مریم نورایی آباده

شکست های آبشاری یکی از مهم ترین چالش ها و مخاطرات کسب وکارهای ابری است که می-تواند به طور زنجیروار به بخش های دیگر سیستم آسیب برساند و منجر به فروپاشی کل سیستم شود. هدف این پژوهش بررسی عوامل مختلف مرتبط با شکست های آبشاری در مدل های کسب وکار ابری و معرفی رویکردهای مناسب برای پیش بینی، جلوگیری و مدیریت این نوع شکست ها است. در این پژوهش، از روش مرور ادبیات با استفاده از پردازش زبان طبیعی برای جمع آوری اطلاعات و تحلیل موضوع استفاده شده است. منابع مورد استفاده شامل مقالات علمی معتبر درزمینه فناوری اطلاعات و کسب وکار از سال 2015 تا 2024 از دیتاست های IEEE Xplore، Google Scholar و arXiv بود که 23 مقاله با روش های پردازش زبان طبیعی مورد بررسی قرار گرفت. استفاده از تکنیک های پیشرفته NLP، امکان ارزیابی دقیق تر و تحلیل عمیق تر عوامل مرتبط با شکست های آبشاری را فراهم می کند. همچنین، ریشه یابی خطاها و تدوین نقشه راه عملی برای مدیریت بهتر آن ها، به کسب وکارها امکان می دهد تا بهبود و بهره وری در محیط ابری خود را تسهیل کرده و مسیری پایدارتر را در پیش گیرند. این مراحل نه تنها به افزایش کیفیت و کارایی خدمات ابری کمک می کنند، بلکه هزینه ها و زمان مورد نیاز برای رفع مشکلات را نیز به شدت کاهش می دهند. عوامل مختلف مرتبط با شکست های آبشاری در مدل های کسب وکار ابری به طور مفصل بررسی شده است. این عوامل شامل مشکلات فنی، مشکلات مدیریتی و مشکلات بازاریابی است. همچنین، رویکردهای مختلف برای پیش بینی، جلوگیری و مدیریت این نوع شکست ها معرفی شده است.

مقدمه: تعیین اولویت های زنجیره تأمین در صنایع هوشمند با روش های تحلیل و مدل سازی داده گرا برای دست یافتن به دقت کافی و تشخیص عوامل کلیدی تأثیرگذار بر کارایی زنجیره تامین ضروری است؛ زیرا استفاده از این اطلاعات، اثربخشی مدیریت زنجیره تامین را بهبود می دهد. این مقاله به بررسی و ارائه یک رویکرد کمی برای ارزیابی اولویت های زنجیره تامین هوشمند با استفاده از روش های تحلیل داده گرا می پردازد. هدف اصلی این مقاله، ارائه یک روش سیستماتیک و کارا برای تعیین اولویت ها در زنجیره تامین است. در این رویکرد، ابتدا شاخص های کلیدی کارایی در زنجیره تامین شناسایی می شوند. سپس با استفاده از روش های تحلیل داده گرا مبتنی بر یادگیری ماشین، کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه می شود. رویکرد ارائه شده در این مقاله دارای مزایایی از جمله سیستماتیک بودن، قابلیت انعطاف پذیری، کاربردی بودن و دقت بالا است. روش پیشنهادی به شرکت ها و سازمان ها نیز کمک می کند تا با ارزیابی و تعیین اولویت های زنجیره تامین، بهبود عملکرد و بهینه سازی فرآیندها، تصمیم گیری های مدیریتی خود را بهبود بخشند. روش: ابعاد نوآوری این تحقیق شامل دو بعد اصلی است. بعد اول، تمرکز بر دو صنعت پرکابرد در شرایطی است که به تکنولوژی اینترنت اشیا مجهز شده اند. بعد دوم، ترکیب روش های سنتی تحلیل زنجیره تامین با الگوریتم های یادگیری ماشین است. در ابتدا شاخص های کلیدی کارایی در زنجیره تامین شناسایی شدند. این شاخص ها از طریق جستجوی جامع مقالات در پایگاه های علمی معتبر و با استفاده از کلمات کلیدی مرتبط با زنجیره تامین هوشمند استخراج و سپس، با استفاده از روش های تحلیل داده گرا کارایی هر شاخص برای هر عنصر زنجیره تامین محاسبه شد. در این پژوهش از ماتریس DEMATEL برای تحلیل روابط متقابل بین شاخص ها و از روش پیش بینی با ماشین های بردار پشتیبان (SVM) برای ارزیابی روابط بین معیارها استفاده شد. در نهایت، وزن نهایی هر شاخص با ترکیب نتایج DEMATEL و SVM تعیین و اولویت بندی شاخص ها در زنجیره تامین انجام شد. یافته ها: نتایج این مقاله نشان می دهد که انعطاف پذیری به دلیل توانایی زنجیره تامین در پاسخگویی به تغییرات و نوسانات تقاضا به عنوان مهم ترین معیار در زنجیره تامین مطرح است. نتایج روش پیشنهادی بر روی دو حوزه صنعتی مبتنی بر اینترنت اشیا نشان می دهد، مهم ترین معیار در زنجیره تامین متعلق به انعطاف پذیری است و کیفیت، هزینه و زمان تحویل به ترتیب در رتبه های بعدی قرار دارند. این اولویت بندی به مدیران کمک می کند تصمیمات آگاهانه تری برای بهینه سازی زنجیره تامین اتخاذ کنند. نتیجه گیری: استفاده از رویکردهای سیستماتیک و دقیق برای اولویت بندی معیارهای زنجیره تامین می تواند به عنوان یک راهنمایی کاربردی برای انتخاب و تعیین تأمین کنندگان، اجرای استراتژی های بهینه سازی زنجیره تامین و تخصیص منابع استفاده شود. این تحقیق نشان داد که ترکیب روش های سنتی تحلیل زنجیره تامین با الگوریتم های یادگیری ماشینی مانند SVM می تواند به بهبود دقت و کارایی در پیش بینی و تصمیم گیری ها کمک کند. با بهبود زنجیره تامین، سازمان ها قادر خواهند بود عملکرد خود را بهبود داده و فرآیندها را بهینه سازی کنند. همچنین، رویکردهایی مانند استراتژی Just-In-Time (JIT)، مدیریت کیفیت جامع و استفاده از فناوری های نوین نیز می توانند به بهبود زنجیره تامین کمک کنند. توسعه روابط با تأمین کنندگان و تحلیل داده ها و پیش بینی نیازها و مشکلات زنجیره تامین نیز از دیگر رویکردهای مفید است.

امروزه مرکز خرید دیگر مکانی برای اهداف معامله نیست که مشتریان در صورت نیاز به یک کالا یا خدمت، به آن مراجعه کنند، بلکه مکانی برای اهداف اجتماعی است. از طرفی روند رو به رشد فروشگاه های خرده فروشی موجب فشار عظیم بر مصرف کنندگان در انتخاب شده است. خریداران اگر یک محیط اجتماعی را به عنوان محیطی بسیار تحریک کننده یا نامناسب درک کنند، ممکن است سردرگم شوند. هدف از پژوهش حاضر مدل سازی عوامل مؤثر بر سردرگمی مشتریان زن در انتخاب فروشگاه های خرده فروشی است. برای انتخاب ویژگی هایی که بیشترین ارتباط را با متغیرهای هدف داشته و می توانند بهترین عملکرد را در پیش بینی و تفسیرمدل ارائه دهند، از انتخاب ویژگی با استفاده از شبکه عصبی استفاده شده است. رویکرد پیشنهادی در ابتدا با کاهش ابعاد فضای مسئله از طریق آموزش یک نوع شبکه های عصبی چند لایه، پیچیدگی محاسباتی را در حل مشکل طراحی کاهش می دهد. 7 عامل از عوامل مؤثر بر سردرگمی مشتریان براساس این مدل شبکه عصبی استخراج، در 5 سطح با استفاده از مدل یابی ساختاری تفسیری طبقه بندی شدند و مدل مرتبط با آن ترسیم گردید. در این دسته بندی متغیرهای تنوع زیاد برندهای فروشگاهی، برنامه های وفاداری و تجمع فروشگاه ها در یک موقعیت مکانی، بیشترین قدرت نفوذ (تأثیرگذاری) و ریسک ادراک شده، فاکتورهای فردی و جمعیت شناسی و آهنگ اطلاعات بیشترین وابستگی (تأثیرپذیری) را نشان می دهند و متغیر فاکتور فردی تنها متغیری است که رابطه دوطرفه با سایر متغیرها دارد.