Журнал: Том 31, № 2, 2026
Сторінки: 57 – 72
DOI: https://doi.org/10.62660/bcstu/2.2026.57
234 Перегляди

Архітектурні та методологічні підходи до проектування корпоративних і веборієнтованих інформаційних систем з елементами інтелектуального аналізу даних

Владислав Козуб, Ольга Смагіна , Галина Козуб
Отримано 17.11.2025
Доопрацьовано 16.03.2026
Прийнято 18.05.2026
Опубліковано 26.06.2026

Анотація

Актуальність дослідження зумовлена цифровою трансформацією та необхідністю удосконалення архітектурних і методологічних підходів до проєктування інтелектуальних корпоративних і веборієнтованих інформаційних систем. Метою дослідження було сформувати концептуальний підхід до проєктування інформаційних систем із застосуванням інструментів інтелектуального аналізу даних. Дослідження ґрунтувалося на теоретичному аналізі наукових матеріалів та застосуванні системного, концептуального, проєктноорієнтованого, доменно-орієнтованого та даноорієнтованого методологічних підходів для обґрунтування принципів проєктування адаптивних інформаційних систем. Отримані результати засвідчили перехід сучасних інформаційних систем до багаторівневих модульних та даноцентричних архітектур, які поєднують функціональну гнучкість, масштабованість та інтелектуальну аналітичну обробку даних. Інтеграція алгоритмів штучного інтелекту забезпечує реалізацію прогнозної аналітики, класифікації інформації та виявлення аномалій у поведінці системи. Ефективність платформ оцінюється через комплекс часових, ресурсних та аналітичних метрик, зокрема затримкою, пропускною здатністю, рівнем використання центрального процесора, споживанням оперативної пам’яті, частотою помилок, середньою абсолютною похибкою, середньоквадратичною похибкою, середньою абсолютною відсотковою похибкою, точністю та повнотою. Показано, що надійність інформаційних систем забезпечується використанням відмовостійких архітектур, резервуванням сервісних компонентів та самонастроюваними обчислювальними середовищами. Узагальнення результатів підтвердило перспективність розвитку адаптивних когнітивно-орієнтованих даноцентричних інформаційних платформ нового покоління. Результати можуть бути використані науковцями, розробниками та архітекторами програмного забезпечення та організаціями, що займаються цифровою трансформацією інформаційних систем, при проєктуванні, оптимізації та впровадженні адаптивних аналітично орієнтованих цифрових платформ

Ключові слова

машинне навчання; великі дані; даноорієнтований підхід; масштабованість; адаптивні інформаційні платформи; доменно-орієнтоване проєктування

Використані джерела

  1. Abdulrahman, L., Zeebaree, S.R.M., & Omar, N. (2022). State of art survey for designing and implementing regional tourism web based systems. Academic Journal of Nawroz University, 11(3), 100-112. doi: 10.25007/ajnu.v11n3a1425.
  2. Adamov, A. (2018). Large-scale data modelling in Hive and distributed query processing using Mapreduce and Tez. In DiVAI 2018. 12th international scientific conference on distance learning in applied informatics (pp. 389-404). Sturovo: Wolters Kluwer.
  3. Adhytia, B., Kurnia, S., Dilnutt, R., & Hidayanto, A.N. (2022). Enterprise architecture contribution to big-data analytics value realization: A literature analysis. PACIS 2022 Proceedings, article number 189.
  4. Almoqry, A., & ALSohybe, N. (2025). Enterprise architecture in higher education for digital transformation: An integrative review for fragile contexts with application to Yemen. F1000Research, 14, article number 1192. doi: 10.12688/f1000research.172049.1.
  5. Arafat, Y., Akula, D.K., Mohammed, Y.S., Haque, G.M., Rahman, M.B., & Syed, A. (2025). Big data analytics in information systems research: Current landscape and future prospects focus: Data science, cloud platforms, real-time analytics in IS. Emerging Frontiers Library for The American Journal of Engineering and Technology, 7(8), 177-201. doi: 10.37547/tajet/Volume07Issue08-16.
  6. Bondarchuk, O., Kozub, V., & Kozub, Yu. (2024). Analysis of the effectiveness of machine learning algorithms in big data processing. Information Technology and Society, 4(15), 71-79. doi: 10.36910/6775-2524-0560-2024-56-13.
  7. Busch, N.R., & Zalewski, A. (2025). A systematic literature review of enterprise architecture evaluation methods. ACM Computing Surveys, 57(5), article number 113. doi: 10.1145/3706582.
  8. Capacho-Alfonso, V.-H., Jiménez-Builes, J.A., & Duran, D.E. (2025). Aspects of enterprise architecture in emerging technologies, smart cities and the health sector: A bibliometric study. Salud, Ciencia y Tecnología, 5, article number 1656. doi: 10.56294/saludcyt20251656.
  9. Efe, A. (2024). Evolution of management information systems by super artificial intelligence revolutions. International Journal of Management Information Systems and Computer Science, 8(2), 127-142. doi: 10.33461/ uybisbbd.1521086.
  10. Emadi, J. (2023). The development of a design theory for web based information systems. Journal of Robotics Spectrum, 1, 13-23. doi: 10.53759/9852/JRS202301002.
  11. Erica, A., Gantari, L., Qurotulain, O., Nuche, A., & Sy, O. (2024). Optimizing decision-making: Data analytics applications in management information systems. APTISI Transactions on Management, 8(2), 115-122. doi: 10.33050/atm.v8i2.2202.
  12. Essien, J. (2023). Enterprise architecture: A comparative analysis of validation semantics and heterogeneous model frameworks. Open Journal of Business and Management, 11(5), 1971-1995. doi: 10.4236/ojbm.2023.115109.
  13. Gaurav, A., Gupta, B.B., & Panigrahi, P.K. (2023). A comprehensive survey on machine learning approaches for malware detection in IoT-based enterprise information system. Enterprise Information Systems, 17(3), article number 2023764. doi: 10.1080/17517575.2021.2023764.
  14. Gligorea, I., Cioca, M., Oancea, R., Gorski, A.T., Gorski, H., & Tudorache, P. (2023). Adaptive learning using artificial intelligence in e-learning: A literature review. Education Sciences, 13(12), article number 1216. doi: 10.3390/ educsci13121216.
  15. Hackenbeck, C., Walz, A., Hirmer, P., Wagner, S., & Weyrich, M. (2025). Semantic interface modeling for automotive architectures using a domain-driven approach. IFAC-PapersOnLine, 59(25), 125-130. doi: 10.1016/j.ifacol.2025.11.936.
  16. Hensel, D.S., Tyc, J., & Hensel, M. (2022). Data-driven design for architecture and environment integration. Spool, 9(2), 19-34. doi: 10.47982/spool.2022.1.02.
  17. Hossain, Q., Yasmin, F., Biswas, T.R., & Asha, N.B. (2024). Integration of big data analytics in management information systems for business intelligence. Saudi Journal of Business and Management Studies, 9(9), 192-203. doi: 10.36348/sjbms.2024.v09i09.002.
  18. Ismail, A., Setiawati, R., Herbenita, H., Sutejo, B., & Mulyanto, S. (2024). Management information system: Practical insights and applications in Indonesia. Boulder: Asadel Publisher.
  19. Jangam, S.K. (2023). Data architecture models for enterprise applications and their implications for data integration and analytics. International Journal of Emerging Trends in Computer Science and Information Technology, 4(3), 91-100. doi: 10.63282/3050-9246.IJETCSIT-V4I3P110.
  20. Kayabay, K., Gökalp, M.O., Gökalp, E., Eren, P.E., & Koçyiğit, A. (2022). Data science roadmapping: An architectural framework for facilitating transformation towards a data-driven organization. Technological Forecasting and Social Change, 174, article number 121264. doi: 10.1016/j.techfore.2021.121264.
  21. Khamari, R.C., Mani, S., Bodkhe, R.G., & Singh, A.K. (2025). Enhancing wind power forecasting accuracy: A hybrid SNGF-RERNN-SCSO approach. Solar Energy, 295, article number 113513. doi: 10.1016/j.solener.2025.113513.
  22. Khudov, H., Khizhnyak, I., Salnyk, O., Mynko, P., & Andronov, V. (2025). Analysis of approaches to modeling and architectural representation of image processing information technology from onboard opto-electronic observation systems. Control, Navigation and Communication Systems, 3(81), 151-158. doi: 10.26906/SUNZ.2025.3.151.
  23. Kooy, S.J., Piest, J.P., & Bemthuis, R.H. (2025). Impact and implications of generative AI for enterprise architects in agile environments: A systematic literature review. ArXiv. doi: 10.48550/arXiv.2510.22003.
  24. Kozub, H., & Kozub, Yu. (2022). Declarative methodforcreating multiplatform applications. Visnik of the Volodymyr Dahl East Ukrainian National University, 5(275), 10-15. doi: 10.33216/1998-7927-2022-275-5-10-15.
  25. Kumar, S., Kolekar, T., Kotecha, K., Patil, S., & Bongale, A. (2022). Performance evaluation for tool wear prediction based on Bi-directional, Encoder-Decoder and Hybrid Long Short-Term Memory models. International Journal of Quality & Reliability Management, 39(7), 1551-1576. doi: 10.1108/IJQRM-08-2021-0291.
  26. Kundisch, D., Muntermann, J., Oberländer, A.M., Rau, D., Röglinger, M., Schoormann, T., & Szopinski, D. (2022). An update for taxonomy designers: Methodological guidance from information systems research. Business & Information Systems Engineering, 64(4), 421-439. doi: 10.1007/s12599-021-00723-x.
  27. Ling, H.C., & Chiang, H.S. (2022). Learning performance in adaptive learning systems: A case study of web programming learning recommendations. Frontiers in Psychology, 13, article number 770637. doi: 10.3389/fpsyg.2022.770637.
  28. Liu, C.H., Chen, S.L., & Huang, H.K. (2023). Automated test input generation for testing representational state transfer (REST) application programming interface (API) using parameter fuzzing. In Proceedings of the 6th international conference on knowledge innovation and invention (pp. 249-253). Pekin: IEEE. doi: 10.1109/ ickii58656.2023.10332662.
  29. Luo, J., Xu, J., Aldosari, O., Althubiti, S.A., & Deebani, W. (2022). Design and implementation of an efficient electronic bank management information system based data warehouse and data mining processing. Information Processing & Management, 59(6), article number 103086. doi: 10.1016/j.ipm.2022.103086.
  30. Matani, A., Sahafi, A., & Broumandnia, A. (2024). Improving query processing in blockchain systems by using a multilevel sharding mechanism. The Journal of Supercomputing, 80(10), 15066-15096. doi: 10.1007/s11227-024-06037-5.
  31. Molodets, B., & Bulana, Т. (2024). Comparison of the capabilities of service-oriented architecture and microservice architecture in the creation of information systems. Information Technologies in Metallurgy and Machine Building, 17, 170-173. doi: 10.34185/1991-7848.itmm.2024.01.029.
  32. Muslih, M., Maulana, M.R., & Arianti, N.D. (2024). Development of a web-based job and career compatibility system using the federal enterprise architecture framework method: A case study in Nusa Putra university. Ingénierie des Systèmes d’Information, 29(3), 895-908. doi: 10.18280/isi.290310.
  33. Muvva, S. (2025). Bridging the gap: Integrating batch and streaming data paradigms for holistic analytics in the age of real-time, predictive, and historical insights. International Journal of Communication Networks and Information Security, 17(2), 330-358.
  34. Nangi, P.R., Obannagari, C.K., & Settipi, S. (2024). Serverless computing optimization strategies using ML-based autoscaling and event-stream intelligence for low-latency enterprise workloads. International Journal of Emerging Trends in Computer Science and Information Technology, 5(3), 131-142. doi: 10.63282/3050-9246.IJETCSIT-V5I3P113.
  35. Obukhov, V., & Tovbych, V. (2025). Modelling of architectural design processes by means of artificial intelligence technologies. Current Problems of Architecture and Urban Planning, 71, 197-211. doi: 10.32347/20773455.2025.71.197-211.
  36. Pathak, S., Krishnaswamy, V., & Sharma, M. (2025). A dynamic capability perspective on the impact of big data analytics and enterprise architecture on innovation: An empirical study. Journal of Enterprise Information Management, 38(2), 532-563. doi: 10.1108/JEIM-01-2024-0059.
  37. Pinheiro, C.R., Guerreiro, S.L., & Mamede, H.S. (2024). A lightweight ontology for enterprise architecture mining of API gateway logs. IEEE Access, 12, 128585-128601. doi: 10.1109/ACCESS.2024.3456119.
  38. Rak, T., & Żyła, R. (2022). Using data mining techniques for detecting dependencies in the outcoming data of a web-based system. Applied Sciences, 12(12), article number 6115. doi: 10.3390/app12126115.
  39. Renaldo, N., Suhardjo, S., Suharti, S., Suyono, S., & Cecilia, C. (2022). Benefits and challenges of technology and information systems on performance. Journal of Applied Business and Technology, 3(3), 302-305. doi: 10.35145/ jabt.v3i3.114.
  40. Solano, M.C., & Cruz, J.C. (2024). Integrating analytics in enterprise systems: A systematic literature review of impacts and innovations. Administrative Sciences, 14(7), article number 138. doi: 10.3390/admsci14070138.
  41. Sultana, M.S., & Akter, S. (2023). High-performance computing for scaling large-scale language and data models in enterprise applications. ASRC Procedia: Global Perspectives in Science and Scholarship, 3(1), 94-131. doi: 10.63125/e7yfwm87.
  42. Tekane, C.S. (2025). A modular and configurable web-based frontend architecture for educational modelling tools. (Master’s thesis, McGill University, Montreal, Canada).
  43. Usmani, U.A., Aziz, I.A., Jaafar, J., & Watada, J. (2024). Deep learning for anomaly detection in time-series data: An analysis of techniques, review of applications, and guidelines for future research. IEEE Access, 12, 174564174590. doi: 10.1109/ACCESS.2021.3107975.
  44. Vinueza-Martinez, J., Correa-Peralta, M., Ramirez-Anormaliza, R., Franco Arias, O., & Vera Paredes, D. (2024). Geographic information systems (GISs) based on WebGIS architecture: Bibliometric analysis of the current status and research trends. Sustainability, 16(15), article number 6439. doi: 10.3390/su16156439.
  45. Weller, J., & Dumitrescu, R. (2025). Decision-driven analytics in smart factories: Enterprise architecture framework for use case specification and engineering (FUSE). Electronics, 14(21), article number 4271. doi: 10.3390/electronics14214271.
  46. Winata, V. (2022). Optimizing big data processing through artificial intelligence: A systematic literature review. Artificial Intelligence Research and Applied Learning, 1(2). doi: 10.1234/aira.v1i2.36.
  47. Zhang, Y. (2025). Exploration of enterprise big data microservice architecture based on domain-driven design (DDD). ArXiv. doi: 10.48550/arXiv.2511.05880.

ЦИТУВАТИ

Kozub, V., Smahina, O., & Kozub, H. (2026). Architectural and methodological approaches to the design of corporate and web-oriented information systems with elements of intelligent data analysis. Bulletin of Cherkasy State Technological University, 31(2), 57-72. https://doi.org/10.62660/bcstu/2.2026.57