ДІАГНОСТИКА «ТОЧОК КРИХКОСТІ» У БІЗНЕС-МОДЕЛІ ДЕВЕЛОПЕРА: МЕТОДОЛОГІЯ BIG DATA АНАЛІЗУ

О.В. Романенко

doi:10.32782/2786-765X/2026-12-24

О.В. Романенко Київський національний університет будівництва і архітектури https://orcid.org/0000-0001-5684-6791

DOI: https://doi.org/10.32782/2786-765X/2026-12-24

Ключові слова: будівельний девелопмент, криза, вразливість, точка крихкості, управління ризиками, бізнес-модель, Big Data, ліквідність, ланцюг постачання, кадровий дефіцит

Анотація

У статті розроблено методологічний підхід щодо діагностики вразливості бізнес-моделі девелоперської компанії – «точок крихкості», які виникають на перетині фінансових, логістичних і кадрових потоків та підсилюють вплив зовнішніх криз. Обґрунтовано необхідність переходу від традиційного ризик-менеджменту до інтегрованої управлінської екосистеми на основі Big Data. Запропоновано інтегровану модель діагностики вразливості, що синтезує стохастичний аналіз грошових потоків з використанням моделі розподілу Гаусса, моделювання ланцюгів постачання на базі теорії графів та предиктивну HR-аналітику. Рекомендовано використовувати адаптований динамічний Z-індекс Альтмана для оперативного моніторингу ліквідності компанії та інтегрувати дані системи ProZorro для бенчмаркінгу цін. Результати діагностики можна візуалізувати через «теплові карти» ризиків у 5D BIM-моделі, що дозволить менеджменту компанії ідентифікувати вразливості до настання кризи.

Посилання

Романенко О.В. Будівельна девелоперська компанія як складна адаптивна система. Економічний простір. 2025. № 204 DOI: https://doi.org/10.30838/EP.204.266-272

From Fragmented Construction Data to Full Visibility. Achilles: website. URL: https://www.achilles.com/industry-insights/from-fragmented-construction-data-to-full-visibility/

Akanbi O. A., Gueorguiev N., Honda J., Mehta P., Moriyama K., Primus K., & Sy M. Avoid a Fall or Fly Again: Turning Points of State Fragility. IMF Working Papers. 2021. №133, Article A001. DOI: https://doi.org/10.5089/9781513573687.001

Микитченко Б. Моделі адаптивного управління в умовах зміни економічних умов на ринку нерухомості. Шляхи підвищення ефективності будівництва. 2025. № 2(56). С. 287–307. DOI: https://doi.org/10.32347/2707-501x.2025.56(2).287-307

Natale A., Poppensieker T., Thun M. From risk management to strategic resilience. McKinsey & Company: website. URL: https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/from-risk-management-to-strategic-resilience

Бондаренко Д., Калашнікова К. Цифровізація будівельної галузі України: аналіз стану, проблеми та перспективи розвитку. Економіка та суспільство. 2024. № 65. DOI: https://doi.org/10.32782/2524-0072/2024-65-2

Грибановський О. Вплив Prozorro: яку реальну економію забезпечує електронна система. Центр Вдосконалення закупівель Київської школи економіки. 2022. URL: https://cep.kse.ua/article/impact-of-prozorro/impact-of-prozorro.pdf

Braunsberger C., Aschauer E. Corporate Failure Prediction: A Literature Review of Altman Z-Score and Machine Learning Models Within a Technology Adoption Framework. Journal of Risk and Financial Management. 2025. № 18(8):465. DOI: https://doi.org/10.3390/jrfm18080465

Sharifi M.M., Bagherpour M. Optimizing Cash-Flow-at-Risk in Construction Projects: A Cost Reduction Approach. Periodica Polytechnica Civil Engineering. 2016. № 60(3). Р. 337–344. DOI: https://doi.org/10.3311/PPci.7884

Brusset X., Ivanov D., Jebali A., La Torre D., Repetto M. A dynamic approach to supply chain reconfiguration and ripple effect analysis in an epidemic. Int J Prod Econ. 2023. №263:108935. DOI: https://orcid.org/10.1016/j.ijpe.2023.108935

Li Y., Chen K., Collignon S., Ivanov D. Ripple effect in the supply chain network: Forward and backward disruption propagation, network health and firm vulnerability. Eur J Oper Res. 2021. №291(3):1117-1131. DOI: https://orcid.org/10.1016/j.ejor.2020.09.053

Sarwar D. and Rye S. The impact of the Russia-Ukraine war on global supply chains: a systematic literature review. Front. Sustain. Food Syst. 2025. №9:1648918. DOI: https://orcid.org/10.3389/fsufs.2025.1648918

Любомудрова Н., Ямщиков І. Роль цифровізації управління персоналом у зниженні плинності кадрів. Економіка та суспільство. 2025. № 74. DOI: https://doi.org/10.32782/2524-0072/2025-74-36

Governing with Artificial Intelligence. OECD: website. 2025. September 18. URL: https://www.oecd.org/en/publications/2025/06/governing-with-artificial-intelligence_398fa287/full-report/ai-in-public-procurement_2e095543.html

Erfani A., Khanjar H. Large Language Models for Construction Risk Classification: A Comparative Study. Buildings. 2025. № 15(18):3379. DOI: https://doi.org/10.3390/buildings15183379

Chiaramonte M. Revolutionizing Construction Safety with IoT. Revgen: website. URL: https://www.revgenpartners.com/insight-posts/revolutionizing-construction-safety-with-iot/

Almamy J., Aston J. & Ngwa N. An Evaluation of Altman’s Z score using Cash flow ratio to Predict Corporate Failure Amid the recent Financial Crisis: Evidence from the UK. Journal of Corporate Finance. 2015. № 36. DOI: https://orcid.org/10.1016/j.jcorpfin.2015.12.009

Awwad B., Razia B. Adapting Altman's model to predict the performance of the Palestinian industrial sector. Journal of Business and Socio-economic Development. 2021. Vol. 1 No. 2 pp. 149–164. DOI: https://doi.org/10.1108/JBSED-05-2021-0063

Agarwal N., Seth N. & Agarwal A. Evaluation of supply chain resilience index: a graph theory based approach. Benchmarking: An International Journal. 2021. June. DOI: https://orcid.org/10.1108/BIJ-09-2020-0507

Hosseini S., Ivanov D. & Dolgui A. Ripple effect modelling of supplier disruption: integrated Markov chain and dynamic Bayesian network approach. International Journal of Production Research. 2020. №58. Р. 3284-3303. DOI: https://orcid.org/10.1080/00207543.2019.1661538

Understanding and Utilizing Employee Turnover Prediction Models. HR Analytics Trends: website. URL: https://www.hr-analytics-trends.com/blog/understanding-and-utilizing-employee-turnover-prediction-models

Nelson J.P., Biddle J.B., Shapira P. Applications and Societal Implications of Artificial Intelligence in Manufacturing: A Systematic Review. ETHICX , School of Public Policy, Georgia Institute of Technology, Atlanta, GA 0345, USA. July 25, 2023.

Romanenko, O. V. (2025). Budivelna developerska kompaniia yak skladna adaptyvna systema [Construction development company as a complex adaptive system]. Economic Space, vol. 204. DOI: https://doi.org/10.30838/EP.204.266-272

From fragmented construction data to full visibility. Achilles. Available at: https://www.achilles.com/industry-insights/from-fragmented-construction-data-to-full-visibility/ (accessed January 19, 2026).

Akanbi, O. A., Gueorguiev, N., Honda, J., Mehta, P., Moriyama, K., Primus, K., & Sy, M. (2021). Avoid a fall or fly again: Turning points of state fragility. IMF Working Papers, vol. 133. DOI: https://doi.org/10.5089/9781513573687.001

Mykytchenko, B. (2025). Modeli adaptyvnoho upravlinnia v umovakh zminy ekonomichnykh umov na rynku nerukhomosti [Models of adaptive management under changing economic conditions in the real estate market]. Ways to Improve Construction Efficiency, vol. 2(56), pp. 287–307. DOI: https://doi.org/10.32347/2707-501x.2025.56(2).287-307

Natale, A., Poppensieker, T., & Thun, M. (n.d.). From risk management to strategic resilience. McKinsey & Company. Available at: https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/from-risk-management-to-strategic-resilience

Bondarenko, D., & Kalashnikova, K. (2024). Tsyfrovizatsiia budivelnoi haluzi Ukrainy: analiz stanu, problemy ta perspektyvy rozvytku [Digitalization of the construction industry of Ukraine: state analysis, problems and development prospects]. Economy and Society, vol. 65. DOI: https://doi.org/10.32782/2524-0072/2024-65-2

Hrybanovskyi, O. (2022). Vplyv Prozorro: yaku realnu ekonomiiu zabezpechuie elektronna systema [Impact of Prozorro: real savings provided by the electronic system]. Kyiv School of Economics. Available at: https://cep.kse.ua/article/impact-of-prozorro/impact-of-prozorro.pdf

Braunsberger, C., & Aschauer, E. (2025). Corporate failure prediction: A literature review of Altman Z-score and machine learning models within a technology adoption framework. Journal of Risk and Financial Management, vol. 18(8), p. 465. DOI: https://doi.org/10.3390/jrfm18080465

Sharifi, M. M., & Bagherpour, M. (2016). Optimizing cash-flow-at-risk in construction projects: A cost reduction approach. Periodica Polytechnica Civil Engineering, vol. 60(3), pp. 337–344. DOI: https://doi.org/10.3311/PPci.7884

Brusset, X., Ivanov, D., Jebali, A., La Torre, D., & Repetto, M. (2023). A dynamic approach to supply chain reconfiguration and ripple effect analysis in an epidemic. International Journal of Production Economics, vol. 263, 108935. DOI: https://doi.org/10.1016/j.ijpe.2023.108935

Li, Y., Chen, K., Collignon, S., & Ivanov, D. (2021). Ripple effect in the supply chain network: Forward and backward disruption propagation, network health and firm vulnerability. European Journal of Operational Research, 291(3), pp. 1117–1131. DOI: https://doi.org/10.1016/j.ejor.2020.09.053

Sarwar, D., & Rye, S. (2025). The impact of the Russia–Ukraine war on global supply chains: A systematic literature review. Frontiers in Sustainable Food Systems, vol. 9, 1648918. DOI: https://doi.org/10.3389/fsufs.2025.1648918

Liubomudrova, N., & Yamshchykov, I. (2025). Rol tsyfrovizatsii upravlinnia personalom u znyzhenni plynnosti kadriv [The role of HR digitalization in reducing staff turnover]. Economy and Society, vol. 74. DOI: https://doi.org/10.32782/2524-0072/2025-74-36

Governing with artificial intelligence. OECD. Available at: https://www.oecd.org/en/publications/2025/06/governing-with-artificial-intelligence_398fa287/full-report/ai-in-public-procurement_2e095543.html

Erfani, A., & Khanjar, H. (2025). Large language models for construction risk classification: A comparative study. Buildings, vol. 15(18), p. 3379. DOI: https://doi.org/10.3390/buildings15183379

Chiaramonte, M. Revolutionizing construction safety with IoT. Revgen. Available at: https://www.revgenpartners.com/insight-posts/revolutionizing-construction-safety-with-iot/

Almamy, J., Aston, J., & Ngwa, N. (2015). An evaluation of Altman’s Z-score using cash flow ratio to predict corporate failure amid the recent financial crisis. Journal of Corporate Finance, vol. 36. DOI: https://doi.org/10.1016/j.jcorpfin.2015.12.009

Awwad, B., & Razia, B. (2021). Adapting Altman's model to predict the performance of the Palestinian industrial sector. Journal of Business and Socio-economic Development, vol. 1(2), pp. 149–164. DOI: https://doi.org/10.1108/JBSED-05-2021-0063

Agarwal, N., Seth, N., & Agarwal, A. (2021). Evaluation of supply chain resilience index: A graph theory-based approach. Benchmarking: An International Journal. DOI: https://doi.org/10.1108/BIJ-09-2020-0507

Hosseini, S., Ivanov, D., & Dolgui, A. (2020). Ripple effect modelling of supplier disruption: Integrated Markov chain and dynamic Bayesian network approach. International Journal of Production Research, vol. 58, pp. 3284–3303. DOI: https://doi.org/10.1080/00207543.2019.1661538

Understanding and utilizing employee turnover prediction models. HR Analytics Trends. Available at: https://www.hr-analytics-trends.com/blog/understanding-and-utilizing-employee-turnover-prediction-models

Nelson, J. P., Biddle, J. B., & Shapira, P. (2023). Applications and societal implications of artificial intelligence in manufacturing: A systematic review. Georgia Institute of Technology.