guuvestВестник университетаVestnik Universiteta1816-42772686-8415State University of Management10.26425/1816-4277-2019-9-48-53guuvest-1712Research ArticleСТРАТЕГИИ И ИННОВАЦИИSTRATEGIES AND INNOVATIONSМАШИННОЕ ОБУЧЕНИЕ КАК ИНСТРУМЕНТ КОРПОРАЦИИ ДЛЯ ВЫБОРА ПОСТАВЩИКОВMACHINE LEARNING AS A CORPORATION'S TOOL FOR SELECTION OF SUPPLIERSБаклушинскийВ. В.BaklushinskiiV. V.

Баклушинский Вадим Валентинович – соискатель

Ульяновск 

Baklushinskii Vadim V. – Postgraduate student

Ulianovsk

vbaklushinskiy@mail.ruПустынниковаЕ. В.PustynnikovaE. V.

Пустынникова Екатерина Васильевна – доктор экономических наук

Ульяновск

Pustynnikova Ekaterina V. – Doctor of Economic Sciences

Ulianovsk

ebrezneva@list.ruФГБОУ ВО «Ульяновский государственный университет»РоссияUlianovsk State UniversityRussian Federation201926102019094853Copyright © Баклушинский В.В., Пустынникова Е.В., 20192019Баклушинский В.В., Пустынникова Е.В.Baklushinskii V.V., Pustynnikova E.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.guu.ru/jour/article/view/1712

В области экономики и финансов, методы машинного обучения получили распространение при решении проблем исследования поведения потребителей и в торговле валютой и ценными бумагами. Тем не менее, они слабо развиты в решении вопросов, связанных со взаимодействием между предприятиями. В статье представлены результаты составления и тестирования моделей машинного обучения, созданных в целях оценки благонадежности предприятий как поставщиков. Исходя из проведенного анализа, методы машинного обучения применимы при проведении оценки поставщиков. Эта статья написана на тему расширения области применения машинного обучения в сфере анализа поведения коммерческих предприятий.

In the economics and finance, machine learning methods have spread when solving the problems of consumer behavior research and in currency and securities trading. However, they are poorly developed in dealing with issues related to interaction between enterprises. The article presents the results of the compilation and testing of machine learning models, created to assess the reliability of enterprises as suppliers. According to the analysis, carried out in the article, machine learning methods are applicable when conducting supplier evaluations. This article has been written on the theme of expanding the scope of machine learning in the field of analysis of the behavior of commercial enterprises.

машинное обучениеоценка поставщиковбольшие данныеклассификацияэкономическая безопасностьуправление корпорациейmachine learningsuppliers’ assessmentbig dataclassificationeconomic securitycorporate managementReferencesАлексеева, В. А. Использование методов машинного обучения в задачах бинарной классификации//Автоматизация процессов управления. – 2015. – № 3 (41). – С. 58-63.Alekseeva V. A. Ispol’zovanie metodov mashinnogo obucheniya v zadachakh binarnoi klassifikatsii [The use of machine learning methods in binary classification]. Avtomatizatsiya protsessov [Automation of management processes], 2015, I. 3 (41), pp. 58-63.Картиев, С. Б. Алгоритм классификации, основанный на принципах случайного леса, для решения задачи прогнозирования / С. Б. Картиев, В. М. Курейчик//Программные продукты и системы. – 2016. – № 2. – С. 11-15.Kartiev S. B., Kureichik V. M. Algoritm klassifikatsii, osnovannyi na printsipakh sluchainogo lesa, dlya resheniya zadachi prognozirovaniya [Classification Algorithm based on the Principles of a Random Forest, for Solving the Prediction Problem]. Programmnye produkty i sistemy [Software Products and Systems], 2016, I. 2 (114), pp. 11-15. Available at: https://cyberleninka.ru/article/n/algoritmklassifikatsii-osnovannyy-na-printsipah-sluchaynogo-lesa-dlya-resheniya-zadachi-prognozirovaniya (accessed 27.06.2019).Коротеев, М. В. Обзор некоторых современных тенденций в технологии машинного обучения//E-Management. – 2018. – № 1. – С. 26-35.Koroteev M. V. Obzor nekotorykh sovremennykh tendentsii v tekhnologii mashinnogo obucheniya [Review of some contemporary trends in machine learning technology]. E-Management, 2018, I. 1, pp. 26-35.Краснянский, М. Н. и др. Сравнительный анализ методов машинного обучения для решения задачи классификации документов научно-образовательного учреждения / М. Н. Краснянский, А. Д. Обухов, Е. М. Соломатина, А. А. Воякина// Вестник Воронежского государственного университета. – 2018. – № 3. – С. 173-182.Krasnyanskii M.N., Obukhov A.D., Solomatina E.M., Voyakina A.A. Sravnitel’nyi analiz metodov mashinnogo obucheniya dlya resheniya zadachi klassifikatsii dokumentov nauchno-obrazovatel’nogo uchrezhdeniya [Comparative analysis of machine learning methods for solving the problem of classification of documents of a scientific and educational institution]. Vestnik Voronezhskogo gosudarstvennogo universiteta [Bulletin of Voronezh State University], 2018, I. 3, pp. 173-182. Available at: http://www.vestnik.vsu.ru/pdf/analiz/2018/03/2018-03-19.pdf (accessed 27.06.2019).Информационные системы//Федеральная антимонопольная служба [Электронный ресурс]. – Режим доступа: https://fas.gov.ru/pages/about/about/gositsystem.html (дата обращения: 27.06.2019).Informatsionnye sistemy [Data systems]. Federal’naya antimonopolnaya sluzhba [Federal antimonopoly service]. Available at: https://fas.gov.ru/pages/about/about/gositsystem.html (accessed 27.06.2019).Открытые данные//Федеральная антимонопольная служба [Электронный ресурс]. – Режим доступа: https://www.nalog.ru/rn77/opendata/ (дата обращения: 27.06.2019).Otkrytye dannye [Open data]. Federal’naya nalogovaya sluzhba [Federal tax service]. Available at: https://www.nalog.ru/rn77/opendata/ (accessed 27.06.2019).Bohanec, M. [et al.]. Organizational Learning Supported by Machine Learning Models Coupled with General Explanation Methods: A Case of B2B Sales Forecasting / M. Bohanec, M. Robnik-Sikonja, M. Kljajic Borstnar//Organizatsiya. – 2017. – № 50 (3). – Pp. 217-233.Bohanec M., Robnik-Sikonja M., Kljajic Borstnar M. Organizational Learning Supported by Machine Learning Models Coupled with General Explanation Methods: A Case of B2B Sales Forecasting. Organizatsiia, 2017, I. 50 (3), pp. 217-233.Breheny, P. [et al.] p-Value Histograms: Inference and Diagnostics / P. Breheny, A. Stromberg, J. Lambert//High-Throughput. – 2018. – Vol. 7. – № 3 [Электронный ресурс]. – Режим доступа: https://www.researchgate.net/publication/327356617_pValue_Histograms_Inference_and_Diagnostics (дата обращения: 27.06.2019).Breheny P., Stromberg A., Lambert J. p-Value Histograms: Inference and Diagnostics. High-Throughput, 2018, Vol. 7, I. 3. Available at: https://www.researchgate.net/publication/327356617_p-Value_Histograms_Inference_and_Diagnostics (accessed 27.06.2019).Farrelly, C. M. Topology and Geometry in Machine Learning for Logistic Regression//PsyArXiv. – Oct. 17, 2017 [Электронный ресурс]. – Режим доступа: https://psyarxiv.com/v8jgk (дата обращения: 27.06.2019).Farrelly C. M. Topology and Geometry in Machine Learning for Logistic Regression. PsyArXiv. Oct. 17, 2017. Available at: https://psyarxiv.com/v8jgk (accessed 27.06.2019).Karlinsky Shichor, Y. Automation, Decision Making and Business to Business Pricing//Columbia University. – July 1, 2018 [Электронный ресурс]. – Режим доступа: https://academiccommons.columbia.edu/doi/10.7916/D83X9Q5M (дата обращения: 27.06.2019).Karlinsky Shichor Y. Automation, Decision Making and Business to Business Pricing. Columbia University. July 1, 2018. Available at: https://academiccommons.columbia.edu/doi/10.7916/D8058ZDR/download (accessed 27.06.2019).Stormi, K. [et al.]. Feasibility of b2c customer relationship analytics in the b2b industrial context / K. Stormi, T. Laine, T. Elomaa// Research papers. – 2018. – № 61. – Pp. 1-8.Stormi, K., Laine, T., Elomaa, T. Feasibility of b2c customer relationship analytics in the b2b industrial context. Research papers, 2018, I. 61, pp. 1-8.Zieba, M. [et al.]. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction / M. Zieba, S. K. Tomczak, J. M. Tomczak//Expert Systems with Applications. – 2016. – Vol. 58. – Pp. 93-101.Zieba M., Tomczak S. K., Tomczak J. M. Ensemble boosted trees with synthetic features generation in application to bankruptcy prediction. Expert Systems with Applications, 2016, Vol. 58, pp. 93-101.

The authors declare that there are no conflicts of interest present.