ВИЯВЛЕННЯ ЗНАНЬ У БАЗАХ ДАНИХ ДЛЯ ОПТИМІЗАЦІЇ СКЛАДСЬКОЇ ЛОГІСТИКИ В УМОВАХ ЦИФРОВОЇ ТРАНСФОРМАЦІЇ
DOI:
https://doi.org/10.36074/grail-of-science.31.05.2026.028Keywords:
Knowledge Discovery in Databases, Data Mining, цифрова трансформація, складська логістика, інтелектуальний аналіз даних, штучний інтелект, CRISP-DM, Big DataSummary
У статті досліджено теоретичні та прикладні аспекти виявлення знань у базах даних (Knowledge Discovery in Databases, KDD) як одного з ключових інструментів цифрової трансформації підприємств. Обґрунтовано значення технологій інтелектуального аналізу даних для підвищення ефективності логістичних процесів та управління складськими системами. Проведено порівняльний аналіз академічних і промислових моделей KDD, зокрема дев’ятиетапної моделі Fayyad та міжгалузевого стандарту CRISP-DM. Запропоновано авторську модель Smart-KDD Logistics, яка інтегрує процедури оцінювання якості даних, методи Explainable Artificial Intelligence та механізми безперервного моніторингу результатів. Виконано експериментальне моделювання застосування запропонованої моделі для оптимізації діяльності складського комплексу. Результати дослідження демонструють можливість скорочення часу обробки замовлень, зменшення кількості помилок комплектування та підвищення точності прогнозування попиту. Запропонований підхід може бути використаний підприємствами логістичної, торговельної та виробничої сфер для підвищення ефективності управлінських рішень в умовах цифрової економіки
Downloads
Downloads
License
Copyright (c) 2026 Роман Андрушків
References
Aggarwal C. C. Data Mining: The Textbook. 2nd ed. Cham : Springer, 2023. 734 p.
Chapman P., Clinton J., Kerber R., Khabaza T., Reinartz T., Shearer C., Wirth R. CRISP-DM 1.0: Step-by-Step Data Mining Guide. SPSS Inc., 2000. 78 p.
Davenport T., Bean R. Data and Analytics Leadership: Driving Digital Transformation. MIT Sloan Management Review. 2023. Vol. 64(3). P. 1–9.
Fayyad U., Piatetsky-Shapiro G., Smyth P. From Data Mining to Knowledge Discovery in Databases. AI Magazine. 1996. Vol. 17(3). P. 37–54.
Han J., Kamber M., Pei J. Data Mining: Concepts and Techniques. 4th ed. Burlington : Morgan Kaufmann, 2022. 784 p.
Mariscal G., Marbán Ó., Fernández C. A Survey of Data Mining and Knowledge Discovery Process Models and Methodologies. The Knowledge Engineering Review. 2010. Vol. 25(2). P. 137–166. DOI: https://doi.org/10.1017/S0269888910000032
Martínez-Plumed F., Contreras-Ochando L., Ferri C., Flach P., Hernández-Orallo J. CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories. IEEE Transactions on Knowledge and Data Engineering. 2021. Vol. 33(8). P. 3048–3061. DOI: https://doi.org/10.1109/TKDE.2019.2962680
Molnar C. Interpretable Machine Learning. 2nd ed. Munich : Leanpub, 2022. 520 p.
OECD. Data-Driven Innovation for Growth and Well-Being. Paris : OECD Publishing, 2023. 256 p.
Provost F., Fawcett T. Data Science for Business: What You Need to Know about Data Mining and Data-Analytic Thinking. Sebastopol : O’Reilly Media, 2013. 414 p.
Shearer C. The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing. 2000. Vol. 5(4). P. 13–22.
Shmueli G., Bruce P., Yahav I., Patel N. Data Mining for Business Analytics: Concepts, Techniques and Applications. 4th ed. Hoboken : Wiley, 2024. 912 p.
Tripathi S., Muhr D., Brunner M., Emmert-Streib F., Jodlbauer H., Dehmer M. Ensuring the Robustness and Reliability of Data-Driven Knowledge Discovery Models in Production and Manufacturing. Applied Sciences. 2021. Vol. 11(12). P. 5791–5809. DOI: https://doi.org/10.3389/frai.2021.576892
Witten I. H., Frank E., Hall M. A., Pal C. J. Data Mining: Practical Machine Learning Tools and Techniques. 5th ed. Amsterdam : Elsevier, 2023. 656 p.
World Economic Forum. Global Digital Transformation Report 2025. Geneva : World Economic Forum, 2025. 148 p.
Downloads
How to Cite
Issue
Section
Categories
