Управленческие информационные системы в эпоху цифровой трансформации: всесторонний план курсовой работы

В мире, где данные признаны ключевым фактором производства, а цифровые платформы выступают определяющей технологией развития экономики, роль управленческих информационных систем (УИС) приобретает беспрецедентное значение. Российские компании, с 2020 года инвестировавшие 4 триллиона рублей в цифровизацию, активно внедряют УИС для повышения конкурентоспособности и эффективности бизнеса. От беспилотного транспорта и телемедицины до банковского сектора и государственного управления – повсеместное проникновение цифровых решений требует от будущих специалистов глубокого понимания принципов их построения, эксплуатации и стратегического влияния.

Настоящая курсовая работа призвана дать студенту, изучающему информационные технологии, менеджмент или бизнес-информатику, исчерпывающий и актуальный план для всестороннего исследования управленческих информационных систем в условиях непрерывной цифровой трансформации. Цель работы – не просто описать существующие подходы, но и проанализировать их эволюцию, рассмотреть передовые методологии и инструменты, оценить экономическую эффективность, а также погрузиться в сложный мир этических и правовых аспектов. Структура работы направлена на создание глубокого, научно-аналитического текста с элементами практической применимости, опирающегося на авторитетные источники и новейшие исследования.

Теоретические основы управленческих информационных систем и цифровая трансформация

Сущность и виды управленческих информационных систем

В современном мире, пронизанном информационными потоками, невозможно представить эффективное управление без опоры на точные и своевременные данные. Здесь на передний план выходят информационные системы (ИС) — сложнейшие архитектуры, представляющие собой взаимосвязанную совокупность аппаратных, программных средств, методов и человеческих ресурсов, предназначенных для сбора, хранения, обработки и выдачи информации с целью достижения конкретных задач. Среди них особое место занимают управленческие информационные системы (УИС), чья миссия состоит в предоставлении руководителям всех уровней необходимой аналитики и инструментов для принятия стратегических, тактических и оперативных решений, причём от качества функционирования УИС напрямую зависит оптимизация управленческих процессов, улучшение производительности и, в конечном итоге, повышение конкурентоспособности всей организации.

Классификация УИС может быть многогранной, отражая разнообразие их функций и масштабов. По характеру обработки информации на различных уровнях управления традиционно выделяют:

• Системы обработки данных (СОД): Ориентированы на рутинные операции, сбор и хранение первичных данных.
• Информационные системы управления (ИСУ): Предназначены для поддержки оперативного и тактического управления, автоматизируя учет и отчетность, обеспечивая контроль над бизнес-процессами.
• Системы поддержки принятия решений (СППР): Занимают верхний эшелон управления, предоставляя инструментарий для формирования стратегических целей, планирования, привлечения ресурсов, а также для решения сложных, часто неструктурированных бизнес-задач, требующих глубокой аналитической обработки информации. Именно СППР позволяют превратить сырые данные в ценные инсайты, формирующие будущее компании.

По масштабу и степени интеграции компонентов УИС могут варьироваться от локальных автоматизированных рабочих мест (АРМ), предназначенных для выполнения узкого круга задач одним специалистом, до грандиозных корпоративных информационных систем (КИС). КИС объединяют множество функционально и информационно связанных АРМ в рамках единой информационной базы, охватывая все аспекты деятельности предприятия и обеспечивая централизованное управление ресурсами.

Разнообразие данных, с которыми работают УИС, также обуславливает их классификацию. По характеру представления и логической организации хранимой информации выделяют:

• Фактографические системы: Оперируют структурированными фактами и цифровыми данными.
• Документальные системы: Управляют неструктурированной информацией, такой как тексты, изображения, видео.
• Геоинформационные системы (ГИС): Специализируются на обработке пространственных данных, позволяя анализировать географические объекты и явления.

Наконец, по функциональному признаку ИС делятся на специализированные системы, поддерживающие конкретные области деятельности: производственные системы, системы маркетинга, финансовые и учетные системы, системы управления персоналом (кадров), а также системы управления вспомогательным производством. Каждая из этих категорий нацелена на оптимизацию специфических бизнес-процессов, но в рамках современной цифровой трансформации они всё чаще интегрируются в единые, комплексные УИС.

Цифровая трансформация и ее влияние на УИС

В современном бизнес-ландшафте концепция цифровой трансформации перестала быть просто модным термином, превратившись в императив выживания и развития для большинства организаций. Это не просто внедрение отдельных цифровых инструментов, а глубинный процесс активного интегрирования цифровых технологий во все аспекты деятельности, приводящий к фундаментальным изменениям в бизнес-моделях, операционных процессах и корпоративной культуре. В сердце этой трансформации лежит цифровая экономика — сложная экосистема, где партнерство организаций, их технологических платформ, прикладных интернет-сервисов, аналитических систем и государственных информационных систем обеспечивает постоянное взаимодействие и обмен данными.

Ключевым фактором производства в цифровой экономике становятся данные, представленные в цифровом виде. Это топливо, питающее инновации и рост. Однако данные сами по себе не имеют ценности без инструментов для их обработки, анализа и использования. Здесь на сцену выходят цифровые платформы — наиболее важная и определяющая технология для развития цифровой экономики. Они служат основой, на которой строятся новые рынки, ускоряется взаимодействие между участниками и снижаются транзакционные издержки. В результате повышается доступность товаров и услуг, стимулируется конкуренция и создаются беспрецедентные возможности для бизнеса.

С 2020 года российские компании осознали эту необходимость, инвестировав в цифровизацию колоссальные 4 триллиона рублей. Наиболее открытыми для цифровых решений оказались высококонкурентные отрасли, такие как финансовый сектор, логистика, ритейл и образование. Однако современные технологии активно проникают и в более консервативные сферы: искусственный интеллект для диагностики в здравоохранении, высокоточное земледелие в сельском хозяйстве, умные сети в энергетике, компьютерное зрение на транспорте и геоаналитика в городском благоустройстве и HoReCa.

Среди лидеров цифровизации по итогам 2024 года названы Москва, Санкт-Петербург, Татарстан, Якутия, Новосибирская область, ЯНАО, ХМАО и Башкирия, демонстрирующие региональный фокус на инновациях. К ведущим российским цифровым платформам и экосистемам относятся такие гиганты, как «Сбер», «Тинькофф», ВТБ, «Яндекс», VK, МТС, «МегаФон», X5 Retail Group, Ozon, Wildberries, «Авито», AliExpress Россия, СберМаркет, Лаборатория Касперского, 1С, ЦФТ, HeadHunter. Эти платформы уже сегодня формируют значительную часть торгового оборота: в 2021 году 14,7% российских предприятий использовали цифровые платформы, а суммарный торговый оборот крупнейших маркетплейсов и агрегаторов достиг 2,5 трлн рублей.

В ближайшей перспективе, к 2030 году, в рамках нацпроекта «Экономика данных» планируется создание двух десятков базовых системообразующих платформ. Среди них не только коммерческие, но и отраслевые решения, ориентированные на государственные нужды и социальную сферу, такие как «Моя школа», «Университеты», «Наука», «Безопасная среда» и «Умный город». Это свидетельствует о комплексном подходе к цифровизации, охватывающем не только бизнес, но и все сферы жизни общества.

Концепция цифровой экономики тесно переплетается с идеями четвертой промышленной революции, или Индустрии 4.0, которая предполагает повсеместное внедрение киберфизических систем, интернета вещей, искусственного интеллекта и больших данных в производственные и управленческие процессы. Управленческие информационные системы, таким образом, становятся не просто инструментом автоматизации, а стратегическим активом, обеспечивающим адаптивность, инновационность и устойчивость организаций в условиях постоянно меняющегося цифрового ландшафта.

Методологии и инструментарий проектирования, разработки и внедрения УИС в современных условиях

Гибкие методологии разработки (Agile и DevOps)

В мире, где скорость изменений превышает возможности традиционных подходов, гибкие методологии разработки, объединенные под общим названием Agile, стали настоящей панацеей для создания и внедрения сложных информационных систем. Agile — это не просто набор техник, это философия, основанная на ценностях Манифеста гибкой разработки программного обеспечения и его двенадцати принципах. В центре этой философии стоят:

• Люди и взаимодействие важнее процессов и инструментов: Признание ключевой роли человеческого фактора и эффективной коммуникации внутри команды и с заказчиком.
• Работающий продукт важнее исчерпывающей документации: Приоритет отдается функциональному решению, которое приносит ценность, а не бюрократическим отчетам.
• Сотрудничество с заказчиком важнее согласования условий контракта: Постоянное вовлечение заказчика в процесс разработки обеспечивает соответствие продукта его реальным потребностям.
• Готовность к изменениям важнее следования первоначальному плану: Признание неизбежности изменений в процессе проекта и способность быстро адаптироваться к ним.

Agile минимизирует риски, разбивая процесс разработки на короткие, управляемые итерации, называемые спринтами, продолжительностью обычно две-три недели. Каждый спринт представляет собой мини-проект, включающий все этапы: планирование, анализ требований, проектирование, программирование, тестирование и документирование. Такая цикличность позволяет командам оперативно реагировать на изменения рынка, внедрять инновационные функции и улучшать продукт в кратчайшие сроки, что в конечном итоге повышает его конкурентоспособность.

Среди наиболее популярных методов Agile выделяются Scrum и Kanban. Scrum предполагает работу в небольших самоорганизующихся командах (до 10 человек), ежедневное отслеживание прогресса на коротких встречах (daily scrum) и регулярный пересмотр выполненных задач на демо-днях и ретроспективах. Эта методология способствует повышению производительности, ускорению процессов реализации, снижению затрат и улучшению качества конечного продукта, успешно применяясь как в стартапах, так и в крупных корпорациях. Ожидается, что к 2025 году Scrum 3.0 будет интегрировать искусственный интеллект для прогнозирования сроков спринтов и динамической корректировки бэклогов, выводя управление проектами на новый уровень эффективности. Kanban, в свою очередь, использует визуальную доску задач с колонками (например, «сделать», «в работе», «сделано») и часто ограничивает количество задач, находящихся в работе (WIP — Work In Progress), что позволяет оптимизировать потоки и выявлять «узкие места».

Неотъемлемой частью современной гибкой разработки стала концепция DevOps — набор практик, направленных на активное взаимодействие специалистов по разработке (Dev) и ИТ-обслуживанию (Ops), а также взаимную интеграцию их рабочих процессов. Цель DevOps — ускорение создания, тестирования и обновления программных продуктов, а также обеспечение их стабильной и надежной эксплуатации.

Преимущества DevOps включают:

• Повышение эффективности разработчиков: Автоматизация рутинных задач позволяет сосредоточиться на создании ценности.
• Раннее выявление проблем: Тестирование внедряется на самых ранних этапах разработки и продолжается на протяжении всего процесса.
• Снижение затрат на устранение проблем: Чем раньше найдена ошибка, тем дешевле ее исправить.
• Ускорение циклов разработки и развертывания: Непрерывная интеграция и непрерывная доставка (CI/CD) сокращают время вывода продукта на рынок.
• Повышение удовлетворенности заказчиков: Быстрое получение обновлений и улучшений.

DevOps позволяет сократить время вывода на рынок новых продуктов и услуг, повысить скорость и точность выполнения рутинных операций, а также снизить риск человеческих ошибок. Например, один из кейсов показал сокращение сроков по отдельным направлениям вдвое, достижение доступности сервисов 99,99% и улучшение SLA (Service Level Agreement) по критическим системам в 3 раза при переходе на новую ИТ-платформу. Для оценки эффективности в DevOps используются метрики потока, такие как Lead Time (общее время от начала разработки до сдачи продукта), Cycle Time (время на отдельные этапы), Throughput (количество завершенных задач), WIP (количество задач в работе) и Defect Rate (процент ошибок). Эти метрики помогают командам непрерывно совершенствовать свои процессы и обеспечивать максимальную ценность для бизнеса.

Облачные технологии и системы управления бизнес-процессами

В условиях стремительной цифровой трансформации облачные технологии стали краеугольным камнем для построения гибких, масштабируемых и экономически эффективных управленческих информационных систем. Они предоставляют пользователям доступ к удаленным вычислительным ресурсам — оборудованию, сервисам и программному обеспечению, которые можно арендовать у провайдера, минуя необходимость в покупке, обслуживании и обновлении собственной дорогостоящей инфраструктуры.

Преимущества облачных решений многообразны:

• Гибкость и масштабируемость: Возможность быстро наращивать или сокращать вычислительные мощности в зависимости от текущих потребностей бизнеса.
• Экономия затрат: Отсутствие капитальных вложений в оборудование, снижение операционных расходов на электроэнергию, охлаждение и обслуживание.
• Надежность и доступность: Высокий уровень отказоустойчивости и доступности сервисов, обеспечиваемый провайдерами.
• Глобальный доступ: Работа над кодом и данными из любой точки мира, что особенно актуально для распределенных команд.

Облачные интегрированные среды разработки (IDE), например, позволяют разработчикам работать над проектами удаленно, стандартизировать среду разработки и значительно сократить время на настройку рабочего окружения. А инструменты «инфраструктура как код» (IaC), такие как Cloudify и Ansible, автоматизируют оркестрацию ресурсов в мультиоблачных средах и упрощают управление конфигурациями серверов. Это критически важно для эффективной реализации практик DevOps, обеспечивая воспроизводимость и надежность развертывания инфраструктуры.

Россия активно развивает собственную облачную экосистему, предлагая широкий спектр решений, отвечающих современным требованиям и законодательству. Среди ведущих российских облачных провайдеров выделяются Serverspace, Selectel, Cloud.ru, Timeweb Cloud, VK Cloud, Yandex.Cloud, Ростелеком и SberCloud Advanced, CloudMTS. Эти компании не только предлагают услуги виртуализации, S3-хранилища (совместимые с Amazon S3) и поддержку Terraform для автоматизации инфраструктуры, но и уделяют особое внимание соблюдению требований российского законодательства, в частности Федерального закона № 152-ФЗ о хранении персональных данных. Многие из них также проходят сертификацию по международным стандартам безопасности, таким как PCI DSS и ISO 27001, гарантируя высокий уровень защиты данных.

Наряду с облачными технологиями, важную роль в оптимизации УИС играют системы управления бизнес-процессами (BPM-системы). Их основная задача — автоматизация и оптимизация бизнес-процессов с целью минимизации временных и ресурсных затрат, повышения прозрачности операций и выявления «узких мест». Для описания бизнес-процессов в BPM-системах широко используется нотация BPMN (Business Process Model and Notation), предоставляющая стандартизированный графический язык для моделирования процессов.

Современные BPM-платформы, такие как BPMSoft, значительно расширяют свои возможности, предлагая:

• Low-code конструкторы: Позволяют создавать и модифицировать бизнес-процессы даже пользователям без глубоких навыков программирования, ускоряя разработку и адаптацию систем.
• Интеграция ИИ/ML инструментов: Использование искусственного интеллекта и машинного обучения для автоматизации ИТ-услуг, управления ИТ-активами, прогнозирования и оптимизации процессов.
• Комплексное управление: От автоматизации рутинных задач до поддержки сложных аналитических функций, BPM-системы становятся центральным звеном в цифровой трансформации организаций.

Таким образом, синергия гибких методологий разработки, облачных технологий и BPM-систем формирует мощный инструментарий для создания и развития УИС, способных эффективно реагировать на вызовы цифровой эпохи и обеспечивать устойчивое конкурентное преимущество.

УИС, аналитика больших данных и искусственный интеллект для стратегических решений и операционной эффективности

Роль аналитики данных и Business Intelligence в УИС

В современном, стремительно меняющемся бизнес-ландшафте, где динамичность и неопределенность стали нормой, способность к принятию эффективных управленческих решений на основе всесторонней и достоверной аналитики данных является критически важной для конкурентоспособности и устойчивого развития любой компании. Руководители, вооруженные глубоким пониманием текущего состояния бизнеса, получают возможность выявлять скрытые закономерности, прогнозировать будущие сценарии, принимать обоснованные решения и оптимизировать использование ресурсов.

Интеграция аналитики данных в процесс принятия решений представляет собой многоэтапный, но непрерывный цикл:

1. Определение информационных потребностей: Четкое понимание того, какие вопросы бизнеса требуют ответов и какие данные необходимы для их получения.
2. Сбор и консолидация данных: Объединение информации из различных источников — от внутренних транзакционных систем до внешних рыночных данных, социальных сетей и IoT-устройств.
3. Углубленный анализ: Применение статистических методов, финансового моделирования, предиктивного анализа и других продвинутых техник для извлечения ценных инсайтов.
4. Визуализация результатов: Представление сложных данных в понятном и наглядном формате (дашборды, отчеты, графики), что облегчает восприятие и принятие решений.

Аналитика данных способствует оптимизации бизнес-процессов за счет выявления неэффективных мест в цепочках поставок или маркетинге, что приводит к повышению производительности. Она также позволяет персонализировать предложения и коммуникации с клиентами, улучшая их опыт. В HR-сфере аналитика данных помогает более точно оценивать эффективность сотрудников, выявлять потребности в обучении и прогнозировать текучесть кадров.

Для систематизации и повышения качества информации, необходимой для принятия управленческих решений, активно используются системы Business Intelligence (BI). BI объединяет различные средства и технологии анализа и обработки данных, представляя их в удобном для руководителя виде. BI-системы не просто собирают данные, но и трансформируют их в полезные знания.

Существует четыре основных типа аналитики данных, каждый из которых играет свою роль в УИС:

1. Описательный (Descriptive Analytics): Отвечает на вопрос «Что произошло?». Используется для суммирования исторических данных, создания отчетов и дашбордов.
2. Диагностический (Diagnostic Analytics): Отвечает на вопрос «Почему это произошло?». Помогает выявить причины событий, проводя глубокий анализ и поиск взаимосвязей.
3. Прогностический (Predictive Analytics): Отвечает на вопрос «Что произойдет?». Использует статистические модели и машинное обучение для прогнозирования будущих тенденций и событий.
4. Предписывающий (Prescriptive Analytics): Отвечает на вопрос «Что нужно сделать?». Предлагает конкретные рекомендации и оптимальные действия для достижения желаемых результатов.

Эти виды аналитики, интегрированные в УИС, формируют мощный инструмент, который позволяет организациям не только реагировать на события, но и предвидеть их, активно формируя свое будущее.

Big Data и искусственный интеллект в УИС

В условиях экспоненциального роста объемов информации традиционные методы обработки данных становятся неэффективными. Здесь на сцену выходит концепция Больших данных (Big Data) – масштабных массивов данных, которые невозможно обработать, управлять или анализировать с помощью обычных инструментов и систем. Big Data характеризуются тремя «V»: Volume (огромные объемы), Velocity (высокая скорость генерации и обработки) и Variety (разнообразие форматов и источников). К этим характеристикам часто добавляют Veracity (достоверность) и Value (ценность). Распределенная структура, где информация разбросана по множеству серверов и хранилищ, является одной из ключевых особенностей Big Data, требующей специальных технологий для объединения, параллельного анализа и выявления глобальных трендов.

Анализ больших данных открывает беспрецедентные возможности для бизнеса:

• Точные прогнозы спроса: Позволяет оптимизировать управление запасами и производственное планирование.
• Глубокое понимание клиентов: Выявление предпочтений, поведенческих паттернов и потребностей для персонализации предложений.
• Оптимизация процессов: Идентификация «узких мест» и неэффективностей в операционной деятельности.
• Конкурентное преимущество: Быстрое реагирование на изменения рынка, выявление новых трендов и разработка инновационных продуктов.

Примеры успешного применения Big Data впечатляют. Например, 35% продаж Amazon генерируются за счет персонализированных рекомендаций, основанных на анализе больших данных. Российский онлайн-кинотеатр ivi, используя собственную систему аналитики Big Data, значительно повысил качество управленческих решений и стал крупнейшим VOD-провайдером на российском рынке. В ритейле геоаналитика больших данных помогает определять оптимальные места для открытия магазинов, а в логистике анализ маршрутов и трафика может сократить время транспортировки на 15-20%. Для обработки и анализа Big Data активно применяются как традиционные SQL-базы данных, так и передовые нейросети и алгоритмы машинного обучения, способные выявлять сложные скрытые закономерности.

Искусственный интеллект (ИИ) является не просто инструментом, а ключевым драйвером стратегического управления в условиях цифровой трансформации. Он позволяет автоматизировать рутинные операции, обрабатывать колоссальные объемы данных, прогнозировать рыночные изменения и оптимизировать бизнес-процессы, значительно повышая эффективность и ускоряя принятие решений.

ИИ оптимизирует бизнес-процессы, ускоряет принятие решений и повышает эффективность, автоматизируя рутинные задачи, обрабатывая большие объемы данных и снижая ошибки в прогнозах. Например, в производстве предиктивное обслуживание с помощью машинного обучения прогнозирует поломки оборудования, снижая затраты на ремонт и время простоя, и повышая общую эффективность. В финансовой сфере ИИ-алгоритмы обрабатывают миллионы транзакций в секунду для выявления подозрительных операций и предотвращения мошенничества. В маркетинге и создании контента ИИ анализирует тренды, генерирует тексты и автоматизирует рутинные задачи, обеспечивая постоянный поток качественного и адаптированного контента.

Автоматизация принятия решений с помощью ИИ позволяет компаниям быстрее адаптироваться к новым условиям, минимизировать задержки и повышать качество решений за счет выявления труднозаметных тенденций и закономерностей. ИИ-ассистенты стали востребованными решениями, способными имитировать человеческое поведение, устранять ошибки и ускорять принятие решений. В российском бизнесе ИИ-ассистенты активно используются для автоматизации взаимодействия с клиентами. Голосовой помощник Сбербанка на номере 900 самостоятельно обрабатывает до 68% входящих звонков, существенно снижая нагрузку на контакт-центр. Голосовой помощник Олег от Тинькофф умеет синтезировать речь и отвечает на 80 типовых запросов клиентов. Функции ИИ-ассистентов включают первичную квалификацию лидов, назначение встреч/звонков и персонализированные рекомендации.

По данным на 2025 год, почти 90% российских компаний рассматривают возможность внедрения ИИ для анализа данных, при этом 40,4% уже запустили пилотные проекты. Дорожная карта ИИ-трансформации включает комплексные шаги: от принятия стратегии и выбора ИИ-продуктов до проектирования архитектуры, дообучения больших языковых моделей (LLM), промпт-инжиниринга, интеграции ИИ в ИТ-системы, создания «нейрощита», обучения и поддержки персонала, а также ИИ-мониторинга.

Предиктивная аналитика, использующая статистические алгоритмы и машинное обучение для прогнозирования будущих событий на основе прошлых данных, является мощным инструментом для предвидения и планирования. Ее применение охватывает розничную торговлю (прогнозирование спроса), промышленность (снижение простоев оборудования), логистику (расчет времени доставки) и финансовую сферу (расчет платежей по кредитам). Мировой рынок предиктивной аналитики, по прогнозам, вырастет до 44,3 млрд долларов к 2030 году, подтверждая ее возрастающую значимость в арсенале современных УИС.

Факторы успеха, вызовы и вопросы кибербезопасности при реализации и эксплуатации УИС

Вызовы внедрения и управление изменениями

Внедрение любой управленческой информационной системы, особенно крупномасштабной, такой как ERP, всегда сопряжено с рядом серьезных вызовов. Эти системы являются сложными, многокомпонентными и дорогостоящими, что само по себе уже создает препятствия. Зачастую компании сталкиваются с проблемой отсутствия должной подготовки к эксплуатации новой системы, что значительно снижает отдачу от инвестиций и может привести к фрустрации персонала.

Помимо технических сложностей, цифровые решения, интегрируемые в УИС, несут с собой проблемы безопасности данных, конфиденциальности, цифрового неравенства (когда часть сотрудников или отделов оказываются неготовыми к работе с новыми технологиями) и, конечно, вопросы регулирования. В условиях активной цифровизации эффективное управление данными становится все более актуальной и сложной проблемой, требующей системного подхода.

В этом контексте критически важную роль играет управление изменениями — структурный и методологический подход к планомерному переводу индивидов, команд и всей организации из текущего состояния в желаемое будущее. Главная цель управления изменениями — не просто внедрить новую систему, а обеспечить ее успешное функционирование, повысить доступность ИТ-услуг, критичных для стабильной работы и роста бизнеса, за счет минимизации проблем и сбоев, вызванных неудачными изменениями.

Методологии управления изменениями предусматривают комплексные стратегии:

• Постепенное внедрение: Вместо революционных переворотов – эволюционные шаги, позволяющие организации адаптироваться.
• Тестирование на небольшой части компании: Пилотные проекты помогают выявить потенциальные проблемы и скорректировать подходы до полномасштабного развертывания.
• Заручение поддержкой заинтересованных сторон: Вовлечение ключевых стейкхолдеров, от высшего руководства до конечных пользователей, обеспечивает принятие и поддержку изменений.

Одной из наиболее известных и эффективных моделей для управления индивидуальными изменениями является модель ADKAR:

• Awareness (Осознание): Понимание необходимости изменений.
• Desire (Желание): Личная мотивация к участию в изменениях.
• Knowledge (Знание): Наличие информации о том, как осуществлять изменения.
• Ability (Способность): Практические навыки для реализации изменений.
• Reinforcement (Закрепление): Механизмы поддержания изменений в долгосрочной перспективе.

Однако, несмотря на все преимущества, процесс управления изменениями не лишен рисков:

• Риск содержательного эффекта: Неправильный выбор конечного состояния или целевых показателей может привести к тому, что изменения окажутся неэффективными или даже вредными.
• Риск процесса перехода: Сбои в ходе внедрения, сопротивление персонала, недостаток ресурсов или неэффективная коммуникация могут замедлить или сорвать проект.
• Риск отката к прошлому состоянию: Без должного закрепления и поддержки, организация может вернуться к старым привычкам и методам работы, нивелируя все усилия по трансформации.

Комплексное управление изменениями, основанное на прозрачности, коммуникации и вовлечении, является залогом успешной реализации и эффективной эксплуатации УИС, позволяя организациям не просто внедрять технологии, но и адаптироваться к ним на всех уровнях.

Информационная безопасность и киберугрозы

В условиях тотальной цифровизации и возрастающей зависимости бизнеса от информационных систем, информационная безопасность перестала быть второстепенным вопросом и вышла на первый план. Информационная безопасность определяется как вероятность возникновения инцидентов, которые могут нанести ущерб информационным активам организации. К таким активам относятся не только сами информационные системы и данные, но и программное обеспечение, а также критически важный человеческий фактор. Ущерб может проявляться в утечке конфиденциальных данных, несанкционированном доступе, уничтожении информации или масштабных кибератаках, способных парализовать деятельность предприятия.

Современный ландшафт киберугроз чрезвычайно разнообразен и постоянно эволюционирует. К основным видам киберугроз относятся:

• Фишинг: Массовая рассылка электронных писем или сообщений, маскирующихся под легитимные источники, с целью выманить конфиденциальные данные (логины, пароли, данные банковских карт).
• DDoS-атаки (Distributed Denial of Service): Распределенные атаки типа «отказ в обслуживании», целью которых является перегрузка серверов или сетевых каналов, что приводит к недоступности сервисов для легитимных пользователей.
• Атаки вредоносного программного обеспечения (ВПО): Включают вирусы, трояны, программы-вымогатели (шифровальщики), шпионское ПО, которые проникают в системы для кражи данных, нарушения работы или полного вывода из строя.

Киберугрозы могут быть как целенаправленными (злонамеренные атаки, спланированные хакерами или конкурентами), так и стихийными (например, заражение из-за небрежности сотрудника, открывшего вредоносное вложение). Последствия нарушения кибербезопасности могут быть катастрофическими: от утечки ценных или конфиденциальных данных и финансовых потерь до перебоев в работе, нарушения бизнес-процессов, заражения устройств и подрыва репутации компании.

Угрозы информационной безопасности классифицируются по аспекту, на который они направлены, в соответствии с триадой CIA (Confidentiality, Integrity, Availability):

• Угрозы конфиденциальности: Направлены на несанкционированный доступ к информации.
• Угрозы целостности: Направлены на несанкционированное изменение или уничтожение данных.
• Угрозы доступности: Направлены на блокирование доступа к информационным системам или данным.

Особую опасность представляют внутренние угрозы (инсайдеры), когда нарушения совершаются сотрудниками или подрядчиками, имеющими легитимный доступ к системам. Это может быть как умышленный саботаж, так и неосторожность, например, открытие фишинговых писем.

Для эффективного обеспечения информационной безопасности в современных условиях требуется не только постоянное обновление стратегий защиты данных, но и эффективное взаимодействие между службами ИБ и другими подразделениями. В этом активно развиваются методы автоматизации процессов ИБ, включая:

• Мониторинг и контроль конфигурации: Системы SIEM (Security Information and Event Management) и CMDB (Configuration Management Database) позволяют в реальном времени отслеживать события безопасности и соответствие конфигураций стандартам.
• DLP (Data Loss Prevention): Системы предотвращения утечек данных, контролирующие потоки информации и блокирующие передачу конфиденциальных сведений за пределы организации.
• SOAR (Security Orchestration, Automation and Response): Платформы для оркестрации, автоматизации и реагирования на инциденты безопасности, которые позволяют быстро обрабатывать оповещения, координировать действия и автоматизировать рутинные задачи ИБ-специалистов.

Эти подходы помогают эффективно противостоять растущим киберугрозам, включая те, что используют искусственный интеллект для своих атак.

В Российской Федерации предусмотрена серьезная административная и уголовная ответственность за нарушения в сфере информационной безопасности. Увеличены штрафы за нарушение требований по защите информации в государственных системах, включая использование несертифицированных ИС и средств защиты. Например, за нарушение требований Федерального закона № 152-ФЗ «О персональных данных» Кодекс РФ об административных правонарушениях (КоАП РФ) предусматривает штрафы для должностных лиц от 10 000 до 20 000 рублей, для юридических лиц — от 60 000 до 100 000 рублей. За повторные нарушения штрафы могут достигать до 500 000 рублей для юридических лиц. Уголовная ответственность предусмотрена статьей 272 УК РФ (Неправомерный доступ к компьютерной информации), статьей 273 УК РФ (Создание, использование и распространение вредоносных компьютерных программ), предусматривающими лишение свободы до семи лет, а также статьей 274 УК РФ (Нарушение правил эксплуатации средств хранения, обработки или передачи компьютерной информации и информационно-телекоммуникационных сетей), предусматривающей лишение свободы до пяти лет. Эти меры подчеркивают серьезность подхода государства к обеспечению кибербезопасности и защиты данных.

Перспективы развития УИС: блокчейн, интернет вещей и когнитивные системы

Интернет вещей (IoT) в УИС

Будущее управленческих информационных систем неразрывно связано с появлением и развитием новых технологий, которые меняют саму парадигму взаимодействия человека и машины. Одной из таких революционных концепций является Интернет вещей (IoT) — глобальная сеть физических объектов, оснащенных встроенными сенсорами, электрон��кой и коммуникационными модулями, позволяющими им взаимодействовать друг с другом и с интернетом без прямого участия человека. От домашних приборов до промышленных машин и городской инфраструктуры — IoT создает мир, где «вещи» могут собирать и обмениваться данными, повышая эффективность, производительность, сокращая отходы и стимулируя экономический рост.

Циклические элементы IoT-системы формируют непрерывный поток информации и действий:

1. Сбор данных: Сенсоры устройств IoT собирают информацию из физического мира (температура, влажность, местоположение, давление и т.д.).
2. Передача данных: Собранные данные передаются через различные коммуникационные сети (Wi-Fi, Bluetooth, 5G, LPWAN) в облачные платформы или на локальные серверы.
3. Обработка данных: Полученные данные агрегируются, фильтруются и анализируются с использованием алгоритмов ИИ и машинного обучения.
4. Интерпретация данных для действий: Результаты анализа используются для принятия решений и запуска автоматизированных действий (например, регулирование температуры, отправка уведомлений, оптимизация маршрутов).

Применение IoT в организациях охватывает широкий спектр отраслей:

• Управление городской инфраструктурой («умные» города): Мониторинг трафика, качества воздуха, уровня заполненности мусорных контейнеров, управление освещением.
• Здравоохранение: Мониторинг медицинских приборов, удаленное наблюдение за пациентами, отслеживание жизненно важных показателей.
• Розничная торговля: Контроль запасов (умные полки), персонализированный сервис для покупателей, оптимизация выкладки товаров.
• Логистика: Отслеживание грузов в реальном времени, оптимизация маршрутов доставки, мониторинг состояния транспорта и условий перевозки.
• Производство: Мониторинг параметров оборудования, предиктивное обслуживание, оптимизация производственных процессов, контроль качества.
• Сельское хозяйство: Мониторинг состояния почвы, управление ирригацией, отслеживание животноводства (умные фермы).

Российские кейсы подтверждают актуальность IoT. Например, на Северном морском пути реализуется проект по мониторингу навигационного оборудования на базе IoT-платформы SmartUnity 4.0, который повышает безопасность и эффективность судоходства. Это демонстрирует, как IoT способствует повышению эффективности бизнес-процессов, улучшению планирования производства и управления, совершенствованию обслуживания клиентов, а также обеспечивает конкурентное преимущество за счет внедрения новых технологий.

Несмотря на огромный потенциал, внедрение IoT сталкивается с рядом ключевых вызовов:

• Совместимость устройств: Разнообразие протоколов и стандартов от разных производителей затрудняет интеграцию.
• Риски безопасности и конфиденциальности: Увеличение количества подключенных устройств расширяет поверхность атаки для киберпреступников и поднимает вопросы защиты персональных данных.
• Масштабируемость: Управление огромным количеством устройств и генерируемых ими данных требует мощной и гибкой инфраструктуры.
• Управление данными: Эффективное хранение, обработка и анализ гигантских массивов информации.
• Соблюдение нормативов: Соответствие законодательным требованиям в области защиты данных и эксплуатации технологий.
• Управление энергопотреблением: Многие IoT-устройства работают на батареях, что требует оптимизации энергопотребления.

Блокчейн и когнитивные системы в УИС

Наряду с Интернетом вещей, блокчейн и когнитивные системы обещают фундаментально изменить архитектуру и функциональность управленческих информационных систем.

Блокчейн — это децентрализованная технология распределенного реестра, обеспечивающая децентрализованные транзакции, которые не требуют доверия к центральному посреднику. Архитектура блокчейна гарантирует децентрализацию, неизменяемость и криптографическую защиту данных, что значительно снижает риски единой точки отказа и повышает прозрачность. Каждая запись (блок) криптографически связана с предыдущей, образуя непрерывную цепочку, которую невозможно изменить без нарушения целостности всего реестра. Блокчейн использует криптографические методы и цифровые подписи для защиты данных от несанкционированного доступа и подтверждения подлинности всех операций.

Возможности блокчейна в УИС включают:

• Создание децентрализованных приложений (dApps): Позволяет строить системы, не зависящие от центрального сервера, с высоким уровнем отказоустойчивости и прозрачности.
• Управление цепочками поставок: Обеспечивает полную прослеживаемость товаров от производителя до конечного потребителя, повышая доверие и эффективность.
• Идентификация личности и регистрация прав собственности: Создание надежных и неизменяемых цифровых удостоверений и реестров.
• Прозрачные системы голосования: Гарантия честности и невозможности фальсификации результатов.

В государственном управлении блокчейн может повысить эффективность и безопасность верификации данных, оптимизировать управление медицинскими записями и городской инфраструктурой. Интеграция IoT с блокчейном позволяет создавать доверительные многосторонние процессы, объединяющие объекты физического мира с цифровыми бизнес-средами, обеспечивая безопасность и целостность данных, генерируемых IoT-устройствами. Мировой рынок блокчейн-IoT, по прогнозам, достигнет 74,77 млрд долларов к 2034 году. Расходы на блокчейн-технологии, как ожидается, достигнут 31,18 млрд долларов в 2025 году и 393,42 млрд долларов к 2032 году, что свидетельствует о взрывном росте и широком распространении технологии. Активно развивается концепция «блокчейн как услуга» (BaaS), предоставляющая облачные платформы для быстрой и простой разработки блокчейн-приложений, что демократизирует доступ к этой сложной технологии.

Когнитивные системы представляют собой системы познания на основе искусственного интеллекта, сформированные в результате обучения и накопленного опыта. Их уникальность заключается в способности моделировать процессы человеческого мышления, что позволяет им генерировать знания, экспертизу, обеспечивать эффективную коммуникацию и принимать решения в управленческой сфере. Когнитивные технологии рационализируют и формализуют интеллектуальные системы, используя такие типы абстракции, как абстракция отождествления (выделение общего свойства объектов) и аналитическая абстракция (изолирование отдельных свойств). Это позволяет им эффективно формализовывать и рационализировать интеллектуальные системы для более эффективной генерации знаний, экспертизы и принятия решений.

Когнитивные системы активно применяются как информационно-аналитические системы поддержки решений на всех уровнях управления — оперативном, тактическом и стратегическом. Они помогают в анализе данных, поиске закономерностей и аномалий, позволяя менеджерам видеть скрытые взаимосвязи и принимать более обоснованные решения.

Примеры когнитивных технологий в управлении включают:

• Нечеткая логика: Позволяет работать с неточными и неопределенными данными, моделируя человеческое рассуждение.
• Нейронные сети: Имитируют работу человеческого мозга, способны к самообучению и распознаванию сложных паттернов.
• Генетические алгоритмы: Используются для поиска оптимальных решений путем имитации процессов естественного отбора.
• Экспертные системы: Содержат базу знаний и правила вывода, позволяющие давать рекомендации по сложным вопросам.

Интеграция этих передовых технологий в УИС обещает создать системы нового поколения, которые будут не просто обрабатывать информацию, но и «понимать» ее, предвидеть события и активно содействовать принятию решений, открывая горизонты для беспрецедентной эффективности и инноваций.

Оценка экономической эффективности и возврат инвестиций (ROI) при внедрении УИС

Концепции эффективности и методы расчета

Внедрение управленческих информационных систем — это всегда значительные инвестиции, и любая организация стремится понять, насколько эти вложения оправданы. Поэтому оценка эффективности является краеугольным камнем любого ИТ-проекта. Эффективность по своей сути — это мера соотношения затрат и результатов функционирования системы. Она отражает, насколько рационально используются ресурсы для достижения поставленных целей.

В контексте УИС особую важность приобретает экономическая эффективность, которая представляет собой результат внедрения мероприятия, выраженный в стоимостной форме, в виде экономии от его осуществления. Эта экономия может быть как прямой, так и косвенной. Прямая экономическая эффективность проявляется в таких ощутимых показателях, как:

• Экономия материально-трудовых ресурсов: Сокращение затрат на бумагу, расходные материалы, электроэнергию благодаря автоматизации.
• Сокращение численности управленческого персонала: Автоматизация рутинных операций позволяет перераспределить трудовые ресурсы или сократить штат.
• Экономия фонда заработной платы: Прямой результат сокращения персонала или оптимизации рабочих часов.

Для комплексной оценки УИС используются различные ключевые показатели эффективности (KPI) и метрики:

• Экономический эффект: Общая стоимостная оценка выгод от внедрения системы.
• Коэффициент экономической эффективности капитальных вложений: Отношение экономического эффекта к объему инвестиций.
• Срок окупаемости капитальных вложений (Payback Period, PP): Период времени, за который первоначальные инвестиции полностью окупаются за счет полученных выгод.

Эти показатели позволяют не только измерить прямую выгоду, но и спрогнозировать долгосрочное влияние УИС на финансовое состояние компании.

Финансовые и качественные подходы к оценке ROI

Для более глубокой и всесторонней оценки экономической эффективности ИТ-проектов, включая внедрение УИС, применяются как финансовые, так и качественные методы.

Финансовые методы оценки ИТ-проектов основаны на принципах дисконтирования и учитывают временную стоимость денег, что особенно важно для долгосрочных инвестиций. К ним относятся:

• Коэффициент рентабельности инвестиций (ROI – Return on Investment): Наиболее распространенный и понятный показатель, демонстрирующий уровень доходности или убыточности бизнеса относительно суммы сделанных инвестиций. Обычно выражается в процентах.

  Формула расчета ROI:

  ROI = ((Чистая прибыль - Инвестиции) / Инвестиции) × 100%

  Или, если рассматривать прибыль как выгоды от внедрения:

  ROI = ((Выгоды - Затраты) / Затраты) × 100%

  Интерпретация ROI:

  • ROI > 0% означает прибыльность инвестиций.
  • ROI = 0% означает окупаемость без прибыли.
  • ROI < 0% означает убыточность инвестиций.
• Чистая приведенная стоимость (NPV – Net Present Value): Показывает разницу между приведенной стоимостью будущих денежных потоков и первоначальными инвестициями. Положительный NPV указывает на выгодность проекта.
• Внутренняя норма рентабельности (IRR – Internal Rate of Return): Процентная ставка, при которой NPV проекта равен нулю. Проект считается выгодным, если IRR выше стоимости капитала.
• Период окупаемости инвестиций (PP – Payback Period): Срок, в течение которого проект окупит свои первоначальные инвестиции.

При расчете ROI для ИТ-решений важно учитывать как выгоды, так и затраты:

Выгоды от ИТ-решений:

• Повышение производительности и эффективности.
• Снижение операционных и административных затрат.
• Уменьшение простоев оборудования и сокращение брака.
• Оптимизация логистики и цепочек поставок.
• Повышение управляемости и прозрачности бизнес-процессов.
• Улучшение качества обслуживания клиентов и рост лояльности.
• Увеличение скорости вывода новых продуктов на рынок.

Затраты на ИТ-решения:

• Стоимость оборудования и программного обеспечения.
• Лицензионные сборы и абонентская плата.
• Расходы на внедрение, настройку и интеграцию.
• Обучение персонала.
• Техническая поддержка и обслуживание.
• Расходы на обновление и модернизацию.

Для проектов кибербезопасности расчет ROI имеет свою специфику. Здесь ROI может рассчитываться не как новые доходы, а как предотвращенный убыток от потенциальных киберинцидентов, умноженный на вероятность их возникновения, деленный на затраты на кибербезопасность.

Качественные методы оценки эффективности строятся на приоритетах развития бизнеса и учитывают критерии, установленные руководством, которые сложно выразить в денежном эквиваленте. Одним из таких методов является метод сбалансированных показателей (Balanced Scorecard, BSC). BSC предлагает оценивать эффективность не только по финансовым показателям, но и по другим ключевым аспектам: клиенты, внутренние бизнес-процессы, обучение и развитие персонала. Это позволяет получить более полное представление о влиянии УИС на все сферы деятельности компании.

Практика показывает, что внедрение систем автоматизации приводит к значительному повышению эффективности. Например, на промышленных предприятиях России наблюдалось увеличение производительности в среднем на 24%, снижение производственных затрат на 18% и повышение качества продукции на 15%. Автоматизация закупок в ERP-системе привела к сокращению трудозатрат на 30% и экономическому эффекту в 3,2 млн рублей за полгода за счет снижения складских расходов и улучшения оборачиваемости. В ГК «Россети» трудозатраты на подготовку управленческой отчетности сократились на 80%. Внедрение IoT-системы для мониторинга навигационного оборудования сократило время обходов сотрудниками почти в 20 раз, с экономическим эффектом от снижения трудозатрат около 45 млн рублей в год и окупаемостью в 2,5 года. Автоматизация также может привести к экономии на электроэнергии, сокращению обслуживающего персонала и уменьшению бюджета на ремонт оборудования.

Предварительная оценка эффективности ИС может быть определена как разница между совокупным доходом от использования ИС и затратами на нее в течение жизненного цикла. Методика прогнозной оценки эффективности информационных систем основана на разработке системы показателей отдельных бизнес-процессов и оценке влияния ИС на них, что позволяет принимать более обоснованные инвестиционные решения.

Этические и правовые аспекты проектирования и использования современных УИС

Правовое регулирование информационных систем в РФ

Развитие управленческих информационных систем и их глубокая интеграция в повседневную жизнь и бизнес-процессы ставят перед обществом и государством острейшие вопросы правового и этического регулирования. В Российской Федерации эта сфера регулируется на основе принципов свободы информации, установления ограничений в соответствии с законом и обеспечения информационной безопасности.

Ключевыми федеральными законами, формирующими основу правового поля в данной области, являются:

• Федеральный закон № 149-ФЗ «Об информации, информационных технологиях и о защите информации»: Этот закон определяет правовые основы регулирования отношений в сфере информации, информационных технологий и защиты информации, устанавливая принципы, права и обязанности участников информационного обмена.
• Федеральный закон № 152-ФЗ «О персональных данных»: Регулирует отношения, связанные с обработкой персональных данных, устанавливая требования к их сбору, хранению, использованию и защите, а также права субъектов персональных данных.

Операторы информационных систем, особенно те, кто обрабатывает персональные данные, несут особую ответственность. Они обязаны обеспечивать безопасность этих данных посредством внедрения комплексной системы защиты персональных данных, способной нейтрализовать актуальные угрозы. Выбор конкретных средств защиты информации для таких систем осуществляется оператором в строгом соответствии с нормативными актами Федеральной службы безопасности (ФСБ) и Федеральной службы по техническому и экспортному контролю (ФСТЭК) России, которые устанавливают требования к криптографическим средствам защиты и сертификации ИС.

Нарушение требований законодательства в сфере информации, информационных технологий и защиты информации влечет за собой серьезные последствия, включая дисциплинарную, гражданско-правовую, административную или уголовную ответственность. В России были увеличены штрафы за нарушение требований по защите информации, особенно в государственных системах, а также за использование несертифицированных информационных систем и средств защиты.

Детализация ответственности:

• Административная ответственность (КоАП РФ): За нарушение требований Федерального закона № 152-ФЗ «О персональных данных» предусмотрены штрафы:
  • для должностных лиц: от 10 000 до 20 000 рублей.
  • для юридических лиц: от 60 000 до 100 000 рублей.
  • За повторные нарушения штрафы значительно выше, достигая для юридических лиц до 500 000 рублей.
• Уголовная ответственность (УК РФ): Предусмотрена за более серьезные преступления в сфере компьютерной информации:
  • Статья 272 УК РФ «Неправомерный доступ к компьютерной информации»: Наказывается лишением свободы до семи лет.
  • Статья 273 УК РФ «Создание, использование и распространение вредоносных компьютерных программ»: Предус��атривает лишение свободы до семи лет.
  • Статья 274 УК РФ «Нарушение правил эксплуатации средств хранения, обработки или передачи компьютерной информации и информационно-телекоммуникационных сетей»: Наказывается лишением свободы до пяти лет.

Важно отметить, что российское законодательство пока не дает четкого определения «больших данных». Однако их правовой режим регулируется, в частности, Федеральным законом № 152-ФЗ «О персональных данных», если в их состав входят персональные данные. Это означает, что компании, работающие с Big Data, должны тщательно анализировать состав своих массивов данных и обеспечивать соответствующий уровень защиты.

Этические проблемы ИИ и их регулирование

Внедрение искусственного интеллекта (ИИ) в управленческие информационные системы, как и в другие сферы, порождает целый комплекс этических вопросов, требующих не только правового, но и общественного осмысления. В Российской Федерации активно развивается система комплексного регулирования искусственного интеллекта, включающая нормативно-правовое, нормативно-техническое и этическое регулирование.

Понятие искусственного интеллекта законодательно закреплено в России с 2019 года в Указе Президента РФ № 490 «О развитии искусственного интеллекта в Российской Федерации». А Федеральный закон № 258-ФЗ от 31.07.2020 вводит экспериментальные правовые режимы в сфере цифровых инноваций, призванные стимулировать развитие ИИ, одновременно обеспечивая контроль и безопасность. Кроме того, Минцифры РФ предлагает ужесточить ответственность за кибермошенничество с использованием ИИ, предусматривая до шести лет лишения свободы, что подчеркивает серьезность потенциальных угроз.

Однако, помимо правовых рамок, существуют глубокие этические проблемы ИИ, которые необходимо учитывать при его проектировании и использовании:

1. Предвзятость и дискриминация: Алгоритмы ИИ обучаются на данных, которые могут содержать исторические или социальные предвзятости. В результате ИИ может наследовать и даже усиливать эти предрассудки, приводя к несправедливым или дискриминационным решениям. Например, системы распознавания лиц могут менее точно работать с определенными этническими группами, а системы оценки кредитоспособности могут необоснованно отказывать в кредитах.
2. Прозрачность и объяснимость (проблема «черного ящика»): Многие современные ИИ-системы, особенно на основе глубокого обучения, работают как «черные ящики». Их процессы принятия решений крайне сложны и не поддаются простому объяснению. Отсутствие прозрачности затрудняет понимание того, почему ИИ принял то или иное решение, и контроль над его действиями, что особенно критично в областях, где цена ошибки высока (медицина, правосудие, финансы).
3. Ответственность: С появлением автономных систем ИИ возникает сложный вопрос: кто несет ответственность за их действия и ошибки? Разработчик, оператор, пользователь или сама система? Это требует переосмысления существующих правовых концепций ответственности.
4. Влияние на занятость: ИИ и автоматизация вызывают опасения по поводу потери рабочих мест в традиционных отраслях. Это поднимает вопросы о социальной справедливости, необходимости переквалификации персонала и создании новых видов занятости.
5. Конфиденциальность и безопасность данных: ИИ-системы часто требуют огромных объемов данных, включая персональные. Это порождает этические вопросы, связанные с обработкой конфиденциальной информации сотрудников, мониторингом их работы, а также с рисками утечек данных и несанкционированного доступа.

Признавая эти вызовы, в России был принят «Кодекс этики в сфере ИИ» (2021 год), устанавливающий общие этические принципы для развития технологий искусственного интеллекта, такие как недискриминация, безопасность, прозрачность и подотчетность. На международном уровне ЮНЕСКО также разработала глобальные стандарты этики ИИ, стремясь создать единые принципы для ответственного развития и использования этой мощной технологии. Этические и правовые аспекты являются неотъемлемой частью проектирования и эксплуатации УИС, обеспечивая их не только эффективное, но и социально ответственное функционирование.

Заключение

В условиях динамично развивающейся цифровой экономики и четвертой промышленной революции (Индустрия 4.0) управленческие информационные системы (УИС) перестали быть просто инструментом автоматизации. Они превратились в стратегический актив, определяющий конкурентоспособность, устойчивость и способность организаций к инновациям. Проделанная работа позволила сформировать всесторонний и актуальный план для изучения этой сложной и многогранной области.

Мы детально рассмотрели теоретические основы УИС, их многоуровневые классификации и ключевую роль в цифровой трансформации, где данные и цифровые платформы выступают краеугольными камнями. Анализ показал, что российские компании активно инвестируют в цифровизацию, используя передовые цифровые платформы и внедряя УИС в самые разные отрасли.

Особое внимание было уделено современным методологиям и инструментам проектирования, разработки и внедрения УИС. Гибкие подходы Agile (Scrum, Kanban) и DevOps позволяют компаниям быстро адаптироваться к изменениям, повышать эффективность и сокращать время вывода продуктов на рынок. Облачные технологии и отечественные провайдеры предоставляют масштабируемую и безопасную инфраструктуру, а BPM-системы автоматизируют и оптимизируют бизнес-процессы.

Критически важным аспектом современного УИС является интеграция аналитики больших данных и искусственного интеллекта. Мы проанализировали, как Big Data позволяет делать точные прогнозы, персонализировать предложения и оптимизировать операции, а ИИ выступает ключевым инструментом для автоматизации принятия решений, обработки огромных объемов информации и прогнозирования рыночных изменений, о чем свидетельствует активное внедрение ИИ-ассистентов в российском бизнесе.

Внедрение и эксплуатация УИС сопряжены с серьезными вызовами, требующими эффективного управления изменениями и тщательного обеспечения кибербезопасности. Мы выявили риски, связанные с реализацией масштабных ИС, и рассмотрели методологии управления изменениями (ADKAR), а также детально проанализировали киберугрозы и роль автоматизации процессов ИБ (DLP, SOAR) в их нейтрализации, подчеркнув строгую административную и уголовную ответственность за нарушения в этой сфере в РФ.

Наконец, мы исследовали перспективы развития УИС в контексте новых технологий: Интернет вещей (IoT) для мониторинга и автоматизации физического мира, блокчейн для обеспечения прозрачности и безопасности транзакций, а также когнитивные системы, способные моделировать человеческое мышление для генерации знаний и принятия сложных решений.

Значимость УИС в условиях цифровой трансформации будет только возрастать. Их дальнейшее развитие будет определяться углубленной интеграцией ИИ, IoT и блокчейна, созданием более интеллектуальных, автономных и адаптивных систем, способных не просто поддерживать управление, а активно формировать будущее организаций.

Представленный план курсовой работы имеет высокую практическую ценность для студентов, поскольку он не только структурирует академические знания, но и ориентирует на глубокое понимание реальных вызовов и возможностей, с которыми сталкиваются современные компании. Научная новизна плана заключается в акценте на новейших технологиях (Scrum 3.0 с ИИ, BaaS, когнитивные системы), специфике российского рынка (отечественные облачные провайдеры, российское законодательство в сфере ИИ и кибербезопасности, кейсы российских компаний) и комплексном рассмотрении этических аспектов, что позволит студентам создать не просто реферативную, а по-настоящему исследовательскую и актуальную работу.

Список использованной литературы

1. Автоматизированные информационные технологии в экономике: Учебник / Под ред. Г.А. Титоренко. – М.: ЮНИТИ, 2013. – 399 с.
2. Альбеков А.У., Митько О.А. Коммерческая логистика / Серия «Учебники, учебные пособия». Ростов-на-Дону: Феникс, 2012. – 416 с.
3. Андреева, О.Д. Технология бизнеса: Маркетинг: Учебное пособие для вузов. – М.: Финансы и статистика, 2011. – 403 с.
4. Михеева В.Д., Харитонова Microsoft Access 2012. – СПб.: БХВ-Петербург, 2012. – 1040 с.
5. Смирнова, Г.Н. Проектирование экономических информационных систем: Учебник / Г.Н. Смирнова, А.А. Сорокин, Ю.Ф. Тельнов; Под ред. Ю.Ф. Тельнова. – М.: Финансы и статистика, 2011. – 512 с.
6. Шуремов Е.Л., Умнова Э.А., Воропаева Т.В. Автоматизированные информационные системы бухгалтерского учета, анализа, аудита: Учебное пособие для вузов. – М.: Перспектива, 2011. – 363 с.
7. Федеральный закон от 27.07.2006 N 149-ФЗ (ред. от 31.07.2023) «Об информации, информационных технологиях и о защите информации» // КонсультантПлюс. – URL: https://www.consultant.ru/document/cons_doc_LAW_61798/ (дата обращения: 14.10.2025).
8. TAdviser: Big Data и AI Day 2025. – URL: https://www.tadviser.ru/index.php/Статья:TAdviser:_Big_Data_и_AI_Day_2025 (дата обращения: 14.10.2025).
9. TAdviser: Блокчейн (мировой рынок). – URL: https://www.tadviser.ru/index.php/Статья:Блокчейн_(мировой_рынок) (дата обращения: 14.10.2025).
10. TAdviser: DevOps Методология. – URL: https://www.tadviser.ru/index.php/Статья:DevOps_Методология (дата обращения: 14.10.2025).
11. TAdviser: Правовое регулирование ИИ в России, регуляторика И (нейросетей). – URL: https://www.tadviser.ru/index.php/Статья:Правовое_регулирование_ИИ_в_России,_регуляторика_И_(нейросетей) (дата обращения: 14.10.2025).
12. TAdviser: Регулирование искусственного интеллекта. – URL: https://www.tadviser.ru/index.php/Статья:Регулирование_искусственного_интеллекта (дата обращения: 14.10.2025).
13. Agile управление проектами: полный гид по Scrum 2025 // Лидеры изменений. – URL: https://leaders.tech/blog/agile-upravlenie-proektami/ (дата обращения: 14.10.2025).
14. Agile и DevOps: преимущества, совместное использование, сравнение // itglobal. – URL: https://itglobal.com/ru-ru/blog/agile-devops-advantages-co-use-comparison/ (дата обращения: 14.10.2025).
15. АНАЛИЗ ВОЗМОЖНОСТЕЙ ТЕХНОЛОГИИ БЛОКЧЕЙН В УПРАВЛЕНИИ ДАННЫМИ // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/analiz-vozmozhnostey-tehnologii-blokcheyn-v-upravlenii-dannymi (дата обращения: 14.10.2025).
16. Актуальные киберугрозы и как с ними бороться // DDoS-Guard. – URL: https://ddos-guard.net/ru/blog/kiaberugrozy (дата обращения: 14.10.2025).
17. Аналитика данных // Европейские Системные Технологии. – URL: https://est.group/analytics/ (дата обращения: 14.10.2025).
18. Аналитика данных: понятие, цели, инструменты и виды // skillbox.ru. – URL: https://skillbox.ru/media/data_science/analitika-dannykh-ponyatiye-tseli-instrumenty-i-vidy/ (дата обращения: 14.10.2025).
19. БЕЗОПАСНЫЕ ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ» ТРИНАДЦАТАЯ ВСЕРОССИЙСКАЯ Н — АО «НПО «Эшелон. – URL: https://npo-echelon.ru/upload/iblock/c34/c348f98a2e5d71c1b184293c62330aa2.pdf (дата обращения: 14.10.2025).
20. Блокчейн в информационном обществе // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/blokcheyn-v-informatsionnom-obschestve (дата обращения: 14.10.2025).
21. Блокчейн в цифровом государственном управлении: успешные практики // CyberLeninka. – URL: https://cyberleninka.ru/article/n/blokcheyn-v-tsifrovom-gosudarstvennom-upravlenii-uspeshnye-praktiki-ro (дата обращения: 14.10.2025).
22. Блокчейн: примеры использования технологии на практике // Management.com.ua. – URL: https://management.com.ua/ct/ct168.html (дата обращения: 14.10.2025).
23. Виды информационных систем: ключевые аспекты и применение // Институт Информационных Систем ГУУ. – URL: https://iis.guu.ru/vidy-informatsionnyh-sistem-klyuchevye-aspekty-i-primenenie/ (дата обращения: 14.10.2025).
24. ГИБКИЕ МЕТОДИКИ РАЗРАБОТКИ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/gibkie-metodiki-razrabotki-programmnogo-obespecheniya (дата обращения: 14.10.2025).
25. Гибкая разработка ПО: Ключевые фазы и принципы работы // SCAND. – URL: https://scand.com/ru/company/blog/agile-software-development-phases-and-principles/ (дата обращения: 14.10.2025).
26. Гибкие методологии в IT // Careerist Blog. – URL: https://careerist.ru/blog/gibkie-metodologii-v-it.html (дата обращения: 14.10.2025).
27. Дума увеличила штрафы за нарушение защиты информации в госсистемах // Интерфакс. – URL: https://www.interfax.ru/russia/900827 (дата обращения: 14.10.2025).
28. Защита информационных систем персональных данных // ОБУ «ИТЦ». – URL: https://itc48.ru/uslugi/zashchita-informatsionnykh-sistem-personalnykh-dannykh/ (дата обращения: 14.10.2025).
29. ИИ-ассистент: решение DBI для бизнеса // DataBase Intelligence. – URL: https://www.dbint.ru/pressroom/ii-assistent-reshenie-dbi-dlya-biznesa/ (дата обращения: 14.10.2025).
30. ИСПОЛЬЗОВАНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СТРАТЕГИЧЕСКОМ МЕНЕДЖМЕНТЕ // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/ispolzovanie-iskusstvennogo-intellekta-v-strategicheskom-menedzhmente (дата обращения: 14.10.2025).
31. Использование аналитики данных для принятия управленческих решений // САБ компания. – URL: https://sabcompany.ru/blog/ispolzovanie-analitiki-dannyh-dlya-prinyatiya-upravlencheskih-resheniy/ (дата обращения: 14.10.2025).
32. Использование искусственного интеллекта для стратегического управления // Глобальный научный потенциал. – URL: https://globaljournals.ru/archive/2020/10/145-148.pdf (дата обращения: 14.10.2025).
33. Интернет вещей // Википедия. – URL: https://ru.wikipedia.org/wiki/Интернет_вещей (дата обращения: 14.10.2025).
34. Интернет вещей при таможенном контроле за контейнерными перевозками // CyberLeninka. – URL: https://cyberleninka.ru/article/n/internet-veschey-pri-tamozhennom-kontrole-za-konteynernymi-perevozkami (дата обращения: 14.10.2025).
35. Интернет вещей: что такое и как работает в бизнесе // СберБизнес Live. – URL: https://sberbusiness.live/articles/internet-veshchei-chto-takoe-i-kak-rabotaet-v-biznese (дата обращения: 14.10.2025).
36. Информационная система персональных данных: что это такое, как работает, классы и уровни защиты ИСПДн // Блог MWS. – URL: https://mws.ru/blog/chto-takoe-ispdn-i-kak-obespechit-zashchitu-personalnykh-dannykh-v-ney/ (дата обращения: 14.10.2025).
37. Информационные системы персональных данных // КонсультантПлюс. – URL: https://www.consultant.ru/document/cons_doc_LAW_167812/ (дата обращения: 14.10.2025).
38. Информационные системы персональных данных: как сохранить в безопасности сведения о клиентах // Nic.ru. – URL: https://nic.ru/info/blog/personal-data-information-systems/ (дата обращения: 14.10.2025).
39. Институциональная среда цифровой экономики // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/institutsionalnaya-sreda-tsifrovoy-ekonomiki (дата обращения: 14.10.2025).
40. Как использовать ИИ в стратегическом планировании: примеры применения // BSC Designer. – URL: https://ru.bscdesigner.com/ai-strategic-planning-examples.html (дата обращения: 14.10.2025).
41. Как посчитать, что IT-проект себя окупает: просто про ROI и подходы к оценке // VC.ru. – URL: https://vc.ru/finance/782297-kak-poschitat-chto-it-proekt-sebya-okupaet-prosto-pro-roi-i-podhody-k-ocenke (дата обращения: 14.10.2025).
42. Как рассчитать ROI от цифровизации производства: формулы, примеры, расчёты // СберБизнес Live. – URL: https://sberbusiness.live/articles/kak-rasschitat-roi-ot-tsifrovizatsii-proizvodstva-formuly-primery-raschety (дата обращения: 14.10.2025).
43. Как рассчитать рентабельность инвестиций (ROI) в ИТ? // Firmao CRM. – URL: https://firmao.ru/blog/kak-rasschitat-rentabelnost-investitsiy-roi-v-it/ (дата обращения: 14.10.2025).
44. Как регулируются законодательством персональные данные и Big Data // МегаФон. – URL: https://megafon.ru/help/article/kak_reguliruyutsya_zakonodatelstvom_personalnye_dannye_i_big_data (дата обращения: 14.10.2025).
45. Как оценить эффективность внедрения информационных систем в государственных органах? // Яндекс. – URL: https://yandex.ru/q/question/kak_otsenit_effektivnost_vnedreniia_informatsionnykh_17651a54/ (дата обращения: 14.10.2025).
46. Классификация информационных систем // Студопедия. – URL: https://studopedia.ru/19_1863_klassifikatsiya-informatsionnih-sistem.html (дата обращения: 14.10.2025).
47. Классификация информационных систем управления // Студопедия. – URL: https://studopedia.ru/9_121115_klassifikatsiya-informatsionnih-sistem-upravleniya.html (дата обращения: 14.10.2025).
48. Классификация методов и моделей эффективности ИС // Google Sites. – URL: https://sites.google.com/site/ekonomiceskaaeffektivnostis/klasifikacia-metodov-i-modelej-effektivnosti-is (дата обращения: 14.10.2025).
49. Когнитивная система поддержки принятия управленческих решений // Studref. – URL: https://studref.com/384814/menedzhment/kognitivnaya_sistema_podderzhki_prinyatiya_upravlencheskih_resheniy (дата обращения: 14.10.2025).
50. Когнитивные модели в информационных системах // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/kognitivnye-modeli-v-informatsionnyh-sistemah (дата обращения: 14.10.2025).
51. Когнитивные системы // Control Engineering Russia. – URL: https://controleng.ru/teoriya-i-praktika/kognitivnye-sistemy/ (дата обращения: 14.10.2025).
52. Когнитивные системы и агенты // CyberLeninka. – URL: https://cyberleninka.ru/article/n/kognitivnye-sistemy-i-agenty (дата обращения: 14.10.2025).
53. Когнитивные технологии как новый этап развития систем менеджмента знаний // Нефтегазовое дело. – URL: https://cyberleninka.ru/article/n/kognitivnye-tehnologii-kak-novyy-etap-razvitiya-sistem-menedzhmenta-znaniy (дата обращения: 14.10.2025).
54. Методика оценки эффективности информационных систем // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/metodika-otsenki-effektivnosti-informatsionnyh-sistem (дата обращения: 14.10.2025).
55. Методика расчета эффективности от внедрения информационных технологий // АО «НИЦЭВТ». – URL: https://elibrary.ru/item.asp?id=23773199 (дата обращения: 14.10.2025).
56. Методики оценки эффективности информационных систем и информационных технологий в бизнесе: учебное пособие // ЭБ СПбПУ. – URL: https://elib.spbstu.ru/dl/2/3133.pdf (дата обращения: 14.10.2025).
57. Методический подход оценки экономической эффективности ИТ-проектов // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/metodicheskiy-podhod-otsenki-ekonomicheskoy-effektivnosti-it-proektov (дата обращения: 14.10.2025).
58. Методы определения экономического эффекта от ИТ-проекта // iTeam. – URL: https://www.iteam.ru/articles/it/section_51/detail_3148 (дата обращения: 14.10.2025).
59. Методы оценки эффективности информационных систем бухгалтерского учета // E-Management. – URL: https://e-management.ru/upload/iblock/589/589d84e55d6175e1104e76d97e7ee729.pdf (дата обращения: 14.10.2025).
60. Методы оценки эффективности информационных технологий управления // Арсенал Бизнес Решений. – URL: https://arsenal-br.ru/knowledge/metody-ocenki-effektivnosti-informacionnyh-tehnologij-upravleniya/ (дата обращения: 14.10.2025).
61. Об информации, информационных технологиях и о защите информации // Docs.cntd.ru. – URL: https://docs.cntd.ru/document/9015949 (дата обращения: 14.10.2025).
62. Облачные инструменты для разработчиков // Журнал СА «Системный администратор». – URL: https://samag.ru/archive/article/3394 (дата обращения: 14.10.2025).
63. Облачные технологии: структура, виды, сферы применения // GeekBrains. – URL: https://gb.ru/blog/chto-takoe-oblachnye-tehnologii/ (дата обращения: 14.10.2025).
64. Особенности расчета ROI (Return On Investment) в ИТ проектах // Antegra consulting. – URL: https://antegra.ru/blog/osobennosti-rascheta-roi-return-on-investment-v-it-proektakh (дата обращения: 14.10.2025).
65. Оценка ИТ проектов // HelpIT.me. – URL: https://helpit.me/it-proekty/otsenka-it-proektov (дата обращения: 14.10.2025).
66. Оценка эффективности внедрения информационных систем // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/otsenka-effektivnosti-vnedreniya-informatsionnyh-sistem-1 (дата обращения: 14.10.2025).
67. Оценка эффективности внедрения информационных систем промышленных предприятий // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/otsenka-effektivnosti-vnedreniya-informatsionnyh-sistem-promyshlennyh-predpriyatiy (дата обращения: 14.10.2025).
68. Оценка Эффективности IT-Проекта: Методы и Подходы // LeadStartup. – URL: https://leadstartup.ru/blog/otsenka-effektivnosti-it-proekta (дата обращения: 14.10.2025).
69. ПЕРСПЕКТИВНОЕ РАЗВИТИЕ МЕТОДОЛОГИИ DEVOPS // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/perspektivnoe-razvitie-metodologii-devops (дата обращения: 14.10.2025).
70. Платформа BPMSoft. Управление маркетингом, продажами и сервисом. Конструктор low-code. // BPMSoft. – URL: https://bpmsoft.ru/ (дата обращения: 14.10.2025).
71. План проекта внедрения Системы управления бизнес-процессами // Business Studio. – URL: https://www.businessstudio.ru/articles/plan_proekta_vnedreniya_sistemy_upravleniya_biznes_protsessami/ (дата обращения: 14.10.2025).
72. Правовое регулирование Больших данных: зарубежный и отечественный опыт // CyberLeninka. – URL: https://cyberleninka.ru/article/n/pravovoe-regulirovanie-bolshih-dannyh-zarubezhnyy-i-otechestvennyy-opyt (дата обращения: 14.10.2025).
73. Правовое регулирование искусственного интеллекта // Secuteck.Ru. – URL: https://www.secuteck.ru/articles/pravo_iskusstvennogo_intellekta (дата обращения: 14.10.2025).
74. Правовое регулирование искусственного интеллекта // Юридический факультет. – URL: https://www.unn.ru/site/images/docs/pravo/2025/AI_law_Filippova_2025.pdf (дата обращения: 14.10.2025).
75. Правовой режим Big Data // Уральский федеральный университет. – URL: https://elar.urfu.ru/bitstream/10995/104193/1/urfu_2021_law_005.pdf (дата обращения: 14.10.2025).
76. Правовой режим больших данных (Big Data) в Российской Федерации // НИУ ВШЭ. – URL: https://www.hse.ru/ba/law/thesis/2019/335688587 (дата обращения: 14.10.2025).
77. Правовые аспекты регулирования искусственного интеллекта как фактор устойчивого развития общества и технологического прогресса // Академический исследовательский журнал. – URL: https://academiascience.ru/publikatsii/pravovye-aspekty-regulirovaniya-iskusstvennogo-intellekta-kak-faktor-ustoychivogo-razvitiya-obshchestva-i-tekhnologicheskogo-progressa/ (дата обращения: 14.10.2025).
78. Предиктивная аналитика: инструкция по применению ИИ при прогнозировании // СберПро Медиа. – URL: https://sber.pro/cont/prediktivnaya-analitika (дата обращения: 14.10.2025).
79. Предиктивная аналитика: лучшие практики // itWeek. – URL: https://www.itweek.ru/saas/article/detail.php?ID=230894 (дата обращения: 14.10.2025).
80. Предмет цифровой экономики и роль цифровых инструментов // Сайт С.П. Курдюмова. – URL: https://spkurdyumov.ru/economy/predmet-cifrovoj-ekonomiki-i-rol-cifrovyx-instrumentov (дата обращения: 14.10.2025).
81. Применение блокчейн-технологий при управлении ИТ-инфраструктурой // Тюменцев. – URL: https://elibrary.ru/item.asp?id=50666063 (дата обращения: 14.10.2025).
82. Применение искусственного интеллекта и больших данных для повышения эффективности управленческих решений // Академический исследовательский журнал. – URL: https://academiascience.ru/publikatsii/primenenie-iskusstvennogo-intellekta-i-bolshih-dannyh-dlya-povysheniya-effektivnosti-upravlencheskih-reshenij/ (дата обращения: 14.10.2025).
83. Применение когнитивных технологий для оптимизации бизнес-процессов // CyberLeninka. – URL: https://cyberleninka.ru/article/n/primenenie-kognitivnyh-tehnologiy-dlya-optimizatsii-biznes-protsessov (дата обращения: 14.10.2025).
84. Проблемы применения искусственного интеллекта // Институт Информационных Систем ГУУ. – URL: https://iis.guu.ru/problemy-primeneniya-iskusstvennogo-intellekta/ (дата обращения: 14.10.2025).
85. Проблемы применения искусственного интеллекта // ИИС ГУУ. – URL: https://iis.guu.ru/problemy-primeneniya-iskusstvennogo-intellekta/ (дата обращения: 14.10.2025).
86. Проблемы управления данными на рынке РФ: вызовы 2024 года // Habr. – URL: https://habr.com/ru/articles/799653/ (дата обращения: 14.10.2025).
87. Расчет экономического эффекта от внедрения системы автоматизации // Antegra consulting. – URL: https://antegra.ru/blog/raschet-ekonomicheskogo-effekta-ot-vnedreniya-sistemy-avtomatizatsii (дата обращения: 14.10.2025).
88. Регулирование ИИ: от «песочниц» до стандартов // Право.ру. – URL: https://pravo.ru/story/253916/ (дата обращения: 14.10.2025).
89. Риски информационной безопасности // Risk. – URL: https://risk.ru/blog/riski-informatsionnoy-bezopasnosti (дата обращения: 14.10.2025).
90. РОИ: что это за показатель, формула расчёта коэффициента возврата инвестиций // skillbox.ru. – URL: https://skillbox.ru/media/marketing/chto-takoe-roi-formula-raschyota-koeffitsienta-vozvrata-investitsiy/ (дата обращения: 14.10.2025).
91. Роль (IoT) Интернета вещей для предприятий в повышении эффективности бизнеса // Sofiot. – URL: https://sofiot.ru/blog/rol-iot-interneta-veshchej-dlya-predpriyatij-v-povyshenii-effektivnosti-biznesa/ (дата обращения: 14.10.2025).
92. Роль искусственного интеллекта в стратегическом управлении организациями в условиях цифровой трансформации // АПНИ. – URL: https://apni.ru/article/11790-rol-iskusstvennogo-intellekta-v-strategicheskom-upravlenii (дата обращения: 14.10.2025).
93. РОССИЙСКАЯ ФЕДЕРАЦИЯ ФЕДЕРАЛЬНЫЙ ЗАКОН Об информации, информатизации и защите информации // Docs.cntd.ru. – URL: https://docs.cntd.ru/document/900000002 (дата обращения: 14.10.2025).
94. С.14.1. Экономическая эффективность информационных систем // Студопедия. – URL: https://studopedia.ru/20_2323_ekonomicheskaya-effektivnost-informatsionnih-sistem.html (дата обращения: 14.10.2025).
95. С.14.2. Показатели эффективности // Студопедия. – URL: https://studopedia.su/2_104863_pokazateli-effektivnosti.html (дата обращения: 14.10.2025).
96. Справочник ключевых KPI. Что такое ROI или возврат инвестиций, и как его считать? // Qlever Solutions. – URL: https://qlever.solutions/blog/chto-takoe-roi-ili-vozvrata-investitsiy/ (дата обращения: 14.10.2025).
97. Сущность феномена цифровой экономики, анализ определений понятия // Известия высших учебных заведений. Серия: Экономика, финансы и управление производством. – URL: https://elibrary.ru/item.asp?id=35061614 (дата обращения: 14.10.2025).
98. Системы аналитики данных: внедрение систем для анализа данных (BI) // КОРУС Консалтинг. – URL: https://www.korusconsulting.ru/solutions/analitika-dannyh/bi/ (дата обращения: 14.10.2025).
99. Технологии Big Data: что это такое // UIS. – URL: https://uiscom.ru/blog/big-data-chto-eto-takoe/ (дата обращения: 14.10.2025).
100. Технологии когнитивного менеджмента в цифровой экономике // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/tehnologii-kognitivnogo-menedzhmenta-v-tsifrovoy-ekonomike (дата обращения: 14.10.2025).
101. ТОП-10 методологий разработки ПО в 2025: Agile, DevOps и другие тренды // Лидеры изменений. – URL: https://leaders.tech/blog/top-10-methodologies-for-software-development-in-2025/ (дата обращения: 14.10.2025).
102. Топ-15 облачных технологий и сервисов // Новости — Институт статистических исследований и экономики знаний — Национальный исследовательский университет «Высшая школа экономики». – URL: https://issek.hse.ru/news/887413669.html (дата обращения: 14.10.2025).
103. Требования к защите персональных данных при их обработке в информационных системах персональных данных // КонсультантПлюс. – URL: https://www.consultant.ru/document/cons_doc_LAW_167812/ (дата обращения: 14.10.2025).
104. Управление изменениями: цели процесса и его внедрения // ИТ Гильдия. – URL: https://it-gildia.ru/articles/upravlenie-izmeneniyami-tseli-protsessa-i-ego-vnedreniya/ (дата обращения: 14.10.2025).
105. Управление проектами и процессами: опыт внедрения BPM в проектном институте // CyberLeninka. – URL: https://cyberleninka.ru/article/n/upravlenie-proektami-i-protsessami-opyt-vnedreniya-bpm-v-proektnom-institute (дата обращения: 14.10.2025).
106. Управленческая информационная система: что это такое, компоненты, преимущества и вызовы внедрения // InvestFuture. – URL: https://investfuture.ru/glossary/upravlencheskaya-informacionnaya-sistema (дата обращения: 14.10.2025).
107. Экосистема цифровой экономики // Фундаментальные исследования. – URL: http://www.fundamental-research.ru/ru/article/view?id=43237 (дата обращения: 14.10.2025).
108. Экономическая эффективность информационных систем // Студопедия. – URL: https://studopedia.ru/8_101662_effektivnost-informatsionnih.html (дата обращения: 14.10.2025).
109. Этические аспекты искусственного интеллекта // UNESCO. – URL: https://www.unesco.org/ru/artificial-intelligence/ethics (дата обращения: 14.10.2025).
110. ЭТИЧЕСКИЕ АСПЕКТЫ РАЗВИТИЯ И ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: БЕЗОПАСНОСТЬ ДАННЫХ, ПРОЗРАЧНОСТЬ СИСТЕМ И ОТВЕТСТВЕННОСТЬ // КиберЛенинка. – URL: https://cyberleninka.ru/article/n/eticheskie-aspekty-razvitiya-i-primeneniya-iskusstvennogo-intellekta-bezopasnost-dannyh-prozrachnost-sistem-i-otvetstvennost (дата обращения: 14.10.2025).
111. Этические проблемы искусственного интеллекта // is*hosting Blog. – URL: https://is.fozzy.com/blog/eticheskie-problemy-ispolzovaniya-iskusstvennogo-intellekta (дата обращения: 14.10.2025).
112. Этические проблемы искусственного интеллекта // Научный аспект. – URL: https://nauchniy-aspekt.ru/2020/6-2020/Etiheskie-problemy-iskusstvennogo-intellekta/ (дата обращения: 14.10.2025).
113. Этика и безопасность искусственного интеллекта // Habr. – URL: https://habr.com/ru/articles/744046/ (дата обращения: 14.10.2025).
114. Что такое Agile, отличия гибкой методологии — преимущества и принципы системы Agile для управления проектами // Яндекс Практикум. – URL: https://practicum.yandex.ru/blog/chto-takoe-agile/ (дата обращения: 14.10.2025).
115. Что такое интернет вещей и как он устроен // UIS. – URL: https://uiscom.ru/blog/internet-veschey-chto-eto-takoe/ (дата обращения: 14.10.2025).
116. Что такое интернет вещей: как использовать IoT устройства и сети для бизнеса // Mail.ru. – URL: https://biz.mail.ru/tech/370-internet-veschey-chto-takoe-i-kak-ispolzovat-iot-ustroystva-i-seti-dlya-biznesa/ (дата обращения: 14.10.2025).
117. Что такое управление изменениями? Шесть шагов на пути к успеху // Asana. – URL: https://asana.com/ru/resources/change-management (дата обращения: 14.10.2025).
118. Что это, виды, возможности — сферы применения и развитие облачных технологий // Яндекс Облако. – URL: https://cloud.yandex.ru/blog/what-is-cloud-technology (дата обращения: 14.10.2025).
119. Blockchain IoT Market Size to Hit USD 74772.36 Million by 2034 // Precedence Research. – URL: https://www.precedenceresearch.com/blockchain-iot-market (дата обращения: 14.10.2025).
120. ПРАВОВОЕ РЕГУЛИРОВАНИЕ ТЕХНОЛОГИИ «БИГ ДАТА» В РОССИЙСКОЙ ФЕДЕРАЦИИ // КиберЛен��нка. – URL: https://cyberleninka.ru/article/n/pravovoe-regulirovanie-tehnologii-big-data-v-rossiyskoy-federatsii (дата обращения: 14.10.2025).
121. Преступления в сфере информационных технологий // Википедия. – URL: https://ru.wikipedia.org/wiki/Преступления_в_сфере_информационных_технологий (дата обращения: 14.10.2025).