data-driven
در نشریات گروه مدیریت-
زمینه و هدف
مدیریت منابع انسانی هوشمند، رویکردی نوین است از ترکیب دو عنصر کلیدی یعنی مدیریت منابع انسانی و تحلیل داده ها برای بهبود فرآیندها و تصمیم گیری ها، که به سازمان ها کمک می کند تا داده های خود را به شکلی هوشمندانه تبدیل کند. هدف پژوهش، مرور نظامند مدیریت منابع انسانی هوشمند داده محور در دانشگاه های آزاد و دولتی می باشد.
روش بررسیاین پژوهش ازنظر هدف بنیادی و از روش فرا تحلیل استفاده شد. جامعه مورد بررسی شامل تحقیقات انجام شده در مورد موضوع در پایگاه های معتبر علمی بود که در مجموع 33 منبع مرتبط با ویژگی های مورد نظرشناسایی شدند. از روش کدگذاری باز، محوری و انتخابی برای طراحی الگو استفاده شد.
یافته ها:
مولفه های الگوی نهایی شامل 15 مضمون بود از جمله: رهبری هوشمند، تامین منابع استراتژیک و سرمایه گذاری هدفمند، معماری سازمانی مناسب برای نظام های آموزش و جذب و نگهداشت.
نتیجه گیری:
به منظور تحقق مدیریت منابع انسانی هوشمند داده محور، تمرکز بر مولفه های شناسایی شده و عملیاتی کردن آنها در دانشگاه ها از اهمیت بالایی برخوردار است.
کلید واژگان: مدیریت منابع انسانی، مدیریت هوشمند، داده محورBackground and purposeIntelligent human resource management is a new approach of combining two key elements namely human resource management and data analysis to improve processes and decisions, which helps organizations to transform their data in an intelligent way. The purpose of this research is to review the intelligent data-oriented human resources management system in open and public universities.
Research methodThis research was based on the fundamental goal and the meta-analysis method was used. The investigated community included the research conducted on the subject in reliable scientific databases, which identified a total of 33 sources related to the desired characteristics. Open, central and selective coding methods were used to design the model.
FindingsThe components of the final model included 15 themes, including: intelligent leadership, provision of strategic resources and targeted investment, suitable organizational architecture for training and recruitment and retention systems.
ConclusionIn order to realize intelligent data-driven human resource management, focusing on the identified components and operationalizing them in universities is of great importance.
Keywords: Human Resource Management, Intelligent Management, Data-Driven -
This research aims to provide an information system based on virtual currency data in the banking industry in Iran. Data is one of the most significant assets of the organization. This research is applied in terms of purpose. The population includes university professors in marketing and experts, including managers of the banking industry. Sampling in the qualitative section was done purposefully, and the criteria of expertise were at least a graduate degree and ten-year of relevant work experience. Finally, 20 people were selected as samples. The method used is SWARA's quantitative prioritization method. The index of using virtual currency in Iran's sanctions situation (Q67) with a weight of 0.12 is the first. The index of entrepreneurial acceleration based on the new payment system (Q56) with a weight of 0.11 is the second priority. The index of general uncertainty about the nature of virtual currencies (Q16) with a weight of 0.09 is the third priority. The index of improving communication and interactions between customers and the bank (Q63) with a weight of 0.0859 is the fourth priority. The index of alignment of banking processes with global standards (Q61) with a weight of 0.07 is the fifth priority. Extracting useful information from the database and converting it into actionable results is the main challenge that companies face. Therefore, results show that one of the ways to the success of cryptocurrencies is the use of data-oriented information systems and data mining techniques. The data-oriented information system is one of the recent developments in data management technologies.Keywords: Information System, Data-Driven, Virtual Currency, banking industry
-
فصلنامه بهبود مدیریت، پیاپی 58 (زمستان 1401)، صص 125 -156هوش 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 تایید 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.کلید واژگان: مدیریت تحقیق و توسعه، هوش مصنوعی، تحلیل کلان داده، داده محوریArtificial Intelligence is an emerging technology that simulate human intelligence in machines and systems for their application business. Development of artificial intelligence requires extensive R&D activities. Management of R&D in field of AI needs to deploy novel knowledge to formulate and implementation of strategy, assign resources, organize and use of special tools. This paper aims, to identify and prioritize the components of data driven management of R&D in artificial intelligence technology. A hybrid technique was employed to perform the research. In Qualitative part, the literature of topic is reviewed, and 12 experts are interreviewed. Their opinions are analyzed based on grounded theory and 8 axial components were identified. In Quantitative part, by a questionnaire, the opinions of 85 experts of R&D and artificial intelligence were gathered through a questionaire and analyized based on structural equations model. The relvance and validity of the components were confirmed. The found components were weighted and proiritized through SWARA method as: systematic management, resources supplying, capability of big data analytics, supportive policies, infrastructures, data science development, organizational factors and business advantages.Keywords: Management of Research, development, Artificial intelligence, Big Data analytics, Data driven
-
زمینه و هدف
امروزه نوآوری در اقتصاد کشورها یک مزیت رقابتی شناخته می شود. در محیط پویای امروز توسعه و بقای کسب و کار ها مستلزم اتخاذ راهبردها و توجه به علوم بین رشته ای برای دستیابی به درکی عمیق از تعاملات بین آن ها است. از این رو مفاهیم حوزه شبکه نوآوری به منظور تاکید بر اهمیت همکاری های بین سازمانی ظهور یافت. بر این اساس این پژوهش به طراحی مدل شبکه نوآوری استارت آپ (حوزه اینترنت اشیا) می پردازد.
روش شناسیاین مطالعه از نگاه هدف کاربردی، از نظر روش کیفی و از لحاظ جمع آوری داده ها توصیفی است. پژوهش حاضر با استفاده از روش نظریه بنیادی بر استخراج مدل شبکه نوآوری در استارت آپ متمرکز شده است. جامعه آماری پژوهش اعضای استارت آپ حوزه اینترنت اشیا بود که 15 نفر از مدیران استارت آپ با استفاده از نمونه گیری هدفمند و با رعایت اصل اشباع نظری به عنوان نمونه وارد فرایند مصاحبه شدند. نتایج مصاحبه های عمیق نیمه ساختاریافته با استفاده از سه مرحله کدگذاری باز، محوری و انتخابی مورد تحلیل قرار گرفتند.
یافته هاشبکه نوآوری شامل پنج مقوله شرایط علی، استراتژی، شرایط مداخله ای، شرایط زمینه ای و پیامدها است.
نتیجه گیریاز این مدل می توان در راستای برطرف نمودن چالش مدیران استارت آپ در نبدیل ایده های کارآفرینانه به محصولات نوآور همراه با مزیت رقابتی و توسعه اقتصادی استفاده نمود.
کلید واژگان: شبکه نوآوری، استارت آپ، اینترنت اشیا، داده بنیادBackground & PurposeToday, innovation in the economies of countries recognize as a competitive advantage. In today's dynamic environment, the development and survival of businesses require the adoption of strategies and attention to interdisciplinary sciences to achieve a deep understanding of the interactions between them. Thus, concepts in the field of innovation networks emerged to emphasize the importance of inter-organizational cooperation. Based on this, the research designs the startup innovation network model.
MethodologyThis study is descriptive in terms of applied purpose, qualitative in terms of method, and in terms of data collection, it is descriptive. The study applied the Data-Driven Approach to Internet of Things (IoT) Startups. The statistical population of the study was the members of the IoT startups. Fifteen startup managers entered the interview process using purposeful sampling and observing the principle of theoretical saturation as a sample. The results of in-depth semi-structured interviews were analyzed using three stages of open, axial, and selective coding.
FindingsThe innovation network includes five categories: causal conditions, strategies, intervention conditions, contextual conditions, and consequences.
ConclusionThis model can be used to meet the challenge of startup managers in converting entrepreneurial ideas into innovative products with a competitive advantage and economic development.
Keywords: Innovation Network, Startup, Internet of Things, Data-Driven
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.