Перегляд за Автор "Chaikovska, I."
Зараз показуємо 1 - 7 з 7
Результатів на сторінці
Налаштування сортування
Документ Economic-mathematical model for complex risk assessment of the enterprise investment project using fuzzy logic(EDP Sciences, 2021) Григорук, П.М.; Григорук, Павло Михайлович; Hryhoruk, Pavlo; Hryhoruk, P.; Chaikovska, I.; Chaikovskyi, M.The article proposes an economic-mathematical model for determining a comprehensive risk assessment of the investment project of the enterprise which are based on the approaches of A. Nedosekin. The model is built using fuzzy logic and takes into account the probability of occurrence of each of the identified risks and the level of impact of each of them on the project. The probability of risk is set by experts in the form of points and converted into linguistic terms, and the level of influence of each of them on the project – the ratio of benefits and is determined using Fishburne scales. The proposed Project Risk Model consists of the following stages: formation of initial data using expert opinions; construction of a hierarchical project risk tree; determination of weight coefficients () of project risks; selection and description of membership function and linguistic variables; conversion of input data provided by experts from a score scale into linguistic terms; recognition of qualitative input data on a linguistic scale; determination of a complex indicator of investment project risks; interpretation of a complex indicator. The developed model allows managing the risks of the project to maximize the probability of its successful implementation, to compare alternative projects and choose less risky, to minimize the level of unforeseen costs of the project.Документ Fuzzy model for complex risk assessment of an enterprise investment project(2021) Григорук, П.М.; Григорук, Павло Михайлович; Hryhoruk, Pavlo; Hryhoruk, P.; Chaikovska, I.; Chaikovskyi, M.The article proposes an economic-mathematical model for determining a comprehensive risk assessment of the investment project of the enterprise which are based on the approaches of A. Nedosekin. The model is built using fuzzy logic and takes into account the probability of occurrence of each of the identified risks and the level of impact of each of them on the project. The probability of risk is set by experts in the form of points and converted into linguistic terms, and the level of influence of each of them on the project – the ratio of benefits and is determined using Fishburne scales. The proposed Project Risk Model consists of the following stages: formation of initial data using expert opinions; construction of a hierarchical project risk tree; determination of weight coefficients (Fishburne weights) of project risks; selection and description of membership function and linguistic variables; conversion of input data provided by experts from a score scale into linguistic terms; recognition of qualitative input data on a linguistic scale; determination of a complex indicator of investment project risks; interpretation of a complex indicator. The developed model allows managing the risks of the project to maximize the probability of its successful implementation, to compare alternative projects and choose less risky, to minimize the level of unforeseen costs of the projectДокумент Застосування статистичного методу для оцінювання ризиків інноваційно-інвестиційних проєктів підприємства(Хмельницький національний університет, 2020) Чайковська, І.І.; Chaikovska, I.Стаття присвячена розробці науково-практичних рекомендацій для прийняття ефективного обґрунтованого управлінського рішення щодо доцільності реалізації підприємством інноваційно-інвестиційних проєктів в умовах невизначеності та ризику. У статті розглянуто ситуацію необхідності вибору підприємством одного з трьох інноваційно- інвестиційних проєктів, які планує реалізувати підприємство. Критерієм ефективності виступає чистий приведений дохід (NPV), значення котрого майже однакове для трьох проєктів. З метою обрання підприємством найменш ризикового проєкту запропоновано до значень показника чистого приведеного доходу за кожен рік реалізації проєкту застосувати статистичний метод оцінки ризику. В результаті комплексного поєднання і розрахунку NPV проєктів та статистичного методу оцінки ризиків було обрано найменш ризиковий проєкт.Документ Моделювання діяльності мікропідприємства(Хмельницький національний університет, 2024) Проскурович, О.; Чайковська, І.; Горбатюк, К.; Proskurovych, O.; Chaikovska, I.; Gorbatiuk, K.В науковій статі досліджено процес оцінювання результату моделювання діяльності мікропідприємства засобами економетричного моделювання. Наведено основні підходи до процесу моделювання результатів діяльності суб’єкта підприємництва за динамічних умов розвитку економіки. Побудовано економетричні моделі зміни чистого доходу від надання послуг мікропідприємства та здійснено його подальше прогнозування. Визначено значний вплив вартості засобів виробництва та чисельності працівників на зміну результату діяльності мікропідприємства. Прогнозування чистого доходу здійснено на основі існуючих на мікропідприємстві тенденцій та за використання експертного методу щодо зростання вартості засобів та предметів праці та незмінності чисельності персоналу. Обидва варіанти дали позитивне зростання чистого доходу від наданих послуг. Залежно від динамічності ринкового середовища можна рекомендувати ці моделі до впровадження у практику господарювання мікропідприємства.Документ Розробка економіко-математичної моделі формування команди проєкту в сучасних умовах: знаннєвий аспект(Хмельницький національний університет, 2021) Чайковська, І.І.; Чайковський, М.Ю.; Chaikovska, I.; Chaikovskyi, M.Розроблена економіко-математична модель формування оптимального складу команди проєкту за рівнем знань в сучасних умовах, яка дозволяє успішно реалізувати проєкт. Цільова функція передбачає максимізацію інтегрального показника для відібраної комбінації працівників одного підрозділу підприємства, котрі увійдуть в склад команди проєкту. Даний інтегральний показник є усередненим значенням відповідного рівня знань працівників по кожній необхідній області знань із врахуванням відповідного вагового коефіцієнту. При цьому враховується обмеження, що у потенційного члена команди рівень знань зі встановлених областей знань має бути не нижчим мінімального рівня, встановленого експертами. А також середнє значення групи працівників з одного підрозділу по кожній області знань має бути не нижчим середнього рівня, встановленого експертами. У разі відсутності у підрозділах підприємства працівників з відповідним рівнем знань обирається комбінація працівників з мінімальним відхиленням. Модель передбачає застосування елементів комбінаторики для визначення можливих комбінацій працівників підрозділів. Також використано знання експертів та метод Фішберна для визначення вагових коефіцієнтів областей знань. Побудована карта знань підприємства, ієрархічне дерево областей знань проєкту із використанням системи відношень переваг. Використана модифікована шкала Харрінгтона для оцінювання рівня знань потенційних членів команди проєкту. Практична реалізація моделі здійснювалася для машинобудівного підприємства, котре планує виробництво нового виду продукції. З 52 кандидатів для формування команди проєкту було обрано 23 необхідних. 4 з них потребують додаткового навчання у внутрішніх експертів, котрі є працівниками підприємства. Розроблена модель може бути використана широким колом підприємств із врахуванням специфіки їх діяльності.Документ Роль сучасних інформаційних систем та технологій у забезпеченні економічної безпеки підприємства в умовах digital-економіки(Хмельницький національний університет, 2024) Чайковська, І.; Ткач, Т.; Чайковський, М.; Chaikovska, I.; Tkach, T.; Chaikovskyi, M.У статті розглянуто вплив наскрізної автоматизації та цифровізації на економіку та економічну безпеку підприємства. Встановлена двохаспектність даного впливу: як нові можливості та нові загрози і ризики. У роботі запропоновано сформувати цифрову екосистему як складову економічної безпеки підприємства з метою забезпечення економічної безпеки підприємства в умовах Digital-економіки. Дана цифрова екосистема повинна поєднувати використання новітніх технологій (штучний інтелект, машинне навчання, хмарні обчислення, аналітика великих даних, прогнозне моделювання, розширена та віртуальна реальність, промисловий Інтернет речей) разом із новітніми інформаційними системами (ERP, HRM, MES, CRM, PRM, SCM та ін.) з метою збору, зберігання, обробки та поширення інформації стосовно різних аспектів економічної безпеки підприємства. Дана інформація сприятиме активному виявленню, аналізу, оцінці впливу ризиків на функціонування підприємства в умовах Digital-економіки, а також для прийняття ефективного обґрунтованого управлінського рішення з метою управління ризиками (управлінськими, інформаційними, кадровими, технологічними та ін.). Саме такий підхід дозволить підвищити рівень економічної безпеки підприємства за умов цифровізації.Документ Інструментальне забезпечення маркетингової складової економічної безпеки підприємства в умовах цифрової трансформації бізнесу(Хмельницький національний університет, 2025) Чайковська, І.; Закрижевська, І.; Карпенко, В.; Chaikovska, I.; Zakryzhevska , I.; Karpenko, V.У роботі сформована система інструментального забезпечення маркетингової складової економічної безпеки підприємства в умовах цифрової трансформації бізнесу: комплексне поєднання інструментів маркетингу, які передбачені концепціями 4P, 4C та Markеting 6.0 (MT 4P+MT 4C+MT 6.0). Саме таке поєднання маркетингових інструментів дозволить забезпечити оптимальний рівень маркетингової складової економічної безпеки підприємства. Авторами відображені складові 4P та 4С-маркетингу, також представлена еволюція та специфіка концепцій Маркетинг 1.0, 2.0, 3.0, 4.0, 5,0 та Маркетинг 6.0. Відображено основні інструменти Маркетингу 5.0, які дозволяють відтворити роботу експертів-маркетологів: штучний інтелект, NLP, IoT, робототехніка, доповнена та віртуальна реальність, блокчейн. Також проаналізовані компоненти Маркетингу 5.0 та відповідні інструменти їх забезпечення: Data-driven marketing (аналітичні інструменти, наприклад, Google Analytics); Predictive marketing (інструменти для аналізу великих даних (Big Data); BI-системи візуалізації даних; CRMсистеми; платформи для аналізу даних; інструменти для A/B-тестування; платформи для автоматизації маркетингу); Contextual marketing (технології штучного інтелекту); Augmented Marketing (алгоритми машинного навчання та технології штучного інтелекту); Agile Marketing (Agile-інструменти).