Автоматизация аналитической деятельности букмекерской конторы с применением методов машинного обучения
Введение
Актуальность исследования. Автоматизация аналитической деятельности на основании методов машинного обучения открывает возможности для работы с непрерывно возрастающим объемом информации и возможностью получения знаний из огромного массива данных. Невзирая на небольшой срок активного использования в букмекерском бизнесе цифровых носителей, объем данных на них вырастает в геометрической прогрессии с каждым днем, что является следствием изменения и обмена данных из различных областей аналитических процессов в цифровой вид. В связи с этим на первый план выходят способы хранения, обработки, поиска и извлечения сведений из данных, то есть цифровые технологии Big Data.
Согласно прогнозу долгосрочного социально-экономического развития Российской Федерации на период до 2030 года приоритетные проекты с объемным структурным и макроэкономическим результатом, воплощение которых необходимо для реализации положительного хода развития страны, включают реализацию высокотехнологичных нау
СОДЕРЖАНИЕ
Введение 3
1 Возможности машинного обучения при автоматизации 9
1.1 Понятие и роль машинного обучения в цифровой экономике 9
1.2 Разновидности и состав современных методов машинного обучения 21
2 Декомпозиция аналитической деятельности букмекерской конторы АО «СпортБет» 39
2.1 Общая характеристика бизнес-процессов предприятия 39
2.2 Структурная декомпозиция процессов аналитической деятельности предприятия 46
3 Применение методов машинного обучения для автоматизации аналитической деятельности букмекерской конторы 52
3.1 Возможности автоматизации аналитической деятельности АО «СпортБет» 52
3.2 Выбор методов машинного обучения для автоматизация аналитической деятельности с использованием машинного обучения 66
4 Оценка экономической эффективности проекта 76
4.1 Организационное и финансовое обеспечение проекта автоматизации 76
4.2 Оценка экономической эффективности проекта 81
Заключение 84
Список использованных источников 89
Приложение А Данные финансовой отчетности АО «СпортБет» 94
Список использованных источников
1. Арутюнян С. Соотношение коммерческой тайны и коммерческой информации // Трансформация современной науки в условиях цифровизации. Сборник статей Международной научно-практической конференции. 2019. С. 53-57.
2. Бакламенко Д.В. Информационное обеспечение как вектор развития глобализации коммерческой деятельности // Теория и практика коммерческой деятельности. Материалы XIX Международной научно-практической конференции, электронное издание. Сибирский федеральный университет, Харбинский университет коммерции. 2019. С. 727-732.
3. Бучнева А. Нейросеть: дерево решений или случайный лес? // БИТ. Бизнес & Информационные технологии. 2018. № 4 (77). С. 48-53.
4. Бывшев В.А. Оценка точности решения задачи машинного обучения методом коллокации // Управление развитием крупномасштабных систем (MLSD'2019). Материалы двенадцатой международной конференции. 2019. С. 380-385.
5. Воронин Е.А. Оптимизация экономической безопасности методами машинного обучения и эволюционных алгоритмов // Научное обозрение. Серия 1: Экономика и право. 2021. № 2. С. 37-46.
6. Выпирайленко Д.А. Использование методов машинного обучения в сфере телекоммуникаций // Электронный бизнес. Управление интернет-проектами. Инновации. Сборник трудов участников XI Международной студенческой научно-практической конференции. 2019. С. 19-21.
7. Демьяненко Е.В. К вопросу о правовой охране информации, имеющей коммерческую ценность / Е.В. Демьяненко // Перспективы развития информационных технологий в органах внутренних дел. Сборник материалов по результатам Всероссийской научно-практической конференции. 2019. С. 70-75.
8. Исраилова З.И. Основные понятия и термины информационных технологий // Интернаука. 2021. № 46-1 (222). С. 27-28.
9. Казаков А.Д., Матросов Е.И. Методы машинного обучения в сфере ERP систем // Цифровой регион: опыт, компетенции, проекты. Труды II Международной научно-практической конференции. 2019. С. 321-325.
10. Клычкова К.С., Сергеева И.А. Защита коммерческой информации как фактор обеспечения экономической безопасности предприятия // Сборники конференций НИЦ Социосфера. 2020. № 24. С. 115-118.
11. Клячкин В.Н., Жуков Д.А. Прогнозирование состояния технического объекта с применением методов машинного обучения // Программные продукты и системы. 2019. № 2. С. 244-250.
12. Корнеенко О.Е. Коммерческая информация организации как актив при построении бизнес-моделей // Теория и практика современной науки. 2019. № 12 (54). С. 473-475.
13. Кувайскова Ю.Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта // Известия Самарского научного центра Российской академии наук. 2021. Т. 23. № 1 (99). С. 111-114.
14. Куренков Д.А. Разработка сервиса для решения задач маршрутизации обращений пользователей в службу поддержки с помощью методов машинного обучения // Тенденции развития науки и образования. 2021. № 73-1. С. 59-62.
15. Курипта О.В., Лавлинская О.Ю. Управление контентом на основе методов машинного обучения // Проектное управление в строительстве. 2019. № 4 (17). С. 61-66.
16. Михеев А.В. Решение задач классификации методами машинного обучения
Решение корпорации «Парус» во многом похоже на «Галактику». К плюсам системы «Парус» можно отнести низкие технические требования к локальной сети предприятия. Корпорация имеет достаточно большое количество проектов на промышленных предприятиях России. Сильны позиции корпорации в бюджетных организациях и энергетических компаниях.
Тем не менее, отечественные решения являются в первую очередь учетными системами, регистрирующими осуществленные операции, возможности планирования в них представлены слабо. Существенным плюсом российских разработок является относительно невысокая стоимость.
Российский ИТ-рынок по итогам 2021 года показал положительную динамику. Рост рынка составил порядка 20%, а его объем достиг 2,22 трлн рублей.
Главными драйверами роста стали факторы, связанные с пандемией – массовая ци