Обоснована необходимость дифференцированного подхода к оценке эффективности маркетинга в социальных сетях для компаний IT-сектора. Актуальность исследования обусловлена отсутствием методик, учитывающих особенности этого сектора, что приводит к применению некорректных метрик и принятию неэффективных управленческих решений. В статье выделены и систематизированы семь ключевых отраслевых факторов, определяющих специфику оценки эффективности маркетинга в социальных сетях. Разработана таблица применения юнит-метрик для различных типов IT-компаний. Сформулированы требования к оценке эффективности маркетинга в социальных сетях для IT-компаний, учитывающие в том числе тип бизнес-модели, этап воронки продаж, платформенную специфику и необходимость интеграции юнит-экономики.

В статье на примере оценки цифровых транснациональных компаний анализируются недостатки и ограничения классических инструментов оценки транснационализации – индекса транснационализации, матрицы интернет-интенсивности и показателя легкости прямых иностранных инвестиций. Показано, что все три подхода опираются на физические активы, персонал и географически локализуемую выручку, тогда как цифровые транснациональные компании осуществляют международную экспансию преимущественно через нематериальные каналы. Предложен индекс цифровой транснационализации компании, основанный на трех компонентах: географическом охвате, равномерности распределения аудитории и вовлеченности аудитории. Выполнен расчет этого индекса на примере компаний ByteDance и Meta Platforms, который показал, что метод позволяет зафиксировать качественно различные стратегии цифровой интернационализации, недоступные традиционным метрикам.

Рассмотрен интеллектуальный компонент инновационного функционирования экономики устойчивого социально-экономического развития. Показано увеличение роли интеллектуальной составляющей в деятельности хозяйственных комплексов, направленной на повышение потребительских характеристик выпускаемой продукции различного функционального назначения, увеличения ее конкурентоспособности на внутреннем и внешнем рынках. Отмечено снижение доли продукции, новизна и оригинальность которой защищена патентами на изобретения, полезные модели, промышленные образцы. Показаны пути совершенствования интеллектуального компонента инновационной деятельности путем создания кластерных структур научных, образовательных и производственных организаций и учреждений.

В статье приведены результаты комплексной оценки банковской системы Республики Беларусь в условиях цифровой трансформации. Рассмотрены три главных приоритета, которые играют ключевую роль в вопросе цифровой трансформации банковской системы страны: криптобанки, искусственный интеллект, цифровой белорусский рубль. Исследование позволит оценить степень готовности нормативно-правовой базы Беларуси и уровень готовности ее банковской системы к внедряемым технологическим инновациям.

В высшем образовании академическая успеваемость студентов рассматривается как важный образовательный результат. Поэтому повышение академической успеваемости является актуальной задачей для многих учреждений высшего образования. Прогнозирование и классификация успеваемости студентов могут предоставить ценную информацию и способствовать разработке соответствующих стратегий для улучшения академических результатов. В последние годы методы интеллектуального анализа данных широко применяются и демонстрируют значительные успехи в задачах классификации и прогнозирования. В статье представлен и проанализирован набор данных об успеваемости студентов EASP. Для классификации и прогнозирования академической успеваемости студентов применены семь методов машинного обучения: мультиномиальный наивный байесовский классификатор, метод опорных векторов, дерево решений, логистическая регрессия, случайный лес, градиентный бустинг и метод k-ближайших соседей. Эффективность этих методов оценивалась с использованием прецизионности, полноты, площади под ROC-кривой (AUC) и F1-меры. Экспериментальные результаты показали, что логистическая регрессия достигает наилучшей прогнозной эффективности на тестовой выборке EASP с прецизионностью 0,75.

Рассмотрен процессный подход в контексте цифровой трансформации организаций. Проанализированы ключевые аспекты цифровой трансформации, искусственного интеллекта, машинного и глубокого обучения как инструментов для оптимизации и улучшения процессовых моделей. Представлена процессная модель в виде карты бизнес-процессов, выступающая основой для цифровой трансформации и обеспечивающая прозрачность управления, устранение дублирования функций и стандартизацию операций. Показано, что процессный подход может служить основой для эффективной реализации стратегии цифровой трансформации, способствуя повышению гибкости, устойчивости и конкурентоспособности компании.

В условиях цифровой трансформации промышленности управление качеством сталкивается с необходимостью пересмотра традиционных подходов, основанных на выборочном контроле и статистических методах, в пользу проактивных и предиктивных моделей, интегрированных в цифровую среду предприятия. Однако в литературе отсутствует системный анализ процессов управления качеством с точки зрения их пригодности к цифровой трансформации, что затрудняет выбор эффективных стратегий внедрения интеллектуальных инструментов. Научная новизна исследования заключается в систематизации основных процессов управления качеством, идентификации ключевых барьеров, препятствующих цифровизации, и определении факторов, влияющих на пригодность процессов к автоматизации. Особый интерес представляет анализ влияния человеческого фактора, проблем интеграции разнородных информационных систем и ограничений, связанных с формализацией аналитических процессов, на эффективность цифровой трансформации. Аргументы автора склоняются в пользу системного подхода к цифровизации, предполагающего предварительный анализ и корректировку существующих процессов, поэтапное внедрение с акцентом на управленческие процессы, а также развитие компетенций персонала как необходимого условия успеха. Полученные результаты могут быть использованы руководителями и специалистами по качеству при планировании проектов цифровой трансформации на промышленных предприятиях.