Оценка и Выбор Управленческих Решений в Условиях Цифровой Экономики: Теория, Методология и Комплексная Оценка

Введение

В условиях стремительной цифровой трансформации экономики, когда объемы данных удваиваются каждые два года, а скорость принятия решений становится ключевым конкурентным преимуществом, традиционные подходы к управлению теряют свою эффективность. Современные исследования показывают, что использование искусственного интеллекта в специализированных диагностических и прогностических задачах способно повышать точность решений до 85–95%. Этот факт не просто подчеркивает актуальность темы, но и ставит перед менеджерами новую, критически важную задачу: как эффективно интегрировать классические управленческие теории с мощью передовых аналитических инструментов для обеспечения обоснованности и надежности выбора. Это требует создания нового, интегративного аналитического каркаса.

Данная работа посвящена всестороннему исследованию процесса оценки и выбора управленческих решений. Наша цель — разработать исчерпывающий аналитический каркас, который объединит фундаментальные теоретические положения менеджмента с актуальными методологиями, включая многокритериальный анализ и современные подходы к управлению рисками, трансформированные под влиянием технологий Big Data и AI.

Работа структурирована таким образом, чтобы последовательно раскрыть теоретические основы, детализировать методологический инструментарий и представить систему комплексной оценки эффективности и минимизации рисков.

Глава 1. Теоретические Основы и Эволюция Моделей Принятия Управленческих Решений

Сущность, Классификация и Требования к Управленческому Решению

Управленческое решение (УР) в теории менеджмента определяется как творческий акт целенаправленного воздействия субъекта управления на объект, который основан на знании объективных законов, профессиональном опыте и ведет к достижению поставленных практических результатов. По своей сути, УР является центральным звеном цикла управления, выступая связующим элементом между этапами анализа ситуации и реализации воздействия. Если решение не принято, управленческий цикл прерывается, и организация теряет контроль над ситуацией. Из этого следует, что качество УР напрямую определяет итоговую эффективность функционирования всей системы.

УР можно классифицировать по нескольким ключевым признакам:

Критерий классификации	Типы решений	Характеристика
По сфере воздействия	Экономические, социальные, технические, организационные	Влияние на соответствующие подсистемы предприятия.
По времени действия	Стратегические, тактические, оперативные	Разный горизонт планирования: от долгосрочного (5+ лет) до текущего (до 1 года).
По степени новизны	Рутинные (стандартизированные) и инновационные (творческие)	Степень использования шаблонов и потребность в новом анализе.
По характеру подготовки	Индивидуальные, коллегиальные, коллективные	Метод разработки и утверждения решения.

К управленческому решению предъявляется ряд строгих требований, среди которых ключевыми являются: обоснованность (опора на объективные данные и научные методы), своевременность (принятие до того, как ситуация выйдет из-под контроля), реализуемость (наличие необходимых ресурсов и полномочий) и комплексность (учет всех взаимосвязанных факторов).

Эволюция Моделей: От Рациональности к Поведенческим Концепциям

Исторически процесс принятия решений рассматривался через призму **модели полной рациональности**. Эта модель, идеализированная и нормативная, предполагает, что лицо, принимающее решение (ЛПР), обладает полной информацией, способно безошибочно обработать все альтернативы и всегда выбирает вариант, который максимизирует полезность или прибыль.

Однако реальность управления, особенно в условиях современного информационного потока, оказалась далека от этого идеала.

Ключевым прорывом, отражающим эту сложность, стала концепция «ограниченной рациональности» (bounded rationality), предложенная лауреатом Нобелевской премии Гербертом Саймоном. Саймон утверждал, что способность человека к обработке информации ограничена как когнитивными возможностями, так и временными рамками. В условиях цифровой трансформации, когда объемы данных (в том числе неструктурированных) растут экспоненциально, ЛПР не в состоянии провести полный перебор и анализ всех возможных вариантов. Поэтому вместо поиска оптимального решения, ЛПР стремится к выбору «удовлетворительного» (satisficing) варианта — первого из найденных, который соответствует минимальному приемлемому критерию допустимости. Эта поведенческая модель наиболее точно описывает процесс принятия решений в динамичной, сложной среде.

Модель	Основной постулат	Актуальность в 2025 г.
Полная рациональность	Максимизация полезности, полная информация.	Нормативный идеал, недостижимый без AI-инструментов.
Ограниченная рациональность	Выбор «удовлетворительного» решения; когнитивные ограничения.	Высокая. Лежит в основе современных поведенческих финансов и менеджмента.
Интуитивная модель	Решение принимается на основе опыта и подсознания.	Используется в условиях высокой неопределенности и дефицита времени.

Интегративная Теория Принятия Решений и Влияние Agile-Методологий

Современная управленческая наука стремится к преодолению разрыва между идеальной (нормативной) рациональностью и фактическим (дескриптивным, поведенческим) выбором. Это привело к формированию интегративной теории принятия решений, которая учитывает как объективные, логические факторы (расчеты, прогнозы), так и субъективные, индивидуальные аспекты (интуиция, опыт, психологические установки).

В условиях цифровой экономики и высокой рыночной турбулентности все большее значение приобретает внедрение гибких методологий управления, таких как Agile и Scrum. Эти методологии не просто меняют структуру команды, но и трансформируют процесс принятия решений, делая его более быстрым, итеративным и основанным на оперативных данных.

Внедрение гибких методологий повышает качество управленческих решений за счет использования специфических метрик:

1. Скорость команды (Velocity): Измеряет количество работы (в баллах или человеко-днях), которую команда способна выполнить за одну итерацию (спринт). Этот количественный показатель обеспечивает руководство точными данными о производительности и позволяет обоснованно принимать решения о сроках и объеме будущих проектов.
2. Время цикла (Cycle Time): Измеряет время, прошедшее с момента начала работы над задачей до момента ее завершения. Оперативный анализ Cycle Time позволяет немедленно идентифицировать узкие места в процессах, которые могут замедлять принятие и реализацию решений.

Таким образом, Agile-метрики переводят принятие решений из плоскости субъективных оценок в плоскость обоснованного, количественно измеримого выбора, что соответствует требованиям интегративной теории. Учитывая, что в сложных, многокритериальных задачах объективные данные часто недостаточны, возникает вопрос: как преобразовать субъективные оценки в надёжные числа? Ответ на этот вопрос даёт Метод Анализа Иерархий.

Глава 2. Методологический Аппарат Оценки и Выбора Альтернативных Решений

Сравнительный Анализ Количественных, Качественных и Экспертных Методов

Для выбора оптимального управленческого решения всегда требуется тщательная оценка альтернативных вариантов. Для этого в менеджменте используется широкий спектр методов, которые можно разделить на три основные группы, методологическая разница между которыми заключается в природе обрабатываемых данных и используемых инструментах.

Тип метода	Природа данных	Примеры инструментов	Преимущества	Недостатки
Количественные	Числовые, статистические, финансовые	Регрессионный анализ, математическое программирование, факторный анализ	Высокая точность, надежность, объективность, возможность прогнозирования.	Требуют большого объема достоверных данных; игнорируют неформальные факторы.
Качественные	Нечисловые, описательные, неструктурированные	Мозговой штурм, метод комиссии, сценарное планирование	Позволяют выявлять глубинные закономерности, гибкость, стимулируют творчество.	Субъективность, низкая верифицируемость, зависимость от состава группы.
Экспертные	Комбинированные (суждения, опыт, знания)	Метод Дельфи, Метод анализа иерархий (АНР), метод средней точки	Позволяют принимать решения в условиях неопределенности и дефицита данных.	Зависимость от квалификации экспертов; риск манипуляции мнением.

Количественные методы незаменимы для оценки финансовой эффективности (например, расчет ROI, NPV) и прогнозирования спроса (регрессионный анализ). Качественные методы (например, мозговой штурм) используются на этапе генерации идей и альтернатив, когда требуется максимальная широта взглядов. Экспертные методы служат мостом между этими двумя группами, позволяя преобразовать субъективные суждения в структурированную, а зачастую и количественно измеримую форму.

Метод Дельфи и Метод Анализа Иерархий (АНР) как Инструменты Консенсуса и Квантификации

Для обеспечения высокого качества решений в сложных, многокритериальных задачах, где объективные данные недостаточны, используются продвинутые экспертные методы.

Метод Дельфи

Метод Дельфи является классическим качественным экспертным методом, разработанным для достижения консенсуса мнений без прямого взаимодействия экспертов.

Суть метода: Базируется на анонимном многоуровневом анкетировании. Эксперты независимо друг от друга высказывают свои оценки или прогнозы. Организатор собирает, статистически обрабатывает и анонимно предоставляет экспертам сводные результаты предыдущего раунда (медианы, квартили). Эксперты пересматривают свои оценки с учетом распределения мнений коллег, аргументируя значительные отклонения. Циклы повторяются до достижения устойчивого консенсуса (обычно 3–4 раунда).

Преимущество: Исключает влияние авторитета, групповое давление и эмоциональную предвзятость, что повышает объективность итогового суждения.

Метод Анализа Иерархий (АНР) Томаса Л. Саати

Метод анализа иерархий (АНР), разработанный Томасом Л. Саати, является мощным интегративным подходом, позволяющим количественно оценить субъективные суждения. Он особенно важен в курсовой работе, поскольку позволяет перевести нефинансовые, качественные критерии в четкую числовую шкалу.

Суть метода:

1. Декомпозиция: Проблема структурируется в виде иерархии: цель (наверху), критерии оценки, подкритерии (если необходимо) и альтернативные варианты решений (внизу).
2. Попарное сравнение: Эксперты сравнивают элементы на каждом уровне иерархии по шкале Саати (от 1 — равное значение, до 9 — абсолютное превосходство).
3. Квантификация: На основе матриц попарных сравнений рассчитываются весовые коэффициенты (приоритеты) для каждого критерия и каждой альтернативы.
4. Синтез: Веса альтернатив, полученные по каждому критерию, суммируются с учетом весов самих критериев, что дает итоговый приоритет для каждого варианта.

АНР позволяет менеджеру не просто выбрать «лучший» вариант, а понять, насколько один вариант лучше другого, а также проверить согласованность суждений экспертов, что является критически важным для обоснованности выбора. Действительно, разве может быть по-настоящему обоснованным решение, если оно опирается на противоречивые мнения специалистов?

Глава 3. Трансформация Процесса Принятия Решений под Влиянием Big Data, BI и AI

Внедрение BI-систем и Их Экономическая Эффективность

Цифровая трансформация радикально меняет информационно-аналитическое обеспечение управленческих решений. На смену интуиции и рутинному сбору отчетности приходят автоматизированные системы бизнес-аналитики (Business Intelligence, BI).

BI-системы (Tableau, Power BI, SAS) выполняют роль мощного визуального и аналитического инструмента, агрегируя данные из разрозненных источников (CRM, ERP, складские системы) и представляя их в виде наглядных дэшбордов и отчетов.

Ключевое влияние BI на принятие решений:

• Децентрализация доступа: Информация становится доступна сотрудникам на разных уровнях, что позволяет им принимать оперативные тактические решения, не дожидаясь отчетов от центрального аппарата.
• Снижение времени реакции: Менеджеры могут отслеживать ключевые показатели эффективности (KPI) в реальном времени, что сокращает «петлю обратной связи» между событием и реакцией на него.

Внедрение BI-систем, несмотря на значительные первоначальные инвестиции, демонстрирует высокую экономическую эффективность. По результатам исследований, положительный эффект от использования BI может наблюдаться уже в первый месяц.

Для обоснования инвестиций используется расчет срока окупаемости (Payback Period) и ROI (Return on Investment). Практика показывает, что при грамотном внедрении полный срок окупаемости BI-системы может составлять менее 5 месяцев, а целевой показатель ROI находится в диапазоне 120–150%. Высокая окупаемость достигается за счет снижения операционных расходов (автоматизация отчетности), повышения точности прогнозирования и оптимизации складских запасов.

Искусственный Интеллект (AI-Driven Tools) и Необходимость Объяснимости (XAI)

Переход от BI к Искусственному Интеллекту (ИИ) знаменует собой переход от описательной аналитики («что произошло?») к прогностической и предписывающей («что произойдет и что нужно делать?»). Технологии Big Data и ИИ (машинное обучение, нейронные сети) анализируют колоссальные объемы структурированных и неструктурированных данных, выявляя скрытые закономерности.

Влияние ИИ на точность решений:

В специализированных задачах, таких как выявление мошенничества, прогнозирование отказов промышленного оборудования или медицинская диагностика, ИИ-модели доказали способность повышать точность прогнозов до 85–95%. Это позволяет руководителям опираться на высокоточные рекомендации, а не только на собственный опыт, минимизируя влияние эффекта «ограниченной рациональности».

Вызовы и Объяснимый ИИ (XAI):

Однако внедрение ИИ порождает серьезные этические, юридические и управленческие вызовы. Главный из них — проблема «черного ящика»: алгоритмы глубокого обучения часто не могут объяснить, почему они приняли то или иное решение. В случае ошибки алгоритма возникает вопрос юридической ответственности и доверия к системе. Ведь если система не может объяснить свою логику, как менеджер может быть уверен, что рекомендация не основана на скрытом или нерелевантном для бизнеса признаке?

Для решения этой проблемы активно развивается Концепция Объяснимого ИИ (eXplainable AI, XAI). XAI направлен на интерпретацию логики ИИ-моделей и верификацию обоснованности их рекомендаций. Ключевые методы XAI:

1. LIME (Local Interpretable Model-agnostic Explanations): Фокусируется на локальных объяснениях индивидуальных прогнозов. LIME аппроксимирует сложную, неинтерпретируемую модель более простой, локальной и понятной моделью, чтобы показать, какие признаки повлияли на конкретный прогноз.
2. SHAP (SHapley Additive exPlanations): Обеспечивает математически строгий подход, основанный на теории игр, для расчета вклада каждого признака (фактора) в итоговое предсказание. SHAP позволяет ЛПР увидеть, как изменение конкретного параметра (например, цены сырья или маркетинговых расходов) повлияло на конечную рекомендацию ИИ.

Внедрение XAI является необходимым условием для безопасного, этичного и, главное, обоснованного принятия решений на основе рекомендаций ИИ.

Глава 4. Комплексная Оценка Эффективности и Система Минимизации Рисков

Критерии Комплексной Оценки Эффективности УР

Оценка эффективности управленческого решения — это заключительный, но критически важный этап управленческого цикла. Основной критерий оценки — это уровень достижения показателей поставленной цели и производных от нее подцелей.

Комплексная оценка включает три группы критериев:

1. Внутренние (организационные): Соответствие решения миссии и стратегии компании, степень его влияния на корпоративную культуру, полнота проработки альтерна��ивных вариантов.
2. Внешние (рыночные): Оценка параметров внешней среды (например, реакция конкурентов, удовлетворенность потребителей, соответствие рыночным трендам).
3. Общие (ресурсные): Время, затраченное на разработку и реализацию, качество исполнения, степень участия исполнителей.

Экономическая и Технологическая Эффективность

Наиболее формализованной является экономическая эффективность (Э_э). Она рассчитывается как соотношение полученного экономического эффекта (Э_ф) к затратам (З) на его разработку и реализацию:

Ээ = Эф / З

Технологическая эффективность выражается в достижении отраслевого или мирового технологического уровня производства (например, запуск нового продукта, оптимизация производственного цикла) за более короткое время или с меньшими затратами.

Для оценки технологических проектов (НИОКР), особенно связанных с высоким риском, используются продвинутые метрики:

• Рентабельность инвестиций в НИОКР: Классический показатель, связывающий затраты на исследования с полученной прибылью.
• CFaR (Cash Flow at Risk): Метрика оценки риска, которая измеряет величину максимально возможных убытков денежных потоков НИОКР-проекта на определенном горизонте планирования с заданной вероятностью. CFaR позволяет понять, какой уровень потерь предприятие готово принять, если технологическое решение окажется неудачным.

Кроме того, к качественным показателям эффективности разработки решений относятся научная новизна, техническая значимость и, что крайне важно, перспектива коммерциализации результатов.

Управление Рисками в Соответствии с Современными Стандартами

Управленческие решения должны приниматься на альтернативной основе и всегда сопровождаться оценкой рисков. Современный риск-ориентированный подход, в отличие от традиционного реактивного, сосредоточен на предотвращении потенциальных аварий и потерь путем идентификации и управления рисками на ранних стадиях. Этот подход закреплен в российском стандарте ГОСТ Р ИСО 31000-2019 («Менеджмент риска. Принципы и руководство»), который дает фундаментальное определение риска:

Риск — это влияние неопределенности на цели.

Это определение подчеркивает, что риск включает как негативные (угрозы), так и позитивные (возможности) отклонения от ожидаемого результата.

К основным методам воздействия на уровень производственных рисков промышленного предприятия относятся:

Метод воздействия	Суть	Условия применения
Уклонение	Отказ от действий, влекущих неприемлемый уровень риска (например, отказ от ненадежных поставщиков).	Риск слишком высок, а потенциальная выгода не оправдывает его.
Локализация	Идентификация источников риска и повышение контролируемости наиболее ненадежного этапа производства.	Риск можно изолировать и контролировать в рамках отдельного подразделения.
Принятие	Осознанное принятие риска на себя.	Частота и величина потенциального ущерба невысоки. Реализуется через создание резервных фондов.
Передача (Трансфер)	Перенос ответственности за риск третьей стороне.	Используется для защиты от крупного или систематического ущерба.

Количественная Оценка и Методы Передачи Риска в Промышленном Секторе

Одним из наиболее эффективных методов снижения рисков является их передача. В промышленном секторе это реализуется двумя основными путями:

1. Страхование: Передача имущественных, гражданских или производственных рисков страховым компаниям.
2. Хеджирование: Использование срочных контрактов (фьючерсов, опционов, форвардов) для защиты от ценовых, валютных и сырьевых рисков. Например, крупное промышленное предприятие может хеджировать будущую стоимость закупки сырья, чтобы избежать убытков от его резкого удорожания.

Для обоснованного принятия решения о создании резервных фондов или о необходимом объеме страхового покрытия требуется количественная оценка риска. В этом контексте неоценимую помощь оказывает метрика VaR.

Метрика Value-at-Risk (VaR)

Для оценки необходимого размера резервных фондов используется статистическая метрика Value-at-Risk (VaR). VaR представляет собой статистическую оценку максимальной денежной потери, которая не будет превышена с заданной вероятностью (например, 95% или 99%) за определенный период времени (например, 1 день или 1 месяц).

Пример применения VaR: Если предприятие рассчитало, что его 99%-ный VaR для запасов сырья на месяц составляет 50 млн рублей, это означает, что с вероятностью 99% максимальные убытки от изменения цен на сырье за этот месяц не превысят 50 млн рублей. Соответственно, резервный фонд должен покрывать эту сумму, обеспечивая финансовую устойчивость предприятия при принятии рискованных управленческих решений. Знание этого показателя позволяет руководству принимать решения о масштабировании проектов с полной финансовой уверенностью.

Заключение

Процесс оценки и выбора управленческих решений в 2025 году представляет собой сложный, многоуровневый процесс, который требует не только следования классическим принципам менеджмента, но и глубокой интеграции современных технологий и методологий.

Основные теоретические и методологические выводы:

1. Теоретическая основа: В условиях информационной перегрузки ключевое значение приобретает концепция «ограниченной рациональности» (Г. Саймон), требующая от ЛПР не поиска идеального, а выбора «удовлетворительного» решения, обоснованного доступными данными.
2. Методологическая синергия: Для преодоления субъективности экспертных оценок критически важно использовать интегративные методы. Обоснована эффективность Метода Анализа Иерархий (АНР), который позволяет перевести качественные критерии в количественные приоритеты с высокой степенью согласованности.
3. Цифровая Трансформация: Внедрение BI-систем и AI-Driven Tools обеспечивает высокую точность прогнозов (до 85–95%) и быструю окупаемость инвестиций (Payback Period < 5 месяцев для BI).
4. Прозрачность решений: Для обеспечения доверия и юридической ответственности за решения, основанные на ИИ, необходимо внедрение Объяснимого ИИ (XAI) с использованием методов LIME и SHAP для интерпретации логики алгоритмов.
5. Риск-менеджмент: Комплексная оценка эффективности должна включать не только традиционные экономические показатели, но и продвинутые метрики управления рисками, такие как CFaR (для НИОКР) и Value-at-Risk (VaR) (для количественной оценки резервных фондов), в соответствии с принципами ГОСТ Р ИСО 31000-2019.

Практические рекомендации по внедрению современных методов:

Для повышения эффективности управленческих решений на предприятии рекомендуется:

1. Интегрировать АНР-анализ в процесс оценки стратегических альтернатив, где весомые нефинансовые факторы (например, устойчивость, репутация) могут быть количественно сравнены с финансовыми показателями.
2. Формализовать метрики эффективности BI-инвестиций, отслеживая срок окупаемости и ROI, а также используя Agile-метрики (Velocity, Cycle Time) для оценки операционных решений.
3. Разработать внутренний регламент XAI, обязывающий использовать методы объяснимости (SHAP/LIME) для всех критически важных решений, предлагаемых системами ИИ, чтобы избежать эффекта «черного ящика».
4. Внедрить VaR-моделирование для расчета страховых резервов и фондов покрытия рисков, связанных с закупками и крупными инвестиционными проектами в промышленном секторе.

Таким образом, высокая оценка и выбор вариантов управленческих решений сегодня требуют не просто анализа, а создания интеллектуальной, прозрачной и методологически обоснованной системы поддержки принятия решений, способной эффективно управлять неопределенностью цифровой эпохи.

Список использованной литературы

1. Абчук В. А. Менеджмент. СПб.: СОЮЗ, 2002. 464 с.
2. Алешина А. Ю., Джуссоева А. А. Управление рисками промышленных предприятий в условиях экономической и геополитической нестабильности // Скиф. 2023. № 5(81).
3. Балдин К. В., Воробьев С. Н., Уткин В. Б. Управленческие решения: Учебник. М.: Дашков и Ко, 2005. 190 с.
4. Баринов В. А. Корпоративная культура организации в России // Менеджмент в России и за рубежом. 2002. № 2.
5. Беляцкий Н. П. Интеллектуальная техника менеджмента: Учеб. Пособие. Мн.: Новое знание, 2001. 320 с.
6. Верещака А. А. Теоретические и практические аспекты принятия управленческих решений в цифровой экономике // Научный вестник Южного института менеджмента. 2024. № 1.
7. Вертакова Ю. В., Козьева И. А., Кузьбожев Э. Н. Управленческие решения: разработка и выбор. М.: КНОРУС, 2005. 352 с.
8. Виханский О. С., Наумов А. И. Менеджмент: Учебник. 3-е изд. М.: Гардарика, 2005. 387 с.
9. Герчикова И. Н. Менеджмент: Учебник для ВУЗов. М.: ЮНИТИ-ДАНА, 2005.
10. Глущенко В. В., Глущенко И. И. Разработка управленческого решения. Прогнозирование – планирование – оценка. Теория проектирования экспертов: Учебник для ВУЗов. М.: ЮНИТИ-ДАНА, 2000. 436 с.
11. Жданов С. А. Теория организации: учебник для ВУЗов. Саратов: Издательство СГСЭУ, 2002. 136 с.
12. Зюськин А. А. Оценка эффективности управленческих решений. [Монография]. 2020.
13. Как искусственный интеллект помогает в принятии решений. Билайн Big Data & AI, 2025.
14. Ковалев В. В. Методы оценки инвестиционных проектов. М.: Финансы и статистика, 2000. 317 с.
15. Колпаков В. М. Теория и практика принятия управленческих решений. Киев: МАУП, 2000.
16. Коротков Э. М. Менеджмент: Учебное пособие. М.: ИНФРА-М, 2005.
17. Критерии и методики оценки качества управленческих решений на предприятиях сферы услуг / Салихов Ф. Н. 2019.
18. Кузьмин Е. А., Регир Н. Е., Денисевич Е. И. Применение искусственного интеллекта и больших данных для повышения эффективности управленческих решений // Вопросы науки и образования. 2024. № 1.
19. Литвак Б. Г. Разработка управленческого решения. М.: Дело, 2000.
20. Мескон М. Х., Альберт М., Хедоури Ф. Основы менеджмента: пер. с англ. / под ред. И. Н. Васенчука. М.: ДЕЛО, 2000. 573 с.
21. Мильнер Б. З. Теория организации: Учебник. М.: ИНФРА-М, 2002.
22. ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ BIG DATA В ДЕЯТЕЛЬНОСТИ СОВРЕМЕННЫХ ПРЕДПРИЯТИЙ / Федорова Л. А., Ху Гуйюй, Хуан Сяоянь, Землякова С. А. 2020.
23. Процесс принятия управленческих решений в организации в условиях развития цифровой экономики / Юсупова С. М. 2020.
24. Ременников В. Б. Разработка управленческого решения: Учеб. пособие для вузов. М.: ЮНИТИ-ДАНА, 2000.
25. Роль инструментов ИИ в принятии управленческих решений / Харсанов Е. Д. 2025.
26. Русинов Ф. М., Петросян Д. С. Основы теории менеджмента: Учебное пособие / Под ред. В. А. Шуль. М., 2003.
27. Сиднев С. Принятие решений в условиях неопределенности // Бизнес-информ. М., 2002. № 15.
28. Скрипник К. Д., Кутасова Т. Л. Еще раз о качествах руководителя // Управление персоналом. М., 2004. № 8.
29. Тронин Ю. Н., Масленченков Ю. С. Управленческие решения: Учебное пособие для вузов. М.: ЮНИТИ-ДАНА, 2004. 310 с.
30. Управление персоналом организации: Учебник / Под ред. А. Я. Кибанова. М.: ИНФРА-М, 2000.
31. Фатхутдинов Р. А. Управленческие решения: Учебник. 6-е изд., перераб. и доп. М.: ИНФРА-М, 2005.
32. Цифровая трансформация принятия управленческих решений на базе искусственного интеллекта / Шепелёв П. Ю., Зинчук А. В. 2020.
33. Шинкевич В. В., Андриянова А. В. Модели управления в условиях цифровой трансформации экономики. 2023.
34. Эддоус М., Стенсфилд Р. Методы принятия решений / пер. с англ.; под ред. И. И. Елисеевой. М.: Банки и биржи, 2004.
35. Янкер К., Армельст Б. Европейская экономика / пер. на рус. яз. под ред. Я. П. Меланского. М.: Вильямс, 2003. 512 с.