В данной статье рассматривается значение больших данных (Big Data) в процессе принятия экономических решений. Анализируются источники больших данных, методы их обработки, а также примеры их применения в экономике. Подчеркивается возрастающая роль аналитики данных в условиях цифровизации и глобализации.

Ключевые слова: большие данные, аналитика, экономические решения, цифровизация, искусственный интеллект, прогнозирование.

Большие данные (Big Data) сегодня являются ключевым источником информации, оказывающим значительное влияние на принятие экономических решений во всех сферах жизни — от финансовых рынков до государственной политики. Современные технологии позволяют собирать, хранить и анализировать огромные объемы структурированных и неструктурированных данных, благодаря чему экономические и социальные системы получают возможность оперировать высокоточными показателями и прогнозами [1]. Исследования, посвящённые применению методов глубокого обучения для анализа настроений на финансовых рынках, а также применение методов снижения размерности, таких как анализ главных компонент (PCA) для измерения социально-экономического статуса, демонстрируют, как новые подходы в обработке данных способствуют выработке более обоснованных экономических стратегий [2].

Цель данной работы — обзор роли больших данных в принятии экономических решений с анализом основных методов обработки информации и примеров их применения в финансовом секторе. Мы рассмотрим как общие подходы к анализу высоко размерных данных, так и примеры использования специфических моделей глубокого обучения на финансовых данных.

Большие данные характеризуются тремя основными параметрами, как правило, обозначаемыми термином «3V»: объём (volume), скорость (velocity) и достоверность (veracity). Помимо этих основных показателей, также часто упоминаются разнообразие (variety) и сложность (complexity) набора данных. В условиях постоянно растущего объёма информации традиционные методы анализа часто оказываются неэффективными, что стимулирует развитие новых специализированных алгоритмов им одолей [3].

Роль глубокого обучения в анализе больших данных

Современные методы глубокого обучения (Deep Learning) позволяют автоматически извлекать сложные, нелинейные зависимости из огромного числа параметров, что особенно актуально при работе с неструктурированными данными, такими как текстовые сообщения в социальных сетях или изображения. Применение сверхточных нейронных сетей (CNN), рекуррентных нейронных сетей (RNN) и других моделей существенно улучшает качество выделения признаков из больших данных, минимизируя необходимость ручного отбора характеристик [2]. Например, исследование, посвященное финансовому анализу настроений на основе данных StockTwits, показало, что использование глубокого обучения позволяет повысить точность предсказаний при сравнении с традиционными методами обработки текста [1].

Методы снижения размерности данных

При работе с высоко размерными данными важную роль играют методы снижения размерности, среди которых основное место занимает анализ главных компонент (PCA). PCA позволяет преобразовать исходный набор переменных в новый, содержащий несколько линейно независимых компонент с наибольшей дисперсией. Этот метод существенно упрощает дальнейший анализ и визуализацию данных, снижая вычислительные затраты и улучшающая интерпретируемость результатов [3]. Другие методы, такие как факторный анализ (FA) и методы проекции, также применяются для получения основной структуры информации из шумовых и избыточных данных [4].

Ниже представлен сравнительный анализ современных методов работы с большими данными. В данной таблице представлены основные методы, используемые в современных исследованиях больших данных, а также их ключевые преимущества и недостатки. Такой анализ позволяет понять, какие подходы являются наиболее эффективными для конкретных приложений в экономической и социальной сферах.

Таблица 1

Сравнительный анализ современных методов работы с большими данными

Применение больших данных в финансовом секторе

Анализ финансовых настроений и прогнозирование рынка

Финансовый сектор является одним из наиболее динамичных благодаря использованию больших данных. Социальные сети, такие как StockTwits, предоставляют уникальную возможность собирать мнения участников рынка в режиме реального времени. Применение моделей глубокого обучения для анализа эмоционально-настроенных сообщений позволяет экономистам и инвесторам принимать более обоснованные решения о покупке и продаже активов.

Недавние исследования показали, что использование сверхточных нейронных сетей (CNN) для анализа текстовых данных в соцсетях может существенно повысить точность предсказаний динамики акций. Такие модели обучаются на большом объёме данных, что позволяет им обнаруживать скрытые закономерности и реагировать на изменения настроений пользователей, минимизируя влияние локальных шумовых факторов [2]. Методы глубокого обучения обладают преимуществом в автоматическом извлечении абстрактных признаков, что повышает адаптивность модели к новым данным и позволяет учитывать контекст сообщений.

Примеры использования данных социальных сетей

На практике анализ финансовых настроений проводится с помощью текстовой аналитики машинного обучения. Исследование, проведенное на основе данных StockTwits, продемонстрировало, что модели глубокого обучения, такие как LSTM (долгая краткосрочная память), doc2vec и CNN, эффективно справляются с задачей классификации настроений сообщений [2]. Результаты показали, что для предсказания динамики акций наиболее эффективным оказался CNN, что подтверждает важность глубоких нейронных сетей в обработке неструктурированных данных.

Однако применение таких моделей требует решения ряда технических задач, таких как масштабирование алгоритмов для работы с потоковыми данными, обеспечение быстрой обработки и мгновенной реакции на изменение рыночных условий [1]. Например, критическим аспектом является обеспечение целостности данных путём предварительной очистки, удаления шумов и стандартизации текстовых сообщений. Совокупность этих мер позволяет получить более точную и надежную информацию для принятия инвестиционных решений.

Экономическое значение и влияние на принятие решений

Анализ настроений и прогнозирование динамики акций на основе больших данных оказывают прямое влияние на экономическое поведение компаний и инвесторов. Возможность мгновенно реагировать на изменения рыночной конъюнктуры позволяет оперативно корректировать стратегии управления активами, что является ключевым фактором успешного владения капиталом в условиях высокой волатильности финансового рынка. Таким образом, большие данные становятся неотъемлемой частью экономических процессов, способствуя более эффективному управлению ресурсами как в частном, так и в государственном секторе.

Большие данные играют критическую роль в современном принятии экономических решений. Современные методы обработки данных, включая глубокое обучение, анализ главных компонент и другие методы снижения размерности, позволяют извлекать существенные закономерности из огромных объёмов информации, оказывая непосредственное влияние на финансовый сектор, государственную политику и социально-экономические исследования [2–4].

Таким образом, интеграция современных методов анализа больших данных в экономическую практику позволяет повысить точность и оперативность принимаемых решений. В условиях быстро меняющегося информационного поля разработка новых алгоритмов и оптимизация существующих методов остаются актуальной задачей для дальнейших исследований в области обработки больших массивов не структурированных данных.

Литература:

1. Sohangir, S., Wang, D., Pomeranets, A. et al. Big Data: Deep Learning for financial sentiment analysis. JBig Data 5, 3 (2018). https://doi.org/10.1186/s40537–017–0111–6
2. Li, N. Big data-driven enterprise management and market decision-making framework. SOCA (2025). https://doi.org/10.1007/s11761–025–00463-w
3. Rare disasters and multilayer spillovers between volatility and skewness in international stock markets over a century of data: The role of geopolitical risk. — Текст: электронный // Science Direct: [сайт]. — URL: https://www.sciencedirect.com/science/article/pii/S1059056025003466 (дата обращения: 21.05.2025).
4. El Masry, A. (2025). Factors Influencing Big Data Adoption for Sustainability in the Swedish Construction Industry: Technical, Economic, and Organizational Perspectives. Buildings, 15(10), 1671. https://doi.org/10.3390/buildings15101671