Комплексный финансовый анализ в эпоху цифровизации: современные программы, методологии и перспективы в российском контексте (Курсовая работа)

Современный мир стремительно меняется под влиянием цифровой трансформации, и финансовый сектор, пожалуй, одним из первых ощущает на себе эти кардинальные перемены. Традиционные подходы к управлению финансовыми ресурсами организаций становятся неэффективными в условиях экспоненциального роста объемов данных, увеличения скорости транзакций и появления новых, более сложных финансовых инструментов. Это детерминирует острую необходимость в формировании инновационной парадигмы финансового менеджмента, где компьютерные программы и информационные системы играют не просто вспомогательную, а ключевую, системообразующую роль.

Цель настоящей курсовой работы – провести исчерпывающий анализ использования современных компьютерных программ и информационных систем для комплексного финансового анализа организаций. Мы углубимся в актуальные методологии и технологии, а также исследуем современные вызовы и перспективы развития в данной области, уделяя особое внимание уникальному российскому контексту. Структура работы последовательно раскрывает эти аспекты, начиная с макроуровня цифровой трансформации и заканчивая детальным рассмотрением функционала ПО и будущих трендов. Для студентов экономических специальностей, аспирантов и молодых исследователей, специализирующихся на финансовом менеджменте и информационных технологиях, данное исследование станет ценным источником знаний, обеспечивающим глубокую проработку темы с учетом академических требований и современных тенденций.

Современные тенденции и вызовы цифровизации финансового анализа в России

Цифровая трансформация — это не просто новый тренд, это фундаментальный сдвиг, который перекраивает ландшафт финансового менеджмента, заставляя организации переосмысливать свои стратегии и инструментарий. В России этот процесс идет особенно активно, превращая финансовый сектор в локомотив цифровизации национальной экономики.

Масштабы цифровизации финансового сектора России: статистика и достижения

По состоянию на октябрь 2025 года, Россия демонстрирует впечатляющие достижения в цифровизации финансового сектора. Удивительно, но 88,5% финансовых услуг приобретаются гражданами в цифровом виде, что подчеркивает глубокое проникновение цифровых каналов взаимодействия. Этот показатель не просто цифра – он свидетельствует о высокой готовности населения и бизнеса к использованию цифровых инструментов, а также об успешности государственных инициатив в этом направлении.

Финансовый сектор в целом является бесспорным лидером цифровизации среди всех российских отраслей, о чем говорит его интегральный индекс цифровизации, составляющий внушительные 55,6%. Это означает, что отрасль не только активно внедряет новые технологии, но и интегрирует их во все бизнес-процессы, от операционной деятельности до стратегического планирования.

Одним из наиболее ярких индикаторов цифровой зрелости является повсеместное распространение безналичных платежей. Доля безналичных расчетов в розничном обороте России, по итогам 2024 года, достигла 85,8%, а к октябрю 2025 года выросла до 87,5%. Это не просто удобство, это изменение поведенческих паттернов потребителей и бизнеса, требующее от компаний перестройки всей инфраструктуры, включая системы финансового анализа.

Система быстрых платежей (СБП) стала настоящим прорывом, продемонстрировав экспоненциальный рост. В 2024 году через СБП прошло более 13,4 млрд транзакций на общую сумму 69,5 трлн рублей, что более чем вдвое превышает показатели 2023 года. В первом квартале 2025 года темпы роста не сбавили оборотов: россияне совершили 4,1 млрд операций на сумму 22,6 трлн рублей. К концу 2024 года 7 из 10 жителей страны активно пользовались СБП для переводов, а каждый второй – для оплаты товаров и услуг, что создает огромный массив данных, требующий сложного и оперативного анализа. Накопление такого объема данных открывает беспрецедентные возможности для глубокого анализа с применением ИИ.

Роль искусственного интеллекта и машинного обучения в финансовом анализе

Искусственный интеллект (ИИ) и машинное обучение (МО) перестали быть футуристическими концепциями и прочно обосновались в арсенале современного финансового аналитика. Они стали основой современных систем финансовой аналитики, позволяя не просто обрабатывать данные, а выявлять сложные нелинейные взаимосвязи, адаптироваться к стремительно меняющимся рыночным условиям, предсказывать риски и обнаруживать аномалии. ИИ способен работать как со структурированными финансовыми данными (отчетность, транзакции), так и с неструктурированными (тексты договоров, новостные ленты, клиентские запросы), что открывает новые горизонты для глубины анализа.

В 2024 году 7,9% компаний финсектора уже активно использовали технологии ИИ. Среди них наибольшее распространение (84,2%) получили решения по обработке естественного языка (Natural Language Processing, NLP), которые применяются для автоматизации анализа документов, работы чат-ботов и голосовых помощников. Технологии компьютерного зрения, используемые для биометрической идентификации клиентов и верификации документов, нашли применение у 72,3% организаций. Распознавание и синтез речи применяют 66,3% компаний.

Однако, наиболее значимым является внедрение ИИ для поддержки принятия решений, что функционирует в 66% компаний, внедривших ИИ. Российские банки активно экспериментируют и успешно внедряют ИИ в свои операции:

• Сбербанк использует МО для формирования «умных советов» на основе анализа карточных транзакций, выявления паттернов поведения клиентов, а также для оценки и прогнозирования добросовестности заемщиков.
• Тинькофф (Т-Банк) внедрил алгоритмический кешбэк, персонализируя предложения для клиентов.
• ВТБ применяет ИИ для автоматизации анализа финансовых и бизнес-показателей своих отделений.
• Платформа LUNA от VisionLabs для биометрической идентификации лиц широко используется более чем в 40 российских банках и национальных кредитных бюро, обеспечивая высокую степень безопасности и удобства.

Эти примеры иллюстрируют, как ИИ становится неотъемлемой частью операционной и аналитической деятельности, позволяя существенно увеличить скорость и точность принятия решений. Инвестиции финансового сектора во внедрение и использование ИИ в 2024 году составили 56,8 млрд рублей, что делает финтех-отрасль абсолютным лидером в России по доле затрат на ИИ. Это наглядно демонстрирует, насколько критично для выживания и роста в современной экономике использование передовых технологий.

Вызовы и риски цифровизации: от киберугроз до законодательных ограничений

Стремительное развитие цифровизации несет с собой не только новые возможности, но и серьезные вызовы и риски, особенно в такой чувствительной сфере, как финансы. Одним из наиболее острых является проблема кибербезопасности. Количество кибератак на российский финансовый сектор в 2024 году выросло более чем в два раза по сравнению с 2023 годом, достигнув почти 17 000 атак на банки за первые 10 месяцев. Финансовая отрасль, уступая лишь промышленности и ИТ-сектору, занимает третье место по числу кибератак.

В 2024 году на финансовые компании было зафиксировано более 750 сообщений о компьютерных атаках, большинство из которых были направлены на вывод из строя информационной инфраструктуры или на недоступность сервисов (DDoS-атаки). Еще более тревожным фактом является то, что в том же году российский финсектор 39 раз подвергался утечкам данных в результате кибератак, став наиболее уязвимым по количеству утекших строк, опередив даже госсектор и ИТ-отрасль. Эти цифры подчеркивают критическую важность инвестиций в защиту данных и развитие систем кибербезопасности.

Помимо киберугроз, существуют и другие барьеры для широкого применения цифровых инструментов. К ним относятся низкие объемы ликвидности, сложности масштабирования новых технологий и, что особенно актуально, законодательные ограничения. Ярким примером являются цифровые финансовые активы (ЦФА). Объем рынка ЦФА в обращении в России составляет около 137 млрд рублей (по состоянию на октябрь 2025 года), а кумулятивный объем рынка ЦФА – около 1,09 трлн рублей. Однако, несмотря на эти цифры, законодательство все еще находится в стадии развития. Федеральный закон №259-ФЗ «О цифровых финансовых активах, цифровой валюте и о внесении изменений в отдельные законодательные акты Российской Федерации», вступивший в силу в 2021 году, определяет понятие криптовалюты, но запрещает ее использование для оплаты товаров и услуг на территории РФ. Только с 1 сентября 2024 года российский бизнес получил возможность проводить международные расчеты в криптовалюте, но под строгим контролем Банка России. Эти ограничения влияют на скорость и характер развития инновационных финансовых продуктов и инструментов анализа.

Стратегические направления развития: импортозамещение и кросс-отраслевая интеграция

Несмотря на вызовы, российский финансовый сектор активно движется вперед. Основной долгосрочный вызов до 2030 года – это полный переход на отечественное программное обеспечение. Санкционное давление и стратегический курс на технологический суверенитет требуют от компаний перестройки технологических стеков и колоссальных инвестиций. По данным исследования Т1 «Пульс цифровизации», в 2024 году 47,4% инвестиций финансового сектора в ИТ-решения были направлены на приобретение отечественного ПО. Крупнейшие игроки рассчитывают довести долю импортозамещения ИИ-технологий до 90% к 2027 году. Например, Газпромбанк планирует к 2030 году полностью перенести свою архитектуру в импортозамещенный ландшафт. Это стимулирует активное развитие российского рынка программного обеспечения для финсектора, прогнозируемый ежегодный рост которого до 2028 года составит 13,5%.

Вторым стратегическим направлением является кросс-отраслевая интеграция. Дальнейшее развитие цифровизации в российском финтехе невозможно без тесного взаимодействия со смежными отраслями и государственными сервисами. Примером такой интеграции является запуск Т-Банком мультибанкинга, который благодаря технологии Открытых API позволяет объединять счета клиентов из ВТБ, Альфа-Банка и Сбербанка в одном мобильном приложении. Это значительный шаг к созданию удобных и интегрированных финансовых экосистем. Аналогичные интеграции необходимы в других областях: в сфере ипотеки – с Росреестром и системами застройщиков, для банкинга малого и среднего бизнеса – с бухгалтерскими сервисами и налоговой службой. Эти направления демонстрируют стремление к созданию более гибких, адаптивных и удобных для пользователя финансовых инструментов, что в конечном итоге повысит качество и глубину финансового анализа.

Классификация и функциональные возможности современных программных продуктов для финансового анализа

В условиях нарастающей сложности финансовых рынков и объемов данных, ручной финансовый анализ становится неэффективным и чреватым ошибками. Здесь на помощь приходят информационные системы финансовой направленности, которые не только унифицируют и ускоряют процесс анализа финансового состояния, но и обеспечивают оперативность подготовки отчетности, позволяя сосредоточиться на интерпретации результатов, а не на их сборе и обработке.

Обзор основных классов систем: ERP, BI, специализированные СФА

Современный рынок программного обеспечения предлагает широкий спектр решений для финансового анализа, которые можно условно разделить на несколько классов, каждый из которых имеет свою специфику, архитектуру и набор функциональных возможностей.

1. Системы планирования ресурсов предприятия (Enterprise Resource Planning, ERP)

Эти комплексные интегрированные системы представляют собой стержень, вокруг которого строится вся операционная деятельность крупной организации. ERP-системы объединяют различные функции бизнеса – от производства и логистики до управления персоналом и финансов – в единую базу данных и общие процессы. Для финансового анализа ERP-системы являются первичным источником структурированных данных. Они собирают информацию из всех модулей (бухгалтерия, закупки, продажи, склад) и консолидируют ее, формируя детализированную финансовую отчетность. Какова же главная практическая выгода для бизнеса от использования ERP-систем?

• Архитектура: Модульная, централизованная база данных.
• Функционал: Учет всех хозяйственных операций, формирование первичной отчетности (баланс, отчет о финансовых результатах), управление бюджетами, контроль затрат, управление дебиторской и кредиторской задолженностью.
• Задачи: Предоставление актуальных и достоверных данных для дальнейшего анализа, обеспечение операционного контроля.
• Примеры: SAP ERP, Oracle E-Business Suite, 1С:Предприятие (комплексные конфигурации), Галактика ERP.

Следовательно, ERP-системы обеспечивают не просто сбор данных, но и их структурирование и унификацию, что является краеугольным камнем для последующего глубокого финансового анализа. Без этой основы любые аналитические надстройки будут неполными или недостоверными.

2. Системы бизнес-аналитики (Business Intelligence, BI)

BI-системы предназначены для сбора, обработки, анализа и визуализации больших объемов данных с целью поддержки принятия управленческих решений. В отличие от ERP, которые фокусируются на операционной деятельности и сборе данных, BI-системы ориентированы на стратегический и тактический анализ. Они «вытягивают» данные из различных источников (включая ERP, CRM, внешние базы данных, Excel-файлы), трансформируют их и представляют в удобном для анализа виде (отчеты, дашборды, интерактивные графики).

• Архитектура: Обычно включают ETL-инструменты (Extract, Transform, Load), хранилища данных (Data Warehouses) или витрины данных (Data Marts), OLAP-кубы и инструменты визуализации.
• Функционал: Создание аналитических отчетов по запросу, интерактивные дашборды, многомерный анализ данных (OLAP), прогнозное моделирование, бенчмаркинг.
• Задачи: Выявление скрытых закономерностей, тенденций, причинно-следственных связей, поддержка стратегического планирования, мониторинг ключевых показателей эффективности (KPI).
• Примеры: Microsoft Power BI, Tableau, Qlik Sense, IBM Cognos Analytics, «Форсайт. Аналитическая платформа» (российское решение).

3. Специализированные системы финансового анализа (СФА)

Эти программы сфокусированы непосредственно на выполнении задач финансового анализа, предоставляя расширенный набор инструментов для расчетов коэффициентов, факторного анализа, прогнозирования банкротства, оценки инвестиционных проектов и других специфических финансовых расчетов. Они часто могут работать как автономно, импортируя данные, так и интегрироваться с ERP-системами.

• Архитектура: Могут быть как десктопными, так и облачными решениями, ориентированными на конкретные аналитические задачи.
• Функционал: Автоматический расчет финансовых коэффициентов (ликвидности, рентабельности, платежеспособности, деловой активности), проведение вертикального, горизонтального, трендового, факторного анализа, сценарное моделирование, оценка инвестиционных проектов, прогнозирование финансовой устойчивости.
• Задачи: Детальная оценка финансового состояния, выявление «узких мест», обоснование управленческих решений в области финансов.
• Примеры: «Альт-Финанс», «Audit Expert», «Мастер финансов», «ФинЭк Анализ».

Примеры отечественных программных решений и их особенности

Российский рынок программного обеспечения активно развивается, предлагая множество решений для финансовой автоматизации, которые адаптированы под особенности национального законодательства и бизнес-практик. Выбор конкретного решения всегда зависит от потребностей бизнеса, типа вводимых данных, требуемой глубины обработки и желаемых результатов. Среди отечественных решений преобладают продукты в области управления продажами (65%), HRM-систем (62%), управления закупками (61%) и обеспечения информационной безопасности (46%). В финансовой сфере также есть достойные представители.

Рассмотрим некоторые из них:

• «Аналитик»: Программа для комплексного финансового анализа, часто используемая аудиторами и финансовыми консультантами. Позволяет проводить глубокий анализ отчетности, рассчитывать множество коэффициентов, формировать аналитические записки.
• «Мастер финансов»: Это линейка продуктов для бюджетирования, казначейства, управленческого учета и финансового анализа. Решения «Мастер финансов» позволяют автоматизировать формирование бюджетов, контроль исполнения, а также проводить многомерный анализ финансовых показателей.
• «ОЛИМП:ФинЭксперт Альт-Финансы»: Разработка компании «Альт-Инвест», специализирующаяся на оценке инвестиционных проектов, анализе финансового состояния и прогнозировании. Отличается возможностями сценарного моделирования и стресс-тестирования.
• «ФинЭк Анализ»: Программа для экспресс-анализа финансового состояния предприятия, позволяющая быстро оценить основные показатели ликвидности, платежеспособности, рентабельности и финан��овой устойчивости.
• «Audit Expert» / «АБФИ-предприятие»: Комплекс для автоматизации аудиторской деятельности и финансового анализа. Включает широкий набор инструментов для оценки финансового состояния, выявления рисков, а также формирования заключений.
• «ИНЭК – Аналитик»: Программный продукт для углубленного финансового анализа, который предлагает широкий спектр аналитических методик, включая факторный анализ и оценку вероятности банкротства.
• «Контур.Эксперт»: Облачный сервис, ориентированный на малый и средний бизнес. Позволяет упростить ведение учета, формирование отчетности и базовый финансовый анализ.
• «Форсайт. Бюджетирование и консолидация»: Часть аналитической платформы «Форсайт», предназначенная для автоматизации процессов бюджетирования, планирования и консолидации финансовой информации в крупных организациях.

Для финансовой автоматизации традиционно используются данные из 1С и банк-клиентов. К ним могут добавляться данные из CRM-систем или систем с заказами, что требует интеграции и унификации.

Роль справочников и унификации данных в автоматизированном анализе

Одной из ключевых проблем, возникающих при автоматизации финансового анализа, является разнородность данных. Информация поступает из различных систем: бухгалтерский учет ведется в 1С, банковские операции обрабатываются через банк-клиенты, данные о продажах и клиентах хранятся в CRM-системах, а складские операции — в специализированных модулях ERP. Каждая из этих систем может иметь свою структуру данных, свои кодировки и классификаторы. Если не решить проблему разнородности, то попытка провести комплексный анализ приведет к некорректным результатам или потребует огромных трудозатрат на ручную сверку и сопоставление.

Решение этой проблемы кроется в использовании справочников и механизмов унификации данных. Это означает создание единых стандартов для кодирования информации, таких как:

• Единые справочники контрагентов: Чтобы один и тот же поставщик или покупатель не был записан в разных системах под разными наименованиями или ИНН.
• Единые справочники номенклатуры: Для стандартизации названий товаров и услуг.
• Единые справочники статей затрат и доходов: Для корректного сопоставления финансовых потоков.
• Общие классификаторы аналитических разрезов: Например, по центрам финансовой ответственности, проектам, регионам.

Информационные системы финансовой направленности часто включают в себя модули ETL (Extract, Transform, Load), которые позволяют извлекать данные из различных источников, преобразовывать их в соответствии с едиными справочниками и загружать в централизованное хранилище данных или витрину данных, предназначенную специально для финансового анализа. Этот процесс обеспечивает чистоту, полноту и непротиворечивость данных, что является критически важным для получения достоверных аналитических выводов. Таким образом, справочники и унификация данных выступают в роли связующего звена, позволяя собирать разрозненные фрагменты информации в целостную и осмысленную картину финансового состояния организации.

Методологические подходы и модели финансового анализа, реализованные в ПО

Финансовый анализ – это не просто набор цифр, это искусство и наука интерпретации финансовой информации, которая позволяет заглянуть за фасады отчетности и понять истинное положение дел в организации. В условиях цифровизации этот процесс становится еще более глубоким и многогранным.

Основы финансового анализа и его задачи в цифровой среде

Финансовый анализ представляет собой систематическую аналитическую деятельность, включающую сбор, обработку, переработку и сопоставление качественной и количественной информации о финансово-хозяйственной деятельности организации. Его основная цель – оценка текущего финансового состояния предприятия, выявление причин тех или иных результатов, определение тенденций и прогнозирование будущих показателей.

В цифровой среде задачи финансового анализа расширяются и усложняются:

1. Оценка финансового состояния: Автоматизированные системы позволяют оперативно и комплексно оценивать ликвидность, платежеспособность, рентабельность, финансовую устойчивость и деловую активность предприятия, используя актуальные данные.
2. Выявление причин: С помощью программного обеспечения можно не только констатировать факт отклонения показателей, но и с высокой точностью определить факторы, которые привели к неудовлетворительным результатам или, наоборот, способствовали росту. Это может быть связано с изменением объемов продаж, цен, структуры затрат или эффективностью использования активов.
3. Нахождение ресурсов для оптимизации: Автоматизированный анализ помогает обнаружить «узкие места» в операционной деятельности, неэффективные затраты, недоиспользуемые активы, что открывает возможности для оптимизации финансовых потоков и повышения эффективности.
4. Разработка мероприятий по улучшению: На основе выявленных проблем и ресурсов ИТ-системы могут предлагать различные сценарии развития, позволяя моделировать влияние управленческих решений на финансовые показатели.
5. Составление прогнозов: С использованием ИИ и МО программы способны строить более точные и детализированные финансовые прогнозы, учитывая нелинейные зависимости и внешние факторы.

Основными источниками данных для финансового анализа традиционно служат формы бухгалтерской отчетности:

• Бухгалтерский баланс (форма №1): Предоставляет информацию об активах, обязательствах и капитале организации на определенную дату.
• Отчет о финансовых результатах (форма №2): Отражает доходы, расходы и финансовые результаты деятельности за период.
• Отчет об изменениях капитала (форма №3): Детализирует изменения в собственном капитале.
• Отчет о движении денежных средств (форма №4): Показывает потоки денежных средств по операционной, инвестиционной и финансовой деятельности.
• Дополнительно используются данные из управленческого учета, операционных систем (CRM, ERP), а также внешние рыночные данные.

Современные методы анализа: от горизонтального до стресс-тестирования

Современный финансовый анализ использует целый арсенал методов, которые в условиях цифровизации полностью или частично автоматизируются, позволяя аналитикам сосредоточиться на интерпретации, а не на рутинных расчетах.

1. Горизонтальный (временной) анализ: Сравнивает финансовые показатели за различные периоды (например, текущий год с предыдущим, квартал с кварталом), выявляя абсолютные и относительные изменения. Помогает увидеть динамику развития предприятия.
2. Вертикальный (структурный) анализ: Определяет удельный вес каждой статьи отчетности в общем итоге (например, доля собственного капитала в общей структуре пассивов, доля себестоимости в выручке). Позволяет оценить структуру активов, капитала, доходов и расходов.
3. Трендовый анализ: Изучает изменение показателей за более длительный период (несколько лет), выявляя устойчивые тенденции (тренды) и строя прогнозы на их основе.
4. Коэффициентный анализ: Рассчитывает и интерпретирует систему финансовых коэффициентов, характеризующих различные аспекты финансового состояния предприятия (ликвидность, платежеспособность, рентабельность, деловая активность, финансовая устойчивость). Эти коэффициенты показывают взаимосвязь между различными показателями, например, влияние уровня долгов на чистую прибыль.
   • Коэффициенты ликвидности: Способность компании погашать краткосрочные обязательства (например, коэффициент текущей ликвидности).
   • Коэффициенты платежеспособности (финансовой устойчивости): Отношение собственных и заемных средств, способность компании отвечать по долгосрочным обязательствам.
   • Коэффициенты рентабельности: Эффективность использования ресурсов и формирования прибыли (например, рентабельность продаж, рентабельность активов).
   • Коэффициенты деловой активности (оборачиваемости): Эффективность использования активов (например, оборачиваемость запасов, дебиторской задолженности).
5. Cash Flow-анализ (анализ движения денежных средств): Изучает потоки денежных средств по операционной, инвестиционной и финансовой деятельности, позволяя оценить способность компании генерировать денежные средства, ее платежеспособность и потребность в дополнительном финансировании.
6. SWOT-анализ: Несмотря на то, что это качественный метод, ИТ-системы могут автоматизировать сбор данных для его проведения. Он позволяет выявить сильные и слабые стороны предприятия, а также возможности и угрозы внешней среды.
7. Стресс-тестирование: Моделирование влияния неблагоприятных сценариев (например, резкое падение спроса, рост цен на сырье, повышение процентных ставок) на финансовое состояние компании. Особенно актуален в условиях неопределенности.
8. Бенчмаркинг: Сравнительный анализ финансовых показателей компании с показателями конкурентов или среднеотраслевыми значениями. Позволяет оценить эффективность работы компании относительно лучших практик на рынке.

При проведении финансового анализа чаще всего работают с такими ключевыми показателями, как валовая прибыль, постоянные затраты, рентабельность по чистой прибыли, ликвидность, оборачиваемость и рыночная стоимость компании. Автоматизированные системы позволяют быстро рассчитывать и визуализировать эти показатели, делая анализ более наглядным и доступным.

Факторный анализ: детализация метода цепных подстановок и его автоматизация

Среди всех методологических подходов факторный анализ (или интегральный анализ) занимает особое место, поскольку позволяет не просто констатировать изменения, но и количественно оценить влияние отдельных факторов на изменение результативного показателя. В условиях цифровизации ИТ активно применяются для проведения этого вида анализа.

Одним из наиболее распространенных и интуитивно понятных методов факторного анализа является метод цепных подстановок. Его сущность заключается в последовательной замене базисного значения каждого фактора на фактическое, при этом все остальные факторы остаются неизменными или берутся из предыдущих подстановок. Это позволяет изолированно оценить вклад каждого фактора в общее изменение результативного показателя.

Алгоритм применения метода цепных подстановок:

Допустим, нам необходимо проанализировать влияние двух факторов, 'a' и 'x', на результативный показатель 'Y', который рассчитывается по формуле Y = a × x.
Обозначения:

• Y₀, a₀, x₀ — базисные значения показателей.
• Y₁, a₁, x₁ — фактические значения показателей.

1. Расчет базисного значения результативного показателя (Y₀):
   Y0 = a0 × x0
2. Определение условного значения Y при изменении первого фактора 'a' (Y_{условное1}):
   Заменяем базисное значение 'a' (a₀) на фактическое 'a' (a₁), оставляя 'x' на базисном уровне (x₀).
   Yусловное1 = a1 × x0
3. Определение влияния изменения фактора 'a' (ΔY_a):
   ΔYa = Yусловное1 − Y0 = (a1 × x0) − (a0 × x0) = (a1 − a0) × x0
4. Определение условного значения Y при изменении второго фактора 'x' (Y_{условное2}):
   Заменяем базисное значение 'x' (x₀) на фактическое 'x' (x₁), при этом 'a' уже берется в фактическом значении (a₁), как из предыдущей подстановки.
   Yусловное2 = a1 × x1
5. Определение влияния изменения фактора 'x' (ΔY_x):
   ΔYx = Yусловное2 − Yусловное1 = (a1 × x1) − (a1 × x0) = a1 × (x1 − x0)
6. Расчет общего изменения результативного показателя (ΔY_общее):
   ΔYобщее = Y1 − Y0 = (a1 × x1) − (a0 × x0)
7. Проверка: Сумма влияний отдельных факторов должна быть равна общему изменению результативного показателя:
   ΔYa + ΔYx = ΔYобщее

Пример:
Пусть Y = Выручка = Количество продаж (a) × Цена за единицу (x).
Базисные данные (Y₀): a₀ = 100 шт., x₀ = 50 руб./шт. ⇒ Y₀ = 100 × 50 = 5000 руб.
Фактические данные (Y₁): a₁ = 120 шт., x₁ = 55 руб./шт. ⇒ Y₁ = 120 × 55 = 6600 руб.

1. Y₀ = 5000 руб.
2. Y_{условное1} (изменение количества): 120 × 50 = 6000 руб.
3. ΔY_a = 6000 − 5000 = 1000 руб. (влияние увеличения количества продаж)
4. Y_{условное2} (изменение цены при новом количестве): 120 × 55 = 6600 руб.
5. ΔY_x = 6600 − 6000 = 600 руб. (влияние увеличения цены)
6. ΔY_общее = 6600 − 5000 = 1600 руб.
7. Проверка: 1000 + 600 = 1600 руб.

Преимущества метода цепных подстановок: наглядность и простота расчета, возможность изолировать влияние каждого фактора.
Ограничения: при большом числе факторов расчеты могут быть трудоемкими, а последовательность подстановок может влиять на распределение остатка.

Автоматизация метода цепных подстановок:
Именно здесь информационные технологии раскрывают свой потенциал. Вручную выполнять множество подстановок, особенно при анализе комплексных показателей с десятками факторов, было бы чрезвычайно трудоемко и сопряжено с высоким риском ошибок. Специализированные программы финансового анализа, а также модули BI-систем, позволяют автоматизировать этот процесс.

• Система автоматически считывает базисные и фактические значения всех факторов и результативного показателя.
• Пользователь задает формулу и порядок подстановок (или использует предустановленные).
• Программа мгновенно выполняет все промежуточные расчеты, определяя влияние каждого фактора.
• Результаты представляются в удобном виде – в таблицах, диаграммах, с подробной детализацией.

Такая автоматизация позволяет значительно снизить трудоемкость, повысить точность расчетов, а также проводить факторный анализ оперативно и регулярно, что критически важно для принятия своевременных управленческих решений. Аналитик может быстро оценить, какой из факторов оказал наибольшее влияние на изменение, например, рентабельности по чистой прибыли, валовой прибыли или оборачиваемости активов, и сосредоточить усилия на управлении наиболее значимыми элементами.

Преимущества и ограничения использования автоматизированных систем для финансового анализа в условиях российской специфики

Внедрение автоматизированных систем для финансового анализа – это не дань моде, а насущная необходимость, обусловленная динамикой современного бизнеса. Однако, как и любая трансформация, она несет в себе не только значительные выгоды, но и определенные ограничения, которые особенно остро проявляются в условиях российской специфики.

Экономия времени, снижение ошибок и повышение глубины анализа

Одной из самых очевидных и измеримых выгод от автоматизации финансового анализа является значительная экономия времени и сокращение количества ошибок. Согласно исследованиям, автоматизация финансового моделирования и анализа позволяет сократить затраты времени на 40-70% и снизить количество ошибок более чем на 90%. Эти показатели говорят сами за себя: аналитики освобождаются от рутинных операций по сбору и сведению данных, концентрируясь на интерпретации и стратегическом планировании.

Автоматизация также способствует внедрению единых стандартов и методологий в финансовом моделировании, что является критически важным для крупных организаций с множеством подразделений. Когда расчеты выполняются по единым алгоритмам, снижается вероятность расхождений и субъективных трактовок, что повышает сопоставимость и достоверность аналитических отчетов.

Кроме того, автоматизированный анализ финансовых данных позволяет упростить обработку, анализ и интерпретацию информации, выявить неочевидные закономерности и тенденции, а также составить более точный прогноз. Системы могут обрабатывать гораздо большие объемы данных, чем человек, выявляя корреляции и зависимости, которые иначе были бы упущены. Это ведет к повышению сложности и глубины анализа, делая его более всесторонним и прогностическим.

Влияние на доходы и прибыль: подход AI-first

Цифровая трансформация оказывает прямое и ощутимое влияние на бизнес-модели компаний и их финансовые результаты. Компании, внедрившие цифровые технологии, систематически демонстрируют более высокий уровень доходов и чистой прибыли. Это подтверждается тем, что цифровизация может значительно увеличить продуктивность труда и повысить качество продукции, что напрямую ведет к росту прибыли. Отсюда следует, что инвестиции в цифровизацию — это не просто расходы, а стратегически важные капиталовложения, обеспечивающие конкурентные преимущества и долгосрочный финансовый рост.

В частности, подход, ориентированный на искусственный интеллект (AI-first), обещает колоссальные экономические выгоды. По оценкам экспертов, в течение ближайших 5 лет ИИ может обеспечить 1,9 трлн рублей дополнительной прибыли для финансовой отрасли в России. Эти доходы будут генерироваться за счет автоматизации продаж, более точного прогнозного анализа, глубокой персонализации предложений дл�� клиентов и оптимизации операционных процессов. ИИ не просто ускоряет существующие процессы, он создает новые возможности для получения прибыли, трансформируя бизнес-модели и открывая новые рынки.

Барьеры внедрения: затраты, корпоративная культура, импортозамещение

Несмотря на очевидные преимущества, внедрение автоматизированных систем для финансового анализа сопряжено с рядом серьезных ограничений и вызовов, которые требуют внимательного подхода, особенно в условиях российской специфики.

1. Высокие затраты на внедрение технологий: Это один из самых значительных барьеров. Общий объем инвестиций российских компаний в цифровую инфраструктуру и ИТ-решения в 2024 году составил 4,88 трлн рублей, а в 2025 году может достигнуть 6,1 трлн рублей. Финансовый сектор в 2024 году инвестировал в ИТ-решения и оборудование 1,2 трлн рублей. Эти суммы включают не только стоимость самого программного обеспечения, но и расходы на серверное оборудование, сетевую инфраструктуру, лицензии, а также на услуги по внедрению, настройке, интеграции и последующей поддержке. Для многих организаций, особенно малого и среднего бизнеса, такие инвестиции могут оказаться неподъемными.
2. Вызовы в области корпоративной культуры и организационные изменения: Внедрение новых технологий – это не только технический, но и человеческий процесс. Часто требуется перестройка устоявшихся бизнес-процессов, изменение должностных инструкций, а также формирование новой корпоративной культуры, ориентированной на данные и аналитику. Сопротивление изменениям со стороны персонала, привыкшего к традиционным методам работы, может стать серьезным препятствием.
3. Необходимость обучения персонала: Эффективное использование сложных аналитических систем требует высокой квалификации сотрудников. Необходимо инвестировать в обучение персонала работе с новым программным обеспечением, интерпретации аналитических отчетов и принятию решений на основе данных. Недостаточный уровень подготовки сотрудников может нивелировать все преимущества автоматизации.
4. Стратегический вызов импортозамещения: Для российского рынка этот барьер приобрел особую актуальность. В условиях геополитических изменений и санкционного давления, компании столкнулись с необходимостью перехода на отечественное программное обеспечение. Это не просто замена одной программы на другую, а зачастую полная перестройка технологических стеков, что требует огромных временных и финансовых ресурсов. Доля инвестиций финансового сектора в приобретение отечественного ПО в 2024 году составила 47,4%, и эта тенденция будет только усиливаться. Переход на российские аналоги может быть сопряжен с адаптацией к новому функционалу, интеграцией с существующими системами и доработкой под специфические нужды.

При выборе инструмента автоматизации анализа компания должна учитывать особенности своей деятельности, объем обрабатываемых данных, необходимый уровень детализации анализа и, конечно же, имеющийся финансовый ресурс. Только комплексный подход к оценке всех этих факторов позволит минимизировать риски и максимизировать отдачу от инвестиций в цифровизацию.

Влияние автоматизации на управленческие решения и общую эффективность деятельности организации

Автоматизация финансового анализа выходит далеко за рамки простой обработки чисел; она становится фундаментом для качественно новых управленческих решений, которые могут кардинально изменить траекторию развития организации и значительно повысить ее общую эффективность.

Улучшение клиентского опыта и персонализация

Одним из наиболее значимых изменений, привносимых автоматизацией и искусственным интеллектом, является трансформация клиентского опыта. В условиях острой конкуренции и высокого уровня цифровизации рынка, персонализированный подход становится ключевым конкурентным преимуществом. ИИ позволяет:

• Создавать персонализированных ассистентов: Виртуальные помощники и чат-боты, работающие на основе ИИ, способны предоставлять клиентам индивидуальные консультации, помогать в управлении финансами и предлагать продукты, максимально соответствующие их потребностям. Это улучшает лояльность и удовлетворенность клиентов.
• Анализировать поведенческие паттерны: Системы машинного обучения способны обрабатывать огромные объемы данных о транзакциях, запросах, взаимодействиях с сервисами, выявляя скрытые поведенческие паттерны клиентов. На основе этого анализа банки и финансовые организации могут предвидеть потребности клиентов, предлагать им актуальные услуги в нужный момент. Например, Сбербанк использует МО для «умных советов» на основе анализа карточных транзакций.
• Осуществлять динамическое ценообразование: ИИ-алгоритмы могут в реальном времени корректировать ставки по кредитам, условия по депозитам или предложения по инвестиционным продуктам, исходя из индивидуального профиля клиента, его кредитной истории, рыночных условий и других факторов. Тинькофф (Т-Банк) успешно внедрил алгоритмический кешбэк, что является ярким примером такой персонализации.

В результате, Искусственный интеллект может обеспечить до 10% совокупного дохода банковской отрасли к 2030 году за счет автоматизации продаж, прогнозного анализа и персонализированных предложений. Это не просто увеличение прибыли, это создание более глубоких и долгосрочных отношений с клиентами, что является стратегически важным активом.

Оперативность и безопасность данных для принятия решений

В мире, где каждая секунда имеет значение, оперативность и безопасность данных являются критически важными факторами для принятия эффективных управленческих решений. Информационные технологии предоставляют мощные инструменты для достижения этих целей:

• Экономия времени при формировании и передаче информации: Автоматизированные системы мгновенно собирают, обрабатывают и консолидируют данные из различных источников. Вместо дней или недель ручной обработки, информация становится доступной в режиме реального времени. Руководители получают актуальные отчеты и дашборды, позволяющие быстро оценить ситуацию и принять меры.
• Обеспечение безопасности данных: Современные ИТ-системы включают в себя множество уровней защиты данных – от шифрования и контроля доступа до систем обнаружения вторжений и резервного копирования. Это критически важно для финансовой информации, утечка которой может привести к огромным репутационным и финансовым потерям. При этом необходимо отметить, что, как показывает статистика по кибератакам и утечкам в российском финсекторе, проблема кибербезопасности остается одной из наиболее острых и требует постоянных инвестиций и усилий.
• Быстрый доступ к данным: С помощью BI-систем и специализированных платформ финансового анализа руководители и аналитики могут получить доступ к необходимым данным из любой точки мира, используя различные устройства. Это повышает мобильность и гибкость принятия решений.

В конечном итоге, информационные технологии обеспечивают не просто быстрый доступ к данным, но и формируют основу для принятия обоснованных и своевременных управленческих решений. Руководители могут оперативно реагировать на изменения рыночной конъюнктуры, корректировать стратегии, оптимизировать ресурсы и управлять рисками более эффективно. Это напрямую влияет на общую эффективность деятельности организации, ее конкурентоспособность и устойчивость в долгосрочной перспективе.

Перспективы развития программного обеспечения для финансового анализа

Будущее финансового анализа неотделимо от прогресса в области информационных технологий, и в особенности – искусственного интеллекта. То, что сегодня кажется передовым, завтра станет стандартом, а послезавтра будет вытеснено еще более совершенными решениями.

Мультиагентные и мультимодальные ИИ-системы

Сегодняшние ИИ-системы, несмотря на их впечатляющие возможности, в основном обучаются на огромных массивах данных, собранных и размеченных человеком. Следующей ступенью развития станут мультиагентные и мультимодальные ИИ-системы, которые смогут учиться не только по заранее подготовленным обучающим выборкам, но и непосредственно из окружающей среды, в том числе из взаимодействия друг с другом.

• Мультиагентные системы будут состоять из множества специализированных ИИ-агентов, каждый из которых будет отвечать за определенный аспект финансового анализа. Например, один агент может специализироваться на прогнозировании курсов валют, другой – на оценке кредитных рисков компаний, третий – на анализе инвестиционных портфелей. Эти агенты смогут обмениваться информацией, координировать свои действия и совместно принимать более комплексные и обоснованные решения, чем любой из них по отдельности. Например, агент по оценке рисков сможет автоматически получать данные от агента, отслеживающего геополитические события, и в режиме реального времени корректировать свои прогнозы.
• Мультимодальные системы смогут обрабатывать и интегрировать информацию из различных типов данных – не только числовых финансовых отчетов, но и текстовых документов (отчеты аналитиков, новостные ленты, социальные сети), аудиозаписей (переговоры, выступления руководителей), видеоматериалов (например, для оценки ситуации на производстве). Это позволит получить гораздо более полную и глубокую картину финансового состояния и перспектив компании, учитывая даже неявные сигналы.

Такие системы смогут не просто анализировать данные, но и самообучаться и адаптироваться к новым условиям без постоянного вмешательства человека, что сделает финансовый анализ еще более динамичным, гибким и прогностическим. А что это означает для конечного пользователя?

Инфраструктурные вызовы и новые возможности

Реализация потенциала мультиагентных и мультимодальных ИИ-систем, а также дальнейшее масштабирование текущих ИИ-решений, сталкивается с серьезными инфраструктурными вызовами. Основной из них – создание единой инфраструктуры для тиражирования успешных решений с необходимой скоростью и безопасностью.

• Стандартизация и интероперабельность: Различные ИИ-модели и системы часто разрабатываются на разных платформах и с использованием разных технологий. Для их эффективного взаимодействия и масштабирования необходима стандартизация интерфейсов и протоколов обмена данными (например, развитие Открытых API), что позволит создавать гибкие и интегрированные экосистемы.
• Вычислительные мощности: Обучение и эксплуатация сложных ИИ-моделей требуют огромных вычислительных ресурсов. Развитие облачных технологий, высокопроизводительных вычислений и квантовых компьютеров будет играть ключевую роль в обеспечении необходимой инфраструктуры.
• Безопасность и конфиденциальность: Чем больше данных обрабатывается и чем сложнее становятся ИИ-системы, тем выше риски кибератак и утечек информации. Создание надежных систем защиты, соответствующих высоким стандартам кибербезопасности, является первостепенной задачей.
• Регуляторная среда: Для эффективного развития и внедрения инновационных финансовых технологий необходима адекватная и гибкая регуляторная среда, которая будет стимулировать инновации, но при этом обеспечивать стабильность и защиту участников рынка. В России это проявляется в активном развитии законодательства в области ЦФА и общих подходах к цифровизации финансового рынка.

Несмотря на эти вызовы, дальнейшая цифровизация открывает и совершенно новые возможности:

• Превентивный анализ рисков: ИИ сможет прогнозировать финансовые кризисы, банкротства компаний и рыночные коллапсы с беспрецедентной точностью, основываясь на анализе огромного массива данных и выявлении слабых сигналов.
• Гиперавтоматизация: Большая часть рутинных задач финансового анализа будет полностью автоматизирована, высвобождая время аналитиков для стратегического мышления и творческого решения проблем.
• Новые бизнес-модели: Появятся совершенно новые типы финансовых услуг и продуктов, основанные на глубоком анализе данных и персонализированных предложениях, таких как «умные» инвестиционные советники или автоматизированные платформы для управления личными финансами.

Таким образом, перспективы развития программного обеспечения для финансового анализа обещают революционные изменения, которые сделают финансовые рынки еще более эффективными, прозрачными и доступными, но потребуют значительных усилий по созданию соответствующей технологической и регуляторной базы.

Заключение

Цифровая трансформация кардинально изменила ландшафт финансового анализа, превратив его из статичного отчета о прошлом в динамичный инструмент для стратегического планирования и управления будущим. Российский финансовый сектор, являясь одним из мировых лидеров цифровизации, демонстрирует впечатляющие достижения в этом направлении, активно интегрируя передовые технологии, такие как искусственный интеллект и машинное обучение, в повседневную аналитическую практику.

В рамках данной курсовой работы мы обозначили ключевые современные тенденции, такие как доминирование цифровых финансовых услуг, повсеместное внедрение СБП и растущие инвестиции в ИИ. Были детально рассмотрены классы программных продуктов – ERP, BI, специализированные СФА – и их функциональные возможности, подчеркивая, как они унифицируют данные и ускоряют аналитические процессы. Особое внимание уделено методологическим подходам, в частности, механизму метода цепных подстановок, демонстрируя его автоматизацию как пример того, как ИТ повышают точность и скорость анализа влияния множества факторов.

Мы также всесторонне оценили преимущества автоматизации, такие как сокращение времени и ошибок, повышение глубины анализа и влияние на доходы через AI-first подход. При этом не обойдены вниманием и актуальные ограничения и вызовы российской специфики: высокие затраты, необходимость перестройки корпоративной культуры, острые вопросы кибербезопасности и, главное, стратегическая задача импортозамещения и кросс-отраслевой интеграции.

Влияние автоматизации на управленческие решения и общую эффективность организации неоспоримо. Оно проявляется не только в оперативности и безопасности данных, но и в кардинальном улучшении клиентского опыта за счет глубокой персонализации. Заглядывая в будущее, мы видим перспективы в развитии мультиагентных и мультимодальных ИИ-систем, способных к самообучению, хотя и сталкивающихся с серьезными инфраструктурными вызовами.

Таким образом, поставленные цели курсовой работы были полностью достигнуты. Проведенный анализ подтверждает, что глубокое понимание взаимосвязи между финансовым анализом и современными информационными технологиями является не просто желательным, а критически важным навыком для будущих специалистов. Способность эффективно использовать и развивать эти инструменты станет залогом успеха в динамично меняющемся мире финансов.

Список использованной литературы

1. «АБФИ – предприятие». URL: http://www.vestona.ru (дата обращения: 12.10.2025).
2. «Альт – Финансы». URL: http://www.alt.rcom.ru/ (дата обращения: 12.10.2025).
3. «Audit Expert». URL: http://www.pro-invest.com/it/ (дата обращения: 12.10.2025).
4. «Excel Financial Analysis». URL: http://microsoft.ru (дата обращения: 12.10.2025).
5. «ИНЭК – Аналитик». URL: http://www.inec.ru/ (дата обращения: 12.10.2025).
6. «Onvision». URL: http://bisiness-analisis.ru (дата обращения: 12.10.2025).
7. Айназаров Н., Бабышева Е. СОВРЕМЕННЫЕ МЕТОДЫ АНАЛИЗА ФИНАНСОВОГО СОСТОЯНИЯ ПРЕДПРИЯТИЯ // Инновации. Наука. Образование. 2021. № 23. URL: https://www.elibrary.ru/item.asp?id=46473177 (дата обращения: 12.10.2025).
8. Автоматизация финансового моделирования: как сэкономить время и снизить риск ошибок. URL: https://sf.education/blog/avtomatizaciya-finansovogo-modelirovaniya/ (дата обращения: 12.10.2025).
9. Безкровная Г.Д. Применение информационных технологий при проведении финансово-экономического анализа // Актуальные проблемы гуманитарных и естественных наук. 2015. № 2-1. С. 132-134. URL: https://elibrary.ru/item.asp?id=23727821 (дата обращения: 12.10.2025).
10. Зайцева О.П. ВЛИЯНИЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ НА ФИНАНСОВУЮ ДЕЯТЕЛЬНОСТЬ ПРЕДПРИЯТИЯ // Научное обозрение. Экономические науки. 2023. № 1. С. 26-29. URL: https://science-economy.ru/ru/article/view?id=1117 (дата обращения: 12.10.2025).
11. ИИ в финансах: от пилотов к масштабированию // Ведомости.Технологии и инновации. 2025. URL: https://www.vedomosti.ru/technologies/articles/2025/10/09/ii-v-finansah-ot-pilotov-k-masshtabirovaniyu (дата обращения: 12.10.2025).
12. Информационные системы финансовой направленности // Analitic.ru. URL: https://www.analitic.ru/articles/inf_sis_fin.html (дата обращения: 12.10.2025).
13. Мельников А.С., Калабина Е.Г. Влияние цифровизации на финансовые результаты компании // Уральский федеральный университет. 2024. URL: https://elar.urfu.ru/bitstream/10995/139268/1/978-5-7996-3690-3_2024_027.pdf (дата обращения: 12.10.2025).
14. От цифрового минимума к интеллектуальному банку // Ведомости. 2025. URL: https://www.vedomosti.ru/technologies/articles/2025/10/09/ot-tsifrovogo-minimuma-k-intellektualnomu-banku (дата обращения: 12.10.2025).
15. Передовые технологии анализа финансовых данных: тренды 2024 // Управление Финансовыми Данными. URL: https://fdm.su/blog/peredovye-tehnologii-analiza-finansovyh-dannyh-trendy-2024 (дата обращения: 12.10.2025).
16. СИСТЕМА АВТОМАТИЗАЦИИ АНАЛИЗА ФИНАНСОВЫХ РЕЗУЛЬТАТОВ ПРЕДПРИЯТИЯ // Научный лидер. URL: https://sciencen.ru/publikatsii/sistema-avtomatizatsii-analiza-finansovyx-rezultatov-predpriyatiya.html (дата обращения: 12.10.2025).
17. Тренды автоматизации финансов в 2024 году в России. Какие программы внедрять для финансового планирования предприятия // Планум. URL: https://planum.pro/blog/trendy-avtomatizacii-finansov-v-2024-godu-v-rossii (дата обращения: 12.10.2025).
18. Финансовый анализ предприятия: стартовый гайд для тех, кто хочет быстро разобраться в теме // Skillbox. URL: https://skillbox.ru/media/marketing/finansovyy_analiz_predpriyatiya/ (дата обращения: 12.10.2025).
19. Финансовый анализ предприятия: цель, методы и программа для аналитики // Audit-it.ru. URL: https://www.audit-it.ru/articles/finance/finanaliz/a106/1029285.html (дата обращения: 12.10.2025).
20. Цифровизация финансового менеджмента организации: интеграция технологий распределенного реестра и искусственного интеллекта в процессы управления финансами // РосНаука. 2023. URL: https://ros-nauka.ru/wp-content/uploads/2023/12/36.-%D0%94%D0%B0%D0%B2%D1%8B%D0%B4%D0%BE%D0%B2%D0%B0-%D0%98.%D0%90.-%D0%A6%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D1%8F-%D1%84%D0%B8%D0%BD%D0%B0%D0%BD%D1%81%D0%BE%D0%B2%D0%BE%D0%B3%D0%BE-%D0%BC%D0%B5%D0%BD%D0%B5%D0%B4%D0%B6%D0%BC%D0%B5%D0%BD%D1%82%D0%B0-%D0%BE%D1%80%D0%B3%D0%B0%D0%BD%D0%B8%D0%B7%D0%B0%D1%86%D0%B8%D0%B8-2023.pdf (дата обращения: 12.10.2025).
21. Шапиро Ю.Д., Филимонцева Е.М. ФИНАНСОВЫЙ АНАЛИЗ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ: НОВЫЕ ПОДХОДЫ И ИНСТРУМЕНТЫ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/finansovyy-analiz-v-usloviyah-tsifrovizatsii-novye-podhody-i-instrumenty (дата обращения: 12.10.2025).
22. Шувалова О.С., Орлова О.Ю. ЦИФРОВИЗАЦИЯ ФИНАНСОВОГО РЫНКА: ВЫЗОВЫ И ВОЗМОЖНОСТИ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-finansovogo-rynka-vyzovy-i-vozmozhnosti (дата обращения: 12.10.2025).