احمد جعفرنژاد

کنترل کیفیت و کاهش هزینه های تولید، به پیش بینی دقیق عیوب در فرآیندهای صنعتی وابسته است. در این پژوهش، رویکرد یادگیری ماشین حساس به هزینه، با استفاده از الگوریتم MetaCost بررسی شده است. MetaCost یک تکنیک پس پردازش برای تبدیل مدل های یادگیری ماشین به مدل های حساس به هزینه است که با در نظر گرفتن ماتریس هزینه خطاها، تصمیم گیری مدل را بهینه می کند. هدف اصلی، کاهش خطاهای منفی کاذب در شناسایی روزهای پرنقص تولید است. برای این منظور، از چندین الگوریتم شامل Random Forest، Gradient Boosting، XGBoost، LightGBM، CatBoost، SVM و رگرسیون لجستیک استفاده شد. داده ها از دیتاست «Predicting Manufacturing Defects» برگرفته از پلتفرم Kaggle، شامل اطلاعات مربوط به 3240 روز تولید صنعتی جمع آوری شدند. نتایج نشان داد که الگوریتم جنگل تصادفی با دستیابی به صحت برابر 96.9% و بازخوانی برابر 98.9 %، بهترین عملکرد را در میان مدل ها داشت. به ویژه توانایی بالای این مدل در شناسایی صحیح روزهای پرنقص، آن را به گزینه مناسبی برای کاربردهای واقعی در صنعت تبدیل کرد. دیگر مدل ها نیز عملکرد پذیرفتنی داشتند؛ اما در مقایسه با Random Forest، در کاهش نرخ منفی کاذب ضعیف تر ظاهر شدند. این نتایج، کارایی رویکردهای حساس به هزینه را در بهبود پیش بینی نقص تولید، تأیید می کند.

هدف: به منظور مدیریت و هدایت شبکه های بین سازمانی، جایگاه میان دار در شبکه های نوآوری ضروری است و شرکت کانونی که معمولاً در شبکه این نقش را ایفا می کند، به احصا و ارتقای توانمندی های میان داری خود نیاز دارد. همچنین به منظور تثبیت دیدگاه راهبردی و بلندمدت به توانمندی های میان داری، باید در دو سطح ایستا (در مراحل راه اندازی و عملیات روزمره شبکه) و پویا (در زمان بروز تغییر اساسی در متغیرهای اصلی شبکه) از سوی بنگاه کانونی توجه شود. هدف این پژوهش ارائه مدلی برای تبیین پویایی توانمندی های میان داری شرکت های بزرگ مالی و بانک ها در گذار به بانکداری باز است. بر این اساس، این پژوهش با تمرکز روی تغییرات توانمندی های میان دار شبکه در مواجهه با پارادایم بانکداری باز، ضمن معرفی توانمندی های نوظهور در فضای جدید، ابعاد مختلف را برای نقش های میان داری در این سیر تحولی بررسی می کند.روش: این پژوهش بر اساس مطالعه موردی صنعت بانکداری ایران با تمرکز روی بانک های موفق میان دار شبکه های نوآوری در به کارگیری بانکداری باز، به عنوان سطح تحلیل و همچنین توانمندی های میان داری شبکه های نوآوری به عنوان واحد تحلیل صورت گرفته است. با در نظر گرفتن پارادایم بانکداری باز به عنوان عامل برهم زننده و با بهره گیری از ۱۹ مصاحبه نیمه ساختاریافته برای تحلیل پنج بانک منتخب میان دار در شبکه های نوآوری بانکی که توسط معیارهای چهارگانه برگزیده شده بودند، مجموعه توانمندی های میان داری در سه مقطع زمانی بانکداری بسته، برهه مهاجرت و همچنین بانکداری باز، با روش تحلیل محتوا کدگذاری و شناسایی شدند.یافته ها: در این پژوهش مجموعه توانمندی های میان داری برای شرکت کانونی، در سه مقطع زمانی بانکداری بسته، برهه مهاجرت و همچنین بانکداری باز، شناسایی و در قالب مدل پویایی تبیین شد. بر این اساس چهار تم اصلی توانمندی در بانکداری بسته، یک تم در مرحله مهاجرت با عنوان مدیریت دگردیسی شبکه و همچنین ۲۲ مقوله جدید تحت چهار تم اصلی با عناوین طراحی و راه اندازی شبکه، القای ارزش شبکه ای پلتفرم، مشروعیت بخشی به پلتفرم و مشارکت دهی شبکه پلتفرم در خصوص توانمندی های میان دار بانکداری باز ارائه شد. همچنین با مقایسه و تحلیل نتایج در دو فضای اشاره شده، توانمندی های نوظهور معرفی شدند، برخی از مواردی که در بانکداری سنتی موجود بودند، حذف شدند، تعدادی از توانمندی ها به صورت یکسان تکرار و برخی از آن ها با اضافه شدن مفاهیم و کدهای جدید و غیرتکراری، به عنوان توانمندی های تقویت شده دسته بندی شدند.نتیجه گیری: نتایج این پژوهش از بُعد نظری، ضمن ارائه مجموعه ای جامع از توانمندی ها و قابلیت های موردنیاز برای میان داری شبکه نوآوری، با نگاهی پویا ابعاد تاریک این موضوع را در مواجهه با تغییرات پارادایمی فناوری بررسی کرد و تئوری های قبلی را ارتقا بخشید. کلیه نقش ها و توانمندی های موردنیاز بانک های میان دار در دو پارادایم بانکداری سنتی/ بسته و همچنین بانکداری باز برای میان داری شبکه های نوآوری حول خود، به صورت دسته بندی شده ارائه شد. بر این اساس، مبحث میان داری شبکه های نوآوری پلتفرم محور و ابعاد مختلف آن با تکیه بر توانمندی های میان داری پلتفرم های بانکداری باز، در این پژوهش شناسایی و ارائه شد. مطابق با نتایج به دست آمده، لزوم تغییر در توانمندی های میان داری برای شرکت کانونی، در مواجهه با تغییرات پارادایمی از نوع فناوری، به منظور حفظ مزیت رقابتی ضروری به نظر می رسد.

هدف: هدف این مقاله، بررسی استفاده از یادگیری ماشین و الگوریتم های یادگیری عمیق برای پیش بینی نتایج تصمیم های استخدام است. انتخاب نیروی انسانی مناسب، یکی از مسائل مهم و اساسی در همه سازمان ها و نهادهاست که بر ویژگی های عملکرد و بهره وری تأثیر مستقیمی دارد. از آنجایی که فرایند استخدام بسیار پیچیده و پیش بینی موفقیت در استخدام دشوار است، استفاده از تکنیک های مدرن مانند یادگیری ماشینی و یادگیری عمیق، برای بهبود دقت و صحت انتخاب پیشنهاد می شود. هدف این پژوهش بررسی توانایی این تکنیک ها برای کمک به سازمان ها در اتخاذ تصمیم های استخدامی بهتر و دور نگه داشتن آن ها از تصمیم گیری های پُرهزینه است. روش: در این پژوهش از داده های مختلف شامل سن، تحصیلات، سابقه کار، توانایی های فنی و مهارت ها و ویژگی های شخصیتی متقاضیان شغل استفاده شد. این داده ها به کمک الگوریتم های یادگیری ماشین و یادگیری عمیق، برای پیش بینی احتمال موفقیت متقاضیان در مشاغل مختلف تجزیه وتحلیل شدند. مدل های طبقه بندی برای شبیه سازی رفتارهای استخدام و پیش بینی تصمیم ها در سطوح مختلف ویژگی و به عنوان بخشی از مدل های یادگیری ماشین استفاده شد. علاوه براین، رابطه بین ویژگی های متقاضی و نتایج استخدام از طریق مدل های یادگیری عمیق، برای شناسایی هرگونه روابط غیرخطی و پیچیده مورد بررسی قرار گرفت. مدل ها روی تمام داده های به دست آمده از منابع مورد اعتماد و بازبینی شده ای به دقت پردازش شدند، آموزش دیدند و ارزیابی شدند.   یافته ها: نتایج این مطالعه نشان می دهد که استفاده از یادگیری ماشینی و مدل های یادگیری عمیق، در افزایش دقت پیش بینی تصمیم های استخدامی تأثیر بسزایی دارد. در بین مدل های ارزیابی شده، الگوریتم کتبوست (CatBoost) بهترین عملکرد را داشت و به صحت 9533/0، دقت 9540/0 ، بازیابی 8925/0 و امتیاز F1 برابر با 9222/0 دست یافت که به طور چشمگیری از سایر الگوریتم ها بهتر بود. به طور مشابه، مدل های جنگل تصادفی (Random Forest) و اکس جی بوست (XGBoost) نیز عملکرد خوبی داشتند و به ترتیب به دقت 9213/0 و 9500/0 دست یافتند. نتایج تحلیل ویژگی ها نشان داد که مهارت های فنی، استراتژی استخدام و امتیاز مصاحبه، مهم ترین عوامل مؤثر در تصمیم گیری استخدام بودند. علاوه براین، مدل های یادگیری جمعی، به ویژه کتبوست، قادر بودند اثرهای پیچیده تر ویژگی های شخصیتی متقاضیان را شناسایی کنند؛ در حالی که مدل های یادگیری ماشین سنتی قادر نبودند آن را درک کنند. نتیجه گیری: در این مطالعه استفاده از یادگیری ماشین و یادگیری عمیق برای کمک به تصمیم گیری بهتر درباره انتخاب نیروی کار نشان داده شده است. کتبوست بهترین عملکرد را داشت؛ زیرا می توانست روابط پیچیده تر و غیرخطی تر بین ویژگی های متقاضی و نتایج استخدام را شبیه سازی کند. این الگوریتم ها باعث کاهش هزینه ها، بهبود کیفیت استخدام و بهره وری سازمان می شوند. با این حال، برای دستیابی به بهترین نتایج، سازمان ها باید با دقت و به طور مداوم، داده های متقاضی را جمع آوری و پردازش کنند و به طور منظم، مدل های یادگیری ماشین را برای حفظ و بهبود دقت پیش بینی ها با تغییر بازار کار به روز کنند.

در بازار رقابتی و تجربه محور صنعت پوشاک، رضایت مشتری و وفاداری او به برند، بیش از هر زمان دیگری به کیفیت خدمات و تجربه ادراک شده وابسته است. پژوهش حاضر با هدف بررسی تأثیر مدیریت کیفیت جامع (TQM) و کیفیت بصری بر رضایت مشتری و پیامدهای رفتاری آن شامل قصد خرید و تبلیغات دهان به دهان انجام شده است. نوآوری این تحقیق در به کارگیری رویکردی ترکیبی از مدل سازی معادلات ساختاری (PLS-SEM) و یادگیری ماشین تفسیرپذیر و توضیح پذیر با روش تبیین افزایشی شاپلی مبتنی بر مدل جنگل تصادفی نهفته است؛ رویکردی که هم روابط علی میان متغیرها را بررسی می کند و هم اهمیت نسبی آنها را در پیش بینی متغیرهای وابسته شناسایی می نماید. جامعه آماری شامل مشتریان صنعت پوشاک بود که با روش نمونه گیری هدفمند، داده های موردنیاز از طریق ۱۳۵ پرسشنامه معتبر جمع آوری شد. نتایج نشان داد TQM تأثیر قوی تری بر رضایت مشتری دارد نسبت به کیفیت بصری و رضایت مشتری نقش میانجی معناداری در اثرگذاری این عوامل بر قصد خرید و تبلیغات دهان به دهان ایفا می کند. تحلیل تبیین افزایشی شاپلی نیز عوامل کلیدی مانند محیط فروشگاهی، فرآیندهای خدمات و تعاملات کارکنان را به عنوان مهم ترین پیش بینی کننده های رضایت مشتری شناسایی کرد. این پژوهش نشان می دهد که ترکیب بهینه کیفیت خدمات و تجربه بصری، همراه با تحلیل پیش بینانه داده ها، می تواند راهگشای طراحی راهبردهای مؤثر در حفظ مشتریان و ارتقاء مزیت رقابتی برندهای پوشاک باشد.

هدف: وقوع فجایع همزمان، چه طبیعی و چه انسان ساخت، چالش های عظیمی برای دولت ها ایجاد می کند که معمولا به دلیل محدودیت های منابع، مشکلات لجستیکی و مقیاس وسیع این حوادث قادر به ارائه امدادرسانی سریع و مؤثر نیستند. در این شرایط، همکاری و مشارکت عمومی نقش اساسی ایفا می کند. با این حال، مشارکت مردم در تلاش های امدادی با موانع متعددی مواجه است که کارایی و اثربخشی این تلاش ها را محدود می کند. این مطالعه، هدف خود را شناسایی این موانع و سپس پیشنهاد راهکارها و استراتژی های مؤثر برای افزایش مشارکت عمومی در امدادرسانی قرار داده است. با تمرکز بر شناسایی و غلبه بر این موانع، هدف مطالعه، ارائه نقشه راهی برای بهبود مشارکت جامعه در مدیریت بحران ها است. روش: این تحقیق به روش های چندگانه ای برای تحلیل موانع مشارکت عمومی در امدادرسانی می پردازد. در ابتدا، موانع شناسایی و دسته بندی می شوند و برای تحلیل این موانع از روش نقشه شناختی فازی (FCM) استفاده می شود که یک نمای تصویری از تعاملات پیچیده میان موانع مختلف ارائه می دهد. این روش کمک می کند تا ارتباطات بین عوامل مختلف و تأثیرات آن ها بر مشارکت عمومی در امدادرسانی به طور دقیق تر درک شود. پس از شناسایی موانع، برای انتخاب استراتژی های مؤثر در ارتقاء مشارکت عمومی، از ترکیب روش خانه گسترش کیفیت (QFD) و مدلسازی چندهدفه استفاده می شود. برای حل مدل چندهدفه، از روش محدودیت اپسیلون و نرم افزار Gems بهره برداری شده است تا استراتژی های بهینه برای مقابله با موانع شناسایی شده انتخاب شوند. یافته ها: از طریق مرور جامع ادبیات موجود و مصاحبه با خبرگان، 30 مانع اصلی شناسایی و در چهار دسته کلی شامل توانمندی ها و ویژگی های شخصیتی افراد، عوامل فرآیندی، عوامل فرهنگی و عوامل زیرساختی طبقه بندی شدند. یافته ها نشان می دهند که مهم ترین موانع مشارکت عمومی در امدادرسانی به شرح زیر است: آموزش عمومی پایین در خصوص امدادرسانی و آمادگی بحران ها، که موجب ناآگاهی عمومی از نحوه واکنش در مواقع بحرانی می شود؛ هماهنگی ضعیف بین دولت ها، سازمان های مردم نهاد و استان ها به دلیل تفاوت اهداف و ماموریت ها، که مانع از تشکیل شبکه ای مؤثر برای امدادرسانی می شود؛ کمبود اعتماد بین مردم و مسئولان، که منجر به تمایل کمتر مردم به مشارکت در تلاش های امدادی و کاهش اثربخشی آن ها می گردد؛ و زیرساخت های ناکافی از جمله مشکلات در ارتباطات و فناوری اطلاعات، که جریان اطلاعات را در زمان بحران مختل کرده و کارایی عملیات امدادرسانی را کاهش می دهد. نتیجه گیری: برای افزایش همکاری مبتنی بر مشارکت عمومی در امدادرسانی، این تحقیق پیشنهاد می کند که استراتژی ها باید بر سه محور اصلی متمرکز شوند: توانمندسازی، زیرساخت ها و فرهنگ. استراتژی های توانمندسازی مانند توسعه آموزش های عمومی در خصوص امدادرسانی و آمادگی بحران ها از اهمیت ویژه ای برخوردارند تا سطح آگاهی و مشارکت عمومی افزایش یابد. در زمینه زیرساخت ها، باید بر تقویت زیرساخت های فناوری اطلاعات، بهبود شبکه های ارتباطی و تأمین حمایت های مالی و دولتی برای تسهیل عملیات امدادی تمرکز شود. از نظر فرهنگی، ترویج شعائر امدادرسانی و پرورش فرهنگ مسئولیت اجتماعی باید در اولویت قرار گیرد و شهرداری ها و سازمان هایی مانند جمعیت هلال احمر نقش رهبری در این زمینه داشته باشند. با تمرکز بر این سه محور، می توان مشارکت عمومی را به طور مؤثری افزایش داد و به بهبود توانایی های پاسخ دهی و تاب آوری در برابر بحران ها کمک کرد.

زنجیره تأمین سلفون، یک شبکه پیچیده از اجزای وابسته به هم است که ترجیحاً به مدیریت محتاطانه برای اطمینان از کارایی عملیاتی، عملکرد و پایداری نیاز دارد. زنجیره تأمین سلفون به طور جامع با استفاده از مدل مرجع عملیات زنجیره تأمین (SCOR)، به عنوان یک ابزار معیار در این مطالعه تحلیل می شود. این مطالعه از مدل سازی ساختاری تفسیری (ISM) و روش تصمیم گیری چندمعیاره (DEMATEL) براساس فرآیندهای شبکه تحلیلی (DANP) برای بررسی وابستگی های متقابل در اجزای زنجیره تأمین، رتبه بندی فرآیندها و شناسایی تأمین کنندگان بالقوه استفاده می کند. یافته ها بر اهمیت درک بازار فعلی، خواسته های مشتری و چشم انداز رقابتی تأکید می کنند. این مستلزم درک خواسته های مشتری، دیدن روندهای نوظهور و پیشی گرفتن از رقباست. پنج سطح، ساختار سلسله مراتبی فرآیندهای زنجیره تأمین را تشکیل می دهند. سطح بالا و سطح پایین، به عنوان سطوح مهم برجسته می شوند. موضوعاتی ازجمله درک بازار، نیازهای مشتری و استراتژی های رقابتی در سطح اول پوشش داده شده است. سطح پنجم نیز شامل شناسایی ریسک های احتمالی و توسعه استراتژی های کاهش ریسک است که طرح ها و استراتژی های کاهش احتمالی را در بر می گیرد و بنابراین خطرات بالقوه را به حداقل می رساند. این عملیات، نقش مهمی در نحوه عملکرد این سرویس دارد و لازم است با احتیاط انجام شود و بهبود یابد. این مطالعه بر اهمیت درک بازار، کنترل ریسک ها و بررسی انطباق تأکید می کند. تکنیک DANP در تعیین موقعیت فرآیندهای زنجیره تأمین مختلف و یافتن تأمین کنندگان بالقوه، در عین حال کارآمدتر کردن فرآیند تخصیص منابع کمک بزرگی کرده است. این تجزیه و تحلیل یک منبع ارزشمند برای ذی نفعان در زنجیره تأمین سلفون است و به برنامه ریزی استراتژیک و فرآیندهای تصمیم گیری کمک می کند.