В статье раскрываются теоретические и прикладные аспекты информационно-аналитической поддержки управления приемной кампанией вуза в условиях цифровой трансформации. Особое внимание уделено возможностям применения интеллектуальных технологий для повышения управляемости процессов набора. Описана модель прогнозирования вероятности зачисления на основе нейросетевых алгоритмов, а также ее архитектурные и интеграционные решения. Представлены ограничения предложенного подхода. Обоснована актуальность использования подобных инструментов для повышения прозрачности и эффективности образовательного менеджмента. В результате эффективность модели подтверждена высокими значениями точности классификации и ROC-AUC, что демонстрирует ее прикладной потенциал в рамках реальных приемных кампаний
Идентификаторы и классификаторы
- SCI
- Информатика
В условиях цифровизации общественных и экономических процессов управление образовательными организациями требует внедрения новых подходов к принятию решений. Особое значение в этом контексте приобретает система управления приемной кампанией, от эффективности которой зависит результативность приема и позиционирование университета в конкурентной образовательной среде. Прием абитуриентов представляет собой сложный управленческий процесс, включающий взаимодействие нормативно-правовых требований, цифровых платформ, поведенческих стратегий абитуриентов и задач вузовского позиционирования. Подходы к набору студентов становятся элементом институционального развития и требуют системной аналитической поддержки на основе объективных данных
Список литературы
1. Приказ Минобрнауки России № 1076 от 21.08.2020 г. (ред. от 16.11.2023) “Об утверждении Порядка приема на обучение по программам бакалавриата, специалитета и магистратуры” (с изм. и доп., вступ. в силу с 01.05.2024). Москва: Министерство науки и высшего образования Российской Федерации, 2020. 42 с.
2. Федеральный закон от 29.12.2012 г. № 273-ФЗ “Об образовании в Российской Федерации”. М: Государственная Дума Российской Федерации, 2012. 404 с.
3. Логачев А. И. Работа приемной комиссии высшего учебного заведения: проблемы и перспективы // Молодой ученый. 2018. № 38 (224). С. 130-131. EDN: YADWBV
4. Голубин А. В. Внедрение Power BI для визуализации данных абитуриентов и оценки работы приемной комиссии университета // Умная цифровая экономика. 2022. Т. 2, № 1. С. 58-63. EDN: RUPTAM
5. Бятец И. В., Семериков А. В. Система прогнозирования показателей работы приемной комиссии вуза // Информационные технологии в управлении и экономике. 2019. № 3 (16). С. 5-10. EDN: HZLFHT
6. Щербаков С. М., Данилова Т. В., Швырев А. Н. Анализ данных об абитуриентах вуза // Материалы пула научно-практических конференций (Донецк-Керчь-Луганск, 24- 28 января 2022 г.). Керчь: КГМТУ, 2022. С. 385-388. EDN: WKEIBA
7. Зубкова Т. М., Тагирова Л. Ф. Применение модели нейронных сетей для поддержки принятия решения абитуриента по выбору специальности // Программные продукты и системы. 2021. № 2. С. 365-373. DOI: 10.15827/0236-235X.134.365-373 EDN: ROEEKR
8. R - Случайный лес // CoderLessons. 2018. URL: https://coderlessons.com/tutorials/kompiuternoe-programmirovanie/learn-r-programmirovanie/r-sluchainyi-les (дата обращения: 17.03.2024).
9. Yiu T. Understanding Random Forest: how the algorithm works and why it is so effective. // Towards Data Science. 2019. URL: https://towardsdatascience.com/understanding-random-forest-58381e0602d2 (дата обращения: 17.03.2024).
10. Калинин А. Random Forest: прогулки по зимнему лесу // Habr. 2017. URL: https://habr.com/ru/articles/320726/(дата обращения: 17.03.2024).
11. Категориальная регрессия: Упорядочение // IBM SPSS Documentation. URL: https://www.ibm.com/docs/ru/spss-statistics/25.0.0?topic=catreg-categorical-regression-regularization (дата обращения: 17.03.2024).
12. Нейронные сети. Часть 1. Основы искусственных нейронных сетей // Habr. URL: https://habr.com/ru/articles/40137/(дата обращения: 17.03.2024).
Выпуск
Другие статьи выпуска
В статье рассмотрены вопросы совершенствования системы управления персоналом в ИТ-компании на основе внедрения цифровых решений. Цель исследования – изучить процессы применения цифровых технологий в эффективной организации отбора персонала в ИТ-компании. Большинство современных организаций стараются повысить конкурентоспособность и быть гибкими к постоянно меняющимся условиям. В этой связи они разрабатывают различные стратегии не только по подбору, но и по удержанию и развитию сотрудников внутри компании, используя современные цифровые технологии, такие как: искусственный интеллект, машинное обучение, аналитику данных и т. д., стремясь перейти к модели «digital-социум». В работе показано, что в зависимости от масштабов деятельности, количества сотрудников и сферы деятельности компании, возможны различные варианты применения цифровых технологий. Однако, несмотря на все различия в профильности компаний и масштабах их деятельности, цифровые инструменты способствуют быстрому и качественному сбору данных, оптимизации обработки и анализу полученных данных, а также определению новых форматов применения инновационных цифровых решений.
Статья посвящена комплексному анализу цифровых решений, применяемых в отрасли физической культуры и спорта в Свердловской области. В процессе исследования анализируются цифровые сервисы, задействованные для реализации цифровой трансформации в этой сфере. Рассматриваются области их использования и цели внедрения в текущие процессы организаций Свердловской области. Методы включали синтез, контент-анализ, анализ вторичных данных, сравнение. Дополнительно применялся метод включенного наблюдения, который позволил выявить условия внедрения новых инструментов цифровизации отрасли. Контент-анализ нормативно-правовых документов, стратегий развития и результатов эмпирических исследований в области физической культуры и спорта позволил определить ключевые направления цифрового взаимодействия участников этого процесса. Результаты исследования могут быть применены для обоснования коррекций процедур внедрения, а также обзора действующих сервисов, относящихся к цифровым инструментам, применяемым в реализации цифровизации отрасли физической культуры и спорта на территории Свердловской области. В свою очередь, данные аспекты влияют на реализацию государственных программ по совершенствованию условий для развития физической культуры и спорта региона при помощи цифровой трансформации отрасли
Развитие процессов цифровизации экономики приводит к изменениям на всех уровнях экономической системы. Цифровизация, по мере своего развития, вызывает цифровую трансформацию не только отдельных бизнес-процессов и компаний, но и экономики в целом – это стратегический фактор экономического развития, который необходимо учитывать при осуществлении управления в экономике. Цифровизация также способствует институциональным изменениям, так, под ее воздействием преобразуются схемы организации рыночного взаимодействия продавцов и покупателей. Одной из новых форм такого взаимодействия являются маркетплейсы, как специальным образом организованные цифровые торговые площадки. Вклад электронной коммерции в целом и маркетплейсов в частности в торговый оборот динамично возрастает и, по прогнозам, будет расти и в среднесрочной перспективе. В статье рассмотрена экономическая природа маркетплейсов, как новых институциональных образований, формирующихся под воздействием цифровизации экономических процессов. Выявлена дуалистическая рыночная сущность маркетплейсов, которые, с одной стороны, способствуют монополизации рынков, с другой, приближают экономику к модели, характеризуемой совершенной рыночной конкуренцией. В результате проведенного анализа даны рекомендации по стратегическому развитию маркетплейсов
Современные предприятия сталкиваются с необходимостью цифровой трансформации для повышения эффективности управления, сокращения издержек и соответствия требованиям регулирующих органов. Одним из ключевых элементов этой трансформации является внедрение систем электронной отчетности, которые позволяют автоматизировать процессы сбора, обработки и передачи данных. В статье рассматриваются преимущества, проблемы и тенденции интеграции электронной отчетности в бизнес-процессы. Методы исследования включали системный и сравнительный анализ, а также эмпирические методы и процессное моделирование. В результате представлен практический кейс внедрения системы электронной отчетности «СБИС Отчетность» на предприятии ООО «ЦЭВР», который может быть полезен для цифровой трансформации организации с целью совершенствования отчетных процессов посредством их автоматизации
Статья посвящена моделированию и анализу динамики показателей животноводства в странах Евразийского экономического союза и Узбекистане на основе официальных статистических данных публикаций Евразийской экономической комиссии и материалов Национального комитета Республики Узбекистан по статистике. Цель работы заключается в выявлении общих и специфических тенденций в развитии отрасли, а также в формировании краткосрочных прогнозов по ключевым показателям животноводства. Методы исследования включали регрессионные модели (линейная, квадратичная, кубическая, экспоненциальная и гиперболическая), для оценки которых рассчитаны коэффициенты детерминации и аппроксимации. В результате по ряду стран построены модели временных рядов для прогнозирования значений на 2024 г. Работа содержит сравнительный анализ полученных моделей по странам и показателям, включая численность поголовья, продуктивность и объемы производства. Полученные результаты позволяют выявить как положительные, так и отрицательные динамики в развитии животноводства, что имеет прикладное значение для органов государственной власти, ответственных за реализацию агропродовольственной политики. Сделанные прогнозы могут быть полезны для обоснования мер поддержки отрасли и долгосрочного планирования. Статья ориентирована на специалистов в области аграрной экономики, прикладной статистики и государственного управления
В статье проверяется гипотеза о том, что комбинирование методов фрактального анализа и прогнозирования доходностей акций при помощи LSTM-нейронной сети при формировании инвестиционного портфеля позволяет улучшать его характеристики (соотношение доходности и риска) по сравнению с классическим методом Марковица и фондовым индексом. Исследование проводилось в несколько этапов: отбор активов для включения в портфель; получение прогнозов доходностей активов при помощи LSTM-сетей; формирование оптимального портфеля путем максимизации коэффициента Шарпа; сокращение числа активов в портфеле при помощи фрактального анализа; сравнение полученных портфелей с бенчмарками. В результате выявлено, что наилучшими характеристиками обладает комбинированный портфель, сформированный на базе LSTM-прогнозов и фрактального анализа, что подтверждает гипотезу исследования. Параметры LSTM-портфелей оказались лучше, чем параметры портфелей Марковица из тех же активов. Научная новизна работы состоит в том, что впервые для формирования портфеля применена комбинация нейросетевого прогнозирования и методов фрактального анализа
Издательство
- Издательство
- УрГЭУ
- Регион
- Россия, Екатеринбург
- Почтовый адрес
- 620144, Уральский ФО, Свердловская область, г. Екатеринбург, ул. 8 Марта/Народной Воли, д. 62/45
- Юр. адрес
- 620144, Уральский ФО, Свердловская область, г. Екатеринбург, ул. 8 Марта/Народной Воли, д. 62/45
- ФИО
- Силин Яков Петрович (РЕКТОР)
- E-mail адрес
- odo@usue.ru
- Сайт
- https://www.usue.ru/