Цифровое производство предполагает сокращение времени между наступлением на предприятии некоторого события и ответной реакцией на него за счет того, что сбор информации, ее анализ и выработка корректирующих мер производятся автоматически, без участия человека. Когда же решение принимается персоналом, необходимо сохранять ту же скорость и оперативность анализа и определения ответной реакции, в противном случае снижается гибкость всей производственной системы. Выходом является применение систем поддержки принятия решений, которые на основе актуальной информации проводят модельные расчеты и дают обоснованные рекомендации, ускоряя процесс принятия решения и повышая его качество. Хорошо развитая информационная инфраструктура цифрового производства позволяет создавать соответствующие системы поддержки принятия решений как надстройки над уже имеющимися базами данных, т. е. в СППР требуется реализовать извлечение данных, их обработку на основе выбранных процедур и вывод результатов в формате, удобном для пользователя. Таким образом снижаются затраты на разработку и внедрение системы. В расчетах могут быть использованы данные, характеризующие различные бизнес-процессы предприятия, т. е. полученное решение будет комплексным. Если расчеты, которые проводит СППР, основаны на математических моделях, то, как правило, для правильной интерпретации получаемых результатов от пользователя требуются знания в соответствующей области математики, что отрицательно сказывается на практическом применении такой системы. В то же время математические модели позволяют существенно улучшить качество принимаемых решений, поэтому при разработке СППР необходимо решить данную проблему. Нами разработан макет СППР, который на основе корреляционно-регрессионного анализа выявляет скрытые взаимосвязи между различными показателями деятельности предприятия и с их помощью строит прогнозы. Новизна заключается в предложении набора правил, переводящих результаты модельных расчетов в понятные для пользователей, не знакомых с соответствующей математической теорией, рекомендаций. Это расширяет границы применения корреляционно-регрессионных моделей при принятии практических решений на различных уровнях работы предприятия.

Digital production allows to reduce the time between an event occurring at an enterprise and the response to it because data collection and analysis with subsequent corrective measures are carried out automatically, without human intervention. The same speed and efficiency of analysis and formulating the response should be maintained for decisions made by personnel, otherwise the flexibility of the entire production system decreases. A solution is using decision support systems, which carry out model calculations and give reasonable recommendations based on relevant information, accelerating the decision-making process and improving its quality. A well-developed information infrastructure for digital production allows to construct decision support systems complementing the existing databases, i.e. DSSs are intended for extracting the data, processing them by the selected procedures and presenting the results in a user-friendly format. This reduces the costs for developing and implementing the system. Calculations can use the data characterizing various business processes of the enterprise, i.e., providing a comprehensive resulting solution. If the calculations performed by DSS are based on mathematical models, the user has to be competent in mathematics to correctly interpret the results obtained; this negatively affects the practical applications of such a system. At the same time, mathematical models can significantly improve the quality of decisions, so this problem should be solved when developing a DSS. We have developed a novel DSS model that detects hidden relationships between different indicators of the enterprise’s activity based on correlation and regression analysis, and, with their help, makes forecasts. The algorithm formulates a set of rules that translate the results of model calculations into recommendations that are understandable to users who are not familiar with the underlying mathematical theory. This expands the scope of practical applications of correlation and regression models for making practical decisions at different levels of the enterprise.

Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Экономические науки. — Санкт-Петербург: СПбПУ, 2019 -. — Загл. с титул. экрана. — Периодичность: 6 раз в год. — Выходит с 07.2019. — Электрон. журнал. — Свободный доступ из сети Интернет (чтение, печать, копирование).

Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Экономические науки. — Санкт-Петербург: СПбПУ, 2019 -. — Текст: электронный. Т. 12, № 5, 2019. — 1 файл (6,05 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j19-480.pdf>. — Текст: электронный