XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Актуальность

В рамках национального проекта «Экономика данных и цифровая трансформация государства» цифровые технологии становятся ключевым инструментом управления экономикой и ресурсами. По мнению экспертов, ежегодный объём информационных ресурсов, поступающих в государственные и коммерческие системы, растёт на 25–30% [Белая книга цифровой экономики, 2024]. Это создаёт новые возможности для прогнозирования, но одновременно накладывает серьёзные требования к системам хранения и анализа данных.

Аналитики отмечают, что современная экономика данных невозможна без эффективного управления информационной базой, так как ошибки в их организации приводят к искажению аналитики и прогнозов. Кроме того, растёт потребность в специалистов, способных работать с большими массивами сведений: согласно источникам Zerocoder, востребованными остаются профессии «аналитик данных», «специалист по искусственному интеллекту» и «инженер баз данных» [Zerocoder, 2024].

Использование современных платформ для хранения и обработки данных, таких как SQL‑системы, NoSQL‑базы и облачные хранилища, позволяет не только аккумулировать показатели, но и строить прогнозы, необходимые для государственных и корпоративных решений. При этом каждый выбор платформы обосновывается исходя из потребностей организации, объёма статистики и требований к скорости обработки информации. Например, SQL‑системы оптимальны для структурированных данных, NoSQL – для гибкой работы с неструктурированными формами, а облачные решения обеспечивают масштабируемость и доступность [по мнению экспертов в области аналитики].

Использование баз данных в современной информационной экономике имеет двойственный характер. С одной стороны, они позволяют аккумулировать огромные объёмы сведений, структурировать её и обеспечивать быстрый доступ для аналитических систем. С другой стороны, слишком жёсткая структура или избыточное упрощение отчетных сведений может приводить к искажению анализа, что, по мнению экспертов, становится одной из основных проблем современных аналитиков [Белая книга цифровой экономики, 2024]. Например, когда человек работает с неструктурированными формами — текстами из соцсетей или PDF‑отчётами – SQL‑базы оказываются не очень удобными. В то же время переход на NoSQL требует дополнительных навыков и времени на настройку, поэтому тут сразу видно противоречие между удобством и точностью работы.

Интересно и то, как искусственный интеллект можно использовать вместе с базами данных. Аналитики отмечают, что ИИ умеет находить закономерности, прогнозировать спрос и оптимизировать хранение показателей. Но есть и минусы: с одной стороны, ИИ ускоряет анализ и делает прогнозы точнее, а с другой – требует больших ресурсов и может быть непонятен пользователю, из‑за чего к результатам иногда теряется доверие [Zerocoder, 2024].

Современные аналитические платформы обычно опираются на три основных типа баз данных: привычные SQL, более гибкие NoSQL и облачные хранилища. Каждая из этих платформ имеет свои преимущества и ограничения. SQL‑системы подходят для строго структурированных данных, где важна точность и последовательность. NoSQL‑базы удобны для работы с разнородной информацией, но требуют больше времени на настройку и проверку результатов. Облачные решения обеспечивают масштабируемость, но зависят от качества интернет‑соединения и политики безопасности провайдера. Для наглядности приведём сравнительную таблицу платформ (Таблица 1).

Таблица 1

Сравнение типов баз данных: преимущества, ограничения и области применения

Важно отметить, что эффективность платформ напрямую связана с профессиональными навыками аналитиков. По сведениям «Белой книги цифровой экономики», более 40% проектов по анализу больших данных сталкиваются с проблемами из-за недостаточной квалификации сотрудников, а почти 30% – из-за несовершенства инструментов [Белая книга цифровой экономики, 2024].

К тому же, благодаря искусственному интеллекту появляется множество новых возможностей для предположений и роботизации. В пример можно привести возможность составлять автоматически отчеты, уметь находить логичность в поведении клиентов или же оценивать результативность госпрограмм. Но ко всему этому, эксперты сообщают, что чрезмерное программирование без участия каких-либо специалистов приведет к серьезным проблемам и могут начаться финансовые потери. И поэтому задача аналитика заключается не только в том, чтобы суметь выбрать подходящую позицию, но, и чтобы в точности понимать и комментировать результаты.

Ввиду того, что сам объём данных постоянно растёт, и появляются новые профессии, такие как профессия инженера данных или же эксперта по машинному обучению, то очень важно уметь создавать системы, которые будут принимать во внимание и скорость самой обработки информации, а также ее безопасность. В конечном итоге базы данных прекращают быть обычными хранилищами данных, и они перерастают в инструмент стратегического планирования, который таким образом влияет на экономику и цифровое изменение общества.

Работа аналитика в экономике данных сопряжена с рядом проблем, которые можно разделить на три основные группы:

1. Качество данных – данные часто поступают из разных источников, могут быть неполными или противоречивыми, что снижает точность анализа.

2. Выбор платформы и инструментов – неправильный выбор SQL, NoSQL или облачной системы приводит к замедлению работы и ошибкам в прогнозах.

3. Интерпретация результатов – даже при корректной обработке данных, ошибки аналитика в интерпретации могут привести к неправильным управленческим решениям. Для наглядности в тексте можно представить три графика (Рис. 1, 2, 3).

Рис. 1. Доля проектов, сталкивающихся с проблемами качества данных

Рис. 2. Влияние выбора платформы на скорость аналитики

Рис. 3. Ошибки интерпретации данных и их экономические последствия

Сопоставление различных платформ также может показывать свои разногласия. Если взять NoSQL, то для этой категории благоприятны системы для работы с большими неструктурированными статистиками, но несмотря на это они требуют высокой специальности, а облачные решения более доступны и быстры, но к тому же и бывают иногда небезопасными. В таблице ниже приведены все эти различия (Таблица 2).

Таблица 2

Сравнительная оценка технологий для аналитики

Специалисты также подчеркивают, что искусственный интеллект может помогать снижению ошибок у людей, а также ускоряет рассмотрение и прогнозирование, и допускает обнаруживать скрытые последовательности. Но если человек полностью будет полагаться на искусственный интеллект без помощи экспертов, то это приведет к увеличению количества рисков. Таким образом работа аналитика постоянно связана с соотношением между технологиями и экспертными мнениями.

Влияние базы данных на экономику происходит не только через хранение и переработки информации, но и через разработку стратегий. Достоверные прогнозы помогают государству более рационально распределять ресурсы, компаниям помогают улучшать бизнес-процессы, а обществу приобретать современные электронные услуги.

В результате исследования можно сделать следующие выводы: базы данных – это главный инструмент цифровой экономики, который обеспечивает хранение информации, ее обработку и сбор; то, что результативность статистики зависит как от ее системы, так и от профессионализма экспертов и умения эффективно применять ИИ; также внедрение интеллектуальных систем дает новые подходы к прогнозированию, но к тому же нуждается в тщательном наблюдении и риск-менеджменте; а перспектива цифровой экономики зависит от пропорциональной системы технологий, умения критически мыслить и стратегии управления информацией.

Список литературы

1. Белая книга цифровой экономики. Российская Федерация, 2024. – [официальный источник: gov.ru]

2. Zerocoder. Отчёт по профессиям и аналитике данных, 2024. – [официальный сайт Zerocoder]

3. Экспертные оценки по аналитике и ИИ в экономике данных. – Обобщённые сведения из публикаций аналитических компаний, 2023–2024.

4. Национальный проект «Экономика данных и цифровая трансформация государства». – Официальный портал правительства РФ, 2023.