АНАЛИЗ БОЛЬШИХ ДАННЫХ И МЕТОД МАШИННОГО ОБУЧЕНИЯ В СИСТЕМАХ УПРАВЛЕНИЯ ПРОЕКТАМИ

BIG DATA ANALYSIS AND MACHINE LEARNING METHOD IN PROJECT MANAGEMENT SYSTEMS

Evgeny Sudakov

student, Department of Automated Control Systems, Ufa University of Science and Technology,

Russia, Ufa

Alla Suleymanova

candidate of technical sciences, Associate Professor, Ufa University of Science and Technology,

Russia, Ufa

АННОТАЦИЯ

В данной статье рассматривается пример предприятия, планирующего реинжиниринг системы управления заявками путем замены Jira на собственное программное обеспечение, интегрированное с интеллектуальными алгоритмами предсказательного анализа. Новая система позволит оперативно обрабатывать запросы, выявлять закономерности, предлагать оптимальные решения и повышать точность прогнозирования сроков выполнения задач.

Результаты исследования показывают, что внедрение интеллектуальной системы управления проектами способствует сокращению времени обработки заявок, снижению количества ошибок и уменьшению затрат на сопровождение процессов. Автоматизированный поиск решений, интеллектуальная отчетность и система уведомлений обеспечивают прозрачность управления и повышение производительности команды.

ABSTRACT

This article examines an example of an enterprise planning to reengineer an application management system by replacing Jira with its own software integrated with intelligent predictive analysis algorithms. The new system will allow you to quickly process requests, identify patterns, offer optimal solutions, and improve the accuracy of predicting task deadlines.

The results of the study show that the introduction of an intelligent project management system helps to reduce the processing time of applications, reduce the number of errors and reduce the cost of process maintenance. Automated solution search, intelligent reporting, and notification system ensure management transparency and increased team productivity.

Ключевые слова: Анализ данных, машинное обучение, система управления проектами, процесс обработки заявок.

Keywords: Data analysis, machine learning, project management system, application processing process.

Введение

Современные компании, работающие в условиях динамичного рынка, стремятся к повышению эффективности бизнес-процессов, используя передовые технологии и интеллектуальные системы для оптимизации рабочих процессов. Одним из ключевых направлений развития является внедрение методов машинного обучения [1] и анализа больших данных [11], позволяющих автоматизировать управление проектами и процесс обработки заявок. В современных реалиях важно не только адаптироваться к изменениям, но и предсказывать их, используя мощные аналитические инструменты. Применение алгоритмов машинного обучения [1], [9], [12], [13], [15] дает возможность выявлять закономерности, прогнозировать сроки выполнения задач и предлагать автоматизированные решения [16], тем самым снижая нагрузку на специалистов и повышая скорость обработки информации.

Данная статья будет описываться на примере АО "Корпорация Галактика", которое рассматривает вариант реинжиниринга [19] процесса выполнения заявок на изменение, ориентируясь на использование технологий машинного обучения и анализа больших данных [7]. Для этого рассматривается замена используемой системы управления проектами Jira на собственное программное обеспечение.

Основной целью данной работы является анализ текущего состояния процесса обработки заявок, выявление ключевых проблем и разработка концепции внедрения автоматизированной системы управления проектами [3] на основе методов машинного обучения [1; 12; 15]. Для достижения этой цели проводится исследование существующих процессов выполнения заявок на изменение, выявляются недостатки системы Jira и разрабатывается новая архитектура программного обеспечения.

Таким образом, данная работа направлена на изучение возможностей использования машинного обучения [1; 9] и анализа больших данных для реинжиниринга процесса обработки заявок [10; 19]. Внедрение новых технологий обеспечит значительное повышение эффективности работы, снижение затрат, сокращение времени выполнения задач и увеличение прозрачности процесса управления проектами.

Сбор данных по объекту исследования, определение проблем

Объектом исследования является процесс обработки заявок на изменение в информационной системе предприятия. Одним из ключевых аспектов анализа является использование методов машинного обучения [1] и анализа больших данных для выявления проблем и закономерностей в процессе обработки заявок, который в текущий момент отсутствует. Рассмотрим текущий процесс обработки заявок на изменение на функциональной диаграмме (Рисунок 1, Рисунок 2) [2; 5; 6].

Рисунок 1. Функциональная диаграмма

Рисунок 2. Функциональная модель процесса обслуживания заказов

Текущая система обработки заявок страдает от высокой нагрузки на аналитиков и разработчиков, низкой скорости обработки заявок, высокой стоимости обслуживания и недостаточной прозрачности. Отсутствие предиктивного анализа ведет к задержкам. Анализ исторических данных и применение машинного обучения [1] позволит выявить закономерности, спрогнозировать возможные задержки, оптимизировать распределение ресурсов и снизить нагрузку на сотрудников. Система будет работать на примере Jira, управлять проектом и помогать исполнителям, предоставляя автоматизированные рекомендации и улучшая контроль над ходом выполнения задач. Кроме того, система сможет проводить анализ уже готовых решений из хранилища и выдавать программистам пример возможного решения или хотя бы класс в коде [16], в котором требуется доработка. Это позволит значительно сократить время поиска решения и снизить нагрузку на специалистов.

Обоснование решения проблемы

Для решения выявленных проблем предлагается внедрение системы управления проектами, основанной на алгоритмах машинного обучения и методах анализа больших данных [11]. Основные принципы системы включают автоматическую классификацию заявок, предиктивное моделирование сроков выполнения работ и поддержку автоматизированных рекомендаций для исполнителей. Использование интеллектуальных алгоритмов позволит не только автоматизировать процесс принятия решений, но и повысить точность прогнозирования, минимизировать вероятность ошибок и сократить затраты на обслуживание системы. Дополнительно система сможет формировать отчеты по работе каждого исполнителя и отправлять их начальнику [17]. Отчет будет включать новизну и сложность задач, а показатели будут определяться системой на основе анализа прошлых задач из хранилища.

Разработка технологической документации по реализации предлагаемого решения

Разрабатываемая система включает несколько ключевых модулей [4]: модуль сбора данных, предобработки и классификации заявок, подсистему предиктивного анализа для прогнозирования сроков выполнения работ, механизм интеллектуального поиска возможных решений на основе исторических данных, автоматизированную систему тестирования внесенных изменений и панель мониторинга с аналитическими отчетами. Важным элементом является механизм самообучения [18], который позволит системе адаптироваться к новым условиям работы, совершенствуя алгоритмы предсказания и рекомендации на основе обратной связи от пользователей. Также система будет уведомлять исполнителя в начале дня о предстоящих задачах с примерным временем исполнения и уведомлять в конце дня о соответствии плана реальной реализации. Показатели времени выполнения задач будут рассчитываться на основании анализа предыдущих проектов и задач из хранилища [11].

Формулировка новизны предлагаемых решений

Новизна предложенного решения заключается в глубоком использовании машинного обучения и методов анализа больших данных для оптимизации процессов управления проектами. В отличие от традиционных подходов, система предлагает интеллектуальный анализ данных [14], автоматическую адаптацию алгоритмов к изменяющимся условиям, предиктивное моделирование сроков выполнения работ и поддержку автоматических рекомендаций исполнителям. Использование нейросетевых моделей и алгоритмов статистического анализа позволит минимизировать влияние человеческого фактора, повысить точность прогнозов и значительно сократить затраты на выполнение работ. Аналитическая система также предложит персонализированные рекомендации, основанные на анализе исторических данных [11], что обеспечит более точную и быструю реализацию необходимых решений. Важной особенностью является возможность автоматического подбора примеров решений для программистов, основанного на анализе предыдущих успешных задач.

Экономическое обоснование предлагаемых решений

Внедрение системы управления проектами, основанной на машинном обучении и анализе больших данных, потребует значительных инвестиций, однако прогнозируемый экономический эффект оправдает затраты. Основные статьи расходов включают разработку интеллектуальных алгоритмов, внедрение инфраструктуры для обработки больших данных и обучение персонала.  Для анализа экономического эффекта [8] рассмотрим моделирование процесса, используя нотацию BPMN. Реализуем BPMN-модель существующего процесса (Рисунок 3) и BPMN-модель предлагаемого процесса (Рисунок 4), а также составим сводную таблица общего времени и ресурсов (Таблица 1).

Рисунок 3. BPMN-модель существующего процесса

Рисунок 4. BPMN-модель предлагаемого процесса

В результате проведения моделирования получили следующие результаты по затратам времени.

Среднее время выполнения существующего процесса: 1д 7ч 32 мин

Время выполнения предлагаемого процесса: 1д 1ч 2мин

В результате проведения моделирования получили следующие результаты по стоимостным затратам.

Стоимость ресурсов в существующем процессе: 11 117 400

Стоимость ресурсов в предлагаемом процессе: 7 062 000

Ожидаемая окупаемость проекта составит менее двух лет за счет сокращения времени обработки заявок на 40%, снижения количества ошибок на 50% и уменьшения затрат на сопровождение системы на 30%. Использование предиктивных моделей позволит заранее выявлять возможные проблемы и оптимизировать ресурсы, что дополнительно снизит расходы компании. Рост эффективности за счет внедрения аналитики больших данных приведет к увеличению пропускной способности системы и снижению нагрузки на сотрудников, что положительно скажется на финансовых показателях компании.

Заключение

Внедрение системы управления проектами с применением машинного обучения и анализа больших данных значительно повысит эффективность работы предприятия. Система автоматизирует принятие решений, оптимизирует процессы, снижает количество ошибок и ускоряет выполнение задач. Одной из ключевых функций станет интеллектуальный поиск готовых решений, что ускорит работу программистов.

Система также будет автоматически формировать отчеты по каждому сотруднику, оценивая сложность и новизну задач на основе анализа прошлых проектов, что упростит контроль и повысит объективность оценки эффективности. Прогнозы на основе исторических данных улучшат планирование и прозрачность процессов.

Проект экономически обоснован: ожидается сокращение времени обработки заявок на 40%, снижение ошибок на 50% и затрат на сопровождение на 30%. Окупаемость — менее двух лет. В перспективе система обеспечит устойчивое снижение затрат, рост производительности и конкурентоспособности. Ключевые успеха — интеллектуальный поиск, автоматизированная отчетность и система уведомлений, обеспечивающие эффективную организацию работы команды.

Список литературы:

1. Левин И. М Машинное обучение / И. М Левин — Москва: Директ-Медиа, 2023. — 368 с.
2. МЕТОДОЛОГИЯ ФУНКЦИОНАЛЬНОГО МОДЕЛИРОВАНИЯ IDEF0 — Введ. 2002-07-01. — Москва: ГОССТАНДАРТ РОССИИ, 2000.— 75 с.
3. Янкович Ш.А. Управление офисом / Ш.А. Янкович — Москва: Юнити-Дана, 2017. — 254 с.
4. Методические указания по организации практических занятий и самостоятельной работы студентов по МДК // donstu.ru. — 2017 — URL: https://donstu.ru/sveden/files/MDK.01.02_Metody_i_sredstva_proektirovaniya_informacionnyx_sistem_SIS.pdf (дата обращения: 06.02.2025)
5. Единая система программной документации. Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения — Введ. 1992-01-01. — Москва: Москва Стандартинформ, 2010.— 23 с.
6. Рекомендации по стандартизации. Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования — Введ. 2002-07-02. — Москва: ГОССТАНДАРТ РОССИИ, 2001.— 54 с. — URL: https://docs.cntd.ru/document/1200028629
7. Phillips J. M. Mathematical Foundations for Data Analysis / J. M. Phillips — Нью-Йорк: Springer, 2021. — 304 p.
8. Дигилина О.Б. Анализ больших данных / О.Б. Дигилина, А.М. Губернаторов — Москва: Издательство КноРус, 2024. — 295 с.
9. Баланов А.Н. Машинное обучение и искусственный интеллект. Учебное пособие для СПО / А.Н. Баланов — Москва: Издательство ЛАНЬ, 2024. — 78 с.
10. Погонин В.А. Автоматизация технологических процессов и производств / В.А. Погонин, В.Н. Назаров, А.А. Третьяков — Тамбов: Тамбовский государственный технический университет, 2018. — 228 с.
11. Парамонов И.Ю. Методы и модели исследования сложных систем и обработки больших данных: монография / И.Ю. Парамонов, В.А Смагин, Н.Е. Косых, А.Д. Хомоненко — Москва: Издательство "Лань", 2020. — 236 с.
12. Искусственный интеллект в корпоративном управлении: возможности и границы применения // cyberleninka. — 2022 — URL: https://cyberleninka.ru/article/n/iskusstvennyy-intellekt-v-korporativnom-upravlenii-vozmozhnosti-i-granitsy-primeneniya (дата обращения: 30.01.2025)
13. Bishop C.M. Pattern Recognition and Machine Learning / C.M. Bishop — New York: Springer, 2006. — 738 p.
14. Russell S.J. Artificial Intelligence: A Modern Approach / S.J. Russell — Нью-Йорк: Pearson, 2020. — 1136 p.
15. Goodfellow I. Deep Learning / I. Goodfellow, Y. Bengio, A. Courville — Кембридж, США: MIT Press, 2016. — 800 p.
16. Hastie T. The Elements of Statistical Learning: Data Mining, Inference, and Prediction / T. Hastie, R. Tibshirani, J.H. Friedman — Нью-Йорк: Springer, 2009. — 745 p.
17. Provost F. Data Science for Business: What You Need to Know About Data Mining and Data-Analytic Thinking / F. Provost, T. Fawcett — Нью-Йорк: O'Reilly Media, 2013. — 413 p.
18. Murphy K.P. Machine Learning: A Probabilistic Perspective / K.P. Murphy — Кембридж, Массачусетс: MIT Press, 2012. — 1104 p.
19. Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — System and software quality models. — Introduced 2011-03-01. — Женева, Швейцария.: Международная организация по стандартизации (ISO)., 2011.— 44 p.