مدل سازی تفسیری ساختاری جامع

پیشینه و اهداف: کلان داده ها با سرعتی فزاینده ای در حال تبدیل به یکی از نیروهای کلیدی سازمان در عصر حاضر هستند. این فناوری امکانات فراوانی را برای کسب، ذخیره سازی و تحلیل حجم عظمیی از داده های گردآوری شده از منابع مختلف در اختیار قرار می دهد. با وجود کاربردها و مزایای فراوان تحلیل کلان داده ها در بهبود عملکرد و کسب مزیت رقابتی شرکت ها، پذیرش این فناوری همواره با موانعی روبه رو بوده است. هدف اصلی این پژوهش شناسایی و تحلیل موانع پذیرش تحلیل کلان داده ها در صنعت بیمه ایران است. روش شناسی: پژوهش حاضر از نظر هدف کاربردی، از نظر طرح توصیفی و از نظر روش گردآوری داده ها پیمایشی است. در این پژوهش، ابتدا با مرور پیشینه و کسب نظرات تأییدی مدیران صنعت، موانع پذیرش تحلیل کلان داده ها در صنعت بیمه کشور شناسایی شده است. سپس از مدل سازی تفسیری ساختاری جامع با تحلیل میک مک برای نگاشت روابط فی مابین و ساخت مدل سلسله مراتبی حاکم بر این موانع استفاده شده است. یافته ها: هزینه بالای سرمایه گذاری، عدم آمادگی زیرساخت های فنی شرکت، فرهنگ ضعیف سازمانی، فقدان تعهد مدیریت ارشد، محدودیت زمانی، مقاومت کارکنان، عدم همکاری میان واحدهای سازمانی، عدم دسترسی به متخصصان مجرب و ماهر، لزوم حفظ امنیت داده ها و حریم خصوصی مشتریان و ضعف یا فقدان مقررات به عنوان 10 مانع عمده پذیرش تحلیل کلان داده ها در صنعت بیمه ایران شناسایی شدند. به علاوه، استفاده از مدل سازی تفسیری ساختاری جامع با تحلیل میک مک نشان داد عدم دسترسی به متخصصان مجرب و ماهر، عدم تعهد مدیریت ارشد، و ضعف یا فقدان مقررات موجود موانع ریشه ای پذیرش تحلیل کلان داده ها در صنعت بیمه کشور هستند. نتیجه گیری: ترکیب یافته های حاصل از مرور گسترده پیشینه پژوهش با دیدگاه های مدیران صنعت و تحلیل آنها توسط مدل سازی تفسیری ساختاری جامع با تحلیل میک مک منجر به توسعه چارچوبی برای درک بهتر موانع پذیرش تحلیل کلان داده ها در صنعت بیمه کشور شد. این چارچوب به سیاست گذاران و مدیران صنعت بیمه کشور در اولویت بندی مسائل پیش روی و تدوین راهبردهای کارآمد توسعه تحلیل کلان داده ها در این صنعت یاری می رساند.