رویکردهای مدیریتی در حوزه کسب وکار هوشمند
فائزه زمانی؛ احمد ابراهیمی؛ رویا سلطانی؛ بابک فرهنگ مقدم
چکیده
هدف این پژوهش بررسی عوامل موثر در پیش‌بینی زمان انتظار و ایجاد مدل پیش‌بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب‌آوری در زنجیره تامین ناب می‌باشد. برای دستیابی به این هدف، مطالعه از روش داده‌کاوی پیروی می‌کند، مجموعه داده‌ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص‌های ...
بیشتر
هدف این پژوهش بررسی عوامل موثر در پیش‌بینی زمان انتظار و ایجاد مدل پیش‌بینانه زمان انتظار سفارشات کانبان به جهت بهبود پایداری و تاب‌آوری در زنجیره تامین ناب می‌باشد. برای دستیابی به این هدف، مطالعه از روش داده‌کاوی پیروی می‌کند، مجموعه داده‌ها شامل 103023 مشاهده، ازسیستم کانبان واکسترانت زنجیره تامین با رعایت الزامات شاخص‌های کیفیت دیتاست در بازه 6/1402 تا 11/ 1402 استخراج شده است. ابتدا شاخص‌های موثر بر زمان انتظار سفارشات استخراج شده است و به جهت بهبود عملکرد و دقت پیش‌بینی، از فرآیندکاوی جهت شناسایی متغیرهای پرتکرار و تاثیرگذار در واریانت‌های اصلی و سپس در مرحله برازش مدل، از رویکرد تحلیل گام‌به‌گام تلفیقی جهت انتخاب ویژگی‌ها و از تنظیم پارامتر رویکردهای رگرسیونی ناپارامتریک استفاده شده است. مدل پیش‌بینانه با استفاده از مدل‌های رگرسیونی خطی چندمتغیره، چندمتغیره دارای انحنا، لاسو، الاستیک‌نت، درخت تصمیم تقویتی، جنگل تصادفی بوت‌استرپ، k- نزدیک‌ترین همسایه، شبکه عصبی تقویتی برازش داده شده است. عملکرد مدل‌های رگرسیونی برازش شده با استفاده از شاخص‌های ارزیابی R^2 ، RASE و اعتبارسنجی نتایج و مدل تایید شده است. نتایج نشان داد که عوامل لجستیکی در زمان انتظار سفارشات موثر بوده و الگوریتم شبکه عصبی تقویت شده بهترین مدل در پیش‌بینی زمان انتظار سفارشات با دقت 96 درصد و با خطا 84/5 است. سپس قابلیت پیش‌بینی مدل برای دیتاهای جدید در سیستم صدور سفارشات کانبان به کار گرفته شده است، نتایج و بهبودهای حاصل از بهره‌گیری قابلیت‌های داده‌کاوی در سیستم کانبان همگی بیان‌گر تاثیر معنی‌دار ترکیب ابزار ناب و یادگیری ماشین به جهت توانمندسازی و تاب‌آوری زنجیره تامین ناب می‌باشد.
علم داده، هوشمندی و تحلیل‌های آینده نگر
عباس باقریان کاسگری؛ ایمان رئیسی وانانی؛ مقصود امیری؛ سعید همایون
چکیده
بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیارهای مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلبهای مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید ...
بیشتر
بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیارهای مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلبهای مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید کرده‌اند؛ هیچ مطالعه‌ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش‌بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش‌بینی تقلبهای بر اساس ترکیبی از داده‌های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت‌شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه‌ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده‌های مالی ومعیارهای غیرمالی قدرت پیش‌بینی‌کننده‌ای بهتری برای تقلبهای مالی نسبت به تکیه صرف بر داده‌های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم‌های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه‌بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده‌ای همه ویژگی‌ها(مدل ترکیب داده‌های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده‌های مالی به تنهایی) و غیرمالی به تنهایی داشته است.
رویکردهای مدیریتی در حوزه کسب وکار هوشمند
حسین رحیمی کلور؛ رحیم محمدخانی
چکیده
دنیای دیجیتال فرصت‌های متعددی را برای بازاریابان فراهم می‌کند تا به مشتری دسترسی پیدا کنند. بااین‌حال، در دنیای پرسرعت، یافتن راه‌های جدید و نوآورانه برای تبلیغات و فروش محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه تبلیغات و فروش، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، ...
بیشتر
دنیای دیجیتال فرصت‌های متعددی را برای بازاریابان فراهم می‌کند تا به مشتری دسترسی پیدا کنند. بااین‌حال، در دنیای پرسرعت، یافتن راه‌های جدید و نوآورانه برای تبلیغات و فروش محصولات و خدمات بسیار مهم است. با توجه به پیشرفت هوش مصنوعی و توسعه آن در حوزه تبلیغات و فروش، متخصصان در حال حاضر ابزارهایی برای بازتعریف کامل درک فعلی از برندسازی، بازاریابی، تبلیغات و فروش دارند. محبوبیت روزافزون اینترنت و افزایش استفاده از دستگاه‌های تلفن همراه، حجم عظیمی از داده‌ها را برای مصرف‌کنندگان تولید می‌کند که سیستم‌های مبتنی بر هوش مصنوعی را تغذیه می‌کنند. این پژوهش از نوع پژوهش‌های آمیخته با رویکرد کیفی و کمی است که ازنظر هدف، کاربردی و ازلحاظ نحـوه گـردآوری داده، از نوع مطالعات توصیفی پیمایشی است. جامعه آماری پژوهش، مدیران و کارشناسان متخصص در حوزه بازاریابی دیجیتال و IT در حوزه تبلیغات و فروش، بودند که با استفاده از روش نمونه‌گیری گلوله برفی انتخاب شدند. در بخش کیفی ابزار گردآوری اطلاعات، بررسی کتابخانه‌ای و مقالات، مصاحبه و در بخش کمـی پرسشنامه بود. در بخش کیفی روش تحلیل داده‌ها، با استفاده از تحلیل تم که با نرم‌افزار MAXQDA و بـا استفاده از روش کدگذاری تدوین شد و در بخش کمی، روش تحلیل بر مبنای آزمون همبستگی کندال بود. مطابق با نتایج پژوهش، 7 تم اصلی، 22 تم فرعی و 44 کد کشف شدند که شامل پیامدهای کاربرد هوش مصنوعی و یادگیری ماشین در تبلیغات و فروش بودند.
احمد رحمانی؛ مجید سروری؛ رضا رادفر؛ محمود البرزی
چکیده
نوآوری فناورانه حوزه صنعت مالی، زیست بوم فناوری مالی را موجب شد. با ظهور هوش مصنوعی، دنیای فناوری و مالی به هم گره‌خورد تا پردازش‌های مالی هوشمندانه تری به مدیران جهت تصمیم‌گیری‌های هوشمندانه ارائه می‌کند. نتایج استفاده از روش‌های یادگیری ماشین ثابت نبوده و پیش‌بینی دقیق در مورد نتایج حاصل از تجربه مشتریان برای الگوریتم‌های ...
بیشتر
نوآوری فناورانه حوزه صنعت مالی، زیست بوم فناوری مالی را موجب شد. با ظهور هوش مصنوعی، دنیای فناوری و مالی به هم گره‌خورد تا پردازش‌های مالی هوشمندانه تری به مدیران جهت تصمیم‌گیری‌های هوشمندانه ارائه می‌کند. نتایج استفاده از روش‌های یادگیری ماشین ثابت نبوده و پیش‌بینی دقیق در مورد نتایج حاصل از تجربه مشتریان برای الگوریتم‌های یادگیری ماشین چالش‌برانگیزاست. تلاش‌های زیادی در خصوص مدیریت تجربه مشتری انجام‌شده است ولی، چارچوب تلفیقی فناوری مالی در تعامل باهوش مصنوعی و یادگیری ماشین در مفهوم‌سازی تجربه مشتری که می تواند دانش تجربه مشتری را موجب شود، موضوعی است که کمتر به آن پرداخته‌شده است. این مقاله، با بررسی 75 مقاله و جمعبندی آن در 41 مقاله پژوهشی، موضوع پژوهش حاضر را موردبررسی قرار داده است. جهت پیش بینی ارائه نظریه ،روش تحقیق، تئوری بنیادین می باشد. هدف این مقاله،پوشش شکاف مطالعاتی ازطریق ارائه یک چارچوب تلفیقی است که مسیر کلی برای انجام و مطالعه پژوهش‌های حوزه فناوری مالی و هوش مصنوعی، در استخراج و مدیریت دانش تجربه مشتریان را در برمی‌گیرد. یافته‌ها نشان می‌دهند که مطالعات انجام شده در سه محور فوق را می‌توان به پنج بخش اصلی نوآوری طبقه‌بندی کرد که شبکه‌های ایجاد ارزش از تجربه مشتریان را در چارچوب تلفیقی فناوری مالی، یادگیری ماشین و تجربه مشتری ارائه می کند. یافته‌ها، مسیر خوبی برای پرداختن به برخی محدودیت‌ها در پژوهش‌های فناوری‌های مالی و هوش مصنوعی برای مدیریت دانش تجربه مشتریان از طریق امکان ارائه الگو عملکرد مشتریان را فراهم می‌کنند.
