تحلیل کلان داده

حکمرانی عرصه آزمون و خطا نیست؛ زیرا با سرنوشت مردم سروکار دارد. بنابراین، باید با نهایت دقت و ظرافت و محاسبات علمی صورت پذیرد. آنچه مردان سیاست در عمل می آموزند و به موجب آن،  مستحق عبرت می گردند، مردان خط مشی در آزمایشگاه تجربه می کنند! همچنین، آنچه کشورهای عقب مانده در عرصه عمل  و اجرای خط مشی، با هزینه های گزاف تجربه می کنند،  کشورهای پیشرفته در آزمایشگاه  خط مشی فرا می گیرند. پژوهش حاضر با در نظر گرفتن پیامدهای اجرای خط مشی های عمومی ناآزموده و مقایسه آسیب های احتمالی گوناگون، با در نظر گرفتن امکان پذیری آزمون اولیه، آن ها در محیط آزمایشگاهی و پیشگیری از انواع هزینه های اجرای خط مشی های ناپخته، بر ضرورت اهتمام به آزمون خط مشی های عمومی، پیش از تصویب و اجرای  خط مشی های  عمومی، تأکید دارد.  این پژوهش صرفاً به خط مشی های  قوه مجریه می پردازد و تنگناهای آزمون خط مشی در آن را مدنظر قرار می دهد؛  تنگناهایی که موجب می شوند  بسیاری از خط مشی های عمومی، به جای حل مشکل و مسئله زدایی از عرصه عمومی، به حوزه های مشکل آفرین و مسئله خیز جامعه تبدیل شوند. 

هدف: با توجه به ظهور و رشد روزافزون داده های با حجم، سرعت و تنوع بالا یا به عبارت دیگر کلان داده و پتانسیل بالای آن در ایجاد منافع برای سازمان ها علی الخصوص بخش بازاریابی به دلیل محوریت داده و تحلیل داده، پژوهش حاضر باهدف شناسایی زمینه های کاربرد کلان داده در بازاریابی و ارائه مدلی در این زمینه انجام شده است. روش شناسی: تحقیق حاضر به لحاظ ماهیت، کیفی و ازنظر هدف، کاربردی است. در این پژوهش به منظور تبیین مدلی جامع و به کمک روش پژوهش فراترکیب، 30 مقاله در بازه زمانی 2006-2020 با بهره گیری متدولوژی کسپ بررسی و زمینه های کاربرد کلان داده در آمیخته بازاریابی شناسایی و اولویت بندی شدند. یافته ها: پس از تجزیه وتحلیل مقالات، ابتدا 187 کد از ارزش های محوری کلان داده شناسایی و در 16 تم و 4 مقوله محصول، قیمت، پیشبرد و توزیع طبقه بندی و اولویت بندی شدند. نتایج این تحقیق نشان داد که بیشترین فراوانی در چهار آمیخته بازاریابی به طور کل و در آمیخته محصول به طور خاص مربوط به بعد ارزشی «شخصی سازی و سفارشی سازی محصول (کالا یا خدمت)» است. نتیجه گیری: نتایج این پژوهش نشان داد که مهم ترین ارزش کلان داده در آمیخته محصول مختص به «شخصی سازی و سفارشی سازی محصول (کالا یا خدمت)»، در آمیخته قیمت گذاری مختص به «قیمت گذاری پویا»، در آمیخته مکان مختص به «خودکارسازی سازی فرآیندهای توزیع، سفارش و تحویل» و در آمیخته پیشبرد فروش مختص به بهبود سیستم های CRM" است. این پژوهش منجر به گسترده شدن بدنه دانشی ادبیات تحقیقات شده و می تواند درک عمیقی از ارزش کلان داده در آمیخته بازاریابی را به محققان و مدیران بازاریابی ارائه دهد.

هوش مصنوعی یکی از فناوری های نو ظهور عصر حاضر است که در آن تلاش می شود هوش انسانی در سامانه ها و ماشین های مورد استفاده شبیه سازی شود. دستیابی به هوش مصنوعی نیازمند طیف گسترده ای از فعالیت های تحقیق و توسعه بوده که مدیریت این فرآیند مستلزم دسترسی به دانش نوین برای تدوین و پیاده سازی راهبرد، اختصاص منابع، سازماندهی، و بکارگیری ابزارهای مناسب می باشد. هدف این مقاله شناسایی و اولویت بندی مولفه های مدیریت تحقیق و توسعه داده محور در شرکت های فعال در فناوری هوش مصنوعی است. این پژوهش با رویکرد آمیخته (کیفی- کمی) انجام گرفت. در بخش کیفی، پس از مرور منسجم مبانی نظری با 12 نفر از خبرگان که به روش نمونه گیری هدفمند و گلوله برفی انتخاب شدند مصاحبه شد و نظرات آن ها جمع آوری و در قالب نظریه داده بنیاد، مورد تحلیل قرار گرفت. نتیجه آن 123 کد باز، 24 زیرمولفه و 8 مولفه (مقوله) محوری بود. در بخش کمی، نظرات 85 نفر از متخصصین تحقیق و توسعه و فعالان حوزه هوش مصنوعی که به روش نمونه گیری قضاوتی انتخاب شده بودند از طریق پرسشنامه جمع آوری و پس از تحلیل آن به روش مدل معادلات ساختاری، روابط و اعتبار مولفه ها مورد تائید قرار گرفت. همچنین با نظر خبرگان مولفه های به دست آمده در قالب روش سوارا وزن دهی و اولویت بندی شدند که به ترتیب عبارتند از: مدیریت نظام مند، تامین منابع، توانمندی بکارگیری تحلیل های کلان داده، سیاست های حمایتی، بسترها و زیرساخت ها، توسعه علم داده، عوامل سازمانی و منافع تجاری.

هدف: مطالعه حاضر با هدف بررسی نقش هوش مصنوعی در مدیریت ارتباط با مشتری در تأمین اجتماعی انجام شده است. روش: این پژوهش از لحاظ هدف ذیل پژوهش های نظری قرار می گیرد که با رویکرد توصیفی مروری انجام شده است. در این تحقیق از روش کتابخانه ای برای گردآوری داده ها استفاده شده است. یافته ها: بر اساس نتایج به دست آمده مشخص شد که ترکیب هوش مصنوعی با مدیریت رابطه با مشتری به شرکت ها این امکان را می دهد که فرآیندهای کسب وکار را بهتر مکانیزه کنند، ارتباطات  را توسعه دهند و مفیدترین پاسخ ها را به مشتریان ارائه دهند. استفاده از هوش مصنوعی در مدیریت رابطه با مشتری به کسب وکارها کمک می کند تا اطلاعات مشتری را بهتر سازمان دهی کنند و راحت تر به آن اطلاعات دسترسی داشته باشند. این اطلاعات شامل جزئیات تماس، اطلاعات جمعیت شناختی، تاریخچه ارتباطات، تاریخچه خرید و سایر داده های مربوطه است که برای ایجاد فرصت های فروش و ارائه خدمات بهتر به مشتریان استفاده می شود. با استفاده از هوش مصنوعی، شرکت ها می توانند بخش بندی دقیقی از سرنخ ها و مخاطبین ایجاد کنند تا روابط بهتری با مشتریان بالقوه ایجاد کنند. نتایج: باتوجه به بزرگی جمعیت مشتریان سازمان تأمین اجتماعی ، به نظر می رسد که با استفاده از هوش مصنوعی در مدیریت رابطه با مشتری این سازمان قادر است میزان رضایت مشتری و به تبع آن، بهره وری و عملکرد این سازمان را به شکل قابل ملاحظه ای بهبود بخشد.