сотрудник с 01.01.2016 по настоящее время
г. Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
студент
г. Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
сотрудник
г Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
УДК 004 Информационные технологии. Компьютерные технологии. Теория вычислительных машин и систем
УДК 33 Экономика. Экономические науки
ГРНТИ 20.00 ИНФОРМАТИКА
ОКСО 38.00.00 Экономика и управление
ОКСО 09.00.00 Информатика и вычислительная техника
ББК 3 ТЕХНИКА. ТЕХНИЧЕСКИЕ НАУКИ
ТБК 6 ЕСТЕСТВЕННЫЕ НАУКИ. МАТЕМАТИКА
В статье представлено использование кластерного анализа методом K-Means в рамках интеллектуальной системы поддержки принятия решений для группировки вариантов ведения проекта, а также формирование рекомендаций по выбору для конечного пользователя на основе результатов кластеризации. Кроме того, показаны различные опции выполнения кластерного анализа, а также влияние данных опций на конечные результаты. Продемонстрирована практическая польза системы для анализа проектов, реализация которых зависит от множества переменных составляющих и требует детального анализа полученных вариантов выполнения проекта по группам для выбора подходящих под разнообразные сценарии и ограничения опций.
системы поддержки принятия решений, кластерный анализ, рекомендательная система, управление проектами, анализ больших объёмов данных, применение методов машинного обучения в экономике
1. Барсегян А. А. Методы и модели анализа данных: OLAP и Data Mining. / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. – СПб.: БХВ-Петербург, 2004. - 336 с. EDN: https://elibrary.ru/QMNOPT
2. Барсегян А. А. Технологии анализа данных: Data Mining, Text Mining, Visual Mining, OLAP. 2 изд. / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. – СПб. : БХВ-Петербург, 2008. - 384 с
3. Конев К. А. Использование методов машинного обучения в задачах принятия решений при обеспечении качества в приборостроении //Экономика. Информатика. – 2022. – Т. 49. – №. 4. – С. 820-832. DOI: https://doi.org/10.52575/2687-0932-2022-49-4-820-832; EDN: https://elibrary.ru/HWIAAN
4. Антонов В. В., Конев К. А. Интеллектуальный метод поддержки принятия решений в типовой ситуации //Онтология проектирования. – 2021. – Т. 11. – №. 1 (39). – С. 126-136. DOI: https://doi.org/10.18287/2223-9537-2021-11-1-126-136; EDN: https://elibrary.ru/MRTSPE
5. Савенков П. А. Использование методов и алгоритмов машинного обучения в системах поддержки принятия управленческих решений //Известия Тульского государственного университета. Технические науки. – 2019. – №. 2. – С. 213-218. EDN: https://elibrary.ru/HNQLRO
6. Стародубцев А. А. Система поддержки принятия решений //Актуальные проблемы авиации и космонавтики. – 2016. – Т. 2. – №. 12. – С. 99-101. EDN: https://elibrary.ru/XRYBGN
7. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. – Litres, 2022.
8. Орехов А. В. Аппроксимационно-оценочные критерии (аналитическое обобщение эвристического «метода локтя») //Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. – 2025. – Т. 21. – №. 3. – С. 373-384. DOI: https://doi.org/10.21638/spbu10.2025.305; EDN: https://elibrary.ru/TQLJOR
9. Репина С. И. Проверка качества кластеров с помощью силуэтного анализа //Экономика и социум. – 2024. – №. 9 (124). – С. 958-975. DOI: https://doi.org/10.5281/zenodo.13918451; EDN: https://elibrary.ru/GZNUGM
10. Краснов, С. В. К вопросу реализации алгоритма выбора эффективных вариантов реализации проекта для систем поддержки принятия решений / С.В. Краснов, М.И. Иванов, С.А. Краснова // Журнал исследований по управлению. – 2025. – Т. 11, № 4. – С. 24-33. EDN: https://elibrary.ru/USNJAV
