Тетер НаталіяЛега ОльгаTeter NataliiaLeha Olha2025-11-182025-11-182025Тетер, Н. Прогнозна аналітика на основі штучного інтелекту як інструмент передбачення KPI та підвищення ефективності стратегічного планування [Текст] / Н. Тетер, О. Лега // Цифрова економіка та економічна безпека : науково-практичний журнал / Причорноморський науково-дослідний інститут економіки та інновацій, Сумський державний педагогічний університет імені А. С. Макаренка ; [редкол.: О. Ю. Кудріна (гол. ред.), В. В. Божкова, В. І. Борщ, Н. М. Вдовенко та ін.]. – 2025. – № 4 (19). – С. 454–460. – DOI: https://doi.org/10.32782/dees.19-65https://repository.sspu.edu.ua/handle/123456789/17691У статті розглянуто використання прогнозної аналітики на основі штучного інтелекту для передбачення KPI та вдосконалення стратегічного планування підприємств. Інтеграція ERP/CRM-даних, IoT-телеметрії та зовнішніх джерел забезпечує виявлення складних нелінійних залежностей і підвищує точність прогнозів. Запропоновано багаторівневу класифікацію KPI та обґрунтовано роль Feature Store і MLOps-конвеєрів у подоланні проблем підготовки даних. Використання сучасних алгоритмів машинного навчання та інструментів пояснюваного ШІ (SHAP, LIME) дозволяє знизити похибку прогнозів на 20–50 %, скоротити витрати на запаси й дефіцити, а також забезпечити прозорість рішень для керівництва. Автоматизація CI/CD пришвидшує отримання інсайтів і гарантує регулярне перенавчання моделей. Дослідження є цінним для керівників, менеджерів зі стратегічного планування, дата-сайєнтистів і науковців у сфері бізнес-аналітики.The article explores the application of artificial intelligence (AI)-based predictive analytics for forecasting key performance indicators (KPIs) and improving strategic enterprise planning in the context of increasing business turbulence. Particular emphasis is placed on the integration of internal corporate ERP/CRM data, IoT device telemetry, and external sources-including macroeconomic indicators, weather data, and social trends-which enables the identification of complex nonlinear dependencies and supports timely managerial decision-making. The scientific novelty lies in the proposed multi-level KPI classification (descriptive, diagnostic, predictive, and prescriptive), which establishes a coherent framework for transitioning from retrospective analysis to proactive management. In addition, the study substantiates the role of centralized Feature Stores and MLOps pipelines as key instruments for overcoming data-preparation bottlenecks, thereby ensuring model reproducibility, accelerated scaling of use cases, and a stable flow of validated features for analytical algorithms. The practical significance of the study lies in the analysis of the modern technological stack of predictive solutions: algorithmic methods, cloud-based ML services, CI/CD pipelines, and explainable AI tools that enhance forecast transparency and strengthen leadership trust. It has been demonstrated that the implementation of such solutions reduces the average forecast error by 20–50%, lowers inventory costs, and prevents product shortages, while labor efficiency increases by 10–15%. CI/CD pipeline automation shortens the time to actionable insights from several weeks to hours, and the use of explainable AI ensures compliance with the EU AI Act and GDPR, while simultaneously increasing top management’s readiness to integrate models into planning processes. The findings make the article valuable for senior executives, strategic planning managers, data specialists, and business analytics researchers, as they illustrate how the comprehensive integration of heterogeneous data, algorithmic solutions, and management infrastructure transforms predictive analytics into a strategic tool for enhancing enterprise competitiveness.ukпрогнозна аналітикаштучний інтелектстратегічне плануванняключові показники ефективностімашинне навчанняpredictive analyticsartificial intelligencestrategic planningkey performance indicatorsmachine learningArticlehttps://doi.org/10.32782/dees.19-65