СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Актуальной задачей при внедрении систем электронного документооборота (СЭД) является расширение их функциональных возможностей за счет персонализации и учета индивидуальных особенностей организации. В статье рассматривается вопрос расширения функциональных возможностей системы электронного документооборота за счет проектирования подсистемы интеллектуального анализа данных. В рамках проведенного исследования были изучены принципы формализации процессов обработки входящей корреспонденции и организационно-распорядительных документов, способы сбора и анализа данных о работе пользователей с различными видами документов за счет применения искусственных нейронных сетей и комплексная оценка повышения эффективности работы СЭД образовательной организации. Для этого определены количественные характеристики, непосредственно влияющие на процесс контроля исполнения поручений, – временные затраты на создание и объем исполнения документа. На основе данных из системы электронного документооборота разработана математическая модель процесса создания документов, рассчитаны коэффициенты регрессии и получены аналитические зависимости качества разработанных документов от времени их исполнения и объема. Научная новизна исследования заключается в разработке алгоритма и программного обеспечения для автоматизации сбора и анализа данных за счет применения нейронных сетей в СЭД. К основным научным результатам относятся формализованные критерии документов и этапов их разработки, алгоритм работы подсистемы интеллектуального анализа данных и разработанное программное обеспечение для СЭД лицея. Полученные результаты позволили выявить типы документации и этапы их разработки, отражающие наибольшие требования к ресурсам, необходимым для их выполнения, что в дальнейшем может быть использовано для поиска способов оптимальной организации работ по подготовке документов различного вида.

1. Системы электронного документооборота / Н.Ф. Алтухова, А.Л. Дзюбенко, В.В. Лосева, Ю.Б. Чечиков. – М.: Кнорус, 2019. – 202 с.

2. Истратова Е.Е., Син Д.Д. Выбор Data Mining-инструмента для обработки научных данных // Вызовы цифровой экономики: развитие комфортной городской среды: сборник статей III Всероссийской научно-практической конференции с международным участием. – Брянск, 2020. – С. 348–352.

3. Черников А.А., Истратова Е.Е. Применение систем электронного документооборота в сфере малого бизнеса города Новосибирска // Актуальные проблемы мировой экономики и менеджмента: материалы международной интернет-конференции. – Гомель, 2019. – С. 256–257.

4. Симонова С.И. Интеллектуальный анализ данных для задач CRM // International Journal of Open Information Technologies. – 2015. – Vol. 3, N 2. – URL: https://cyberleninka.ru/article/n/intellektualnyy-analiz-dannyh-dlya-zadach-crm (accessed: 01.09.2021).

5. Ефремова Л.И., Колекина А.О. Выбор системы электронного документооборота для предприятия // Вестник Волжского университета им. В.Н. Татищева. – 2019. – Т. 2, № 1. – URL: https://cyberleninka.ru/article/n/vybor-sistemy-elektronnogo-dokumentooborota-dlya-predpriyatiya (дата обращения: 01.09.2021).

6. Апришко Д.В., Таран В.Н. Системы электронного документооборота и их обзор // Дистанционные образовательные технологии: материалы IV Всероссийской научно-практической конференции (с международным участием). – Симферополь, 2019. – С. 244–249. – URL: https://www.elibrary.ru/item.asp?id=40453380 (дата обращения: 01.09.2021).

7. Lange P. de, Nicolaescu P., Neumann A.T. Integrating web-based collaborative live editing and wireframing into a model-driven web engineering process // Data Science and Engineering. – 2020. – Vol. 5. – P. 240–260. – DOI: 10.1007/s41019-020-00131-3.

8. Медведева О.В., Парамонова М.Г. Цифровизация управления и системы электронного документооборота // Ученые записки Тамбовского отделения РоСМУ. – 2019. – № 13. – URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-upravleniya-i-sistemy-elektronnogo-dokumentooborota (дата обращения: 02.09.2021).

9. Patil T., Bhavsar A.K. Data science team roles and need of data science: a review of different cases // Data Science and Intelligent Applications: Proceedings of ICDSIA 2020. – Singapore: Springer, 2020. – (Lecture Notes on Data Engineering and Communications Technologies; vol. 52). – DOI: 10.1007/978-981-15-4474-3_2.

10. Bhagchandani A., Trivedi D. a machine learning algorithm to predict financial investment // Data Science and Intelligent Applications: Proceedings of ICDSIA 2020. – Singapore: Springer, 2020. – (Lecture Notes on Data Engineering and Communications Technologies; vol. 52). – DOI: 10.1007/978-981-15-4474-3_30.

11. Paramonova I.E. Electronic document-management systems: a classification and new opportunities for a scientific technical library // Scientific and Technical Information Processing. – 2016. – Vol. 43. – P. 136–143. – DOI: 10.3103/S0147688216030047.

12. Ginsburg M. An agent framework for intranet document management // Autonomous Agents and Multi-Agent Systems. – 1999. – Vol. 2. – P. 271–286. – DOI: 10.1023/A:1010012406205.

13. Hillah L.M., Maesano A.P., Rosa F. De. Automation and intelligent scheduling of distributed system functional testing // International Journal on Software Tools for Technology Transfer. – 2017. – Vol. 19. – P. 281–308. – DOI: 10.1007/s10009-016-0440-3.

14. Ahmad K., Sahu M., Shrivastava M. An efficient image retrieval tool: query based image management system // International Journal of Information Technology. – 2020. – Vol. 12. – P. 103–111. – DOI: 10.1007/s41870-018-0198-9.

15. Kleshchev A.S., Chernyakhovskaya M.Y., Shalfeeva E.A. Features of the automation of intellectual activities // Automatic Documentation and Mathematical Linguistics. – 2015. – Vol. 49. – P. 10–20. – DOI: 10.3103/S0005105515010021.

16. Kolekar S., Sanjeevi S., Bormane D.S. The framework of an adaptive user interface for e-learning environment using artificial neural network // International Conference on E-Learning E-Business, EEE 2010. – Las Vegas, Nevada, USA, 2010. – P. 65–69.

17. Fernndez-Garca A.J. A recommender system for component-based applications using machine learning techniques // Knowledge-Based Systems. – 2019. – Vol. 164. – P. 68–84. – DOI: 10.1016/j.knosys.2018.10.019.

18. Okuda H., Ogata S., Matsuura S. Experimental development based on mapping rule between requirements analysis model and web framework specific design model // SpringerPlus. – 2013. – Vol. 2. – P. 123. – DOI: 10.1186/2193-1801-2-123.

19. Бобылева М.П. Управленческий документооборот: от бумажного к электронному: вопросы теории и практики. – М.: Термика, 2019. – 470 с.

20. Obukhov A., Krasnyanskiy M., Nikolyukin M. Algorithm of adaptation of electronic document management system based on machine learning technology // Progress in Artificial Intelligence. – 2020. – Vol. 9. – P. 287–303. – DOI: 10.1007/s13748-020-00214-2.

21. Ghaibi N., Dassi O., Ayed L. User interface adaptation based on a business rules management system and machine learning // Communications of the IBIMA. – 2018. – Vol. 2018. – Art. 281881. – DOI: 10.5171/2018.281881.

22. Model-based frameworks for user adapted information exploration: an overview / M. Kotzyba, T. Gossen, S. Stober, A. Nurnberger // Companion Technology. – Cham: Springer, 2017. – P. 37–56. – DOI: 10.1007/978-3-319-43665-4_3.

23. Multi-level preference regression for cold-start recommendations / F. Peng, X. Lu, C. Ma, Y. Qian, J. Lu, J. Yang // International Journal of Machine Learning and Cybernetics. – 2018. – Vol. 9, N 7. – P. 1117–1130.

24. Кривенко Ю.С., Минасян А.Т., Разиньков А.О. Исследование технологий интеллектуального анализа данных (Data Mining) // Актуальные проблемы управления в электронной экономике. Одиннадцатые Ходыревские чтения. – Курск, 2018. – С. 182–184.

25. Elmabaredy A., Elkholy E., Tolba A.A. Web-based adaptive presentation techniques to enhance learning outcomes in higher education // Research and Practice in Technology Enhanced Learning. – 2020. – Vol. 15. – DOI: 10.1186/s41039-020-00140-w.

26. Шокин Ю.И., Юрченко А.В. О моделях организации хранения и использования научных данных: основные принципы, процессы и механизмы // Информационно-управляющие системы. – 2019. – № 3. – С. 45–54.

27. Методы и модели анализа данных: OLAP и DataMining: учебное пособие / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. – СПб.: БХВ-Петербург, 2004. – 336 с.