محمد خان بابایی

سازمان ها برای ارتقای عملکرد خود باید به بهبود فرآیندها توجه داشته باشند. مسئله اصلی حجم زیاد فرآیندها همراه با تنوع وسیع ویژگی های آنها است که باعث افزایش پیچیدگی در روش های بهبود فرآیندها می شود. روش های قبلی به بهبود فرآیندها در حجم زیاد فرآیندها قادر نیستند. رویکرد داده کاوی با شناسایی الگوهای ارزشمند پنهان در حجم زیاد فرآیندها از روش های بهبود پشتیبانی می کند. در این مقاله چارچوبی برای به کارگیری روش های داده کاوی برای استخراج الگوهای ارزشمند پنهان در حجم زیاد فرآیندها با هدف ارائه پیشنهادهای بهبود توسعه داده شده است. برای ارزیابی چارچوب پیشنهادی، مجموعه ای واقعی از فرآیندها به همراه ویژگی های آنها جمع آوری شده است. سپس با الگوریتم های طبقه بندی، خوشه بندی و انتخاب ویژگی ها، الگوهایی با ارزش در حجم زیاد فرآیندها شناسایی شدند. بعد از ارزیابی این الگوها، پیشنهادهای بهبود ازطریق الگوهای شناسایی شده پیشنهاد شده است. نتایج نشان می دهد الگوهای شناسایی شده قادر هستند با ارائه پیشنهادهای بهبود اقدامات بهبود فرآیندها را پشتیبانی کنند.

سیستم های خبره می توانند به ساخت مدل های رتبه بندی اعتباری مشتریان بانک ها کمک کنند. در اینجا، انتخاب ویژگی های مهم در رتبه بندی اعتباری اهمیت دارد. همچنین ممکن است مقادیر ویژگی ها، به صورت فازی بیان شوند. مسئله این است، چگونه می توان به کمک الگوریتم ژنتیک، انتخاب ویژگی ها را بهبود بخشید؛ به گونه ای که این ویژگی ها به منزله ورودی در سیستم خبره فازی مورد استفاده قرار گیرند. این نوشتار به ارائه مدل رتبه بندی اعتباری هیبریدی با ترکیب انتخاب ویژگی ها، مبتنی بر الگوریتم ژنتیک و سیستم خبره فازی می پردازد. پژوهشی که در این مورد انجام گرفت، از نظر نتایج، کاربردی و از نظر هدف، توصیفی از نوع مطالعه موردی است. برای آموزش و آزمون مدل، از مجموعه داده های رتبه بندی اعتباری مؤسسه مالی و اعتباری قوامین استفاده شده است. پس از پیش پردازش داده ها، به کمک الگوریتم ژنتیک ویژگی ها انتخاب شدند و از طریق مصاحبه با فردی خبره و به کارگیری منطق فازی، دامنه تغییرات ویژگی های منتخب تعیین شده و سپس قوانین فازی رتبه بندی اعتباری ایجاد شدند. برای تحلیل داده ها از ابزار وکا و ماژول سیستم استنتاج فازی در نرم افزار متلب استفاده شده است. نتایج نشان می دهد، دقت طبقه بندی مدل پیشنهادی نسبت به سایر روش های مقایسه شده در این مقاله بیشتر است. قوانین فازی ایجادشده این مدل را می توان برای رتبه بندی اعتباری مشتریان بانکی به کار برد.

بانک ها به منظور ارائه خدمات الکترونیکی به مشتریان خود نیازمند شناسایی و تحلیل رفتار آن ها هستند. تکنیک های داده کاوی می توانند در حجم زیاد داده های مشتریان به کسب دانش نهان برای پشتیبانی از تصمیمات بازاریابی کمک کنند. مسئله اصلی، چگونگی به کارگیری تکنیک های داده کاوی و مدل تحلیل RFM در شناسایی و تحلیل رفتار مشتریان در بخش بندی و طبقه بندی و انتخاب گروه هایی از مشتریان ارزشمند است. مدل پیشنهادی در این مقاله بر مبنای فرایند استاندارد CRISP در داده کاوی بوده و در آن بعد از آماده سازی و پیش پردازش داده ها، دو رویکرد مطرح می شود. 1. بخش بندی مشتریان به کمک خوشه بندی و محاسبه ارزش هر مشتری در خوشه ها و رتبه بندی آن ها برای پیدا کردن ارزشمندترین خوشه ها. 2. امتیازدهی وتعیین ارزش مشتری به عنوان ویژگی هدف در ساخت مدل های طبقه بندی میزان ارزش مشتریان. از مجموعه داده جمعیت شناختی و تراکنشی مشتریان برای آموزش و تست مدل پیشنهادی استفاده شد. نتایج نشان می دهد که به کارگیری مدل پیشنهادی می تواند مشتریان را بر اساس رفتار آن ها شناسایی و تحلیل نموده و به بخش بندی و طبقه بندی آن ها بپردازد تا پشتیبانی از تصمیمات برنامه های بازاریابی و ارتقا آن انجام شود.

درختان تصمیم گیری به عنوان یکی از تکنیک های داده کاوی می توانند به اعتبارسنجی مشتریان بانکی بپردازند. مسئله ی اصلی ساخت درختان تصمیم گیری است که بتوانند به طور بهینه مشتریان را طبقه بندی کنند. در این مقاله یک مدل مناسب اعتبارسنجی مشتریان بانک ها برای اعطای تسهیلات اعتباری متناسب با هر طبقه مبتنی بر الگوریتم ژنتیک ارایه می شود. الگوریتم های ژنتیک می توانند با انتخاب ویژگی های مناسب و ساخت درختان تصمیم گیری بهینه به اعتبارسنجی مشتریان کمک کنند. در ساخت این مدل فرآیند توسعه در شناخت الگو و فرآیند CRISP برای اعتبارسنجی مشتریان به کار رفته است. مدل طبقه بندی پیشنهادی مبتنی بر تکنیک های خوشه بندی، انتخاب ویژگی ها، درختان تصمیم گیری و الگوریتم ژنتیک است. این مدل به انتخاب و ترکیب بهترین درختان تصمیم گیری مبتنی بر معیارهای بهینگی و ساخت درخت تصمیم گیری نهایی برای اعتبارسنجی مشتریان می پردازد. نتایج نشان می دهد که دقت طبقه بندی مدل طبقه بندی پیشنهادی به طورتقریبی از تمام مدل های درخت تصمیم گیری مقایسه شده در این مقاله بالاتر است. هم چنین تعداد برگ ها و اندازه ی درخت تصمیم گیری و در نتیجه ی پیچیدگی آن از همه کمتر است.

"همان گونه که رقابت در سطح بین المللی رو به افزایش است ، تعداد زیادی از سازمانها، حجم عظیمی از منابع خود را در فناوری اطلاعات و ارتباطات سرمایه گذاری می کنند، تا بدین وسیله بتوانند مزیت رقابتی کسب کنند. اجرای پروژه های فناوری اطلاعات، نیازمند یک فرایند حساب شده است تا در نتیجه با شکست مواجه نشوند؛ این امر مستلزم ارزیابی درست و استفاده از روشها و تکنیک های متناسب با این پروژه ها است. در فرایند ارزیابی عملکرد، پرداختن به تمامی جنبه های پروژه با در نظر گرفتن هدفها و استراتژی های کلان سازمان، ضرورت دارد. کارت امتیازی متوازن، تکنیکی است که توسط آن می توان به ارزیابی عملکرد پروژه های فناوری اطلاعات پرداخت. در این مقاله ضمن بیان یک چارچوب از چرخه زندگی پروژه های فناوری اطلاعات، به فاز ارزیابی پروژه ها در این چرخه بیشتر پرداخته می شود. از آنجایی که پروژه های فناوری اطلاعات دارای ویژگی های منحصر به فردی می باشند، بنابراین ابتدا رویکردهای ارزیابی سنتی و نوین را مطرح کرده، با توجه به کاستی های موجود در این روشها، بهره گیری از کارت امتیازی متوازن به عنوان یک چارچوب مناسب پیشنهاد می گردد."