Data mining как инструмент мультимодальной бизнес-аналитики: трансформация лексики годовых отчетов госкорпорации «Ростех»

Цель исследования состоит в применении инструментов Data Mining для выявления латентного характера трансформации лексики годовых отчетов государственной корпорации «Ростех» и обосновании перспективности расширения методологии бизнес-анализа инструментами мультимодальной бизнес-аналитики. Выявление трендов трансформации лексики годовых отчетов осуществлялось путем выделения индикаторных свойств уникальных ключевых лексем и их контекстов. Автором использовались методы мультимодальной бизнес-аналитики и инструменты Data Mining для анализа корпоративной отчетности с целью идентификации наиболее существенных признаков и трендов трансформации бизнес-лексики предприятий и корпораций, выявление которых остается за рамками традиционного бизнес-анализа. Исходными данными являлись русскоязычные тексты годовых отчетов госкорпорации «Ростех» за 2017–2021 гг. В качестве инструментов Data Mining использовалась Workflow-модель на онлайн-платформе анализа и визуализации данных Orange Data Mining 3.3.2. Исследование позволило выявить устойчивый тренд на обновление содержания годовой отчетности корпорации в анализируемый период. Максимальную динамику устойчивого роста частотности продемонстрировали уникальные ключевые лексемы «работник», «обучение», «платформа», «трансформация», «инициатива» и «академия». Контекстный анализ позволил сделать вывод, что в основе трансформации деловой лексики лежит прирост внимания корпорации к проблемам цифровой трансформации, развитию цифровых платформ, реализации технологических и социогуманитарных стратегических инициатив, повышению квалификации работников на основе обучения в корпоративной сетевой академии. Реализация этих мероприятий требует совершенствования стратегии управления финансовыми, коррупционными, рыночными и другими рисками. Мультимодальная бизнес-аналитика является перспективным направлением научных исследований и инструментом решения прикладных экономических и организационно-управленческих задач.

1. Афанасьев Д. О., Федорова Е. А., Демин И. С., Рогов О. Ю. О влиянии зарубежных СМИ на российский фондовый рынок: текстовый анализ // Экономика и математические методы. – 2020. – Т. 56. – № 1. – С. 153–165.

2. Кузубов С. А., Евдокимова М. С. Повышает ли стоимость компании публикация нефинансовых отчетов по стандартам GRI (на примере стран БРИКС)? // Учет. Анализ. Аудит. – 2017. – № 2. – С. 28–36.

3. Теплова Т. В., Соколова Т. В., Томтосов А. Ф., Бучко Д. В., Никулин Д. Д. Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка // Журнал Новой экономической ассоциации. – 2022. – № 1 (53). – С. 53–84.

4. Федорова Е. А., Афанасьев Д. О., Нерсесян Р. Г., Ледяева С. В. Влияние нефинансовой информации на основные показатели российских компаний // Журнал Новой экономической ассоциации. – 2020. – № 2 (46). – С. 73–96.

5. Федорова Е. А., Пыльцин И. В., Ковальчук Ю. А., Дроговоз П. А. Новости и социальные сети российских компаний: степень влияния на рынок ценных бумаг // Журнал Новой экономической ассоциации. – 2022. – № 1 (53). – С. 32–52.

6. Федорова Е. А., Хрустова Л. Е., Демин И. С. Влияние качества раскрытия нефинансовой информации российскими компаниями на их инвестиционную привлекательность // Российский журнал менеджмента. – 2020. – Т. 18. – № 1. – С. 51–72.

7. Ahmad K., Han J. G., Hutson E., Kearney C., Liu S. Media-Expressed Negative Tone and Firm-Level Stock Returns // Journal of Corporate Finance. – 2015. – N 37. – P. 152–172.

8. Baker M., Wurgler J. Investor Sentiment and the Cross-Section of Stock Returns // The Journal of Finance. – 2006. – Vol. LXI. – N 4. – P. 1645–1680.

9. Fedorova E., Druchok S., Drogovoz P. Impact of News Sentiment and Topics on IPO Underpricing: US Evidence // International Journal of Accounting & Information Management. – 2022. – Vol. 30. – N 1. – P. 73–94.

10. Lahat D., Adali T., Jutten C. Multimodal Data Fusion: An Overview of Methods, Challenges, and Prospects // Proceedings of the IEEE. – 2015. – N 103 (9). – P. 1449–1477.

11. Li M., Wang F., Jia X. et al. Multi-Source Data Fusion for Economic Data Analysis // Neural Computing and Applications. – 2021. – N 33. – P. 4729–4739.

12. Piatetsky-Shapiro G. Data Mining and Knowledge Discovery 1996 to 2005: Overcoming the Hype and Moving from “University” to “Business” and “Analytics” // Data Mining and Knowledge Discovery. – 2007. – N 15. – P. 99–105.