Л.С. Звягин1

1 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 lszvyagin@fa.ru

Постановка проблемы. В условиях четвертой промышленной революции (Индустрия 4.0) малые и средние промышленные предприятия (МСП) сталкиваются с необходимостью повышения эффективности управления для сохранения конкурентоспособности. Одним из инструментов для достижения цели являются интеллектуальные информационно-измерительные системы (ИИИС).

Цель. Показать роль ИИИС как инструмента управления промышленными предприятиями малого и среднего бизнеса и провести анализ существующих подходов к сбору и обработке данных на МСП, а также выявить проблемы, с которыми сталкиваются предприятия при внедрении современных цифровых решений.

Результаты. Предложен инновационный механизм управления промышленными МСП на основе ИИИС, который интегрирует технологии промышленного интернета вещей (IIoT), методы интеллектуального анализа данных (Data Mining) и алгоритмы машинного обучения для поддержки принятия управленческих решений в режиме реального времени. Отмечено, что такой механизм обеспечивает сбор данных, проводит их интеллектуальный анализ и обеспечивает поддержку принятия решений.

Практическая значимость. Разработана схема механизма, описывающая его компоненты: сенсорный уровень сбора данных, уровень обработки и хранения информации, аналитический уровень с предиктивной аналитикой и уровень поддержки принятия решений с формированием управляющих воздействий.

Звягин Л.С. Интеллектуальные информационно-измерительные системы как инструмент управления промышленными предприятиями малого и среднего бизнеса // Нелинейный мир. 2025. Т. 23. № 4. С. 50–58. DOI: https://doi.org/10.181 27/j20700970-202504-06

1. Авагян С.К. Информационно-измерительные системы // Вестник науки и образования. 2020. №7–1 (85). С. 15–17.
2. Евтеева Е.В. Интеллектуальная информационная система управления и сбора данных предприятия // Вестник Волжского университета им. В.Н. Татищева. 2015. № 1 (23). С. 24–30.
3. Селиванова З.М. Интеллектуальные информационно-измерительные системы [Электронный ресурс]: Учеб. пособие. Тамбов: Издательский центр ФГБОУ ВО «ТГТУ». 2024. 82 с.
4. Azevedo A., Filipe M. Data Mining and Business Intelligence: A Comparative, Historical Perspective. In: Integration of Data Mining in Business Intelligence Systems. 2016. P. 1–11. IGI Global. https://doi.org/10.4018/978-1-4666-9562-7.ch090
5. Barton M., Budjac R., Tanuska P., Sladek I., Nemeth M. Advancing Small and Medium-Sized Enterprise Manufacturing: Framework for IoT-Based Data Collection in Industry 4.0 Concept. Electronics. 2024. V. 13(13). P. 2485. https://doi.org/10.3390/electronics13132485.
6. Chertchom P. A Comparison Study between Data Mining Tools over Regression Methods: Recommendation for SMEs. In: 2018 5th International Conference on Business and Industrial Research (ICBIR). IEEE. 2018. P. 46–50. https://doi.org/10.1109/ICBIR.2018.8391164
7. Hashmi A.S., Ahmad T. Big Data Mining: Tools Algorithms. International Journal of Recent Contributions from Engineering, Science IT (iJES). 2016. V. 4(1). P. 36–40. https://doi.org/10.3991/ijes.v4i1.5350.
8. Larose D.T., Larose C.D. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley Sons. 2014. https://doi.org/10.1002/9781118874059.
9. Moeuf A., Pellerin R., Lamouri S., Tamayo S., Barbaray R. The industrial management of SMEs in the era of Industry 4.0. International Journal of Production Research. 2018. V. 56(3). P. 1118–1136. https://doi.org/10.1080/00207543.2017.1372647.
10. Oliveira C., Guimarães T., Portela F., Santos M. Benchmarking Business Analytics Techniques in Big Data. Procedia Computer Science. 2019. V. 160. P. 690–695. https://doi.org/10.1016/j.procs.2019.11.026.
11. Packianather M.S., Davies A., Harraden S., Soman S., White J. Data Mining Techniques Applied to a Manufacturing SME. Procedia CIRP. 2017. V. 62. P. 123–128. https://doi.org/10.1016/j.procir.2016.06.120.
12. Saeed T. Intelligent Information Management Data Mining for Small and Medium Enterprises: A Conceptual Model for Adaptation. Intelligent Information Management. 2020. V. 12(5). P. 183–197. https://doi.org/10.4236/iim.2020.125011.
13. Shah S., Soriano C.B., Coutroubis A.D. Is Big Data for Everyone? The Challenges of Big Data Adoption in SMEs. In: 2017 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM) IEEE. 2017. P. 803–807. https://doi.org/10.1109/IEEM.2017.8290002.
14. Štrukelj T., Dankova P. Ethical Leadership and Management of Small- and Medium-Sized Enterprises: The Role of AI in Decision Making. Administrative Sciences. 2025. V. 15(7). P. 274. https://doi.org/10.3390/admsci15070274.
15. Vercellis C. Business Intelligence: Data Mining and Optimization for Decision Making. Wiley. 2009. https://doi.org/10. 1002/9780470753866.
16. Wang S., Wang H. Big Data for Small and Medium-Sized Enterprises (SME): A Knowledge Management Model. Journal of Knowledge Management. 2020. V. 24(8). P. 1867–1886. https://doi.org/10.1108/JKM-02-2020-0081.
17. Wu X., Zhu X., Wu G.Q., Ding, W. Data Mining with Big Data. IEEE Transactions on Knowledge and Data Engineering. 2014. V. 26(1). P. 97–107. https://doi.org/10.1109/TKDE.2013.109.