УДК 338.27
Когнитивный анализ в системе управления организацией
Мальтин Олег Викторович – соискатель Высшей школы производственного менеджмента Института промышленного менеджмента, экономики и торговли Санкт-Петербургского политехнического университета Петра Великого.
Виноградова Елена Борисовна – доктор экономических наук, доцент, профессор Высшей школы производственного менеджмента Института промышленного менеджмента, экономики и торговли Санкт-Петербургского политехнического университета Петра Великого.
Аннотация: Методы когнитивного анализа, имитирующие человеческое мышление, становятся все более популярными в системе управления организацией, так как возрастает важность учета изначально скрытой информации эмоционального, поведенческого характера в текстовых, поведенческих и визуальных данных. При учете этой информации у организации появляется возможность проводить прогнозирование будущих событий и тенденций, извлечения значимой информации и инсайтов из текстовых данных, выполнять семантический анализ, интерпретирующий смыслы и контексты слов и фраз в текстовых данных. Также методы когнитивного анализа позволяют проводить эмоциональный анализ, которые дают возможность анализа эмоциональной тональности и настроения в текстовых данных, что в свою очередь показывает степень отношения к тому или иному объекту и общий курс общественного мнения. Методы когнитивного анализа позволяют проводить поведенческий анализ и исследование визуальных данных позволяющие прогнозировать тенденции развития и выполнять распознавание образов для целей эмоционального исследования. В данной работе проанализированы особенности методов когнитивного анализа, а также возможности альтернативных методов и их совместной интеграции для повышения точности и надёжности полученных результатов.
Ключевые слова: когнитивные технологии, прогностический анализ, система управления организацией, нейронные сети, анализ текста, машинное обучение, семантический анализ.
Введение
В современных экономических условиях возрастает роль цифровых методов и технологий, облегчающих управление и деятельность организации. При этом все большее развитие получают методы когнитивного анализа, которые объединяют различные методы искусственного интеллекта для имитации человеческого процесса мышления при анализе экономических и организационных данных. Проанализируем несколько методов когнитивного анализа помогающих на новом уровне взглянуть на анализ всего спектра «человеческого» фактора, вносимого как внутри так снаружи деятельности организации [3; 7; 9].
Первым рассматриваемым типом когнитивного анализа в системе управления организацией является метод прогностического анализа. Основная задача данного метода заключается в обработке и анализе исторических данных для прогнозирования будущих событий и тенденций. Это помогает организации подготовиться к возможным будущим сценариям событий и тем самым принять более информированные решения. Данный метод основан на алгоритмах регрессионного анализа, деревьев решений и технологии нейронных сетей. В процессе настройки алгоритма необходим подбор соответствующей модели, ее настройка, обучение и валидация данных, оптимизация гиперпараметров. Особенностью метода прогностического анализа является возможный риск переобучения модели, а также сильная зависимость от качества анализируемых исторических данных. В качестве альтернативного методу прогностического анализа, для решения данных задач можно использовать статистический анализ и интеллектуальный анализ данных (Data Mining). А также существует возможность настройки согласования моделей интеллектуального анализа данных с прогностическими моделями для улучшения точности прогнозирования [2; 5; 6].
Следующим разбираемым методом когнитивного анализа является анализ текста (анализатор текста). Задача данного метода заключается в анализе текстовых данных, включая методику обработки естественного языка (NLP), с целью извлечения значимой информации, выделения «инсайтов» из текстовых документов, таких как отчеты, электронные письма, публикации в социальных сетях. Это дает возможность в совокупности улучшить понимание получаемой текстовой информации и анализа текстовых данных. Данный метод основан на методике «токенизации», анализе «сентиментов» и машинном обучении. Также требуется точная настройка параметров метода обработки естественного языка (NLP) и определение ключевых индикаторов для проведения анализа. Особенностью данного метода является сложность обработки неструктурированных текстовых данных, а также риск неправильной интерпретации поведения данных. В качестве альтернативного метода для решения данных задач можно использовать метод контент анализа и квалиметрические методы. Также существует возможность интеграции метода контент анализа для дополнения количественных методов анализа текстовых данных (метод анализа текста) [4; 8].
Таблица 1. Таблица сравнительного анализа методов когнитивного, описание и преимущества, используемые алгоритмы реализации.
Типы методов когнитивного анализа |
Описание и преимущества |
Алгоритмы реализации |
Прогностический анализ (predictive analytics) |
Использует прошлые данные для прогнозирования будущих событий, помогает в принятии предвиденных решений. |
Регрессионный анализ, деревья решений, нейронные сети. |
Анализ текста (text analytics) |
Извлекает значимую информацию из текстов, улучшает понимание и анализ текстовых данных. |
Токенизация, анализ сентиментов, машинное обучение. |
Семантический анализ (semantic analytics) |
Интерпретирует смыслы и контексты в данных, обогащает анализ глубиной понимания. |
Обработка естественного языка (NLP), машинное обучение. |
Эмоциональный анализ (sentiment analysis) |
Определяет эмоциональный тон текстов, помогает понять настроения и мнения. |
Анализ сентиментов, NLP, машинное обучение. |
Анализ поведенческих данных (behavioral analytics) |
Анализирует данные о поведении, выявляет тенденции и помогает в оптимизации взаимодействий. |
Моделирование поведения, анализ паттернов, машинное обучение. |
Визуальный анализ (visual analytics) |
Обрабатывает визуальные данные для извлечения информации, поддерживает принятие решений на основе визуальных данных. |
Распознавание образов, обработка изображений, машинное обучение. |
Перейдем к анализу следующего инструмента когнитивного анализа, методу семантического анализа, который основывается на «понимании» и интерпретации смыслов и контекстов слов и фраз в текстовых данных. Он дает возможность осуществить более глубокое понимание смысловых связей и тонких (неявных) зависимостей в текстовых данных. Данный метод основывается на алгоритмах обработки естественного языка (NLP) и машинном обучении. При настройке данного метода необходимо точное определение анализируемого контента, выполнение точной настройки параметров модели NLP. Особенностью данного метода является сильная зависимость от контекста, а также сложность точной семантической интерпретации. Альтернативой данному методу могут служить алгоритмы лексического анализа и «культурные модели», которые основаны на учете культурных особенностей и лексического разнообразия при семантическом анализе.
Метод эмоционального анализа входит в состав анализируемой в данной работе группы методов когнитивного анализа. Задачей данного метода является определение эмоциональной тональности и настроения в текстовых данных, это позволяет анализировать степень общественного мнения, силу отношения к бренду или продукта, а также изучить реакцию на различные события. Данный метод базируется на алгоритмах метода анализа сентиментов, обработки естественного языка (NLP) и машинном обучении. При внедрении данного метода необходим выбор алгоритма анализа сентиментов и его тонкая настройка исходя и специфических особенностей языка и контекста. Особенностью данного метода может быть субъективность проводимого анализа, а также чувствительность к контексту и сленгу изучаемых текстовых данных. Альтернативными методами для решения рассматриваемых задач может служить инструмент биометрического анализа и метод анализа тональности голоса. Также существует возможность интеграции (синхронизации) метода анализа тона голоса с методами текстового анализа, для получения более полной информации о выражаемых эмоциях.
Следующим анализируемым методом когнитивного анализа является алгоритм анализа поведенческих данных. Основная задача данного алгоритма заключается в исследовании данных о поведении пользователей или потребителей для выявления закономерностей поведения, тенденций развития и инсайтов. Эта задача служит накоплению и анализу успешного пользовательского опыта и данных персонализации, оптимизирует взаимодействие в рамках изучаемой системы. Данный метод основан на алгоритмах моделирования поведения, анализе паттернов и машинном обучении. Для настройки алгоритма необходим выбор подходящей модели поведения, а также правильная настройка параметров для анализа паттернов. Особенностью данного метода является требование больших объемов, анализируемых поведенческих данных, а также необходима защита конфиденциальной (персональной) информации. Альтернативной технологией в данном случае может выступать метод социометрического анализа и анализ социальных сетей. Также существует возможность объединения (интеграции) метода социометрического анализа с алгоритмом поведенческих- данных для комплексного понимания процессов социального взаимодействия [1].
Заключительным анализируемым методом когнитивного анализа является методика визуального анализа. Основной задачей которой является обработка и исследование визуальных данных (видео и изображения), включает в себя распознавание образов, анализ движений, интерпретацию визуальных контекстов. В результате анализа извлекается обрабатывается информация, помогающая принятию организационных или иных решений. Данный метод базируется на алгоритмах распознавания образов, обработки изображения и машинном обучении. Для настройки данного метода необходима юстировка алгоритмов распознавания образов и их оптимизация для различных типов анализируемых изображений. Особенностью данного метода является требование к высокому качеству анализируемого изображения и видео, сложность обработки комплексных сцен. Альтернативным инструментом в данном случаи является анализ временных рядов и алгоритмы трекинга. Также существует возможность использования метода анализа временных рядов для дополнения визуального анализа, а также использование настройки параметров трекинга для изучения динамики визуальных данных.
Вывод
В условиях современных тенденций развития цифровых технологий конкурентное преимущество организации обеспечивает внедрение новейших инструментов и методов обработки и анализа. Рассматриваемые в работе авторами методы когнитивного анализа позволяют получить специальные знания в области данных имитации и анализа человеческого мышления. Это очень важная и перспективная область анализа данных в организации, позволяющая учитывать и контролировать эмоциональную, «человеческую» составляющую в поступающих данных. В работе проведен анализ и особенности настройки следующих методов когнитивного анализа: прогностический анализ, анализ текста, семантический анализ, эмоциональный анализ, анализ поведенческих данных, визуальный анализ. Также рассмотрен перечень альтернативных методов и их интеграция с когнитивными инструментами анализа. Внедрение рассмотренных в работе методов когнитивного анализа даст возможность организации сформировать систему управления, позволяющую организации предвидеть и проактивно подготовиться к будущим событиям.
Список литературы
- Cars Hommes, Behavioral and experimental macroeconomics and policy analysis: A complex systems approach. Journal of Economic Literature 59(1) (2021): 149-219.
- Болбаков Р.Г. Основы когнитивного управления // Государственный советник. 2015. № 1 (9). С. 45-49.
- Городнова Н.В. Применение искусственного интеллекта в бизнес-сфере: современное состояние и перспективы //Вопросы инновационной экономики. 2021. Т. 11. № 4. С. 1473-1492.
- Курников Д.С., Петров С.А. Использование нейронных сетей в экономике // Juvenis Scientia. 2017. № 6. С. 10-12.
- Маренко В.А., Лучко О.Н., Ляпин В.А., Гуща С.Ю., Алексеенко Л.В. Анализ когнитивных моделей // Математические структуры и моделирование. 2015. № 2 (34). С. 64-74.
- Пройдаков Э.М. Современное состояние искусственного интеллекта // Науковедческие исследования. 2018. № 2018. С. 129-153.
- Сафрончук М.В. Влияние цифровой трансформации на бизнес и деловую среду // Экономика и управление: проблемы, решения. 2018. Т. 3. № 2. С. 38-44.
- Цветков В.Я. Комплементарность информационных ресурсов // Международный журнал прикладных и фундаментальных исследований. 2016. № 2-2. С. 182-185.
- Яковлева Е.А., Толочко И.А. Инструменты и методы цифровой трансформации // Вопросы инновационной экономики. 2021. Т. 11. № 2. С. 415-430.