АВТОМАТИЗАЦІЯ БІЗНЕС-АНАЛІТИКИ ЗА ДОПОМОГОЮ ШТУЧНОГО ІНТЕЛЕКТУ

Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 733 https://doi.org/10.5281/zenodo.17965748 Юрченко Я. В. аспірант, викладач сумісник Національний університет «Києво-Могилянська академія», факультет економічних наук ORCID 0000-0001-7892-958X АВТОМАТИЗАЦІЯ БІЗНЕС-АНАЛІТИКИ ЗА ДОПОМОГОЮ ШТУЧНОГО ІНТЕЛЕКТУ JEL Classification: L81, O33, L86 SECTION “ECONOMICS”: Економіка Анотація. Дослідження спрямоване на аналіз автоматизації бізнес-аналітики за допомогою штучного інтелекту та оцінку її впливу на ефективність прийняття управлінських рішень. У роботі застосовано методи порівняльного аналізу, систематизації, прогнозного моделювання та економічної оцінки впровадження ШІ в бізнес-аналітику. Досліджено ключові аспекти автоматизації, зокрема прогнозну аналітику, рекомендаційні системи, автоматизовану звітність, виявлення аномалій та обробку природної мови. Проведено аналіз основних інструментів автоматизації, таких як Power BI, Tableau та IBM Watson, та оцінено їхню економічну ефективність. Встановлено, що автоматизація бізнес-аналітики дозволяє підвищити точність прогнозів, знизити витрати та прискорити обробку даних. Крім того, автоматизація бізнесаналітики є важливим фактором підвищення конкурентоспроможності компаній, а її успішна інтеграція потребує стратегічного підходу, врахування ризиків і використання якісних вхідних даних. У роботі використано методи системного аналізу, прогнозного моделювання, порівняльного аналізу та економічного оцінювання. Розглянуто ключові напрями автоматизації бізнес-аналітики — прогнозну аналітику, рекомендаційні системи, автоматизовану звітність, виявлення аномалій у даних та аналіз природної мови (NLP). Результати дослідження підтвердили, що інтеграція ШІ у бізнес-аналітику дає змогу підвищити точність прогнозів, скоротити часові витрати на обробку великих обсягів даних, зменшити людський фактор у процесі аналізу та забезпечити гнучкість прийняття рішень. Особлива увага приділена питанню кібербезпеки, етичним аспектам та необхідності підготовки кваліфікованих кадрів для ефективного використання інтелектуальних систем. Зроблено висновок, що автоматизація бізнес-аналітики стає стратегічним інструментом підвищення конкурентоспроможності компаній, сприяє цифровій трансформації бізнесу та формує основу для побудови інтелектуально керованої економіки. Ключові слова: штучний інтелект, бізнес-аналітика, прогнозна аналітика, рекомендаційні системи, автоматизована звітність, виявлення аномалій, економічна ефективність, прогнозна аналітика, рекомендаційні системи, автоматизована звітність, виявлення аномалій, економічна ефективність. Abstract. The study is aimed at analyzing the automation of business analytics using artificial intelligence and assessing its impact on the effectiveness of management decisionmaking. The work uses methods of comparative analysis, systematization, predictive modeling, and economic evaluation of the implementation of AI in business analytics. Key aspects of Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 734 automation are studied, including predictive analytics, recommender systems, automated reporting, anomaly detection, and natural language processing. The analysis of the main automation tools, such as Power BI, Tableau, and IBM Watson, is conducted, and their economic efficiency is assessed. It is established that the automation of business analytics allows to increase the accuracy of forecasts, reduce costs, and speed up data processing. In addition, the automation of business analytics is an important factor in increasing the competitiveness of companies, and its successful integration requires a strategic approach, taking into account risks, and the use of high-quality input data. The work uses methods of system analysis, predictive modeling, comparative analysis, and economic evaluation. The key areas of business analytics automation are considered - predictive analytics, recommender systems, automated reporting, data anomaly detection and natural language processing (NLP). The results of the study confirmed that the integration of AI into business analytics allows to increase the accuracy of forecasts, reduce the time spent on processing large volumes of data, reduce the human factor in the analysis process and ensure flexibility in decision-making. Special attention is paid to the issue of cybersecurity, ethical aspects and the need to train qualified personnel for the effective use of intelligent systems. The conclusion is made that the automation of business analytics is becoming a strategic tool for increasing the competitiveness of companies, contributing to the digital transformation of business and forming the basis for building an intelligently managed economy. Keywords: artificial intelligence, business analytics, predictive analytics, recommender systems, automated reporting, anomaly detection, cost-effectiveness, predictive analytics, recommender systems, automated reporting, anomaly detection, cost-effectiveness. Вступ Постановка проблеми. У сучасних умовах цифрової трансформації бізнесу та економіки значно зростає обсяг даних, що потребують аналізу для прийняття стратегічних рішень. Традиційні методи бізнес-аналітики, засновані на ручному зборі та обробці інформації, вже не відповідають потребам швидкого та ефективного аналізу, що зумовлює необхідність автоматизації процесів аналітики. Використання штучного інтелекту (ШІ) у бізнес-аналітиці відкриває нові можливості для компаній, дозволяючи не лише обробляти великі обсяги даних, а й виявляти приховані закономірності, прогнозувати тенденції та автоматично генерувати аналітичні висновки. Автоматизація бізнес-аналітики за допомогою ШІ дозволяє значно підвищити швидкість і точність прийняття рішень, знижуючи людський фактор і підвищуючи ефективність управління. Компанії, що впроваджують штучний інтелект у свої аналітичні процеси, отримують конкурентні переваги, зокрема в сфері персоналізації клієнтського досвіду, оптимізації виробничих процесів, прогнозування попиту та управління ризиками. За даними McKinsey Global Institute (2023), понад 60% компаній у світі вже використовують рішення на основі ШІ для аналітики, а очікуваний економічний ефект від широкого впровадження таких технологій до 2030 року оцінюється у понад 13 трильйонів доларів. При цьому, незважаючи на зростаючу роль ШІ, існує значний розрив у рівні його адаптації між різними секторами економіки та регіонами, що створює потребу в подальших дослідженнях механізмів впровадження та оптимізації цих процесів [1]. Попри значний потенціал автоматизації бізнес-аналітики за допомогою штучного інтелекту, існує низка проблем, що ускладнюють її впровадження. Зокрема, технологічні виклики включають високі обчислювальні вимоги, які не завжди доступні малим підприємствам, а також потребу в якісних даних. Інтерпретація рішень ШІ ускладнюється через "чорні ящики" алгоритмів, що знижує прозорість прогнозів. Бракує кваліфікованих кадрів, і існують правові та етичні ризики, пов'язані з захистом даних. Фінансові бар'єри, зокрема висока вартість впровадження, створюють технологічний розрив між великими корпораціями та малими підприємствами. Тому, хоча штучний інтелект Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 735 відкриває широкі можливості для автоматизації бізнес-аналітики, його впровадження супроводжується рядом викликів, які необхідно подолати для ефективного використання цих технологій. Аналіз останніх досліджень і публікацій. Останні наукові дослідження та аналітичні звіти свідчать про активний розвиток технологій штучного інтелекту та їхнє впровадження у сферу бізнесаналітики. Вчені та практики зосереджують увагу на різних аспектах цієї теми, зокрема на підвищенні ефективності прийняття рішень, оптимізації бізнес-процесів, управлінні ризиками та персоналізації клієнтського досвіду. У роботах P. Ferreira (2020) досліджено основні способи використання ШІ в бізнес-аналітиці: автоматизація процесів, підвищення когнітивних можливостей працівників, використання алгоритмів машинного навчання для прогнозування майбутніх трендів та створення повністю автономних рішень. Автор підкреслює, що найбільш ефективні компанії поєднують традиційні аналітичні методи з інноваційними підходами на основі ШІ [2]. Згідно з дослідженням Y. Du та L. Zhang (2020), компанії, які активно впроваджують штучний інтелект у бізнес-аналітику, демонструють на 20-30% вищу ефективність операційної діяльності. Дослідники наголошують, що успіх у впровадженні ШІ залежить не лише від доступу до технологій, але й від здатності компанії адаптувати організаційні процеси до змін [3]. Г.Сосновський та Є. Хаустова (2024) акцентують увагу на проблемі інтерпретованості алгоритмів ШІ та важливості пояснюваної аналітики (explainable AI). Вони зазначають, що «чорні ящики» глибокого навчання можуть обмежувати довіру до результатів, що ускладнює їхнє використання у стратегічному управлінні. В цьому контексті активно розглядаються методи XAI (Explainable Artificial Intelligence), які сприяють підвищенню прозорості рішень, ухвалених ШІ [4]. Дослідження X. Li (2020) демонструють зростаючу роль автоматизації в бізнес-аналітиці, особливо в таких сферах, як фінансовий аналіз, логістика та управління клієнтськими відносинами. Автор вважає, що однією з ключових переваг ШІ є можливість аналізу великих обсягів даних у реальному часі, що значно перевершує можливості традиційних методів [5]. Згідно з T. Chen (2021), понад 75% компаній планують збільшити інвестиції в штучний інтелект для бізнес-аналітики до 2025 року. Науковець зазначає, що найбільший попит мають інструменти для прогнозного аналізу (predictive analytics), автоматизації звітності та когнітивних обчислень [6]. В. Томчук (2022) розглядає виклики впровадження ШІ в бізнес-аналітику, зокрема питання кібербезпеки, управління якістю даних та етичні аспекти використання ШІ. Автор підкреслює, що для ефективного використання інтелектуальних систем необхідне комплексне регулювання та стандартизація підходів до обробки інформації [7]. Таким чином, аналіз останніх досліджень свідчить про те, що автоматизація бізнес-аналітики за допомогою штучного інтелекту є перспективним напрямом, який вже сьогодні приносить значні переваги компаніям. Водночас ключовими викликами залишаються інтерпретованість рішень, підготовка кваліфікованих кадрів, безпека даних і фінансова доступність технологій. Мета статті. Мета дослідження – аналіз механізмів автоматизації бізнес-аналітики за допомогою штучного інтелекту, визначення основних переваг, ризиків та бар’єрів впровадження, а також розробка рекомендацій щодо оптимального використання ШІ для підвищення ефективності аналітичних процесів у бізнесі. Виклад основного матеріалу дослідження. Автоматизація бізнес-аналітики за допомогою штучного інтелекту (ШІ) передбачає впровадження алгоритмів машинного навчання, аналізу великих даних і когнітивних технологій для збору, інтерпретації та прогнозування даних. Основними напрямами використання ШІ в бізнес-аналітиці є прогнозна, рекомендаційна аналітика, автоматизована звітність, виявлення аномалій і обробка природної мови (NLP). Прогнозна аналітика (Predictive Analytics) базується на використанні історичних даних для передбачення майбутніх змін у ринкових тенденціях, поведінці клієнтів або фінансових показниках. Вона широко застосовується у фінансовій сфері, ритейлі, маркетингу та ризик-менеджменті. Рекомендаційна аналітика (Prescriptive Analytics) спрямована на вибір оптимального рішення на Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 736 основі аналізу поточних і прогнозних даних. Алгоритми машинного навчання аналізують можливі сценарії розвитку подій і пропонують найефективніші варіанти управлінських рішень, що знижує ризики та оптимізує бізнес-процеси . Автоматизована звітність (Automated Reporting) забезпечує створення аналітичних звітів у реальному часі, використовуючи інтеграцію даних із різних джерел. Це значно скорочує час обробки інформації та підвищує точність аналізу. Наприклад, у фінансовому секторі автоматизовані системи можуть миттєво формувати звіти про рентабельність бізнесу або аналізувати ефективність маркетингових кампаній. Виявлення аномалій (Anomaly Detection) використовується для ідентифікації відхилень у фінансових, маркетингових і операційних процесах. ШІ аналізує великі масиви даних і знаходить нетипові зміни, які можуть свідчити про шахрайство, технічні несправності або кризові ситуації у бізнесі. Обробка природної мови (Natural Language Processing, NLP) дозволяє автоматично аналізувати текстові дані з відгуків клієнтів, соціальних мереж, юридичних документів і маркетингових матеріалів, що уможливлює компаніям краще розуміти потреби споживачів, вдосконалювати клієнтський сервіс і розробляти персоналізовані пропозиції [8]. Рисунок 1. Ключові підходи автоматизації бізнес-аналітики Джерело: складено автором Інструменти для автоматизації бізнес-аналітики варіюються в залежності від цілей та розміру компанії. Так, Tableau забезпечує потужну візуалізацію даних і інтеграцію з базами даних, що робить його ідеальним для великих корпорацій та аналітиків. Power BI є доступним для малого та середнього бізнесу, оскільки має низьку вартість і зручні можливості для BI-аналізу та інтеграції з Excel. Google Data Studio — це безкоштовний інструмент для стартапів та маркетингових команд, які працюють з даними з Google Ads і BigQuery. Для більш складних задач, таких як машинне навчання та аналіз великих даних, підходить RapidMiner, хоча його вартість вища, що робить його більш привабливим для дослідницьких і фінансових компаній. Нарешті, IBM Watson, що включає можливості для прогнозного аналізу та штучного інтелекту, є більш дорогим рішенням для великих корпорацій, які хочуть інтегрувати передові технології в свої бізнес-процеси [9]. Аналіз даних свідчить про суттєві переваги автоматизації бізнес-аналітики для різних галузей. Перш за все, автоматизація дозволяє значно підвищити точність прогнозів у всіх представлених секторах. Зокрема, у фінансах точність прогнозів зростає з 65% до 90%, що свідчить про великий потенціал автоматизації для поліпшення результатів у цьому напрямку. Подібне покращення спостерігається й у інших галузях, зокрема в виробництві, де точність прогнозів збільшується з 70% до 88%. Predictive Analytics (прогнозна аналітика) Prescriptive Analytics (рекомендаційна аналітика) Automated Reporting (автоматизована звітність) Anomaly Detection (виявлення аномалій) Natural Language Processing (NLP) Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 737 Таблиця 1. Популярні інструменти для автоматизації бізнес-аналітики Інструмент Основні можливості Вартість Цільова аудиторія Tableau Візуалізація даних, дашборди, інтеграція з базами даних Від $70/міс. Корпорації, аналітики Power BI BI-аналітика, машинне навчання, інтеграція з Excel Від $10/міс. Малий та середній бізнес Google Data Studio Безкоштовна інтеграція з Google Ads, GA4, BigQuery Безкоштовно Стартапи, маркетинг RapidMiner Машинне навчання, аналіз великих даних, кластеризація Від $2500/рік R&D, фінансові компанії IBM Watson Штучний інтелект, NLP, прогнозний аналіз Від $30/міс. Великі корпорації Джерело: складено авторами на основі [1,4] Рисунок 2. Порівняння точності прогнозів у бізнес-аналітиці Джерело: складено авторами на основі [1,7,9] Крім того, автоматизація дозволяє значно скоротити час, необхідний для обробки даних на різних етапах аналітики. Зокрема, час на створення звітів зменшується з 20 годин до 1, що є вражаючим покращенням. У фінансовому аналізі та прогнозуванні також спостерігається значне зменшення часу, що дозволяє значно пришвидшити прийняття рішень. Такі скорочення часу на обробку даних дозволяють компаніям працювати ефективніше та оперативніше реагувати на зміни в бізнес-середовищі. Рисунок 3. Скорочення часу на обробку даних після автоматизації Джерело: складено авторами на основі [1,8] 0 5 10 15 20 25 30 Створення звітів Фінансовий аналіз Прогнозування Моніторинг KPI Час на обробку даних, год Час після впровадження ШІ (години) Час до впровадження ШІ (години) 65 60 55 70 58 90 85 80 88 83 Фінанси Маркетинг Логістика Виробництво Роздрібна торгівля Точність традиційної аналітики (%) Точність автоматизованої аналітики (%) Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 738 Окрім цього, автоматизація значно знижує операційні витрати. Наприклад, в IT-галузі зниження витрат складає 40%, що підкреслює великий економічний ефект від впровадження автоматизації в цій сфері. Зниження витрат також спостерігається в банківській сфері, роздрібній торгівлі та виробництві, що дає можливість підприємствам досягти значної економії ресурсів і зменшити операційні витрати. Джерело: складено авторами на основі [1,9] Рисунок 4. Зниження операційних витрат після автоматизації, % Автоматизація бізнес-аналітики має суттєві переваги, але також супроводжується певними викликами, які можуть впливати на її ефективність і впровадження. Однією з основних переваг є підвищення швидкості аналізу, що дозволяє компаніям оперативно отримувати необхідну інформацію та приймати рішення на основі актуальних даних. Завдяки автоматизації процесів аналізу, підприємства можуть значно скоротити час на збори, обробку та інтерпретацію даних. Іншою важливою перевагою є точність прогнозів. Використання аналітичних інструментів на основі штучного інтелекту дозволяє значно підвищити точність прогнозів, оскільки алгоритми здатні обробляти великий обсяг даних і виявляти закономірності, які можуть бути непомітні для людини. Автоматизація також дозволяє оптимізувати витрати, оскільки зменшується необхідність в ручній обробці даних та знижуються операційні витрати на аналітичні процеси. Водночас, гнучкість аналітичних систем дає можливість адаптувати інструменти під специфічні потреби компанії, забезпечуючи максимальну ефективність в різних умовах [10]. Однак, на шляху до впровадження автоматизації бізнес-аналітики існують і певні виклики. Одним із найбільших є високі витрати на впровадження, що можуть бути суттєвим бар'єром для малих і середніх підприємств. Крім того, проблеми з якістю даних можуть серйозно знизити ефективність автоматизованих систем, оскільки некоректні чи неповні дані призводять до помилкових результатів і неадекватних прогнозів. Складність пояснення результатів автоматизованих систем також є значним викликом, оскільки алгоритми, зокрема на основі глибокого навчання, можуть бути занадто складними для розуміння з боку бізнес-користувачів, що обмежує їх здатність приймати обґрунтовані рішення на основі отриманих даних. Крім того, питання кібербезпеки та конфіденційності даних є критичним для впровадження автоматизації. Збільшення обсягу оброблюваної інформації підвищує ризик витоків даних або кіберзагроз, що вимагає особливої уваги до безпеки та захисту корпоративної інформації. Досвід провідних компаній, таких як Netflix та Amazon, демонструє значні досягнення у впровадженні штучного інтелекту (ШІ) в аналітичні системи, що сприяло оптимізації бізнеспроцесів. Netflix, наприклад, активно використовує ШІ для персоналізації контенту, аналізуючи 010 20 30 40 Банківська сфера Роздрібна торгівля Виробництво Логістика IT Зниження витрат (%) Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 739 вподобання користувачів, що позитивно впливає на залученість клієнтів. Amazon застосовує ШІ для прогнозування попиту, що допомагає оптимізувати управління запасами та знижувати логістичні витрати. Загалом, інтеграція ШІ в бізнес-аналітику демонструє значний ріст. Зокрема, у період з 2019 по 2022 роки, ринок ШІ зростав на 47%, з прогнозованим щорічним зростанням на рівні 26% у наступні роки, що свідчить про швидке впровадження та адаптацію ШІ-технологій у різних галузях. У випадку з Amazon, впровадження ШІ призвело до значного покращення ланцюга постачання, зокрема, швидкість доставки зросла на 75%. Під час розпродажів, таких як Cyber Monday, Amazon використовував ШІ для прогнозування попиту на понад 400 мільйонів товарів, що дозволяло ефективно розподіляти ресурси та покращувати обслуговування клієнтів. Загалом, статистика та приклади успішних компаній підтверджують ефективність впровадження ШІ в бізнес-аналітику, що призводить до покращення операційної ефективності, персоналізації обслуговування клієнтів та оптимізації ресурсів [11]. Автоматизація бізнес-аналітики, незважаючи на значні переваги, має певні обмеження, які можуть впливати на її ефективність і доступність для різних підприємств. Одним з основних обмежень є якість вхідних даних. Якщо дані не відповідають високим стандартам точності та повноти, це може значно знизити ефективність алгоритмів штучного інтелекту, що використовуються для аналізу. Ще однією проблемою є інтерпретованість результатів. Алгоритми глибокого навчання, хоча й дуже потужні, є складними для розуміння користувачами, особливо для тих, хто не має спеціалізованих технічних знань, що може ускладнити прийняття рішень на основі їх результатів. Також важливим фактором є безпека та конфіденційність даних. Впровадження автоматизованих аналітичних систем може збільшити ризик витоку інформації або кіберзагроз, особливо в умовах недостатнього захисту. Крім того, впровадження технологій штучного інтелекту та автоматизації вимагає значних фінансових витрат, що може стати серйозним бар'єром для малих компаній, які не можуть дозволити собі високі початкові витрати на інтеграцію таких систем. Для успішного впровадження ШІ у бізнес-аналітику необхідно враховувати технологічні, фінансові та організаційні аспекти. Важливо оцінити ІТ-інфраструктуру компанії та обрати масштабовані й гнучкі аналітичні інструменти відповідно до потреб, зокрема для обробки великих даних і прогнозування. Фінансовий аналіз допоможе визначити доцільність інвестицій у ШІ, а також можливості монетизації технологій через оптимізацію витрат і покращення якості продуктів. Організаційна підготовка, включаючи навчання персоналу та активну участь керівництва, є ключовою для ефективної інтеграції ШІ. Поєднання цих стратегій забезпечить максимальну користь від автоматизації бізнес-аналітики. Висновки Автоматизація бізнес-аналітики за допомогою штучного інтелекту має значний потенціал для покращення ефективності управлінських рішень, підвищення точності прогнозів та оптимізації операційних витрат. Використання прогнозної та рекомендаційної аналітики дозволяє компаніям передбачати ринкові зміни, зменшувати ризики та знаходити оптимальні бізнес-рішення. Автоматизована звітність скорочує час обробки даних, що сприяє оперативному прийняттю стратегічних рішень. Технології виявлення аномалій допомагають уникати шахрайства та технічних збоїв, а обробка природної мови покращує розуміння потреб клієнтів. Аналіз інструментів для автоматизації показав, що вибір платформи залежить від потреб бізнесу: Power BI підходить для малого та середнього бізнесу, Tableau – для великих корпорацій, а IBM Watson – для компаній, які впроваджують передові ШІ-рішення. Дослідження також підтвердило економічні переваги автоматизації. Зокрема, точність прогнозів у фінансах та виробництві зростає до 90%, час на створення звітів скорочується в десятки разів, а операційні витрати в окремих галузях знижуються до 40%. Водночас автоматизація супроводжується викликами, серед яких високі витрати на впровадження, проблеми з якістю даних та складність пояснення результатів ШІ-аналітики. Наукові записки Львівського університету бізнесу та права. Серія економічна. Серія юридична. Випуск 45/2025 740 Подолання цих бар'єрів вимагає інвестицій у якісні дані, навчання персоналу та інтеграцію ШІрішень у загальну бізнес-стратегію. Список літератури 1. McKinsey Global Institute (2023), https://www.mckinsey.com/capabilities/mckinsey-digital/ourinsights/the-economic-potential-of-generative-ai-the-next-productivityfrontier 2. Ferreira P., TeixeiraJ. G., LuísT. (2020). Understanding the Impact of Artificial Intelligence on Services. Available at: DOI: 10.1007/978-3-030-38724-2_15 (accessed June7, 2024). 3. Du Y., Zhang L. (2020). The Application of Artificial Intelligence in Service Industry. Journal of Physics: Con-ferenceSeries,vol. 1461(1), 012002. 4. Сосновський, Г., & Хаустова, Є. (2024). Особливості впливу ШІ на розвиток бізнесу в сфері послуг. Економіка та суспільство, (63). https://doi.org/10.32782/2524-0072/202463-90 5. Li X., Xu H., Tao X., Yang D. (2020). Artificial Intelligence in the Service Sector: A Comprehensive Review. Complexity. 6. Chen T., Duan H., Lu X. (2021). Artificial intelligence in service innovation: A systematic review and future researchagenda. Technological Forecasting and Social Change,vol. 169, 120795. 7. Томчук В. (2023). Використання діджитал-технологій для комплексної автоматизації бізнес-процесів на підприємстві. Економіка та суспільство. № 52. URL: https://doi.org/10.32782/2524-0072/2023-52-18 8. Хомин П., Плига У., Срога А., Була О. (2021). Вплив інформаційних технологій на обліково-аналітичну систему суб’єктів господарювання. Соціально-економічні проблеми і держава. № 2 (25). С. 491–499. DOI:10.33108/sepd2022.02.491 9. Шаповалова А. П., Кузьменко О. П. (2022). Фінансова та податкова звітність в умовах воєнного часу: ключові зміни та послаблення. Економіка та держава № 8. С. 105–110. DOI:10.32702/2306-6806.2022.8.105 10. Юр’єва І. (2023). Цифрове забезпечення організації і методики податкових перевірок як чинник фінансової безпеки. Вісник Національного технічного університету «Харківський політехнічний інститут». Серія: Економічні науки. № 5. С. 28–31. DOI:10.20998/2519-4461.2023.5.28 11. Manasa R., & Devi, A. (2022). Amazon's Artificial Intelligence in Retail Novelty - Case Study. International Journal of Case Studies in Business, IT, and Education. 787-804. 10.47992/IJCSBE.2581.6942.0233.