تحلیل چند معیاره هم افزایی میان حاکمیت داده و حکمرانی داده محور: چارچوب تطبیقی برای طراحی سازمان های هوشمند (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
در عصر تحول دیجیتال، سازمان ها برای دستیابی به عملکرد بهینه، چابکی اطلاعاتی و مزیت رقابتی پایدار، نیازمند رویکردهایی یکپارچه در مدیریت داده هستند؛ رویکردهایی که هم کیفیت، امنیت و انطباق داده ها را تضمین کند و هم بستر تصمیم سازی های تحلیلی و مبتنی بر شواهد را فراهم آورد. در این میان، دو رویکرد حاکمیت داده و حکمرانی داده محور به عنوان ارکان کلیدی مدیریت داده های سازمانی و بنیان گذار معماری اطلاعات هوشمند مطرح است. این پژوهش با هدف تحلیل تطبیقی این دو رویکرد، به بررسی ابعاد مفهومی، ساختاری، فرهنگی و راهبردی آن ها پرداخته است و تلاش می کند با الگو سازی تلفیقی، پاسخی نظری و عملی به نیاز سازمان ها برای توازن میان کنترل و ارزش آفرینی از داده ها ارائه دهد. روش پژوهش به صورت تحلیلی کاربردی و با استفاده از رویکرد ترکیبی انجام شده است. ابتدا با تحلیل اسنادی، معیارهای کلیدی مقایسه استخراج شد و سپس با طراحی الگوی امتیازدهی سه بعدی (نقش مفهومی، شدت وابستگی و کاربرد عملی)، داده های مقایسه ای به کمک پرسشنامه میان ۱۰۰ نفر از خبرگان دانشگاهی و اجرایی گردآوری و تحلیل شد. نتایج نشان می دهد رویکرد حاکمیت داده در شاخص هایی مانند ساختار، کیفیت، امنیت و کنترل داده ها عملکرد برتری دارد، در حالی که حکمرانی داده محور در مؤلفه هایی همچون تحلیل تصمیمات، نگرش داده محور، فرهنگ آزمون پذیر و بهره گیری از ابزارهای تحلیلی قوی تر عمل می کند؛ همچنین میانگین امتیاز کلی حکمرانی داده محور (۸.۹ از ۱۰) نسبت به حاکمیت داده (۸.۰ از ۱۰) بیشتر است و الگوی امتیازدهی، مکمل بودن این دو رویکرد را در لایه های گوناگون سازمانی نشان می دهد. سرانجام، الگوی مفهومی چهارلایه ای شامل لایه های زیرساخت، عملیات، تصمیم سازی و راهبرد ارائه شده است که با ترکیب دو مسیر اجرای بالا به پایین (سیاست گذاری) و پایین به بالا (تحول تدریجی)، امکان طراحی سازمان های داده محور و هوشمند را فراهم می سازد. کاربرد این الگو در شرایط گوناگون نیازمند بومی سازی و تطبیق با زمینه های فرهنگی و صنعتی سازمان ها است. پیشنهاد می شود در پژوهش های آینده، اعتبار تجربی این الگو در بسترهای واقعی آزمون شود.Multi-Criteria Analysis of the Synergy Between Data Governance and Data-Driven Governance: A Comparative Framework for Designing Intelligent Organizations
In the era of digital transformation, organizations aiming for optimal performance, informational agility, and sustainable competitive advantage require integrated approaches to data management—approaches that ensure data quality, security, and compliance, while also enabling evidence-based analytical decision-making. In this context, the two approaches of data governance and data-driven governance emerge as foundational pillars of organizational data management and the backbone of intelligent information architecture. This study conducts a comparative analysis of these two approaches, examining their conceptual, structural, cultural, and strategic dimensions. It seeks to offer a theoretical and practical response to the organizational need for balancing control and value creation from data through an integrative modeling framework. The research follows an analytical-applied methodology using a mixed-method approach. Initially, key comparative criteria were identified through document analysis. Then, a three-dimensional scoring model (conceptual role, dependency intensity, and practical application) was developed. Comparative data were collected and analyzed using a structured questionnaire distributed among 100 academic and industry experts. The findings indicate that the data governance approach performs better in metrics such as structure, quality, security, and data control, whereas the data-driven governance approach excels in areas like decision analytics, data-centric mindset, experimentation culture, and advanced analytical tool adoption. Furthermore, the average overall score of data-driven governance (8.9 out of 10) was higher than that of data governance (8.0 out of 10), and the scoring pattern highlights the complementary nature of the two approaches across different organizational layers. Finally, a four-layer conceptual model—comprising infrastructure, operations, decision-making, and strategy—is proposed. This model integrates both top-down (policy-driven) and bottom-up (gradual transformation) implementation paths, facilitating the design of data-driven and intelligent organizations. The application of this model requires contextual adaptation based on each organization’s cultural and industrial environment. Future studies are recommended to empirically validate the model in real-world organizational settings.
تبلیغات
