенций субъектов цифровой экономики. Открытое образование, 24 (1), 4–12. DOI: 10.21686/1818-4243-2020-1-4-12

    16. Di Ciccio C., Maggi F.M., Montali M., Mendling J. (2018) Resolving Inconsistencies and Redundancies in Declarative Process Models. Information Systems, 64, 425–446. DOI: 10.1016/j.is.2016.09.005

    17. Strong D.M., Lee Y.W., Wang R.Y. (1997) Data Quality in Context. Communications of the ACM, 40 (5), 103–110. DOI: 10.1145/253769.253804

    18. Капустин К.К., Ильина Л.А. (2023) Роль цифровой трансформации в развитии методов технологического прогнозирования. Экономика и предпринимательство, 12 (161), 1226–1229. DOI: 10.34925/EIP.2023.161.12.239

    19. Ильинская Е.М., Титова М.Н. (2020) Многомерное сетевое конфигурационное взаимодействие предприятий в условиях экономики знаний и цифровой трансформации. В книге: Кластеризация цифровой экономики: теория и практика (под ред. А.В. Бабкина). СПб.: ПОЛИТЕХ-ПРЕСС, 498–518. DOI: 10.18720/IEP/2020.6/20

    20. Сатановский Р.Л., Элент Д. (2023) Парадигма активной адаптации организации производства в условиях цифровой циркулярной экономики. Организатор производства, 31 (2), 9–19. DOI: 10.36622/VSTU.2023.32.59.001

    21. Клецкова Е.В. (2025) Интегрированная система связи и поддержки принятия решений промышленного предприятия. Экономика устойчивого развития, 4 (64), 81–83.

     

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья