Innovative technological modes of data mining and modelling for adaptive project management of food industry competitive enterprises in crisis conditions
Ключові слова:
Харчова промисловість, інтелектуальний аналіз даних, машинне навчання, великі дані, управління проектами в харчовій промисловості, ефективність та конкурентоспроможністьКороткий опис
Розроблені в даному дослідженні науково-практичні прикладні проектні рішення щодо Data Mining для підприємств і компаній (на прикладі харчової промисловості) передбачають застосування сучасних кібернетичних методів/алгоритмів обчислень, технологічних режимів і сценаріїв (для інтеграції, попередньої обробки, машинного навчання, тестування та поглибленої комплексної інтерпретації результатів) аналізу та аналітики великих структурованих і напівструктурованих масивів даних для навчання високоякісних описових, предиктивних і навіть прескриптивних моделей.
Запропонований авторами багаторежимний адаптивний Data Mining синергетично поєднує в паралельних і послідовних сценаріях: методи попереднього EDA, методи статистичного аналізу, методи бізнес-аналітики, класичні алгоритми та архітектури машинного навчання, передові методи тестування та верифікації отриманих результатів, методи міждисциплінарної емпіричної експертної інтерпретації результатів, формати/техніки інженерії знань - для відкриття/виявлення раніше невідомих, прихованих і потенційно корисних закономірностей, зв'язків і тенденцій (для управління інноваційними проектами).
Основною методологічною та технологічною метою розробленої методології багаторежимного адаптивного Data Mining для підприємств харчової промисловості є підвищення повноти (підтримки) та точності бізнес- та техніко-технологічного моделювання на всіх рівнях управління проектами підприємств харчової промисловості: стратегічному, тактичному та оперативному.
Шляхом оптимального налаштування гіперпараметрів, параметрів, алгоритмів/методів та архітектури багатоцільових та багатовимірних явних та неявних дескриптивних та предикативних моделей, використання високопродуктивних гібридних паралельних м'яких обчислень для машинного навчання - удосконалена методологія багаторежимного Data Mining (запропонована авторами) дозволяє знаходити/виявляти/видобувати нові, корисні, приховані корпоративні знання з раніше зібраних, вилучених, інтегрованих озер даних, стимулюючи загальну ефективність, стійкість, а отже, і конкурентоспроможність підприємств харчової промисловості різних організаційних масштабів (від індивідуальних, крафтових виробництв до інтегрованих міжнародних холдингів) та в різних групах і нішах харчових продуктів.
Більш детально цілі цього дослідження розкриваються у двох змістовних модулях:
1. Перша частина детальних цілей і завдань цього дослідження стосується ефективного використання Data Mining (і моделювання) в конкурентному управлінні підприємствами і компаніями в сучасній економіці, а саме
– дослідження та перевірка ефективності базових/основних трьох типів Data Mining в управлінні конкурентоспроможним підприємством;
– виявлення основних/головних труднощів та викликів застосування технології Data Mining в управлінні конкурентоспроможним підприємством;
– дослідження та формування переліку базових/основних доцільних функціональних прикладних корпоративних задач для застосування удосконаленої концепції Data Mining;
– визначення переліку основних/головних результатів використання запропонованої концепції та методології Data Mining для ефективного та конкурентоспроможного підприємства в динамічних та кризових умовах;
– визначення основних/головних переваг використання запропонованої концепції та методології Data Mining для ефективного та конкурентоспроможного підприємства в динамічних та кризових умовах;
– дослідження основних/головних технологічних проблем використання запропонованої концепції та методології Data Mining для ефективного та конкурентоспроможного підприємства в динамічних та кризових умовах;
– виявлення основних/головних етичних проблем використання запропонованої концепції та методології Data Mining для ефективного та конкурентоспроможного підприємства в динамічних та кризових умовах;
– дослідження та пошук основних/головних перспектив інтелектуального аналізу даних в управлінні конкурентоспроможним підприємством або компанією.
2. Друга і основна частина деталізованих цілей і завдань цієї публікації стосується ефективного використання Data Mining (і моделювання) в конкурентному управлінні підприємствами і компаніями харчової промисловості, а саме:
– визначення особливостей та методів аналізу та аналітики високорозмірних великих даних на підприємствах харчової промисловості;
– дослідження особливостей та розробка методичних і технологічних прийомів для ефективного режиму OnLine Data Mining на підприємствах харчової промисловості;
– дослідження особливостей та розробка рекомендацій щодо ефективної організації Ad-Hoc Data Mining на підприємствах харчової промисловості;
– дослідження специфіки та розробка прикладних рекомендацій щодо ефективного використання Anomaly & Fraud Detection технологічних даних підприємств харчової промисловості;
– визначення напрямів та розробка рекомендацій щодо ефективного використання Hybrid Data Mining на підприємствах харчової промисловості;
– виявлення особливостей та розробка комплексу науково-практичних рекомендацій щодо ефективного режиму Crisis Data Mining на підприємствах харчової промисловості в динамічних та нестабільних зовнішніх умовах;
– визначення напрямів та розробка рекомендацій щодо майбутніх тенденцій ефективного використання Data Mining на підприємствах харчової промисловості.
Не можна не погодитися з тим, що в сучасних умовах (передкризовий, кризовий та посткризовий стан як регіональних харчових галузей, так і глобального світу; глобалізація та одночасна дуже вузька спеціалізація галузей харчової промисловості; необхідність врахування величезної кількості потокової та пакетної інформації з різних джерел та різних форматів; необхідність швидкої адаптивної оптимальної управлінської реакції/адаптації у відповідь на швидкі зміни глобальної або регіональної ринкової кон'юнктури; нестабільна та важкопрогнозована динаміка зовнішніх впливів: міжнародне, національне, галузеве, місцеве пряме нормативно-правове та непряме державне регулювання харчової промисловості) - розгортання запропонованої авторами багаторежимної адаптивної методології Data Mining призведе до отримання підприємствами, компаніями та організаціями/установами харчової промисловості додаткових конкурентних переваг на державному, регіональному, галузевому та корпоративному рівнях управління.
Посилання
Ostapenko, T., Onopriienko, D., Hrashchenko, I., Palyvoda, O., Krasniuk, S., Danilova, E. (2022). Research of impact of nanoeconomics on the national economic system development. Innovative development of national economies. Kharkiv: PC TECHNOLOGY CENTER, 46–70. doi: https://doi.org/10.15587/978-617-7319-64-0.ch2
Palyvoda, O., Karpenko, O., Bondarenko, O., Bonyar, S., Bikfalvi, A. (2018). Influence of network organizational structures on innovation activity of industrial enterprises. Problems and Perspectives in Management, 16 (3), 174–188. https://doi.org/10.21511/ppm.16(3).2018.14
Illiashenko, S., Bilovodska, O., Tsalko, T., Tomchuk, O., Nevmerzhytska, S., Buhas, N. (2022). Opportunities, Threats and Risks of Implementation the Innovative Business Management Technologies in the Post-Pandemic Period COVID-19. WSEAS transactions on business and economics, 19, 1215–1229. https://doi.org/10.37394/23207.2022.19.107
Krasnyuk, M., Nevmerzhytska, S., Tsalko, T. (2024). Processing, analysis & analytics of big data for the innovative management. Grail of Science, 38, 75–83. https://doi.org/10.36074/grail-of-science.12.04.2024.011
Krasnyuk, М., Elishys, D. (2024). Perspectives and problems of big data analysis analytics for effective marketing of tourism industry. Science and Technology Today, 4 (32), 833–857. https://doi.org/10.52058/2786-6025-2024-4(32)-833-857
Krasnyuk, M. T., Hrashchenko, I. S., Kustarovskiy, O. D., Krasniuk, S. O. (2018). Methodology of effective application of Big Data and Data Mining technologies as an important anticrisis component of the complex policy of logistic business optimization. Economies' Horizons, 3 (6), 121–136. https://doi.org/10.31499/2616-5236.3(6).2018.156317
Tsalko, T., Nevmerzhytska, S., Didenko, Ye., Kharchenko, T., Bondarenko, S. (2020). Optimization of goods implementation on the basis of development of business process re-engineering. Journal of Management Information and Decision Sciences, 23 (2). Available at: https://www.abacademies.org/articles/optimization-of-goods-implementation-on-the-basis-of-development-of-business-process-reengineering-9174.html
Krasnyuk, M., Hrashchenko, I., Goncharenko, S., Krasniuk, S., Kulynych, Y. (2023). Intelligent management of an innovative oil and gas producing company under conditions of the modern system crisis. Access Journal – Access to Science, Business, Innovation in the Digital Economy, 4 (3), 352–374. https://doi.org/10.46656/access.2023.4.3(2)
Turlakova, S., Bohdan, B. (2023). Artificial intelligence tools for managing the behavior of economic agents at micro level. Neuro-Fuzzy Modeling Techniques in Economics, 12, 3–39. https://doi.org/10.33111/nfmte.2023.003
Krasnyuk, M. T., Hrashchenko, I. S., Kustarovskiy, O. D., Krasniuk, S. O. (2018). Methodology of effective application of Big Data and Data Mining technologies as an important anti-crisis component of the complex policy of logistic business optimization. Economies' Horizons, 3 (6), 121–136. https://doi.org/10.31499/2616-5236.3(6).2018.156317
Y. Krasnyuk, M., Kulynych, Y., Krasniuk, S. (2022). Knowledge discovery and data mining of structured and unstructured business data: problems and prospects of implementation and adaptation in crisis conditions. Grail of Science, 12-13, 63–70. https://doi.org/10.36074/grail-of-science.29.04.2022.006
Tereshchenko, S., Kulinich, T., Matienko, V., Tymchyna, Y., Nevmerzhytska, S., Ievseitseva, O. (2023). Financial and marketing innovative management of ecological agribusiness. Financial and Credit Activity Problems of Theory and Practice, 6 (53), 487–500. https://doi.org/10.55643/fcaptp.6.53.2023.4255
Ishchejkin, T., Liulka, V., Dovbush, V., Zaritska, N., Puzyrova, P., Tsalko, T. et al. (2022). Information subsystem of agri-food enterprise management in the context of digitalization: the problem of digital maturity. Journal of Hygienic Engineering and Design, 38, 243–252. Available at: https://keypublishing.org/jhed/jhed-volumes/jhed-volume-38-fpp-18-tymur-ishchejkin-viktoriia-liulka-vita-dovbush-nadiia-zaritska-polina-puzyrova-tetiana-tsalko-svitlana-nevmerzhytska-yuliia-rusina-olena-nyshenko-svitlana-bebko/
Derbentsev, V. D., Bezkorovainyi, V. S., Matviychuk, A. V., Hrabariev, A. V., Hostryk, A. M. (2023). A comparative study of deep learning models for sentiment analysis of social media texts. CEUR Workshop Proceedings, 3465, 168–188.
Derbentsev, V., Kibalnyk, L., Radzihovska, Yu. (2019). Modelling multifractal properties of cryptocurrency market. Periodicals of Engineering and Natural Sciences (PEN), 7 (2), 690–701. https://doi.org/10.21533/pen.v7i2.559
Derbentsev, V., Bezkorovainyi, V., Akhmedov, R. (2020). Machine learning approach of analysis of emotional polarity of electronic social media. Neuro-Fuzzy Modeling Techniques in Economics, 9, 95–137. https://doi.org/10.33111/nfmte.2020.095
Derbentsev, V., Velykoivanenko, H., Datsenko, N. (2019). Machine learning approach for forecasting cryptocurrencies time series. Neuro-Fuzzy Modeling Techniques in Economics, 8, 65–93. https://doi.org/10.33111/nfmte.2019.065
Carneiro, F., Miguéis, V. (2021). Applying Data Mining Techniques and Analytic Hierarchy Process to the Food Industry: Estimating Customer Lifetime Value. Proceedings of the International Conference on Industrial Engineering and Operations Management. Kotler, 2000, 266–277. https://doi.org/10.46254/sa02.20210125
Vlontzos, G., Pardalos, P. M. (2017). Data mining and optimisation issues in the food industry. International Journal of Sustainable Agricultural Management and Informatics, 3 (1), 44–64. https://doi.org/10.1504/ijsami.2017.082921
Hajiha Hajiha, A., Radfar, R., Malayeri, S. S. (2011). Data mining application for customer segmentation based on loyalty: An iranian food industry case study. 2011 IEEE International Conference on Industrial Engineering and Engineering Management, 504–508. https://doi.org/10.1109/ieem.2011.6117968
Shekhar, H., Sharma, A. (2023). Global Food Production and Distribution Analysis using Data Mining and Unsupervised Learning. Recent Advances in Food, Nutrition & Agriculture, 14 (1), 57–70. https://doi.org/10.2174/2772574x14666230126095121
Massaro, A., Dipierro, G., Saponaro, A., Galiano, A. (2020). Data Mining Applied in Food Trade Network. International Journal of Artificial Intelligence & Applications, 11 (2), 15–35. https://doi.org/10.5121/ijaia.2020.11202
Ting, S. L., Tse, Y. K., Ho, G. T. S., Chung, S. H., Pang, G. (2014). Mining logistics data to assure the quality in a sustainable food supply chain: A case in the red wine industry. International Journal of Production Economics, 152, 200–209. https://doi.org/10.1016/j.ijpe.2013.12.010
Holimchayachotikul, P., Phanruangrong, N. (2010). A Framework for Modeling Efficient Demand Forecasting Using Data Mining in Supply Chain of Food Products Export Industry. Proceedings of the 6th CIRP-Sponsored International Conference on Digital Enterprise Technology. Berlin Heidelberg: Springer, 1387–1397. https://doi.org/10.1007/978-3-642-10430-5_106
Hayashi, Y., Hsieh, M.-H., Setiono, R. (2009). Predicting consumer preference for fast-food franchises: a data mining approach. Journal of the Operational Research Society, 60 (9), 1221–1229. https://doi.org/10.1057/palgrave.jors.2602646
Taghi Livari, R., Zarrin Ghalam, N. (2021). Customers grouping using data mining techniques in the food distribution industry (a case study). SRPH Journal of Applied management and Agile Organisation, 3 (1), 1–8. https://doi.org/10.47176/sjamao.3.1.1
Liu, L.-M., Bhattacharyya, S., Sclove, S. L., Chen, R., Lattyak, W. J. (2001). Data mining on time series: an illustration using fast-food restaurant franchise data. Computational Statistics & Data Analysis, 37 (4), 455–476. https://doi.org/10.1016/s0167-9473(01)00014-7
Liao, C.-W. (2009). Consumers' behavior in the food and beverage industry through data mining. Journal of Information and Optimization Sciences, 30 (4), 855–868. https://doi.org/10.1080/02522667.2009.10699915
Jiménez-Carvelo, A. M., González-Casado, A., Bagur-González, M. G., Cuadros-Rodríguez, L. (2019). Alternative data mining/machine learning methods for the analytical evaluation of food quality and authenticity – A review. Food Research International, 122, 25–39. https://doi.org/10.1016/j.foodres.2019.03.063
Krasnyuk, M., Krasniuk, S. (2020). Comparative characteristics of machine learning for predicative financial modelling. Scientific bulletin ΛΌГOΣ, 55–57. https://doi.org/10.36074/26.06.2020.v1.21
Krasnyuk, M., Tkalenko, A., Krasniuk, S. (2021). Results of analysis of machine learning practice for training effective model of bankruptcy forecasting in emerging markets. Scientific bulletin ΛΌГOΣ. https://doi.org/10.36074/logos-09.04.2021.v1.07
Krasnyuk, M., Krasniuk, S. (2021). Modern practice of machine learning in the aviation transport industry. Scientific bulletin ΛΌГOΣ. https://doi.org/10.36074/logos-30.04.2021.v1.63
Krasnyuk, M., Krasniuk, S., Goncharenko, S., Roienko, L., Denysenko, V., Liubymova, N. (2023). Features, problems and prospects of the application of deep machine learning in linguistics. Bulletin of Science and Education, 11 (17), 19–34. Available at: http://perspectives.pp.ua/index.php/vno/article/view/7746/7791
Krasnyuk, M., Hrashchenko, I., Goncharenko, S., Krasniuk, S. (2022). Hybrid application of decision trees, fuzzy logic and production rules for supporting investment decision making (on the example of an oil and gas producing company). Access Journal – Access to Science, Business, Innovation in the Digital Economy, 3 (3), 278–291. https://doi.org/10.46656/access.2022.3.3(7)
Shіrіnyan, L., Arych, M. (2019). Impact of the insurance costs on the competitiveness of food industry enterprises of Ukraine in the context of the food market security. Ukrainian Food Journal, 8 (2), 368–385. https://doi.org/10.24263/2304-974x-2019-8-2-15
Shirinyan, L., Arych, M., Rohanova, H. (2021). Influence of Insurance on Competitiveness of Food Enterprises in Ukraine. Management Theory and Studies for Rural Business and Infrastructure Development, 43(1), 5–12. https://doi.org/10.15544/mts.2021.01
Arych, M., Levon, M., Arych, H., Kulynych, Y. (2021). Genetic testing in insurance: implications for non-EU insurance markets as a part of the European integration process. On-line Journal Modelling the New Europe, 36, 25–52. https://doi.org/10.24193/ojmne.2021.36.02
Arych, M., Kuievda, I., Dvořák, M., Hinke, J. (2023). The farming costs (including insurance) of the agricultural holdings in the European Union. Journal of International Studies, 16 (1), 191–205. https://doi.org/10.14254/2071-8330.2023/16-1/13
##submission.downloads##
Сторінки
39-79
Опубліковано
грудня 30, 2024
Категорії
Авторське право (c) 2024 Maksym Naumenko, Iryna Hrashchenko, Tetiana Tsalko, Svitlana Nevmerzhytska, Svitlana Krasniuk, Yurii Kulynych
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Деталі щодо доступних видів видань: PDF
PDF
ISBN-13 (15)
978-617-8360-03-0
Як цитувати
Naumenko, M., Hrashchenko, I., Tsalko, T., Nevmerzhytska, S., Krasniuk, S., & Kulynych, Y. (2024). Innovative technological modes of data mining and modelling for adaptive project management of food industry competitive enterprises in crisis conditions. в M. Ievlanov (ред.), PROJECT MANAGEMENT: INDUSTRY SPECIFICS (с. 39–79). Kharkiv: ПП "ТЕХНОЛОГІЧНИЙ ЦЕНТР". https://doi.org/10.15587/978-617-8360-03-0.ch2
