Покращення прийняття рішень в управлінні бізнес-процесами за допомогою предикативної аналітики на основі штучного інтелекту

Abstract

This thesis examines the role of artificial intelligence (AI), specifically AI-based predictive analytics, in enhancing decision-making within the framework of Business Process Management (BPM). As organizations strive for increased efficiency and adaptability in their processes, predictive analytics has emerged as a key tool that empowers businesses to make more informed decisions. By leveraging AI models such as ChatGPT, Gemini AI, and others, companies can analyze vast amounts of historical and real-time data to forecast trends, optimize resource allocation, and mitigate risks in their operations. Predictive analytics, driven by AI, is revolutionizing how BPM is approached. The ability to anticipate potential future events based on data analysis allows businesses to proactively adjust workflows, schedules, and resource use. This shift leads to higher productivity, reduced operational costs, and more agile responses to market dynamics. AI models are particularly effective in analyzing large datasets that would be too complex or time-consuming for human analysts, thus enhancing the speed and accuracy of decision-making. This thesis also delves into the underlying algorithms and machine learning techniques used by AI models to generate predictive insights, including regression analysis, neural networks, and decision trees. It explores the integration of AI-based predictive analytics into existing BPM systems and examines its implications for both operational and strategic decision-making. Furthermore, the work addresses challenges such as data quality, integration complexity, and the need for continuous model training to maintain high prediction accuracy. The research underscores how predictive analytics powered by AI can transform business operations, especially in areas like supply chain management, customer relationship management, and financial forecasting. Additionally, the thesis considers the future potential of AI in BPM, particularly how predictive models might evolve to become more autonomous and adaptive over time, ultimately leading to smarter, self-optimizing business processes.

Дана робота досліджує роль штучного інтелекту (ШІ), зокрема предиктивної аналітики на основі ШІ, в удосконаленні процесу прийняття рішень в рамках управління бізнес-процесами (BPM). Оскільки організації прагнуть підвищити ефективність і адаптивність своїх процесів, предиктивна аналітика стала ключовим інструментом, який дозволяє бізнесу приймати більш обґрунтовані рішення. Використовуючи моделі штучного інтелекту, такі як ChatGPT, Gemini AI та інші, компанії можуть аналізувати величезні обсяги історичних даних і даних у реальному часі, щоб прогнозувати тенденції, оптимізувати розподіл ресурсів і зменшити ризики у своїй діяльності. Предиктивна аналітика на основі штучного інтелекту революціонізує підхід до BPM. Здатність передбачати потенційні майбутні події на основі аналізу даних дозволяє компаніям проактивно коригувати робочі процеси, графіки та використання ресурсів. Цей зсув призводить до підвищення продуктивності, зниження операційних витрат і більш гнучкого реагування на динаміку ринку. Моделі штучного інтелекту особливо ефективні в аналізі великих масивів даних, які були б занадто складними або трудомісткими для аналітиківлюдей, тим самим підвищуючи швидкість і точність прийняття рішень. У цій роботі також розглядаються основні алгоритми та методи машинного навчання, які використовуються моделями штучного інтелекту для генерування прогностичних висновків, зокрема регресійний аналіз, нейронні мережі та дерева рішень. Вона досліджує інтеграцію предиктивної аналітики на основі штучного інтелекту в існуючі системи BPM і вивчає її наслідки для прийняття оперативних і стратегічних рішень. Крім того, в роботі розглядаються такі проблеми, як якість даних, складність інтеграції та необхідність безперервного навчання моделей для підтримки високої точності прогнозування. Дослідження підкреслює, як предиктивна аналітика на основі штучного інтелекту може трансформувати бізнес-операції, особливо в таких сферах, як управління ланцюгами поставок, управління взаємовідносинами з клієнтами та фінансове прогнозування. Крім того, в дисертації розглядається майбутній потенціал ШІ в BPM, зокрема, як прогнозні моделі можуть розвиватися, щоб з часом стати більш автономними та адаптивними, що в кінцевому підсумку призведе до більш розумних бізнес-процесів, які самооптимізуються.