ПОБУДОВА ФУНКЦІЙ НАЛЕЖНОСТІ ПОКАЗНИКІВ ЕФЕКТИВНОСТІ ІТ-ПРОЄКТІВ НА БАЗІ SOM-КЛАСТЕРИЗАЦІЇ ДЛЯ ПРИЙНЯТТЯ УПРАВЛІНСЬКИХ РІШЕНЬ

Я.О. Колодінська; Г.І. Великоіваненко

doi:10.37734/2409-6873-2026-2-3

Я.О. Колодінська Київський національний економічний університет імені Вадима Гетьмана; Приватний вищий навчальний заклад "Європейський університет" https://orcid.org/0000-0002-3330-7565
Г.І. Великоіваненко Київський національний економічний університет імені Вадима Гетьмана https://orcid.org/0000-0001-6326-3965

DOI: https://doi.org/10.37734/2409-6873-2026-2-3

Ключові слова: ІТ-проєкт, управління проєктами, цифрова економіка, інформаційні технології, нейронна мережа, моделювання, карти самоорганізації Кохонена (SOM), кластеризація, кластери, кластерний аналіз, функції належності, показники ефективності, рентабельність інвестицій (ROI), інтегральний показник

Анотація

Мета статті полягає у розробці та обґрунтуванні методичного підходу до побудови функцій належності показників на основі результатів кластеризації за допомогою карт самоорганізації Кохонена для оцінювання ефективності ІТ-проєктів. Методика дослідження базується на застосуванні інструментарію штучних нейронних мереж, теорії нечітких множин та нечіткої логіки, статистичного аналізу розподілів для обґрунтування управлінських рішень. Результати. Запропоновано алгоритм визначення параметрів функцій належності показників ефективності ІТ-проєктів через модальні значення розподілу центрів кластерів, що дозволяє нівелювати вплив випадкових факторів навчання нейронної мережі і підвищити стійкість та інтерпретованість результатів. Побудовано квазідзвоноподібні функції належності для п’яти лінгвістичних термів, що відповідають різним рівням ефективності ІТ-проєктів. Практична значущість результатів дослідження полягає у створенні надійного аналітичного підґрунтя для побудови нейро-нечіткої моделі прогнозування та підтримки прийняття управлінських рішень в процесах реалізації та масштабування ІТ-проєктів за умов невизначеності цифрової економіки.

Посилання

Kohonen T. Self-organizing maps. 3rd ed. Berlin : Springer, 2001. 501 p. URL: https://books.google.com.ua/books/about/Self_Organizing_Maps.html?id=e4igHzyfO78C&redir_esc=y

Jang J.-S. R. ANFIS: Adaptive-Network-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics. 1993. Vol. 23, № 3. P. 665-685. DOI: https://doi.org/10.1109/21.256541

Dhingra Sh., Pavlinder S. M. Design and Implementation of Neuro Fuzzy model for Software Development Time Estimation. International Journal of Computer Applications. 2014. Vol. 86, № 5. P. 7-12. DOI: https://doi.org/10.5120/14979-3179

Чернов В. Г., Дорохов О. В. Методологія оцінювання інноваційного розвитку з використанням нейро-нечіткого моделювання. Економіка розвитку. 2015. № 3 (75). URL: http://www.repository.hneu.edu.ua/jspui/handle/123456789/10267

Zhang T., Wang Z. Self-Organized Fuzzy Neural Network Nonlinear System Modeling Method Based on Clustering Algorithm. Applied Sciences. 2022. No. 12(22). DOI: https://doi.org/10.3390/app122211435

Матвійчук А. В. Штучний інтелект в економіці: нейронні мережі, нечітка логіка: монографія. Київ : КНЕУ. 2011. Том 439. № 1.

Піскунова О.В., Савіна С.С. Визначення оптимальних параметрів нейромережі для прогнозування успішності стартапів. The 9 th International scientific and practical conference “Modern research in world science” (November 28-30, 2022), Lviv, Ukraine. 2022. С. 1661-1665. URL: https://dspace.wunu.edu.ua/bitstream/316497/48282/1/MODERN-RESEARCH-IN-WORLD-SCIENCE-28-30.11.2022.pdf#page=1661

Matviychuk A., Lukianenko O., Miroshnychenko I. Neuro-fuzzy model of country’s investment potential assessment. Fuzzy Economic Review. 2019. Vol. 24, № 2. P. 65–88. DOI: https://doi.org/10.25102/fer.2019.02.04.

Великоіваненко Г.І., Мамонова К. М. Комплекс економіко-математичних моделей оцінювання інвестиційної привабливості суб’єктів господарювання. Нейро-нечіткі технології моделювання в економіці. 2012. № 1. С. 65-96. DOI: http://doi.org/10.33111/nfmte.2012.065

Zadeh, L. A. Fuzzy logic–a personal perspective. Fuzzy Sets and Systems, 2015. No. 281, pp. 4-20. DOI: https://doi.org/10.1016/j.fss.2015.05.009

Kohonen, T. (2001). Self-organizing maps (3rd ed.). Springer. Available at: https://books.google.com.ua/books/about/Self_Organizing_Maps.html?id=e4igHzyfO78C

Jang, J.-S. R. (1993). ANFIS: Adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, no. 23(3), pp. 665-685. DOI: https://doi.org/10.1109/21.256541

Dhingra, S., & Pavlinder, S. M. (2014). Design and implementation of neuro fuzzy model for software development time estimation. International Journal of Computer Applications, no. 86(5), pp. 7-12. DOI: https://doi.org/10.5120/14979-3179

Chernov, V. H., & Dorokhov, O. V. (2015). Metodolohiia otsiniuvannia innovatsiinoho rozvytku z vykorystanniam neiro-nechitkoho modeliuvannia [Methodology of assessing innovative development using neuro-fuzzy modeling]. Ekonomika rozvytku - Economics of development, no. 3, 75 p. Available at: http://www.repository.hneu.edu.ua/jspui/handle/123456789/10267 [in Ukrainian].

Zhang, T., & Wang, Z. (2022). Self-organized fuzzy neural network nonlinear system modeling method based on clustering algorithm. Applied Sciences, no. 12(22), 11435. DOI: https://doi.org/10.3390/app122211435

Matviychuk, A. V. (2011). Shtuchnyi intelekt v ekonomitsi: neironni merezhi, nechitka lohika: monohrafiia [Artificial intelligence in economics: neural networks, fuzzy logic: a monograph]. Vol. 439, 1. Kyiv : KNEU. [in Ukrainian].

Piskunova, O. V., & Savina, S. S. (2022, November 28-30). Vyznachennia optymalnykh parametriv neiromerezhi dlia prohnozuvannia uspishnosti startapiv [Determining the optimal parameters of a neural network for predicting the success of startups]. Proceedings of the 9th International scientific and practical conference “Modern research in world science” (pp. 1661-1665). Lviv, Ukraine. Available at: https://dspace.wunu.edu.ua/bitstream/316497/48282/1/MODERN-RESEARCH-IN-WORLD-SCIENCE-28-30.11.2022.pdf#page=1661 [in Ukrainian].

Matviychuk, A., Lukianenko, O., & Miroshnychenko, I. (2019). Neuro-fuzzy model of country’s investment potential assessment. Fuzzy Economic Review, no. 24(2), pp. 65-88. DOI: https://doi.org/10.25102/fer.2019.02.04

Velykoivanenko, H. I., & Mamonova, K. M. (2012). Kompleks ekonomiko-matematychnykh modelei otsiniuvannia investytsiinoi pryvablyvosti subiektiv hospodariuvannia [Complex of economic and mathematical models for assessing the investment attractiveness of business entities]. Neiro-Nechitki Tekhnolohii Modeliuvannia v Ekonomitsi - Neuro-Fuzzy Modeling Techniques in Economics, no. 1, pp. 65-96. DOI: http://doi.org/10.33111/nfmte.2012.065 [in Ukrainian].

Zadeh, L. A. (2015). Fuzzy logic – A personal perspective. Fuzzy Sets and Systems, no. 281, pp. 4-20. DOI: https://doi.org/10.1016/j.fss.2015.05.009