چکیده:
هدف: هدف پژوهش حاضر ارائه چارچوبی برای کاربردهای یادگیری ماشین در مدیریت دانش سازمانی در بانک کشاورزی، با استفاده از تکنیک فرایند تحلیل شبکه فازی میباشد.روش: پژوهش حاضر از نظر هدف تحقیق از نوع کاربردی و از نظر گردآوری دادهها توصیفی-پیمایشی است. جامعه آماری شامل کارشناسان فناوری اطلاعات و توسعه منابع انسانی و مدیران شعب بانک کشاورزی به عنوان خبرگان آشنا میباشد که از طریق روش نمونهگیری هدفمند 10 نفر انتخاب شده است. ابزار جمعآوری اطلاعات سه پرسشنامه دلفی، دیمتل و پرسشنامه مقایسه زوجی است. به منظور تجزیه و تحلیل دادهها و اطلاعات از روشهای آمار توصیفی و استنباطی استفاده شد. پس از گردآوری اطلاعات، ابتدا اطلاعات خام کدگذاری و طبقهبندی و طی تکنیک دلفی فازی به متغیرهای تحقیق تبدیل گردید. سپس با استفاده از آمار توصیفی شاخصهای گرایش به مرکز و پراکندگی اعضای نمونه تحقیق محاسبه شد و به منظور بررسی معیارها از فرایند تحلیل شبکهای فازی و دلفی فازی استفاده گردید. در تجزیه و تحلیل دادههای تحقیق از نرمافزار اکسل و سوپر دسیژن استفاده شده است.یافتهها: معیارها و زیرمعیارهای مؤثر بر مدیریت دانش در سیستم بانکداری با رویکرد یادگیری ماشین در 4 معیار کلی و 17 زیرمعیار به این شرح شناسایی گردیدند:عوامل زیرساختی (حفاظت از اطلاعات شخصی، سختافزار و نرمافزار، ارتباطات، حفاظت فیزیکی)؛ عوامل محیطی (فرهنگ و جو سازمانی، قوانین و مقررات سازمانی، زمان ارائه دانش، حمایت مدیریتی)؛ عوامل محتوایی (نوع دانش، نیروی انسانی متخصص و با دانش، موقعیت ارائه دانش، تدوین محتوا)؛ فرایند مدیریت دانش (خلق دانش، کسب دانش، تبدیل دانش، بکارگیری دانش، نیازسنجی دانش). به منظور اولویتبندی شاخصها با تکنیک تحلیل شبکه فازی، پس از محاسبه سوپر ماتریس حدی، محاسبه نتایج ماتریس خوشهها و نرمالسازی ضریب زیرمعیارها در ابر ماتریس حدی، توسط ضریب خوشهها میباشد که بر اساس محاسبات صورت گرفته و سوپر ماتریس حد، اولویت نهایی عوامل زیرساختی با وزن حدی 43683/0 بیشترین تأثیر و عوامل محتوایی با وزن حدی 04817/0 کمترین تأثیر را بر حفظ مدیریت دانش در سیستم بانکی با در نظر گرفتن رویکرد یادگیری ماشین دارند.نتیجهگیری: با توجه به نتایج به دست آمده عوامل زیرساختی دارای بیشترین تاثیر و عوامل محتوایی کمترین تأثیر را در حفظ مدیریت دانش در سیستم بانکی با در نظر گرفتن رویکرد یادگیری ماشین دارند.
Objectives: The present study aims to provide a framework for machine learning applications in organizational knowledge management at the Keshavarzi Bank, using the fuzzy network analysis process technique.Methods: The present study is applied in terms of the purpose and in terms of data collection, it is a descriptive survey. The statistical population includes IT and human resources development experts and managers of Keshavarzi Bank branches, from which 10 peoplehave been selected through a purposive sampling method. Data collection tools are three questionnaires: Delphi, Dematel, and paired comparison questionnaire. Descriptive and inference methods were used to analyze data and information. After data collection, raw data is first encoded and classified and converted to research variables during the fuzzy Delphi technique. Then, using descriptive statistics, the index of the center and the dispersal of the sample members of the research were calculated, and used the fuzzy and fuzzy Delphi network analysis process to examine the criteria. In the analysis of the research data, Excel and SuperDecision software are used.Results: Eeffective criteria and sub-criteria with knowledge management in the banking system with machine learning approach in 4 general criteria and 17 sub-criteria were identified as follows: Infrastructural factors (Protection of personal information, hardware and software, communications, physical protection), environmental factors (organizational culture and atmosphere, organizational rules and regulations, knowledge delivery time, managerial support); Content factors (type of knowledge, specialized and knowledgeable human resources, knowledge presentation position, content development); Knowledge management process (knowledge creation, knowledge acquisition, knowledge conversion, knowledge application, knowledge needs assessment).In order to prioritize the indicators with the fuzzy network analysis technique, after calculating the limit supermatrix, the results of the cluster matrix results and the normalization of the coefficient of the sub-criteria in the limit supermatrix by the clustering coefficient are based on the calculations and the limit supermatrix, The final priority of infrastructure factors with a limit weight of 0.43683 have the most impact and content factors with a limit weight of 0.04817 have the least impact on maintaining knowledge management in the banking system by considering the machine learning approach.Conclusions: According to the obtained results, infrastructure factors have the most impact and content factors have the least impact on maintaining knowledge management in the banking system by considering the machine learning approach.
خلاصه ماشینی:
ir چکيده هدف : هدف پژوهش حاضر ارائه چارچوبي براي کاربردهاي يادگيري ماشين در مديريت دانش سازماني در بانک کشاورزي، با استفاده از تکنيک فرايند تحليل شبکه فازي ميباشد.
پژوهش حاضر برگرفته از: پاياننامه کارشناسي ارشد، با عنوان: ارائه چارچوبي براي کاربردهاي يادگيري ماشين در مديريت دانش سازماني )مطالعه موردي: بانک کشاورزي(، دانشجو: برانوش حسينپور، استاد راهنما: جلل رضايي نور، استاد مشاور حسين عموزادخليلي، ارائه شده در دانشگاه آزاد اسلمي واحد علوم و تحقيقات، دانشکده مديريت و اقتصاد، گروه مديريت فناوري اطلاعات، در سال ١٣۹۹ است.
به منظور اولويتبندي شاخصها با تکنيک تحليل شبکه فازي، پس از محاسبه سوپر ماتريس حدي ، محاسبه نتايج ماتريس خوشهها و نرمالسازي ضريب زيرمعيارها در ابر ماتريس حدي ، توسط ضريب خوشهها مي باشد که بر اساس محاسبات صورت گرفته و سوپر ماتريس حد، اولويت نهايي عوامل زيرساختي با وزن حدي ٢/٤٣٦٨٣ بيشترين تأثير و عوامل محتوايي با وزن حدي ٢/٢٤٨١٧ کمترين تأثير را بر حفظ مديريت دانش در سيستم بانکي با در نظر گرفتن رويکرد يادگيري ماشين دارند.
براساس مباني نظري و پيشينه پژوهش و همچنين مصاحبه با افراد خبره در اين حوزه ، عوامل موثر بر مديريت دانش مشتري در هشت عامل مورد شناسايي قرار گرفت که عبارتند از شناسايي و حمايت از مشتريان دانشمحور، کسب و حفظ دانش مشتري، ايجاد انگيزش براي مشتري، زيرساختهاي تکنولوژي اطلاعات ، ارزيابي و انتقال دانش، ارتباط با ساير ارکان، مشارکت مشتريان و عوامل درونسازماني.
از آنجا که هدف اصلي اين تحقيق شناسايي شاخص هاي مديريت دانش به کمک يادگيري ماشين است، انتخاب معيارهاي مناسب براي استفاده در مدل، اهميت کليدي دارد.