Научный архив: статьи

Статья посвящена анализу подходов и решений для разработки единого, масштабируемого и высоконагруженного хранилища клиентских данных в рамках цифровой экосистемы банка. В условиях цифровой трансформации и развития цифровых экосистем крупные организации, в том числе банки, сталкиваются с тем, что хранение и обработка клиентских данных становится критически важным вопросом для обеспечения бизнес-процессов компании, персонализации сервисов для клиентов, соответствия регуляторным требованиям, поддержания конкурентного преимущества. Цель исследования - определить оптимальный набор архитектурных принципов и технологических решений для построения масштабируемой, отказоустойчивой и высокопроизводительной системы хранения клиентских данных. Методы исследования: системный анализ и синтез - для изучения специфики предметной области банковской цифровой экосистемы; сравнительный анализ - для оценки технологий хранения данных по следующим критериям: производительность, масштабируемость, уровень согласованности данных, отказоустойчивость; анализ научной литературы и информационных источников - для изучения предметной области, современных решений и технологий в системах хранения данных. Результаты исследования: выбраны оптимальные паттерны и технологии для реализации платформы хранения клиентских данных; сформулированы рекомендации по проектированию архитектуры единого клиентского хранилища, способного эффективно функционировать в динамичном ИТ-ландшафте современной банковской экосистемы. Выводы. Результаты исследования подтверждают, что использование гибридных хранилищ данных с применением различных технологий и решений наиболее оптимально для построения высоконагруженных и масштабируемых систем хранения и обработки данных (что также согласуется с выводами других научных работ). Перспективы исследования включают дальнейшее углубленное изучение интеллектуальных систем управления данными; технологий хранения и обработки данных, используемых в машинном обучении и ИИ; подходов Data Mesh и Data Fabric; возможностей применения перечисленных технологий в банковской сфере.

В условиях цифровизации банковского сектора и повышения требований к оперативности и безопасности обработки наличных средств традиционные методы организации инкассации перестают обеспечивать необходимый уровень эффективности. анализ существующих решений показывает, что современные инкассаторские службы сталкиваются с фрагментарностью применяемых технологий, недостаточной интеграцией между мобильными и веб-системами, а также отсутствием интеллектуальных инструментов поддержки принятия решений. Пробел в исследовательской литературе заключается в отсутствии комплексных архитектур, объединяющих мобильные приложения, веб-сервисы мониторинга и модули искусственного интеллекта в единую экосистему управления инкассационными процессами. Цель исследования заключается в анализе возможностей автоматизации процессов инкассации с использованием мобильных и веб-технологий, а также интеллектуальных компонентов, направленных на повышение эффективности, прозрачности и безопасности инкассационного процесса на базе мобильной автоматизированной инкассаторской системы. Методологическая база включает системный анализ процессов инкассации, моделирование бизнес-процессов (BPMN), архитектурное проектирование, методы программной инженерии, а также применение алгоритмов машинного обучения для оптимизации маршрутов, прогнозирования задержек и выявления аномалий. Полученные результаты демонстрируют, что использование мобильного приложения в сочетании с веб-сервисом центра мониторинга и ИИагентами позволяет обеспечить непрерывный обмен данными, повысить точность планирования, автоматизировать инструктаж и документирование операций, а также сократить влияние человеческого фактора. Сделанные выводы подтверждают, что внедрение МАИС обеспечивает качественный рост эффективности инкассационных процессов, повышает уровень безопасности и создает основу для дальнейшего развития интеллектуальных решений в области логистики и банковской автоматизации. Перспективой исследования является расширение функциональности ИИагентов и интеграция системы с комплексами корпоративной безопасности и финансового мониторинга.

Cтатья посвящена анализу интеллектуальных систем контроля энергопотребления как инструмента повышения энергоэффективности при реализации энергосервисных проектов. Цель исследования заключается в выявлении роли и возможностей таких систем, а также обосновании необходимости адаптации существующих решений для создания единого цифрового контура управления. Методологическую основу исследования составляют принципы системного анализа, методы классификации информационных систем, анализ нормативно-правовой базы энергосервисной деятельности. Эмпирическую базу составили данные Государственного доклада о состоянии энергосбережения в РФ за 2023 г. и аналитические обзоры рынка АСКУЭ. В результате исследования выявлено, что ни один из существующих классов систем в отдельности не обладает полным функционалом, необходимым для сквозного управления энергосервисным проектом. Доля интеллектуальных приборов учета в России достигает 72%. Проанализированы итоги реализации энергосервисных контрактов в 2023 г. Выводы исследования указывают на то, что ключевым направлением развития является адаптация и интеграция существующих систем для формирования единого цифрового контура управления энергосервисными проектами. Технологическая база для цифровизации уже сформирована, однако существующие решения требуют адаптации под комплексные задачи бизнеса.

Актуальность статьи состоит в необходимости использования качественных пространственных данных для решения задачи размещения объектов торговли и инфраструктуры в условиях ограниченной доступности открытых геоаналитических источников. Целью исследования является разработка и систематизация подходов к сбору, обработке и агрегации пространственных данных из различных источников для последующего построения экономико-м атематических моделей в рамках решения поставленной задачи. В статье рассмотрены основные типы пространственных данных: сведения о домохозяйствах (ГИС ЖКХ), стоимости недвижимости (Авито недвижимость), зданиях и дорожной сети (OpenStreetMap), организациях и конкуренции (Яндекс Карты), а также о пешеходном и автомобильном трафике и социально- демографической структуре населения (Яндекс Геоаналитика). Для каждого источника описан процесс получения данных, необходимые инструменты и методы обработки, обеспечивающие пространственную привязку и возможность расчета факторов в заданных радиусах. Практическая значимость. Предложенный в исследовании подход позволяет формировать богатое пространство объясняющих переменных для моделирования экономических показателей локаций. Выявленные факторы будут использованы в дальнейших работах для сравнительного анализа результатов моделирования.