+7 (925) 966 4690
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Экономический анализ: теория и практика»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Монетизация технологии больших данных: моделирование информационных издержек

Купить электронную версию статьи

т. 19, вып. 11, ноябрь 2020

Получена: 08.10.2020

Получена в доработанном виде: 20.10.2020

Одобрена: 30.10.2020

Доступна онлайн: 27.11.2020

Рубрика: ЭКОНОМИЧЕСКОЕ РАЗВИТИЕ

Коды JEL: B41, D23

Страницы: 1990–2011

https://doi.org/10.24891/ea.19.11.1990

Карпычев В.Ю. доктор технических наук, профессор кафедры информатики и автоматизации научных исследований, Национальный исследовательский Нижегородский государственный университет им. Н.И. Лобачевского (ННГУ), Нижний Новгород, Российская Федерация 
kavlyr@yandex.ru

https://orcid.org/0000-0001-8527-2600
SPIN-код: 4547-6685

Шальнова Ю.П. ведущий экономист службы финансового менеджмента, ПАО «Сбербанк», Нижний Новгород, Российская Федерация 
julia.shalnova@gmail.com

ORCID id: отсутствует
SPIN-код: отсутствует

Предмет. Информационные издержки, сопряженные с созданием и использованием информационной технологии больших данных.
Цели. Спецификация и анализ особенностей информационных издержек как одного из параметров, детерминирующих возможность монетизации технологии больших данных. Определение основных источников, природы и факторов, влияющих на их уровень. Разработка подходов к оценке и снижению информационных издержек.
Методология. Использованы методы системного подхода, классификации, функционального моделирования, функционально-стоимостного анализа.
Результаты. Предложена концептуальная функциональная модель технологии больших данных. С экономической точки зрения обосновано включение в модель стадии постановки задачи интеллектуального анализа больших данных. На модели исследованы структура, содержание и характер инвестиционных издержек, возникающих при создании и внедрении в предметную деятельность технологии больших данных, а также эксплуатационных издержек на стадии преподготовки данных. Показана трансакционная природа информационных издержек технологии больших данных. Отмечена необходимость их минимизации для монетизации технологии. Предложена методика оценки информационных издержек, интегрирующая современные методологии исследования бизнес-процессов.
Выводы. Перспективы монетизации и широкого использования технологии больших данных в экономической деятельности определяются возможностью снижения характерных для технологии информационных издержек. Для преодоления существующих трудностей необходимы специальные научные исследования в технологической и экономической областях.

Ключевые слова: большие данные, монетизация, функциональное моделирование, транзакционные издержки, функционально-стоимостной анализ

Список литературы:

  1. García S., Ramírez-Gallego S., Luengo J. et al. Big Data Preprocessing: Methods and Prospects. Big Data Analytics, 2016, vol. 1, iss. 9. URL: Link
  2. Kantardzic M. Data Mining: Concepts, Models, Methods, and Algorithms. Hoboken, New Jersey, John Wiley & Sons, Inc., 2020, 661 p.
  3. Abou Zakaria Faroukhi, Imane El Alaoui et al. Big Data Monetization Throughout Big Data Value Chain: A Comprehensive Review. Journal of Big Data, 2020, vol. 7, iss. 3. URL: Link
  4. Петряшов Д.В. Информационные издержки в системе понятий экономической науки // РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2014. № 1. С. 184–187. URL: Link
  5. Коуз Р. Проблема социальных издержек. Фирма, рынок и право. М.: Новое издательство, 2007. 224 с.
  6. Марка Д.А., МакГоуэн К. Методология структурного анализа и проектирования SADT. М.: МетаТехнология, 1993. 240 с.
  7. Anderson C. Creating a Data-Driven Organization: Practical Advice from the Trenches. O'Reilly Media, 2015, 302 p.
  8. Frawley W.J., Piatetsky-Shapiro G., Matheus C.J. Knowledge Discovery in Databases: An Overview. AI Magazine, 1992, vol. 13, iss. 3, pp. 213–228. URL: Link
  9. Барсегян А.А. и др. Технологии анализа данных: Data Mining, Visual Mining, Text Mining, OLAP. СПб.: БХВ-Петербург, 2007. 384 с.
  10. Kim W. et al. A Taxonomy of Dirty Data. Data Mining and Knowledge Discovery, 2003, vol. 7, pp. 81–99. URL: Link
  11. Bellman R.E. Adaptive Control Processes. A Guided Tour. Princeton, N.J., Princeton University Press, 1961, 255 p.
  12. White C. Data Integration: Using ETL, EAI, and EII Tools to Create an Integrated Enterprise. BI Research, 2005, no. 11, pp. 25–43.
  13. Кресов А.А., Уваров В.В. Принципы интеграции данных в сфере недропользования // Вестник кибернетики. 2011. № 10. С. 83–89. URL: Link
  14. Терновский Д.С., Лаврова Ю.С. Методологические аспекты оценки трансакционных издержек в деятельности организации // Вестник Белгородского университета кооперации, экономики и права. Сер.: Экономические науки. 2014. № 4. С. 85–90. URL: Link
  15. Кирьянов И. Количественная оценка трансакционных издержек организации. Общий методический подход // Вестник НГУЭУ. 2015. С. 78–101. URL: Link
  16. Каплан Р., Купер Р. Функционально-стоимостной анализ. Практическое применение. М.: Вильямс, 2017. 352 с.
  17. Усенко В.Р., Склярова В.А., Шеравнер В.М. Функционально-стоимостной анализ в коммерческих организациях: теория и практика. М.: Флинта, 2015. 206 с.

Посмотреть другие статьи номера »

 

ISSN 2311-8725 (Online)
ISSN 2073-039X (Print)

Свежий номер журнала

т. 21, вып. 11, ноябрь 2022

Другие номера журнала