Analysis of Management Approaches and Development of a Methods for Integrating Machine Learning Models into Business Process Management

Accelerated digital transformation and the growing use of artificial intelligence technologies in Russian businesses in a competitive environment have exacerbated the lack of holistic management approaches to integrating machine learning models into business process management. The purpose of this study is to analyze the current state of such integration in a competitive environment, identify key barriers, and propose a methodology for synchronizing the BPM and ML lifecycles. In accordance with this goal, the following tasks are addressed: synchronizing the stages of the enterprise's business process lifecycle with the stages of the machine learning model lifecycle, identifying business problems and analyzing the situation, developing a machine learning model, aligning the goals and scope of ML application between business strategy and BPM objectives, and comparing approaches to integrating ML into BPM internationally and in Russia. The study developed a proprietary model for synchronizing the BPM and ML lifecycles, introduced metrics for evaluating integration effectiveness (forecast accuracy, productivity gains, implementation speed, etc.), conducted a systematic comparative analysis of international and Russian approaches (presented in a table), and proposed a structured step-by-step roadmap for implementing AI in business processes, specifying stages, participants, deadlines, and resources. This study confirmed that ML integration can increase productivity, reduce costs, and improve the customer experience of enterprises in a competitive environment. However, its adoption is hampered by a number of barriers (poor data quality, skills shortages, resistance to change, security risks, etc.).

management methods, digital transformation, business process, machine learning, AI integration, BPM lifecycle, ML model lifecycle, AI implementation barriers

1. Адаменко П. А., Цибульникова В. Ю., Нужина И. П. Применение машинного обучения и искусственного интеллекта при управлении предпринимательскими рисками в малом бизнесе // Журнал прикладных исследований. 2023. № 10. С. 66–72. DOI: 10.47576/2949-1878_2023_10_66.

2. Алексеева Т. В., Гумеров Э. А., Култыгин О. П. и др. Разработка архитектуры интеллектуальной системы управления граничными вычислениями для IoT систем промышленного предприятия // Информационные системы и технологии. 2023. № 6 (140). С. 29–40. EDN: HBWVET.

3. Зубанова А. Е., Култыгин О. П., Люблинская Н. Н. и др. Применение нейронных сетей для анализа текстовой информации о состоянии рынка // Информационные системы и технологии. 2023. № 1 (125). С. 53–64. EDN: BXKWLE.

4. Кириллова Е. А., Лазарев А. И., Култыгин О. П. Нейросетевая модель для поддержки принятия решений по управлению кооперативными связями в инновационных экосистемах // Прикладная информатика. 2022. Т. 17. № 2. С. 79–92. DOI: 10.37791/2687-0649-2022-17-2-79-92.

5. Кондратенко Н. А., Филимонова Е. В., Машегов П. Н. и др. Построение математической модели системы поддержки принятия решений в области ценообразования для электронной коммерции // Прикладная информатика. 2022. Т. 17. № 6. С. 5–17. DOI: 10.37791/2687-0649-2022-17-6-5-17.

6. Култыгин О. П. Оценка экономической эффективности проектов по созданию информационных систем // Прикладная информатика. 2021. Т. 16. № 5. С. 117–125. DOI: 10.37791/2687-0649-2021-16-5-117-125.

7. Култыгин О. П., Люблинская Н. Н., Токмакова Е. Н., Трубин А. Е. Проблемы и перспективы развития рынка криптовалют // Вестник Российского экономического университета имени Г. В. Плеханова. 2024. Т. 21. № 4. С. 135–147. DOI: 10.21686/2413-2829-2024-4-135-147.

8. Мелихова Л. А., Рюмшин А. В., Думм Д. В. Возможности оптимизации бизнес-процессов в организациях IT-сферы и маркетинга на основе использования искусственной нейросети // Экономика, предпринимательство и право. 2025. Т. 15. № 4. С. 2431–2442. DOI: 10.18334/epp.15.4.122941.

9. Научно-практические аспекты цифровой трансформации экономики: монография / А. Ю. Анисимов, А. Е. Трубин, А. Н. Алексахин [и др.]; под общ. ред. А. Н. Алексахина, А. Ю. Анисимова, А. Е. Трубина. М.: Русайнс, 2023. 214 с. EDN: GDJVCQ.

10. Пантелеева Т. А. Интеграция инструментов искусственного интеллекта в систему стратегического менеджмента агробизнеса // Продовольственная политика и безопасность. 2021. Т. 8. № 2. С. 145–166. DOI: 10.18334/ppib.8.2.111548.

11. Сахаров А. Г., Трубин А. Е., Култыгин О. П., Анисимов А. Ю. Методические аспекты управления запасами в логистике в современных условиях // Вестник Северо-Кавказского федерального университета. 2025. № 3 (108). С. 148–161. DOI: 10.37493/2307-907X.2025.3.14.

12. Скворцова Н. А., Захаров А. В., Булатов И. И. Цифровая трансформация бизнес-процессов на основе технологий искусственного интеллекта (российский и международный опыт) // Экономика, предпринимательство и право. 2025. Т. 15. № 1. С. 131–152. DOI: 10.18334/epp.15.1.122526.

13. Трансфер технологий в инновационной экономике: учебник для вузов / А. Ю. Анисимов, О. А. Пятаева, А. Т. Волков [и др.]. М.: Издательство Юрайт, 2024. 251 с. EDN: FJGAXY.

14. Трубин А. Е., Ожередов В. А., Морозов А. А. и др. Построение и анализ модели машинного обучения для краткосрочного прогнозирования рынка биткоина на основе рекуррентных нейронных сетей // Прикладная информатика. 2022. Т. 17. № 3. С. 45–54. DOI: 10.37791/2687-0649-2022-17-3-45-54.

15. Фроликов А. В., Трубин А. Е., Алексахин А. Н., Нечаев А. М. Перспективы и риски применения технологии искусственного интеллекта в корпоративном управлении // Вестник Российского экономического университета имени Г. В. Плеханова. 2025. Т. 22. № 1 (139). С. 198–208. DOI: 10.21686/2413-2829-2025-1-198-208.

16. Функциональное программирование на императивных и функциональных языках: учебник / А. Н. Алексахин, Е. И. Алехин, А. В. Андреев [и др.]. М.: КноРус, 2025. 240 с. EDN: XGVOBZ.

17. Шаврин А. В. Применение методов искусственного интеллекта в управлении рисками предприятий малого бизнеса // Молодой ученый. 2025. № 48 (599). С. 117–120. EDN: AXNIXE.

18. Шакеров Т. Р., Трубин А. Е., Култыгин О. П. Оптимизация логистических процессов в условиях глобализации рыночной экономики // Вестник Академии знаний. 2024. № 2 (61). С. 768–774. EDN: AOSQSE.

19. Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-Powered Organization. Harvard Business Review, 97(4), 62–73. Available at: https://hbr.org/2019/07/building-the-ai-powered-organization (accessed 14.07.2026).

20. Khan, A., Le, H., Do, K. et al. (2021). DeepProcess: Supporting Business Process Execution Using a MANN-Based Recommender System (pp. 19–33). In: Hacid, H., Kao, O., Mecella, M. et al. (eds.) Service-Oriented Computing (ICSOC 2021). Lecture Notes in Computer Science, vol. 13121. Springer Publ. https://doi.org/10.1007/978-3-030-91431-8_2

21. Van der Aalst, W. (2016). Process Mining: Data Science in Action. 2nd edition. Springer Publ. https://doi.org/10.1007/978-3-662-49851-4

22. Weinzierl, S., Zilker, S., Dunzer, S., & Matzner, M. (2024). Machine Learning in Business Process Management: A Systematic Literature Review. Expert Systems with Applications, 253, 124181. https://doi.org/10.1016/j.eswa.2024.124181

23. Xu, F., Uszkoreit, H., Du, Y. et al. (2019). Explainable AI: A Brief Survey on History, Research Areas, Approaches and Challenges (pp. 563–574). In: Tang, J., Kan, M.-Y., Zhao, D. et al. (eds.) Natural Language Processing and Chinese Computing (NLPCC 2019). Lecture Notes in Computer Science, vol. 11839. Springer Publ. https://doi.org/10.1007/978-3-030-32236-6_51