Статьи

Диалектическое концептуальное единство управления на основе данных и доказательного менеджмента

Дата поступления: 15.02.2026 Дата публикации: 15.02.2026

Полный текст:

Аннотация

Ожидаемым результатом цифровой трансформации органов государственной власти и бизнес-структур должен стать переход к управлению на основе данных. Информационно-аналитическая поддержка и скорость реагирования на изменения определяют эффективность управленческих решений. Главным вызовом для масштабного внедрения механизмов обработки и анализа количественных данных является обеспечение их достаточного объёма (охват) и качества (сопоставимость). Управление на основе данных и доказательный менеджмент исследуются как диалектически взаимосвязанные концепции, имеющие значительный потенциал синергии. Рассматривается вопрос зрелости данных и ее влияния на качество принимаемых управленческих решений. Методологическую основу исследования составили отдельные положения теории организации. В качестве методов исследования использовались количественный и качественный анализ, изучение кейсов, а также синтез выводов. Гипотеза исследования заключается в рассмотрении «управления на основе данных» и «доказательного менеджмента» как методологически родственных и имеющих в этой связи потенциал конвергенции. В целях проверки сформированной гипотезы используется набор данных Федеральной службы государственной статистики о численности исследователей по областям науки, по возрастным группам, по ученым степеням, по субъектам Российской Федерации с 2010 г. по 2023 г. В результате исследования выявлена логическая последовательность применения концепций «управления на основе данных» и «доказательного менеджмента» в зависимости от конкретных управленческих ситуаций и установлено их методологическое комплиментарное единство. Предложенный подход призван обеспечить качество и эффективность управленческих решений в условиях высокотехнологичной парадигмы управления и меняющейся внешней среды.

Ключевые слова

Как цитировать

Для цитирования:

Камолов С.Г., Алексеев Д.Б., Александров Н.Д. Диалектическое концептуальное единство управления на основе данных и доказательного менеджмента // Власть и управление на Востоке России. 2026. Т. 19, № 2. С. 96–109.

For citation:

Kamоlov S.G., Alekseev D.B., Aleksandrov N.D. Dialectical Conceptual Fusion of the Data-based and Evidence-based Management // Power and Administration in the East of Russia. 2026. Vol. 19, no. 2. P. 96–109.

Как цитировать

Камолов С.Г., Алексеев Д.Б., Александров Н.Д. Диалектическое концептуальное единство управления на основе данных и доказательного менеджмента // Власть и управление на Востоке России. 2026. Т. 19, № 2. С. 96–109.

Список литературы

  1. 1. Акофф, Р. Развитие от данных к мудрости // Проблемы управления в социальных системах. 2011. Т. 2. № 4. С. 82–92. EDN: OFABNB
  2. 2. Кузнецов, C. B., Кознов, Д. B. Управление мастер-данными в рамках итеративного подхода // Онтология проектирования. 2021. Т. 11. № 2. С. 170–184. DOI: 10.18287/2223-9537-2021-11-2-170-184 EDN: BBXMPJ
  3. 3. Макаров, В. В., Волчик, О. В. . Управление данными в системах менеджмента качества. Экономика и качество систем связи. 2024. № 4 (34), с. 4–13. EDN: ODTKQU
  4. 4. Морозов, А. Н. Альтернативные источники статистической информации как основа принятия политических решений // Вопросы государственного и муниципального управления. 2018. № 2. С. 50–70. EDN: UTSSID
  5. 5. Семья, Г. В., Станилевский, В. В., Газарян, А. А., Некрасов, А. С. Доказательный подход в управлении: доказательный менеджмент и доказательная политика // Социальная психология и общество. 2022. Т. 13. №. 1. С. 209–223. DOI: 10.17759/sps.2022000001 EDN: OPCOGH
  6. 6. Стырин Е. М. Барьеры внедрения датацентричного государственного управления: опыт России // Вестник Московского университета. Серия 21. Управление, государство и общество. 2024. № 1. С. 61–81. DOI: 10.55959/MSU2073-2643-21-2024-1-61-81 EDN: KPTQDR
  7. 7. Стырин Е. М., Рыбушкина Я. А., Санина А. Г. Цифровое доверие как ключевой фактор в формировании датацентричного государственного управления // Государство и граждане в электронной среде. 2024. № 7. С. 13–23. DOI: 10.17586/2541-979-X-2024-7-13-23 EDN: GYVIIG
  8. 8. Шевцова И. В., Днепровская Н. В. Специфика производства и использования больших данных в государственном управлении // Вопросы государственного и муниципального управления. 2024. № 1. С. 39–60. DOI: 10.17323/1999-5431-2024-0-1-39-60 EDN: VXRBGM
  9. 9. Abdulkadri, A., Evans, A., Ash, T. (2016) An Assessment of Big Data for Official Statistics in the Caribbean: Challenges and Opportunities Naciones Unidas Comisión Económica para América Latina y el Caribe (CEPAL), no. 48, pp. 1–56.
  10. 10. Agrawal, R., Wankhede, V. A., Kumar, A., Luthra, S. A (2023) systematic and network-based analysis of data-driven quality management in supply chains and proposed future research directions The TQM Journal, no. 1, pp. 73–101. DOI: 10.1108/TQM-12-2020-0285 EDN: DJZDGN
  11. 11. Bousdekis, A., Lepenioti, K., Apostolou, D. & Mentzas, G. (2021). A Review of Data-Driven Decision-Making Methods for Industry 4.0 Maintenance Applications. Electronics, vol. 10, no. 7, pp. 828. https://doi.org/10.3390/electronics10070828 EDN: KBONDU
  12. 12. Buijsse, R., Willemsen, M., Snijders, C. (2023) Data-Driven Decision-Making Data Science for Entrepreneurship: Principles and Methods for Data Engineering, Analytics, Entrepreneurship, and the Society, pp. 239–277. DOI: 10.1007/978-3-031-19554-9_11
  13. 13. David, G. Wastell (2005) Information systems and evidence-based policy in multi-agency networks: The micro-politics of situated innovation The Journal of Strategic Information Systems, no. 3, pp. 197–217. DOI: 10.1016/j.jsis.2005.11.001
  14. 14. Davies, P., Boruch, R. (2001) The Campbell Collaboration: does for public policy what Cochrane does for health. BMJ, no. 323, pp. 294–295. DOI: 10.1136/bmj.323.7308.294 EDN: DOVIDP
  15. 15. Gorissen, W.H.M., Schulpen, T.W.J., Kerkhoff, A.H.M., van Heffen, O. (2005) Bridging the gap between doctors and policymakers: The use of scientific knowledge in local school health care policy in the Netherlands. Eur J Public Health.. No. 15. Pp. 133-139. DOI: 10.1093/eurpub/cki125 EDN: IOEJQX
  16. 16. Hwang, S., Nam, T., & Ha, H. (2021). From evidence-based policy making to data-driven administration: proposing the data vs. value framework. International Review of Public Administration, no. 26(3), pp. 291–307. DOI: 10.1080/12294659.2021.1974176 EDN: ZBPAJG
  17. 17. Hou, Z. S., Wang, Z. (2013) From model-based control to data-driven control: Survey, classification and perspective. Information Sciences, no. 235, pp. 3–35. DOI: 10.1016/j.ins.2012.07.014
  18. 18. Johnson, M., Griffths, R. (2001) Developing evidence-based clinicians. International Journal of Nursing Practice, no. 7, pp. 109–118.
  19. 19. Kajerno, K. N., Norstrom, G., Krusebrant, A., Bjorvell, H. (2001) Perceptions of research utilisation between health care professionals, nursing students and a reference group of nurse clinicians. Journal of Advanced Nursing, no. 31, pp. 99–109. DOI: 10.1046/j.1365-2648.2000.01255.x
  20. 20. Kamolov, S. G., Kim, K. S., Aleksandrov, N. D. (2023) Study of Smart Cities Based on Human Capital (Case of Russian Research-Driven Towns as Proto-Smart Cities). Management Sciences, vol. 13, no. 4, pp. 34–46. DOI: 10.26794/2304-022X-2023-13-4-34-46 EDN: GMYDAR
  21. 21. Kamolov, S., Aleksandrov, N. (2023) Algorithmic modeling of public recommender systems: insights from selected cities. Transforming Government: People, Process and Policy, vol. 17, no. 1, pp. 72–86. DOI: 10.1108/tg-02-2022-0025 EDN: WFWBUX
  22. 22. Lee, M. K., Kusbit, D., Metsky, E., Dabbish, L. (2015) Working with machines: The impact of algorithmic and data-driven management on human workers. Proceedings of the 33rd annual ACM conference on human factors in computing systems, pp. 1603–1612. DOI: 10.1145/2702123.2702548
  23. 23. Malomo, F., Sena, V. (2017) Data Intelligence for Local Government? Assessing the Benefits and Barriers to Use of Big Data in the Public Sector // Policy and Internet, vol. 9, no. 1, pp. 7–27. DOI: 10.1002/poi3.141
  24. 24. Markovsky, I., Huang, L., Dörfler, F. (2023) Control Systems and Data-Driven Approaches. IEEE Control Systems Magazine, vol. 43, no. 5, pp. 28–68. DOI: 10.1109/MCS.2023.3291638 EDN: BXPCWF
  25. 25. Miragliotta, G., Sianesi, A., Convertini, E., Distante, R. (2018) Data driven management in Industry 4.0: a method to measure Data Productivity. IFAC-PapersOnLine, no. 51, pp. 19–24. DOI: 10.1016/j.ifacol.2018.08.228
  26. 26. Oliver, К. (2014) New directions in evidence-based policy research: a critical analysis of the literature. Health Research Policy and Systems, no. 1, pp. 34–45. DOI: 10.1186/1478-4505-12-34 EDN: UXGEPI
  27. 27. Sanderson, I. (2002) Evaluation, policy learning and evidence-based policy making. Public Administration, no. 80, pp. 1–22. DOI: 10.1111/1467-9299.00292
  28. 28. Tamm, T., Hallikainen, P., & Tim, Y. (2022). Creative analytics: Towards data-inspired creative decisions. Information Systems Journal, no. 32(4), pp. 729–753. DOI: 10.1111/isj.12369 EDN: NTVEQU