خوشهبندی مدیران صنعت گاز ایران و اولویتبندی شایستگیهای مدیران مبتنی بر نتایج ارزیابی مدل تعالی سازمانی با رویکرد هوش مصنوعی
الموضوعات :
علی رضا زمانیان
1
,
مجید جهانگیرفرد
2
,
فرشاد حاج علیان
3
1 - گروه مدیریت دولتی، گرایش مدیریت منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران
2 - گروه مدیریت دولتی گرایش منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران
3 - گروه مدیریت دولتی گرایش منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران
الکلمات المفتاحية: خوشه¬بندی مدیران, هوش مصنوعی, کلان داده, مدل تعالی سازمانی (EFQM), نرخ تفکیک پذیری فیشر (FDR).,
ملخص المقالة :
در این مقاله تلاش شده تا بسترسازی مناسبی در جهت ایجاد رابطه بین داده های منابع انسانی به عنوان کلان داده و هوش مصنوعی ایجاد شود و با استفاده از نتایج مدل تعالی سازمان در صنعت بزرگ گاز ایران و برای حدود 51 شرکت، به یک مدل برای خوشه بندی مدیران موفق منابع انسانی سازمان بر اساس نتایج ارزیابی شرکت ها با مدل تعالی سازمانی (EFQM) دست یابیم. در این مقاله تلاش شده تا بسترسازی مناسبی در جهت ایجاد رابطه بین داده های منابع انسانی با استفاده از نتایج مدل تعالی سازمانی، برای حدود 51 شرکت فرعی و ستادی شرکت ملی گاز ایران با بهره گیری از روش های هوش مصنوعی و یادگیری ماشین صورت پذیرد و به یک مدل برای خوشه بندی مدیران ارشد سازمان براساس نتایج ارزیابی شرکت ها با مدل تعالی سازمانی (مبتنی بر مدل تعالی EFQM) دست یابیم. ویژگی منحصربه فرد این روش این است که براساس خروجی و عملکرد واقعی سازمان های موفق به دست می آید که در رأس آن ها مدیران و رهبران موفق سازمان حضور داشته اند و براساس آن در آینده می توان به یک مدل شایستگی مبتنی بر عملکرد دست یافت. در این مقاله ابتدا بر اساس نتایج حاصل از ارزیابی مدل تعالی سازمان، به خوشه بندی نتایج مدل تعالی در 51 شرکت صنعت گاز ایران بر اساس نتایج ارزیابی های سال های 1396، 1397 و 1398 اقدام می کنیم. خوشه بندی برای 3776 داده با روش های مبتنی بر هوش مصنوعی و کدنویسی با نرم افزار پایتون صورت می گیرد. تحقیق حاضر از لحاظ هدف کاربردی بوده و به دنبال طراحی و تدوین یک مدل جدید برای کشف خبرگان و دسته بندی علمی منابع انسانی سازمان بر اساس داده های معتبر می باشد. این پژوهش همچنین به دنبال تلفیق مباحث جدید علمی هوش مصنوعی شامل خوشه بندی در ایجاد زیرساخت های پژوهشی در منابع انسانی است و در بعد کاربردی از نتایج به دست آمده در تصمیم گیری و برنامه ریزی های سازمانی استفاده می کند و به دنبال تولید ابزاری است که با آن بتواند در آینده با داشتن داده های مناسب در حرفه منابع انسانی، عملکرد مدیریتی کارکنان این حرفه و سازمان را پیش بینی نماید. در انتها با استفاده از نرخ تفکیک پذیری فیشر یک اولویت بندی برای آموزش و توسعه مدیران براساس شکاف شایستگی های ایشان بدست خواهد آمد.
1) Eubanks, B. (2019). Artificial Intelligence for HR. Great Britain and the United States: Kogan Page Limited.
2) Schwab, K. (1395). The Fourth Industrial Revolution. (M. Sha'ani, Trans.) Tehran: The Commerce Printing & Publishing Company.
3) Ulrich, D., Kryscynski, D., Brockbank, W., & Urich, M. (2017). Victory Through Organization. New York: Printed in the United States of America, McGraw-Hill.
4) Gopal, K. K. (2002). Measuring Business Excellence. London & New York: Routledge. Retrieved June 8, 2015
5) Sharma, A. K. (2007). Evolution of “universal business excellence model” incorporating Vedic philosophy. Measuring Business Excellence, 11(3), 4-20.
6) Calvo-Mora, A. D.-C. (2017). Assessment and improvement of organisational social impact through the EFQM Excellence Model. Total Quality Management & Business Excellence, 1-20.
7) Saeidloo, R. N. (2016). Influential Factors in Human Resource Excellence and Employees’ Satisfaction in Manufacturing Companies’ of Small and Medium Industries in Industrial Park of Tabriz city. International Journal of Humanities and Cultural Studies (IJHCS), 1(1), 1931-1941.
8) Rowshan, A., Forouharfar, A., & Fazel, A. (2015). The Study of the Relationship in the Dimensions of Human Resource Competency Model (HRCM) with Human Resource Excellence Model (HREM) in Iran's South Pars Economic Zone's Power Plants.
9) Hooley, T., Marriott, J., & Pearce, E. (2013). HR strategies for researchers: a review of the HR Excellence in Research Award implementation activities across Europe.
10) Magnaghi, E. (2017). Using the EFQM excellence model for integrated reporting: a qualitative exploration and evaluation. International Journal of Technology Management.
11) Najafzadeh, Y. (1393). Evaluation of Healthy Sports and Recreation Center of Aras Free Zone Based on Quality Excellence Model (EFQM). Tabriz: Aras International Campus, University of Tabriz.
12) Asadi, M. (2013). Organizational excellence model EFQM. Tarahan Houman.
13) Safari. H., S. M. (1395). Causal modeling of relationships between the criteria of the EFQM organizational excellence model in the Ta'avon Tose'e Bank. Industrial Management, 8(3), 423-446.
14) Adresi, A. & Tereski, M. (2013). EFQM Model 2013. Tehran, Iran,: Nahrenovin.
15) Dicheva., Christo Dichev and Darina. (2017). Towards Data science Literacy. Journal of computer science, 2151-2160.
16) Chuprina Svetlana, Alexandrov Vassil, Alexandrov Nia,. (2016). Procedia Computer Science, 80, pp. 1780-1790.
17) Dahganpour, M. (1398). Model for identifying and predicting job competencies of data scientists based on data mining. University of Tehran.
18) Andrea De Mauro, Marco Greco, Michele Grimaldi, Paavo Ritala. (2017). Human resources for Big Data professions: A systematic classification of job roles and required skill sets. Information Processing and Management, 1-11.
19) Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3),37.
20) Shahrabi, J. & Shakurniaz, V. (1390). Data Mining. Tehran, Iran: Jahad Amirkabir University.
21) Corporation, T. C. (1999). Introduction to data mining and knowledge discovery (Thired ed.). By Two Crows Corporation.
22) Song, J.-D., & Kim, J.-C. (2001). Is five too many? Simulation analysis of profitability and cost structure in the Korean mobile telephone industry. Telecommunications Policy, 25(1), 101-123.
23) Carlo, V. (2009). Business intelligence: data mining and optimization for decision making. John Wiley and Sons.
24) Huang, Z. (1998). Extensions to the k-means algorithm for clustering large data sets with categorical values. Data mining and knowledge discovery, 2(3), 283-304.
25) Jain, A.K. & Dubes, R.C. (1988). Algorithms for clustering data. New Jersey, USA.: Prentice-Hall, Inc.
26) Khoshouei, M., Oreyzi, H., & Jahanbazi, A. (2018). Validation of Managers’ Promotional Assessment Center in Isfahan Gas Company. Knowledge & Research in Applied Psychology, 19(3), 34-49.
فصلنامه آموزش و توسعه منابع انسانی سال هشتم، شماره 31، زمستان 1400، 80-51 | Quarterly Journal of Training & Development of Human Resources Vol.8, No 31, 2022, 51-80
|
خوشهبندی مدیران صنعت گاز ایران و اولویتبندی شایستگیهای مدیران مبتنی بر نتایج ارزیابی مدل تعالی سازمانی با رویکرد هوش مصنوعی
علیرضا زمانیان1
مجید جهانگیرفرد*2
فرشاد حاجعلیان3
(تاریخ دریافت: 01/06/1400؛ تاریخ پذیرش: 21/08/1400)
چکیده
در این مقاله تلاش شده تا بسترسازی مناسبی در جهت ایجاد رابطه بین دادههای منابع انسانی با استفاده از نتایج مدل تعالی سازمانی، برای حدود 51 شرکت فرعی و ستادی شرکت ملی گاز ایران با بهرهگیری از روشهای هوش مصنوعی و یادگیری ماشین صورت پذیرد و به یک مدل برای خوشهبندی مدیران ارشد سازمان براساس نتایج ارزیابی شرکتها با مدل تعالی سازمانی (مبتنی بر مدل تعالی EFQM) دست یابیم. ویژگی منحصربهفرد این روش این است که براساس خروجی و عملکرد واقعی سازمانهای موفق بهدست میآید که در رأس آنها مدیران و رهبران موفق سازمان حضور داشتهاند و براساس آن در آینده میتوان به یک مدل شایستگی مبتنی بر عملکرد دست یافت. در این مقاله ابتدا بر اساس نتایج حاصل از ارزیابی مدل تعالی سازمان، به خوشهبندی نتایج مدل تعالی در 51 شرکت صنعت گاز ایران بر اساس نتایج ارزیابیهای سالهای 1396، 1397 و 1398 اقدام میکنیم. خوشهبندی برای 3776 داده با روشهای مبتنی بر هوش مصنوعی و کدنویسی با نرم افزار پایتون صورت میگیرد. تحقیق حاضر از لحاظ هدف کاربردی بوده و به دنبال طراحی و تدوین یک مدل جدید برای کشف خبرگان و دستهبندی علمی منابع انسانی سازمان بر اساس دادههای معتبر میباشد. این پژوهش همچنین بهدنبال تلفیق مباحث جدید علمی هوش مصنوعی شامل خوشهبندی در ایجاد زیرساختهای پژوهشی در منابع انسانی است و در بعد کاربردی از نتایج بهدست آمده در تصمیمگیری و برنامهریزیهای سازمانی استفاده میکند و به دنبال تولید ابزاری است که با آن بتواند در آینده با داشتن دادههای مناسب در حرفه منابع انسانی، عملکرد مدیریتی کارکنان این حرفه و سازمان را پیشبینی نماید. در انتها با استفاده از نرخ تفکیکپذیری فیشر یک اولویتبندی برای آموزش و توسعه مدیران براساس شکاف شایستگیهای ایشان بدست خواهد آمد.
کلیدواژه‌ها: خوشهبندی مدیران، هوش مصنوعی، کلانداده، مدل تعالی سازمانی (EFQM)، نرخ تفکیکپذیری فیشر (FDR).
مقدمه
تحولات عصر جدید در حوزه داده و فناوری باعث شده تا امروزه شرکتها تقریبا درباره همه‌چیز داده جمع کنند. درباره هر تعامل و هر ارتباط. همه این اطلاعات، در کنار هم، کلانداده نامیده میشود. کلان‌داده‌ها جمع میشوند و مدیران همیشه دنبال راهی برای استفاده از آنها برای ارزش‌افزایی برای سازمان خود هستند. این موضوع درباره دادههای مربوط به کارکنان، حتی بیشتر صادق است، زیرا در حالی که ابزارهای بازاریابی و فروش در حال رشد هستند، سیستمهای منابع انسانی و مدیریت استعداد به مرور زمان در حال رسیدن به مرحله بلوغ خود هستند. شرکت تحقیقاتی لایتهاوس4 در مطالعه‌ای با عنوان «ارزش فناوری منابع انسانی برای کسب‌وکار» که در سال 2017 منتشر شد (1)، به نتایج جالب‌توجهی دست یافت. بهعنوان مثال، سایر مدیران کسب‌وکار، در مقایسه با مدیران منابع انسانی، دو برابر بیشتر، فناوری منابع انسانی را یک «ابزار استراتژیک» می‌دانند، نه فقط یک «ابزار عملیاتی و اجرایی». به همین خاطر، دادهها، به دلیل نقش مهمی که در توانمندسازی فناوریهای امروز کسب وکار ایفا میکنند، جایگاه ویژه‌ای دارند. امروزه سرعت تغییرات و تحولات بنیادین آنقدر سریع و زیاد است که حاصل این تحولات را در زندگی روزمره و سازمان خود کاملا مشاهده می کنیم. تا قبل از سال 2016 که آقای کلاوس شواب5 در اجلاس سالانه مجمع اقتصاد جهانی در شهر داووس سوییس از انقلاب صنعتی چهارم رونمایی نمود (2)، بی شک ضامن بقای سازمانها، بزرگ بودن ابعاد آنها بود ولی امروزه چابکی سازمان در واکنش به تغییرات است که کلید موفقیت به شمار میرود و سازمانی را نمیتوان یافت که در حوزه کسب و کار خود موفق و دارای بهرهوری بالا باشد بدون اینکه مدیری اثربخش در رأس آن سازمان نقش رهبری خود را به خوبی ایفا ننموده باشد.
امروزه اهمیت کلانداده و ابزارهای هوش مصنوعی و یادگیری ماشین نیز بهخصوص در انقلاب صنعتی چهارم برکسی پوشیده نیست. مطابق مدل 2016 شایستگی منابع انسانی دیوالریچ6 (3) یکی از شایستگیهای نهگانه کارکنان منابع انسانی، مانوس بودن آنها با فناوریهای روز دنیاست (Technology and media integrator) و مطابق نظر آقای بن یوبنکز (1) نویسنده کتاب هوش مصنوعی در حرفه منابع انسانی در سال 2019: "فناوری همیشه بخشی از کار منابع انسانی بوده است." در واقع تحولاتی که امروزه در عرصه مدیریت داخلی و بینالمللی روی داده، رویکرد حرفهای شدن مدیران سازمان را پررنگتر کردهاست. مدیری که در گذشته به سادگی میتوانست در هرجایی یا در هر رشتهای کار مدیریت کند، اکنون بایستی حرفهای و در سطح عالی ظاهر شود و مستلزم آن است که بتواند مجموعهای از شایستگیهای تخصصی و رفتاری را کسب کند و آنها را برای رسیدن به نتایج مطلوب و اثربخش به کار گیرد. لذا با توجه به اهمیت توسعه شایستگیها و لزوم برنامهریزی جامع برای تحقق شرایط مطلوب، تدوین طرحی ویژه برای توسعه دانش و مهارتهای مدیران در سازمانها اجتنابناپذیر میباشد. بنابراین در این تحقیق تلاش شده تا بتوانیم در حوزه منابع انسانی تا جای ممکن از بهروزترین جنبههای فناوری در پژوهش بهره ببریم. از سوی دیگر باید به دنبال سازمانهای موفق باشیم. سازمانهای موفق چه سازمانی هستند؟ در این تحقیق در پاسخ به این سوال به سراغ مدلهای تعالی سازمانی در کلاس جهانی و بینالمللی میرویم. مدلی که سالها با تعریف شاخصها و معیارهای ارزیابی در دو بخش توانمندساز و نتایج به دنبال امتیازدهی به سازمانهاست. به کمک مدل EFQM ویرایش 2013
سازمانهای صنعت گاز ایران چندین سال متوالی با تربیت ارزیابان حرفهای مورد ارزیابی قرار گرفتهاند و نتایج ارزیابیهای سالهای 1396، 1397 و 1398 در این تحقیق مورد استفاده قرار گرفته است.
مبانی نظری و پیشینه پژوهش
در دو دهه اخیر واژه تعالی سازمانی به طور مکرر در مدیریت و کیفیت کسب و کارها مطرح بوده است. تعالی سازمانی میتواند به منظور درک چگونگی اجرای ابعاد کیفیت در بخشهای مختلف سازمان به کار رود. امروزه سازمانها برای بقا و ماندن در دنیای پر رقابت و محیطهای غیرقابل پیشبینی، باید به تعالی سازمانی با چهار هدف دست یابند که عبارتند از: 1-بالا بردن عملکرد 2-بهبود یادگیری سازمانی
3-افزایش رضایت مشتریان و 4-سود بیشتر. برای رسیدن به تعالی باید روی هر 4 هدف تمرکز نمود و توجه نمود تا توجه زیاد به یکی باعث ضعف در دیگری نشود (4). امروزه سازمانهایی که مدل تعالی را به کار میبرند بر این باورند که نه تنها اجرای این مدلها باعث افزایش کیفیت شده بلکه باعث افزایش سهم بازار، سود، عملکرد تامین کنندگان، روحیه کارکنان و رقابت پذیری آنها نیز شده است (5).
در ارتباط با اعتبار مدل تعالی سازمان در سطح بینالمللی مقالات و تحقیقات زیادی انجام شده که به برخی از آنها در حوزه منابع انسانی اشاره میگردد. کالوو- مورا7 و همکاران در پژوهشی (6) با عنوان ارزیابی و بهبود تاثیرات اجتماعی سازمانی از طریق مدل تعالی EFQM8 بیان میکنند که مدیریت کیفیت جامع (TQM) و مسئولیت اجتماعی (CSR) چارچوبهایی هستند که سازمانها برای کمک به تولید یک مزیت رقابتی پایدار استفاده میکنند و مدل تعالی EFQM یک چارچوب قابل اعتماد و معتبر است که میتواند برای اندازهگیری و بهبود تاثیرات اجتماعی سازمانی باشد. سعیدلو9 و همکاران (7) در تحقیقی با عنوان عوامل موثر در تعالی منابع انسانی و رضایت کارکنان در شرکتهای تولیدی صنایع کوچک و متوسط در پارک صنعتی شهر تبریز بیان میکنند که امروزه تعالی سازمانی به عنوان چارچوب پایهای برای موفقیت سازمانی در نظرگرفته میشود که شامل چندین ابعاد است و یک معیار مهم در رویکرد تعالی سازمانی منابع انسانی است و رابطه معناداری بین این متغیر با رضایت وجود دارد. روشن10 و همکاران (8) در تحقیق خود تحت عنوان بررسی رابطه در ابعاد مدل شایستگی منابع انسانی با مدل تعالی منابع انسانی در نیروگاههای برق منطقه پارس جنوبی نتیجه گرفتهاند که بر اساس معیارهای توصیفی و مطالعات انجام شده برای جامعه آماری پژوهش که کارکنان 4 نیروگاه انرژی منطقه پارس جنوبی میباشند، بین مدل شایستگی منابع انسانی و مدل تعالی منابع انسانی رابطه معناداری وجود دارد. هولی11 و همکاران (9) در پژوهشی تحت عنوان جایزه تعالی منابع انسانی در اروپا بیان کردند که نیروی کار تحقیقاتی بسیار ماهر، سهم قابل توجهی در جامعه و اقتصاد دارد و برای اینکه بخش آموزش عالی برای جذب سرمایه انسانی با کیفیت بالا جذاب باشد، الزامی است که از نظر مدیریت منابع انسانی، مسیرهای دقیق برای پیشرفت و توسعه حرفهای ارائه شده باشد. این سیاست آموزش عالی به طور فزاینده‌ای در سطح کشورهای عضو اتحادیه اروپا شناخته شده می باشد. الیزابت ماگناقی12 (10) مدل تعالی EFQM را برای کمک به مدیران برای درک ارتباط بین سرمایههای مختلف در نظر گرفته است و آن را یک سیستم کنترل مکمل برای اجرای گزارشهای یکپارچه در نظر گرفت. در این تحقیق بر تحلیل کیفی مدل EFQM تمرکز شده و اینکه مدل چگونه می تواند به تفکر یکپارچه در اجرا کمک نماید.
این مدل بر اساس ۹ معیار و 32 زیر معیار بیان شده است. پنج معیار مربوط به مولفههای توانمندساز است که شامل رهبری، استراتژی، شرکای تجاری و منابع، کارکنان و فرآیندهاست که بیان میدارد اجزای تشکیلدهنده یک سازمان در تعامل با هم چگونه باید باشند و چهار معیار دیگر مربوط به نتایج است که شامل نتایج کارکنان، مشتریان، جامعه و نتایج کلیدی عملکرد میباشد که نتایج حاصل از عملکرد سازمان را تشکیل میدهد و نتایج مطلوب حاصل از اجرای مولفهها را معرفی میکند. در این مدل کل اطلاعات معیارها ۱۰۰۰ امتیاز دارد که ۵۰۰ امتیاز آن مربوط به مولفههای توانمندساز و ۵۰۰ امتیاز دیگر مربوط به نتایج است (11).
بنیاد EFQM خدمات آموزش، ارزیابی و معرفی برترینها را ارایه میکند ولی مهمترین ظرفیت آن گردآوری و یکپارچهسازی بهترین تجارب سازمانهای برتر است. این بنیاد به عنوان یک انجمن غیردولتی از طریق سمینارهای آنلاین، کارگروهها، کنفرانسها، موردکاوی و فرایند جایزه، آنچه در سازمانها اثربخش است را به اشتراک میگذارد و شبکهای از سازمانهای کلاس جهانی و رهبران آنها که مشتاق تعالی کسب و کار هستند را پرورش داده و تقویت میکند (12). مدل تعالی سازمانی مدل توصیفی و مبسوطی است که کیفیت اجرا و نحوه مدیریت فرایندهای سازمانی را در اکثر حوزهها توصیف می کند، بدون اینکه به اولویتبندی اقدامات بپردازد و هیچگونه برتری در اجرای آنها تعیین کند (13). دراین مدل معیارهای توانمندساز نقش اساسی و پایهای در حرکت سازمان به سمت سرآمدی دارند و اولویتبندی آنها برای جلب رضایت کارکنان از ارزش زیادی برخوردار است. نوآوری و یادگیری کمک میکند تا توانمندسازها بهبود یافته و بهبود توانمندسازها، بهبود نتایج را به دنبال خواهد داشت. هر یک از معیارهای نهگانه الگوی تعالی سازمانی EFQM شامل چند زیرمعیار است که ابعاد مختلف معیار را مشخص میسازد(14).
در این تحقیق از یک سو با مدل تعالی به عنوان ابزار معتبر تولید داده در سازمان روبرو هستیم و از سوی دیگر با کلانداده به عنوان یک مفهوم در منابع انسانی. امروزه در عصر دیجیتال و در آستانه ورود به انقلاب صنعتی چهارم، با توجه به پیشرفت تکنولوژی، دادههای بسیاری به صورت روزانه در حال تولید هستند. این دادهها به عنوان منبعی غنی برای دستیابی به دانش محسوب میشوند و به عنوان یک برتری در سازمانها و کسب و کارهای مختلف در مقایسه با رقبا مورد استفاده قرار میگیرند. سازمانها با تجزیه و تحلیل دادهها میتوانند به اطلاعات و دانش مفیدی دست یابند و این دانش منشأ بهرهوری بالاتر و سود بیشتر برای آنها بوده و تبدیل به یک مزیت رقابتی میشود. از بعد علمی، بررسی و تحلیل دادهها زیرشاخه علم داده قرارگرفته است. علم داده حوزه وسیعی از نظریهها، مفاهیم، ابزار و فناوریها میباشد که بررسی، تجزیه و تحلیل، استخراج دانش و اطلاعات از دادههای خام را امکانپذیر ساخته است (15).
علمداده که مرتبط با دادههای بزرگ است برای توصیف فعالیتهایی که با دادهها سروکار دارد، استفاده میشود. موفقیت شرکتهایی که در این حوزه فعالیت میکنند، به توانایی آنها در یافتن افرادی که مهارتها و شایستگیهای مناسبی دارا باشند و به طورکارآمد بتوانند با زیرساختهای کسب و کار یکپارچه شوند، بستگی دارد (16). در گزارشی از موسسه Deloitte، علیرغم افزایش برنامههای مختلف در حوزه علم داده، بیش از 100 دانشگاه در آمریکا توانایی ارایه متخصصین این حوزه، با سرعت بالا برای پاسخگویی به نیازهای بازار را ندارند (همان منبع). در حوزه منابع انسانی نیز برای اینکه بتوان در حوزه علمداده وارد شد و از مزایای رقابتی آن برای سازمان بهرهبرد، باید متخصصین این حوزه را در مدیریت منابع انسانی به کارگرفت تا نگرش مناسبی به اهمیت دادههای مرتبط با منابع انسانی در سازمانها ایجاد نمود. در تحقیقی به دستهبندی جامعی در خصوص شایستگیهای مورد نیاز حوزه علمداده پرداخته شده و تلاش شده تا دانش و نیازهای اساسی که برای مشاغل مختلف در این حوزه وجود دارد، مشخص گردد و شکاف تحقیقاتی موجود در این مساله تا حد ممکن از بین برود (17). باید این نکته را نیز اشاره کرد که طبقهبندی ساختاری عناوین شغلی و مجموعه مهارتها به ایجاد یک فرهنگ مشترک برای استخدام نیروی انسانی مورد نیاز و ارائهدهندگان آموزش در این حوزه کمک خواهد کرد (18). دادهکاوی که عبارت است از کشف دانش در پایگاه داده برای اولین بار در سال 1989 در کارگاهی با همین عنوان مطرح شد تا تاکید نماید که دانش محصول نهایی اکتشافی مبتنی بر داده است (19). آنها برای اولین بار دادهکاوی را بهعنوان یکی از قدمهای فرایند کشف دانش توصیف نمودند. دادهکاوی عبارت است از استخراج اطلاعات، دانش و کشف الگوهای پنهان از یک پایگاه دادهای بسیار بزرگ. این الگوها و دانش معمولا در دادهها پنهان میباشند. به بیان دیگر، دادهکاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از دادهها به منظور کشف الگوها و قوانین معنیدار، اطلاق میشود (20). در دهههای اخیر توانایی بشر برای تولید و جمعآوری دادهها به سرعت افزایش یافتهاست. عواملی نظیر استفاده گسترده از کامپیوتر در کسب و کار، علوم و خدمات دولتی و پیشرفت در وسایل جمعآوری داده، از اسکن کردن متون و تصاویر تا سیستمهای سنجش از دور ماهوارهای، در این تغییرات نقش مهمی دارند (21). تعریف دیگر این است که، دادهکاوی گونهای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیمگیری از داده میباشد، به نحوی که با استخراج آنها، در حوزههای تصمیمگیری، پیشبینی، پیشگویی و تخمین مورد استفاده قرارگیرند.
دادهها اغلب حجیم، اما بدون ارزشند، داده به تنهایی قابل استفاده نیست، بلکه دانش نهفته در دادهها قابل استفاده میباشند. به این دلیل اغلب به دادهکاوی، تحلیل دادهای ثانویه13 نیز گفته میشود (22).
هر یک از فناوریهای بوجود آمده کاربردهایی دارند که بر زندگی ما، چه در محیط شخصی و چه در محیط کار، اثرگذار است. پذیرش و سرمایه‌گذاری در این فناوریها روز‌به‌روز افزایش مییابد و دولت‌ها و کارفرمایان در سراسر دنیا سرسختانه به دنبال تحقیق و توسعه در زمینه سیستمهای پیشرفته مبتنی بر فناوریها هستند. یکی از این فناوریها هوش مصنوعی میباشد که انواع مختلفی دارد از جمله یادگیری ماشین، پردازش زبان طبیعی و یادگیری عمیق. بهترین راه برای اینکه بفهمیم هوش مصنوعی و منابع انسانی چطور در یک نقطه به هم رسیده‌اند، این است که کمی به عقب برگردیم و سیر منطقی اتفاقات در طول زمان را مرور کنیم. ابزارهای هوش مصنوعی مثل یادگیری ماشین، برای موفقیت، نیاز به حجم زیادی از دادهها دارند. کلانداده، زیربنای سیستمی است که بر مبنای هوش مصنوعی شکل گرفته باشد. بدون پیشرفت‌های اخیر در تولید و جمعآوری داده، هیچ امیدی به استفاده از هوش مصنوعی در تولید مدلهای پیشبینی نبود. با جمعآوری دادههای موردنیاز، میتوانیم روندها و پیامدها را پیشبینی کنیم و با درک متغیرها، پیش‌بینی‌های بیشتری انجام دهیم. امروزه که ما قادر به جمعآوری، ذخیره‌سازی و تحلیل حجم زیادی از دادهها هستیم، قاعدتا هوش مصنوعی، گام بعدی در سیر تکاملی کسب‌وکارهاست. علاوه بر این، در گزارش شرکت سیرا-سدار14 از شرکتهای موسوم به «سازمانهای مبتنی بر استعداد» مشخص شد این شرکتها از تحلیل دادهها برای حل مشکلات نیروی انسانی مستعد خود در زمینه دلبستگی شغلی، حفظ و شناسایی نیروهای مستعد استفاده میکنند. دادههای این گزارش نشان میدهند شرکتهای مبتنی بر استعداد، بسیار بیشتر از دیگر شرکتها، از هوش مصنوعی مبتنی بر یادگیری ماشین و ابزارهای تحلیل دادههای منابع انسانی استفاده میکنند. این شرکتها، 166درصد بیشتر از دیگر شرکتها، احتمال دارد که از این سیستم‌ها استفاده کنند و 68 درصد بیشتر احتمال دارد که در حال ارزیابی سیستمهای جدید برای حل مسائل مربوط به تجزیه و تحلیل دادههای نیروی انسانی مستعد خود باشند15. این یافته‌ها اهمیت این بحث را روشن‌تر کردهاند.
اهالی حرفه منابع انسانی نیز نسبت به مزایای هوش مصنوعی بسیار خوشبین هستند. مطالعه انجمن صنفی منابع انسانی کانادا16 در سال 2017، نشان داد 84 درصد از متخصصان منابع انسانی احساس میکنند هوش مصنوعی ابزار ارزشمندی برای حمایت از اهداف منابع انسانی است و البته بسیاری از مدیران منابع انسانی هنوز با نحوه عمل و مزایای هوش مصنوعی آشنا نیستند17. باید به این نکته توجه کنیم که سرمایه‌گذاری در شرکتهایی که نرم‌افزارهای مبتنی بر هوش مصنوعی برای منابع انسانی طراحی میکنند، به بالاترین میزان خود در سالهای اخیر رسیده است و انتظار میرود این میزان افزایش یابد. درسال 2017، جورج لاروک18 از شرکت اچ‌آروینز19، گزارش کرد در 143رویداد مختلف سرمایه‌پذیری، بیش از 1میلیارد دلار در صنعت فناوری منابع انسانی سرمایه‌گذاری شده است20. از سوی دیگر شاید همه مشاغل تحت تأثیر هوش مصنوعی قرار نگیرند، اما قدر مسلم این است که هوش مصنوعی کاربردهای بسیار ارزشمندی در حوزههای مختلف منابع انسانی دارد، در استخدام، آموزش، دلبستگی شغلی و .... تعامل شفاهی، چت‌بات‌ها و نرم‌افزارهای تشخیص چهره نمونه‌هایی از فناوریهای بنیادی هوش مصنوعی هستند که کاربردهای پیچیده و متنوعی در حوزههای مختلف مدیریت سرمایه انسانی دارند (کرکلند21، 2018)22.
تا اینجا تلاش شدهاست تا اهمیت و تاثیر مدیران موفق در قالب تعالی سازمانها به تصویر کشیده شود و از سوی دیگر اهمیت داده در پیشبرد اهداف سازمان و رقابت در دنیای کسب و کار امروزی شرح داده شود. همانطور که اشاره شد منابع انسانی از حوزههایی است که در سازمانها دادههایی در
مقیاسهای بزرگ در آن تولید میشود ولی متولیان این حوزه بعضا به اهمیت این دادهها در ایجاد دانش و تبدیل آنها به یک ارزش افزوده برای سازمان توجهی نمیکنند. بی توجهی به این موضوع به خصوص در سازمانهای داخل ایران بیشتر نمود دارد. تغییرات سریع مدیریتی، بکر بودن حوزه علمداده و تغییرات سریع آن و انتساب تخصص حوزه دادهکاوی و یادگیری ماشین به رشتههای فنی باعث شده تا کارکنان حوزه مدیریت منابع انسانی کمتر قدم در این حوزه بگذارند. اولین نکتهای که باید کارکنان منابع انسانی به آن توجه نمایند ایجاد یک زیرساخت و پایگاه داده برای ذخیره کلیه دادههای احصا شده در سازمان و در مرحله دوم ایجاد یک ارتباط منطقی بین دادهها میباشد. تعریف پروژههای مقطعی، زودبازده و احصای داده به صورت جزیرهای در همان مقطع و محدوده خواهد ماند. نکته دیگر ایجاد یکپارچگی در تولید داده در منابع انسانی میباشد تا دادهها و دانش نهفته در آنها در تمام نظامات مختلف منابع انسانی ایجاد ارزش افزوده کند و به کارگرفته شود. در این تحقیق ارتباط بین نمرات مدل تعالی سازمان با نقش مدیران ارشد در تعالی سازمان در تناظر قرار گرفته است و خوشهبندی مدیران براساس نتایج مدل تعالی سازمانی بهدست آمده است. به بیان دیگر اهدافی که در این تحقیق به دنبال آنها هستیم به شرح ذیل میباشد:
1) توجه به دادههای موجود در سازمان به عنوان یک منبع داده بزرگ و بهکارگیری آنها در تولید دانش، تجزیه و تحلیل، پیشبینی و نهایتا تصمیمگیریها در مدیریت ارشد و مدیریت منابع انسانی سازمان به کمک کارکردهای موجود در علم دادهکاوی و یادگیری ماشین.
2) شناسایی و دستهبندی مدیران ارشد سازمان مبتنی بر نتایج ارزیابیهای مدل تعالی سازمان (مدل تعالی EFQM ویرایش 2013).
3) اعتبارسنجی نتایج دستهبندی مدیران شناسایی شده از نظر عملکرد ایشان با نتایج نهایی ارزیابی مدل تعالی.
4) اولویتبندی شایستگیهای مدیران براساس نرخ تفکیکپذیری فیشر در جهت توسعه و توانمندسازی.
روش پژوهش
تحقیق حاضر از لحاظ هدف کاربردی است و به دنبال طراحی و تدوین یک مدل جدید براساس یافتههای علمی مبتنی بر مدل تعالی سازمانی EFQM با اعتبار جهانی به منظور خوشه بندی مدیران سازمان، میباشد. این پژوهش به دنبال تلفیق مباحث جدید علمداده، هوشمصنوعی و خوشهبندی (کلاسترینگ) در ایجاد زیرساختهای پژوهشی با استراتژیهای منابع انسانی است. در بعد کاربردی از نتایج بهدست آمده در تصمیمگیری و برنامهریزیهای سازمانی استفاده میکند و تاکید بر کاربرد نتایج علمی در حل مشکلات و مسائل خاص سازمان دارد و به دنبال تولید ابزاری است که با آن بتواند با داشتن دادههای مختلف در سازمان، عملکرد مدیریتی مدیران سازمان را پیشبینی و مدیران را دستهبندی نماید.
در این تحقیق از روش خوشهبندی (کلاسترینگ) برای دسته بندی نتایج ارزیابی مدل تعالی استفاده خواهد گردید که منجر به دسته بندی سازمانها خواهد شد. سپس برای خوشه سازمانهای موفق مدیران متناظر موفق شناسایی میشوند و برای اعتبارسنجی متدولوژی، نتایج این خوشهبندی با نتایج مدل تعالی مقایسه خواهدگردید. این پژوهش برای مدیرانعامل سازمان انجام میشود و در نهایت برای تعیین میزان تفکیکپذیری مدیران بر روی نمرات ارزیابی حاصل از شایستگیهای ایشان، از نرخ تفکیکپذیری فیشر بهرهبرداری شده است.
جامعه آماري و حجم نمونه
جامعه آماری در این پژوهش شرکتهای ستادی و فرعی صنعت گاز ایران هستند که تعداد 51 شرکت ستادی و فرعی در سطح کشور ایران، ذیل شرکت ملی گاز ایران فعالیت مینمایند. تعداد نمرات مدل تعالی نیز بر اساس ویرایش 2013 و برای هر شرکت در هر سال 32 نمره میباشد. در مدل تعالی 24 معیار در قسمت توانمندساز و 8 معیار در قسمت نتایج نمرهدهی میشوند (جدول شماره 1).
بنابراین با یک بانک اطلاعاتی مواجه خواهیم بود که برای سه سال 1396 ،1397 و 1398 نتایج ارزیابیها شامل 3776 امتیاز معنادار در دسته مدیریت ارشد سازمان خواهد بود. برای تکمیل این بانک اطلاعاتی براساس مدل تعالی، بازدیدها و مصاحبههای میدانی توسط گروه ارزیابان صلاحیتدار مدل تعالی صورت گرفته و نمرات و امتیازها مطابق روش تعریف شده در مدل به سازمانها تعلق گرفته است. به این ترتیب، دادههای ارزیابی مدل تعالی تولید شده و بانک اطلاعات تکمیل گردیده است. سپس با کمک روش خوشهبندی نتایج به کار گرفتهمیشود تا به یک مدل برای دستهبندی مدیران ارشد سازمان با توجه به تاثیر ایشان در تعالی سازمان دست یابیم.
جدول شماره 1. تعداد جامعه آماری و نمونه به تفکیک شرکتها
شرکتها | تعداد سازمانها | تعداد سازمانهای مشارکتکننده در ارزیابی مدلتعالی | ||
سال 96 | سال 97 | سال 98 | ||
شرکتهای ستادی ملی گاز ایران | 3 | 0 | 1 | 1 |
شرکتهای پالایش گاز | 7 | 7 | 7 | 6 |
شرکتهای گازرسانی | 31 | 18 | 27 | 30 |
مناطق عملیات انتقال گاز | 10 | 2 | 9 | 10 |
مجموع | 51 | 27 | 44 | 47 |
118 | ||||
نمرات زیرمعیارهای تعالی در هر سازمان | 32 | |||
تعداد کل دادهها در 3 سال ارزیابی | 32*118=3776 | |||
تجزيه و تحليل یافته‌ها
· فرم ارزیابی با مدل تعالی سازمانی EFQM ویرایش 2013 شامل 9 معیار (5 معیار و 24 زیر معیار در قسمت توانمندسازها به علاوه 4 معیار و 8 زیر معیار در قسمت نتایج). در جدول 2 معیارها و 32 زیرمعیار مدل مشاهده میشوند.
· تشکیل بانک اطلاعاتی مدیران شرکتهای ستادی و فرعی ملی گاز ایران در سالهای 1396 تا 1398.
· تشکیل بانک اطلاعاتی نمرات مدل تعالی سازمانی شامل 51 شرکت صنعت گاز در سه سال 96 الی 98، که جمعا شامل 3776 داده برای خوشهبندی سازمانها مبتنی بر نتایج تعالی آنها میباشد. برای نمونه در جدول 3 نمرات زیرمعیارهای 1 تا 12 از دادههای سال 1398 برای 18 شرکت به عنوان نمونه آمده است. (مطابق جدول 3، جهت حفظ محرمانگی اطلاعات، از نام شرکتها خودداری شده و شرکتهایی که تمام نمرات برای آنها صفر قرار گرفته به این معنی است که در آن سال متقاضی ارزیابی مدل تعالی نبودهاند.)
· کدنویسی برای خوشهبندی دادههای مدل تعالی سازمانی با زبان برنامه نویسی پایتون و خوشهبندی سازمانها. نتایج خوشهبندی سازمانها در جدول شماره 4 مشاهده میشود.
· متناظر نمودن سازمانها و مدیران آنها با سازمانهای خوشهبندی شده در سهدسته سازمانهای با عملکرد قوی، عملکرد متوسط و عملکرد قابل بهبود در تعالی سازمانی.
· مقایسه نتایج حاصل از این خوشهبندی با امتیازات نهایی اخذ شده سازمانها در مدل تعالی جهت اعتبارسنجی خوشهبندی.
جدول شماره 2. معیارها و زیرمعیارهای مدل تعالی
معیار | ردیف | زیرمعیارهای بخش توانمندساز مدل تعالی |
رهبری | 1 | ایجاد ماموريت، چشم انداز، ارزشها و اخلاقيات توسط رهبران سازمان، توسعه و عمل به آنها توسط رهبران |
2 | تعریف، پايش و بازنگري سيستم مديريت وعملكرد سازمان توسط رهبران سازمان و هدايت و بهبود آن | |
3 | شناسایی ذينفعان بيروني سازمان توسط رهبران سازمان و تعامل فعالانه با آنها | |
4 | تقويت فرهنگ تعالي در سازمان توسط رهبران سازمان با همراهي كاركنان | |
5 | حصول اطمینان ازچابكي و انعطافپذيري سازمان توسط رهبران سازمان و مدیریت تحولات بهصورت اثربخش | |
استراتژی | 6 | تدوین استراتژي، مبتني بر درك نيازها و انتظارات توأمان ذینفعان و محيط بيروني سازمان |
7 | تدوین استراتژي مبتني بر درك قابليتها، ارزیابی، تحلیل و عملكرد دروني سازمانی | |
8 | توسعه استراتژي ها و خط مشي هاي پشتيبان، بازنگري و به روز نمودن آنها | |
9 | درمیانگذاشتن، به اشتراکگذاری استراتژيها و خطمشيهاي پشتيبان در سازمان با ذینفعان، اجرا و پايش | |
کارکنان | 10 | پشتيباني برنامه هاي كاركنان توسط استراتژي هاي سازمان و همسو بودن آنها |
11 | توسعه دانش و قابليت هاي كاركنان در سازمان | |
12 | همسو نمودن كاركنان، مشاركت دادن وتوانمندسازی آنها | |
13 | ارتباط برقرار نمودن كاركنان در سراسر سازمان بهطور موثر | |
14 | تشويق شدن كاركنان، قدرداني و مراقبت از آنها | |
شراکتها و منابع | 15 | مدیریت شرکا و تامین کنندگان برای منافع مشترک و پایدار سازمانی |
16 | مدیریت منابع مالی برای تضمین موفقیت پایدار سازمان | |
17 | مدیریت ساختمان ها، تجهیزات، مواد و منابع طبیعی به روشی پایدار | |
18 | مدیریت تکنولوژی و فناوری برای پشتیبانی از تحقق استراتژی سازمان | |
19 | مدیریت اطلاعات و دانش برای حمایت از تصمیم گیری اثربخش و ایجاد قابلیت سازمانی | |
فرایندها، محصولات و خدمات | 20 | طراحی و مدیریت فرآیندها به منظور بهينه سازي ارزش برای ذینفعان |
21 | توسعه محصولات و خدمات به منظور خلق ارزش بهينه براي مشتريان | |
22 | (ترویج و) بازاریابی محصولات و خدمات به طور اثربخش | |
23 | تولید، تحویل و مدیریت محصولات و خدمات | |
24 | مدیریت ارتباطات با مشتری و ارتقا آن | |
معیار | ردیف | زیرمعیارهای بخش نتایج مدل تعالی |
نتایج مشتریان | 25 | برداشتهای مشتريان از سازمان که درک روشني برای مشتريان از اثربخشي جاریسازی و دستاوردهای استراتژی، خطمشيهای پشتيبان و فرآيندهای سازمان در ارتباط با مشتريان ارايه کنند. |
26 | استفاده از شاخص های عملكردی و شاخصهای دروني که توسط سازمان به منظور پايش، درک، پيشبيني و بهبود عملكرد سازمان و پيشبيني تاثيرات آنها بر برداشتهای مشتريان بيروني استفاده ميشوند. | |
نتایج کارکنان | 27 | برداشتهای کارکنان از سازمان که از طرق مختلفي از جمله نظرسنجي ازکارکنان، گروههای کانوني، مصاحبهها و ارزشيابيهای ساختيافته بهدست میآيند و درک روشني از اثربخشي جاریسازی و دستاوردهای استراتژی، خطمشيهای پشتيبان و فرآيندهای سازمان، مرتبط با کارکنان از منظر کارکنان ارايه میکند. |
28 | مجموعه ای از شاخص های عملكردی و دروني که به منظور پايش، تحليل، بهبود فرآيندها و پيش بيني برداشت ها درارتباط با رويكردهای مرتبط با مديريت سرمايه های انساني بكار گرفته مي شود. | |
نتایج جامعه | 29 | برداشت های جامعه از سازمان که از طریق نظرسنجيها، گزارشها، مقالات مطبوعاتي، نشستهای عمومي، سازمانهای غيردولتي، نمايندگان جامعه ومسئولان دولتي به دست آيند. |
30 | شاخصهای عملکردی و دروني که توسط سازمان به منظور پايش، درک، پيش بيني و بهبود عملكرد سازمان و پيش بيني تاثيرات آنها بر برداشت های ذينفعان مرتبط در جامعه استفاده ميشوند و بايد درکي روشن از استراتژی اجتماعي و زيست محيطي سازمان و خطمشيهای پشتيبان و فرآيندها ارايه کنند. | |
نتایج کلیدی عملکرد | 31 | دستاوردهای کليدی استراتژيک که مالي و غيرمالي هستند و برای اندازه گيری ميزان موفقيت سازمان درتحقق اهداف استراتژيک و تامين نيازها و انتظارات ذينفعان کليدی استفاده مي شوند. |
32 | شاخصهای کليدی عملكرد که مالي و غير مالي هستند و برای اندازه گيری عملكرد عملياتي سازمان استفاده ميشوند. آنها به پايش، درک، پيش بيني و بهبود دستاوردهای کليدی استراتژيک مورد انتظار کمک ميکنند. |
جدول3. نمرات زیرمعیارهای 1 تا 12 مدل تعالی برای 18 شرکت صنعت گاز در سال 1398
زیرمعیار شرکت | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
1N | 50.0 | 41.3 | 38.8 | 45.0 | 42.5 | 42.5 | 45.0 | 40.0 | 40.0 | 46.3 | 43.8 | 40.0 |
2N | 46.7 | 45.0 | 50.0 | 49.2 | 35.0 | 48.3 | 50.8 | 48.3 | 41.7 | 50.0 | 48.3 | 45.0 |
3N | 36.7 | 42.5 | 42.5 | 40.0 | 36.7 | 36.7 | 34.2 | 38.3 | 38.3 | 47.5 | 46.7 | 41.7 |
4N | 53.6 | 50.2 | 54.3 | 45.5 | 50.2 | 54.3 | 49.0 | 52.9 | 44.0 | 46.4 | 56.0 | 53.8 |
5N | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
6N | 45.0 | 44.2 | 46.7 | 42.5 | 38.3 | 45.8 | 40.8 | 42.5 | 35.8 | 34.2 | 43.3 | 43.3 |
7N | 67.5 | 63.3 | 65.0 | 63.3 | 60.0 | 55.0 | 55.8 | 53.3 | 50.0 | 52.5 | 49.2 | 55.0 |
8N | 40.0 | 37.5 | 37.5 | 37.5 | 30.0 | 28.3 | 28.3 | 26.7 | 23.3 | 35.8 | 30.0 | 32.5 |
9N | 32.0 | 32.0 | 46.0 | 36.0 | 40.0 | 29.0 | 30.0 | 38.0 | 43.0 | 45.0 | 39.0 | 40.0 |
10N | 33.0 | 31.0 | 34.0 | 34.0 | 32.0 | 31.0 | 33.0 | 30.0 | 32.0 | 34.0 | 36.0 | 36.0 |
11N | 38.3 | 27.5 | 33.3 | 33.5 | 26.7 | 41.7 | 40.0 | 35.8 | 33.3 | 40.0 | 41.7 | 31.7 |
12N | 49.0 | 48.0 | 47.0 | 41.0 | 48.0 | 40.0 | 39.0 | 35.0 | 35.0 | 32.0 | 39.0 | 32.0 |
13N | 40.0 | 45.0 | 46.0 | 48.0 | 36.0 | 29.0 | 29.0 | 28.0 | 39.0 | 32.0 | 51.0 | 46.0 |
14N | 57.5 | 50.0 | 47.5 | 50.0 | 40.0 | 30.8 | 37.5 | 33.3 | 30.8 | 40.8 | 48.3 | 45.0 |
15N | 28.0 | 25.0 | 29.2 | 28.4 | 23.6 | 42.2 | 37.6 | 36.2 | 31.4 | 40.0 | 44.2 | 34.8 |
16N | 32.0 | 32.0 | 36.0 | 29.0 | 28.0 | 20.0 | 18.0 | 35.0 | 35.0 | 31.0 | 40.0 | 35.0 |
17N | 43.0 | 50.0 | 44.0 | 39.0 | 35.0 | 23.8 | 27.5 | 25.0 | 21.3 | 30.0 | 33.0 | 30.0 |
18N | 45.0 | 47.0 | 48.0 | 45.0 | 39.0 | 44.0 | 45.0 | 48.0 | 43.0 | 44.0 | 44.0 | 52.0 |
خوشهبندی23
خوشهبندی روشی برای تقسیم دادهها به گروههایی از عناصر مشابه است. هر گروه، به نام خوشه24، شامل عناصری است که در مقایسه با عناصر همان گروه مشابه بوده و با عناصر دیگر گروهها غیرمشابه است. این روش تعداد بسیاری از عناصر داده را توسط چند خوشه نمایش میدهد و از این رو، دادهها را توسط خوشهها مدلسازی میکند (23).
خوشهبندی به معناي کلاسبندي بدون نظارت است که کلاسها از قبل تعيين شده نيستند و يا به عبارتديگر برچسب کلاسها در دسترس نيست. بنابراين هدف اصلي سازماندهي الگوها به
گروههاي مشخص است که به ما اجازه ميدهند که شباهت و تفاوت بين الگوها را کشف کنيم و نتايج مفيد را درباره آنها استنتاج نماييم. فرايند نسبت دادن اشيا به خوشهها (کلاسترها) ممکن است به نتايج بسيار متفاوتي منجر شود. خوشهبندی يکي از فعاليتهاي ذهني است که براي کنترل کردن مقادير زياد اطلاعات دريافت شده استفاده ميشود. پردازش هر بخش از اطلاعات به عنوان يک موجوديت تک
امکان پذير نيست. بنابراين انسانها به دستهبندي موجوديتها (حوادث، انسانها، اشيا و غيره) در خوشهها روي ميآورند. هر خوشه توسط خصوصيات مشترک موجوديتهايي که درون آن قرار ميگيرند تعريف ميشود. خوشه، يک مجموعه از دادههاست به طوريکه دادههاي موجود در يک خوشه شبيه يکديگرند ولی دادههاي موجود در خوشههاي مختلف به يکديگر شبيه نيستند.
به منظور ايجاد خوشهها (انجام عمل کلاسترينگ) اعمال زير بايد انجام شوند:
1) انتخاب ويژگي: خصوصيات بايد به طور مناسبي انتخاب شوند تا اکثر اطلاعات را کدگذاري کنند.
2) مقياس نزديکي: معياري است که ميزان شباهت و يا عدم شباهت دو بردار خصوصيت را مشخص مي کند. تمام خصوصيات انتخاب شده بايد در محاسبه اين معيار شرکت کنند و هيچ خصوصيتي نبايد بر بقيه غلبه کند.
3) ملاک دسته بندي.
4) الگوريتم خوشهبندی: پس از اينکه ملاک دستهبندي و مقياس نزديکي انتخاب شدند در اين گام يک الگوريتم خاص جهت روشنکردن ساختار دستهبندي مجموعه داده انتخاب ميشود.
5) اعتبار نتايج: زمانيکه نتايج خوشهبندی بدست آمد بايد صحت و درستي آنها بررسي شوند. اين کار معمولا بوسيله تستهاي مناسبي انجام مي شود.
خوشهبندی k-means
این روش علیرغم سادگی آن یک روش پایه برای بسیاری از روشهای خوشهبندی دیگر محسوب
میشود. برای این الگوریتم شکلهای مختلفی بیان شده است. ولی همه آنها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشهها سعی در تخمین موارد زیر دارند:
بهدست آوردن نقاطی به عنوان مراکز خوشهها. این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند. نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد.
در نوع سادهای از این روش ابتدا به تعداد خوشههای مورد نیاز نقاطی بهصورت تصادفی انتخاب
میشود. سپس دادهها با توجه به میزان نزدیکی (شباهت) به یکی از این خوشهها نسبت داده
میشوند و بدین ترتیب خوشههای جدیدی حاصل میشود. با تکرار همین روال میتوان در هر تکرار با میانگینگیری از دادهها مراکز جدیدی برای آنها محاسبه کرد و مجددا دادهها را به خوشههای جدید نسبت داد. این روند تا زمانی ادامه پیدا میکند که دیگر تغییری در دادهها حاصل نشود.
در الگوریتم k-means ابتدا k عضو (که k تعداد خوشهها است) به صورت تصادفی از میان n عضو به عنوان مراکز خوشهها انتخاب میشود. سپس n-k عضو باقیمانده به نزدیکترین خوشه تخصیص
مییابند. بعد از تخصیص همه اعضا، مراکز خوشه مجددا محاسبه میشوند و با توجه به مراکز جدید دادهها به خوشهها تخصیص مییابند و این کار تا زمانی که مراکز خوشهها ثابت بماند ادامه مییابد. بهترین خوشهبندی آن است که مجموع تشابه بین مرکز خوشه و همه اعضای خوشه را حداکثر و مجموع تشابه بین مراکز خوشهها را حداقل کند. برای انتخاب بهترین خوشهبندی ابتدا براساس نظرات خبره و مطالعات قبلی یک محدوده پیشنهادی برای تعداد خوشهها مشخص میشود.
این الگوریتم به شکل زیر عمل میکند (24):
1) ابتدا k عنصر به شکل تصادفی انتخاب میگردد.
2) این k عنصر مرکز ثقل خوشه قرار میگیرند.
3) فاصله هر عنصر را با مراکز خوشهها حساب میکنند (روش فاصله اقلیدسی) فاصله با هر مرکز نزدیکتر بود این عنصر در آن خوشه قرار میگیرد.
4) همه عناصر در یکی از k خوشه قرار میگیرند.
5) برای هر خوشه با محاسبه میانگین میان اعضا، مرکز جدیدی محاسبه میشود.
6) این الگوریتم از مرحله 2 مجددا تکرار میشود.
7) این فرآیند آنقدر تکرار میشود تا دیگر هیچ عضوی خوشه خود را عوض نکند.
یافتههای پژوهش
در این مرحله خروجی کد نوشته شده با نرمافزار پایتون با روش خوشهبندی k-means منجر به جدول 4 شده است.
جدول 4. خوشهبندی شرکتها در سه خوشه براساس مدل تعالی
شرکتهای سال 96 | شماره خوشه | امتیاز کل مدل تعالی | شرکتهای سال 97 | شماره خوشه | امتیاز کل مدل تعالی | شرکتهای سال 98 | شماره خوشه | امتیاز کل مدل تعالی |
1N | 2 | 401 | 1N | 2 | 454.2 | 1N | 2 | 463.9 |
2N | 1 | 353 | 2N | 2 | 404.3 | 2N | 2 | 451.1 |
3N | 1 | 319.9 | 3N | 1 | 358.3 | 3N | 2 | 401 |
4N | 2 | 405 | 4N | 2 | 456 | 4N | 3 | 531.9 |
5N | 2 | 457 | 5N | 3 | 501.8 | 5N |
|
|
6N | 2 | 401.6 | 6N | 2 | 440.8 | 6N | 2 | 464.3 |
7N | 3 | 530 | 7N | 3 | 505.7 | 7N | 3 | 559.5 |
8N | 1 | 310 | 8N | 1 | 315 | 8N | 1 | 356.5 |
9N |
|
| 9N | 1 | 341 | 9N | 1 | 359.6 |
10N |
|
| 10N |
|
| 10N | 1 | 309.8 |
11N |
|
| 11N | 1 | 336 | 11N | 1 | 366.2 |
12N |
|
| 12N | 1 | 329 | 12N | 1 | 352.3 |
13N |
|
| 13N | 1 | 316 | 13N | 1 | 360.1 |
14N |
|
| 14N | 1 | 320 | 14N | 2 | 355.6 |
15N | 1 | 301 | 15N | 1 | 313.9 | 15N | 1 | 339.8 |
16N |
|
| 16N | 1 | 313 | 16N | 1 | 324.3 |
17N |
|
| 17N | 1 | 309.7 | 17N | 1 | 352.1 |
18N | 1 | 351 | 18N | 2 | 405.3 | 18N | 2 | 454.3 |
19N |
|
| 19N | 1 | 258 | 19N | 1 | 305.7 |
20N |
|
| 20N | 1 | 266 | 20N | 1 | 328.8 |
21N | 3 | 556 | 21N |
|
| 21N | 3 | 550 |
22N |
|
| 22N | 1 | 307.1 | 22N | 1 | 360.3 |
23N | 1 | 322 | 23N | 2 | 358.6 | 23N | 2 | 403.4 |
24N |
|
| 24N | 1 | 353.6 | 24N | 2 | 424.1 |
25N | 3 | 471 | 25N | 3 | 510 | 25N |
|
|
26N | 1 | 368 | 26N | 2 | 386.7 | 26N | 2 | 408.1 |
27N |
|
| 27N | 2 | 402.3 | 27N | 2 | 451 |
28N |
|
| 28N |
|
| 28N | 1 | 324.4 |
29N |
|
| 29N | 1 | 351.6 | 29N | 2 | 379.3 |
30N | 3 | 460 | 30N | 3 | 492 | 30N | 3 | 507 |
31N |
|
| 31N | 1 | 272.5 | 31N | 1 | 357.5 |
32N | 2 | 454 | 32N | 2 | 468.6 | 32N | 2 | 481 |
33N |
|
| 33N |
|
| 33N | 1 | 338.7 |
34N | 1 | 358.4 | 34N | 2 | 401.8 | 34N | 2 | 425.1 |
35N | 1 | 305.2 | 35N | 2 | 368.4 | 35N | 1 | 370.4 |
36N | 1 | 357.9 | 36N | 2 | 385.9 | 36N | 2 | 406.3 |
37N |
|
| 37N | 1 | 310 | 37N | 1 | 327.8 |
38N |
|
| 38N | 1 | 329.4 | 38N | 2 | 376.4 |
39N | 1 | 315 | 39N | 1 | 338 | 39N | 2 | 415 |
40N |
|
| 40N | 1 | 251.1 | 40N | 1 | 324 |
41N | 1 | 340.1 | 41N | 1 | 351.6 | 41N | 2 | 411.5 |
42N | 2 | 460.2 | 42N | 3 | 504 | 42N | 3 | 531.2 |
43N | 1 | 351 | 43N | 2 | 437.7 | 43N | 2 | 437.3 |
44N | 3 | 514 | 44N |
|
| 44N | 3 | 549.3 |
45N | 2 | 364.8 | 45N | 2 | 414.3 | 45N | 2 | 460.4 |
46N | 2 | 370 | 46N | 2 | 438.1 | 46N | 2 | 459.1 |
47N |
|
| 47N | 1 | 306.9 | 47N | 1 | 339.5 |
48N | 1 | 325 | 48N | 1 | 358.7 | 48N | 2 | 405 |
49N |
|
| 49N | 1 | 254.3 | 49N | 1 | 310.3 |
50N |
|
| 50N |
|
| 50N |
|
|
51N |
|
| 51N |
|
| 51N |
|
|
در این جدول همانطور که مشاهده میشود سازمانها بر اساس سه خوشه 1، 2 و 3 افراز شدهاند. این نکته مجددا یادآوری میشود که خوشهبندی نوعی دادهکاوی غیرنظارتی میباشد و برنامهنویس هیچ دخالتی در روند خوشهبندی ندارد و روند یادگیری در دادهها به صورت کاملا غیرنظارتی و توسط خود الگوریتم پیش میرود درصورتیکه در کلاسبندی25 بانظارت، مجموعهای از الگوهای دارای برچسب دردسترس هستند. هدف از این مساله، برچسبدهی به الگوهای جدید بدون برچسب است. خوشهبندی، مساله گروهبندی مجموعهای از الگوهای بدون برچسب به خوشههای معنیدار است. در واقع برچسبها با خوشهها نیز همراه هستند، اما این برچسبها صرفا از دادهها به دست میآیند (25). در جدول 4، خانههای خالی نشاندهنده آن است که شرکت مفروض در آن سال متقاضی ارزیابی مدل تعالی نبوده و لذا دادهای نیز برای آن وجود ندارد.
رتبهبندی خوشهها
پس از آنکه کل دادهها به 3 خوشه افراز شدند، عناصری که بیشترین شباهت را به هم دارند، در یک خوشه قرار میگیرند، در این مرحله باید به کمک شاخصهایی ارزش، رتبه و ماهیت هر خوشه را
بهدست بیاوریم و به عبارتی خوشهها را نامگذاری نماییم. به طور کلی به سه روش میتوانیم خوشهها را رتبهبندی و نامگذاری نماییم:
· استفاده از نظر خبرگان.
· با کمک روشهای تصمیمگیری چند معیاره: با کمک روشهای دادهکاوی و تصمیمگیری، میتوان با دقت بیشتری نسبت به رتبهبندی خوشهها اقدام کرد.
· استنتاج قوانین موجود در خوشهها.
در این تحقیق معیارهای رتبهبندی همان استنتاج قوانین موجود در خوشهها می باشد بدین مفهوم که ابتدا به محاسبه نمرات ارزیابی شرکتها در سالهای 96 تا 98 مطابق ویرایش 2013 مدل تعالی سازمانی میپردازیم. روش محاسبه این نمرات در زیر آمده است. یادآور میشود که اعداد P1 تا P32 شماره زیرمعیارهای مدل تعالی از 1 تا 32 میباشند. ضمنا این امتیازات در جدول 4 به عنوان ستون "امتیاز کل مدل تعالی" آمده است.
Ave1 = (P1+P2+P3+P4+P5)/5
Ave2 = (P6+P7+P8+P9)/4
Ave3 = (P10+P11+P12+P13+P14)/5
Ave4 = (P15+P16+P17+P18+P19)/5
Ave5 = (P20+P21+P22+P23+P24)/5
Ave6 = (3*P25+P26)/4
Ave7 = (3*P27+P28)/4
Ave8 = (P29+P30) /2
Ave9 = (P31+P32)/2
Total Score = Ave1 +Ave2 +Ave3 +Ave4 +Ave5 +1.5*Ave6 +Ave7 +Ave8 +1.5* Ave9
سپس نمرات نهایی حاصل از ارزیابی تعالی و رتبهبندی شرکتها را با خروجی خوشههای این تحقیق مقایسه میکنیم. نتایجی که حاصل میشود بر این اساس میباشد: شرکتهای موجود در خوشه 3 دارای بیشترین نمره ارزیابی در مدل تعالی هستند و شرکتهایی با عملکرد قوی محسوب میشوند، در خوشه 1 نمرات ارزیابی مدل تعالی شرکتهای این خوشه پایینترین نمرات را دارا میباشند بنابراین دارای عملکرد قابل بهبود هستند و در نهایت شرکتهای موجود در خوشه 2 دارای نمرات متوسط هستند و خوشه عملکرد متوسط را تشکیل میدهند. در جدول مرتب شده 5 که هم براساس خوشه و هم براساس نمره کل مدل تعالی مرتب شده، شرکتهای موجود در هر خوشه برحسب نمرات کلی مدل تعالی از کمترین امتیاز به بیشترین امتیاز مشاهده میشوند. تعداد 35 شرکتی که در این خوشهبندی نیامده به این دلیل است که در سالهای ذیربط متقاضی ارزیابی نبودهاند.
جدول5. جدول مرتب شده خوشهها براساس نمره کل ارزیابی مدل تعالی
شرکت(سال) | شماره خوشه | نمره کل مدل تعالی | شرکت(سال) | شماره خوشه | نمره کل مدل تعالی | شرکت(سال) | شماره خوشه | نمره کل مدل تعالی |
N40(97) | 1 | 251.1 | N14(98) | 2 | 355.6 | N30(96) | 3 | 460 |
N49(97) | 1 | 254.3 | N23(97) | 2 | 358.6 | N25(96) | 3 | 471 |
N19(97) | 1 | 258 | N45(96) | 2 | 364.8 | N30(97) | 3 | 492 |
N20(97) | 1 | 266 | N35(97) | 2 | 368.4 | N5(97) | 3 | 501.8 |
N31(97) | 1 | 272.5 | N46(96) | 2 | 370 | N42(97) | 3 | 504 |
N15(96) | 1 | 301 | N38(98) | 2 | 376.4 | N7(97) | 3 | 505.7 |
N35(96) | 1 | 305.2 | N29(98) | 2 | 379.3 | N30(98) | 3 | 507 |
N19(98) | 1 | 305.7 | N36(97) | 2 | 385.9 | N25(97) | 3 | 510 |
N47(97) | 1 | 306.9 | N26(97) | 2 | 386.7 | N44(96) | 3 | 514 |
N22(97) | 1 | 307.1 | N1(96) | 2 | 401 | N7(96) | 3 | 530 |
N17(97) | 1 | 309.7 | N3(98) | 2 | 401 | N42(98) | 3 | 531.2 |
N10(98) | 1 | 309.8 | N6(96) | 2 | 401.6 | N4(98) | 3 | 531.9 |
N8(96) | 1 | 310 | N34(97) | 2 | 401.8 | N44(98) | 3 | 549.3 |
N37(97) | 1 | 310 | N27(97) | 2 | 402.3 | N21(98) | 3 | 550 |
N49(98) | 1 | 310.3 | N23(98) | 2 | 403.4 | N21(96) | 3 | 556 |
N16(97) | 1 | 313 | N2(97) | 2 | 404.3 | N7(98) | 3 | 559.5 |
N15(97) | 1 | 313.9 | N4(96) | 2 | 405 |
|
|
|
N37(96) | 1 | 315 | N48(98) | 2 | 405 |
|
|
|
N8(97) | 1 | 315 | N18(97) | 2 | 405.3 |
|
|
|
N13(97) | 1 | 316 | N36(98) | 2 | 406.3 |
|
|
|
N3(96) | 1 | 319.9 | N26(98) | 2 | 408.1 |
|
|
|
N14(97) | 1 | 320 | N41(98) | 2 | 411.5 |
|
|
|
N23(96) | 1 | 322 | N45(97) | 2 | 414.3 |
|
|
|
N40(98) | 1 | 324 | N39(98) | 2 | 415 |
|
|
|
N16(98) | 1 | 324.3 | N24(98) | 2 | 424.1 |
|
|
|
N28(98) | 1 | 324.4 | N34(98) | 2 | 425.1 |
|
|
|
N48(96) | 1 | 325 | N43(98) | 2 | 437.3 |
|
|
|
N37(98) | 1 | 327.8 | N43(97) | 2 | 437.7 |
|
|
|
N20(98) | 1 | 328.8 | N46(97) | 2 | 438.1 |
|
|
|
N12(97) | 1 | 329 | N6(97) | 2 | 440.8 |
|
|
|
N38(97) | 1 | 329.4 | N27(98) | 2 | 451 |
|
|
|
N11(97) | 1 | 336 | N2(98) | 2 | 451.1 |
|
|
|
N39(97) | 1 | 338 | N32(96) | 2 | 454 |
|
|
|
N33(98) | 1 | 338.7 | N1(97) | 2 | 454.2 |
|
|
|
N47(98) | 1 | 339.5 | N18(98) | 2 | 454.3 |
|
|
|
N15(98) | 1 | 339.8 | N4(97) | 2 | 456 |
|
|
|
N41(96) | 1 | 340.1 | N5(96) | 2 | 457 |
|
|
|
N9(97) | 1 | 341 | N46(98) | 2 | 459.1 |
|
|
|
N18(96) | 1 | 351 | N42(96) | 2 | 460.2 |
|
|
|
N43(96) | 1 | 351 | N45(98) | 2 | 460.4 |
|
|
|
N29(97) | 1 | 351.6 | N1(98) | 2 | 463.9 |
|
|
|
N41(97) | 1 | 351.6 | N6(98) | 2 | 464.3 |
|
|
|
N17(98) | 1 | 352.1 | N32(97) | 2 | 468.6 |
|
|
|
N12(98) | 1 | 352.3 | N32(98) | 2 | 481 |
|
|
|
N2(96) | 1 | 353 |
|
|
|
|
|
|
N24(97) | 1 | 353.6 |
|
|
|
|
|
|
N8(98) | 1 | 356.5 |
|
|
|
|
|
|
N31(98) | 1 | 357.5 |
|
|
|
|
|
|
N36(96) | 1 | 357.9 |
|
|
|
|
|
|
N3(97) | 1 | 358.3 |
|
|
|
|
|
|
N34(96) | 1 | 358.4 |
|
|
|
|
|
|
N48(97) | 1 | 358.7 |
|
|
|
|
|
|
N9(98) | 1 | 359.6 |
|
|
|
|
|
|
N13(98) | 1 | 360.1 |
|
|
|
|
|
|
N22(98) | 1 | 360.3 |
|
|
|
|
|
|
N11(98) | 1 | 366.2 |
|
|
|
|
|
|
N26(96) | 1 | 368 |
|
|
|
|
|
|
N35(98) | 1 | 370.4 |
|
|
|
|
|
|
در شکل 1 هر نقطه نمایانگر نمره مدل تعالی هر شرکت در یکی از سه سال 96، 97 یا 98 است که بر اساس نتایج خوشه بندی رسم شده است.
شکل 1. نمودار موقعیت نقاط هر خوشه بر اساس نمرات کلی مدل تعالی
تعاریف شایستگی مدیران و آنالیز شکاف شایستگی بین خوشه های مدیران
در این قسمت و براساس نتایج مندرج در جدول شماره 5 متناظر با خوشهبندی سازمانها بر اساس نتایج مدل تعالی سازمانی که در سه خوشه ارائه شده، هر سازمان در تناظر با مدیر ارشد آن سازمان قرار میگیرد. به این ترتیب در سالهای 1396 تا 1398 مدیران ارشد سازمانها را در خوشههای سهگانه دستهبندی مینماییم. از آنجا که روند رشد و تعالی سازمانها به نحوه رهبری مدیران آن سازمان وابسته است بنابراین برای در خوشه قرارگرفتن مدیران به این نکته توجه شده است که مدیر مفروض از شش ماه قبل از سال مورد نظر در سمت مدیرعاملی سازمان بوده باشد. در ادامه و بر اساس نتایج کانون ارزیابی مدیران شرکت ملی گاز ایران، پروفایل شایستگی مدیران هر سازمان و براساس سال مدیریت ایشان در بین سالهای 1396 تا 1398 استخراج گردیده است. قابل ذکر است که تعداد مدیرانی که در بین این سالها به عنوان مدیران ارشد سازمانهای مذکور دارای پروفایل شایستگی در کانون ارزیابی مدیران بودهاند تعداد 29 مدیر با اطلاعات مندرج در جدول 6 میباشند. در این جدول تعداد 11 مدیر ارشد در خوشه 1، تعداد 15 مدیر ارشد در خوشه 2 و تعداد 3 مدیر ارشد در خوشه 3 قرار گرفتهاند و نمره تعداد 18 شایستگی (با عناوین ذکرشده در جدول 7)، برای مدیران از 100 نمره دهی شده و در جدول آمده است (برای خلاصه، نمره 9 شایستگی در جدول قرار گرفته است). شایستگی ها با نماد اختصاری C1 الی C18 نامگذاری شدهاند. مجددا خاطر نشان میشود که بهدلیل حفظ محرمانگی، دادهها به صورت کدگذاری شده ارائه گردیدهاست. در کانون ارزیابی از ابزارها و تستهای استاندارد برای ارزیابی شایستگیها استفاده میشود و اعتبارسنجی کانونهای ارزیابی شرکت ملیگاز ایران در تحقیقی ارائه گردیده است (26). تعداد شایستگیهای ارزیابی شده مطابق مدل شرکت ملی گاز ایران برای مدیران بیشتر از 18 شایستگی میباشد بنابراین با برگزاری گروه کانونی متشکل از خبرگان تعداد 18 شایستگی جهت تحلیل نهایی شد.
جدول6. جدول نتایج نمرات شایستگیهای مدیران ارشد سازمانها
خوشهبندی تعالی | کدبندی مدیران | C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 |
1 | 1 | 85.2 | 43.8 | 32.0 | 68.0 | 53.3 | 71.0 | 71.0 | 73.0 | 80.0 |
2 | 83.3 | 53.4 | 66.7 | 80.0 | 46.7 | 33.3 | 53.3 | 33.3 | 53.3 | |
3 | 50.0 | 60.0 | 63.3 | 65.0 | 63.3 | 33.3 | 46.7 | 43.3 | 56.7 | |
4 | 85.7 | 43.2 | 56.0 | 48.0 | 93.3 | 46.0 | 54.5 | 67.0 | 38.0 | |
5 | 80.0 | 80.0 | 73.3 | 73.3 | 73.3 | 60.0 | 53.3 | 46.7 | 53.3 | |
6 | 80.0 | 76.7 | 53.3 | 66.7 | 53.3 | 53.0 | 60.0 | 47.0 | 67.0 | |
7 | 81.5 | 71.0 | 73.3 | 80.0 | 68.0 | 63.0 | 58.5 | 66.0 | 43.0 | |
8 | 79.0 | 47.2 | 48.0 | 76.0 | 66.7 | 60.0 | 79.0 | 47.0 | 72.0 | |
9 | 77.1 | 49.5 | 52.0 | 52.0 | 73.3 | 46.0 | 69.5 | 40.0 | 52.0 | |
10 | 80.0 | 53.8 | 68.0 | 52.0 | 66.7 | 48.0 | 56.5 | 47.0 | 40.0 | |
11 | 80.0 | 53.4 | 60.0 | 66.7 | 46.7 | 40.0 | 43.5 | 33.0 | 33.0 | |
2 | 12 | 85.7 | 58.4 | 76.7 | 86.7 | 68.0 | 69.0 | 67.5 | 54.0 | 53.0 |
13 | 74.5 | 92.0 | 74.0 | 80.0 | 56.0 | 64.0 | 60.0 | 54.0 | 46.0 | |
14 | 84.3 | 75.7 | 68.0 | 84.0 | 80.0 | 74.0 | 64.5 | 53.0 | 55.0 | |
15 | 77.2 | 53.0 | 70.0 | 66.7 | 44.0 | 49.0 | 57.5 | 40.0 | 40.0 | |
16 | 73.0 | 74.0 | 56.0 | 56.0 | 52.0 | 44.0 | 45.0 | 48.0 | 44.0 | |
17 | 71.8 | 72.0 | 68.0 | 76.0 | 60.0 | 66.0 | 79.0 | 73.0 | 80.0 | |
18 | 80.0 | 73.3 | 66.7 | 66.7 | 66.7 | 60.0 | 63.5 | 53.0 | 60.0 | |
19 | 73.3 | 73.3 | 66.7 | 66.7 | 66.7 | 73.3 | 73.3 | 53.3 | 53.3 | |
20 | 71.5 | 86.0 | 70.0 | 60.0 | 68.0 | 80.0 | 80.0 | 74.0 | 60.0 | |
21 | 61.5 | 43.0 | 60.0 | 46.7 | 52.0 | 51.0 | 45.5 | 20.0 | 53.0 | |
22 | 70.0 | 76.7 | 66.7 | 66.7 | 53.3 | 40.0 | 56.7 | 40.0 | 46.7 | |
23 | 80.0 | 80.0 | 46.7 | 73.3 | 53.3 | 67.0 | 53.0 | 40.0 | 47.0 | |
24 | 77.2 | 76.0 | 73.3 | 66.7 | 68.0 | 69.0 | 56.0 | 46.0 | 67.0 | |
25 | 84.3 | 67.4 | 80.0 | 80.0 | 68.0 | 63.0 | 70.5 | 60.0 | 43.0 | |
26 | 86.7 | 73.4 | 86.7 | 73.3 | 60.0 | 60.0 | 53.3 | 53.3 | 53.3 | |
3 | 27 | 80.0 | 89.1 | 88.0 | 76.0 | 60.0 | 74.0 | 79.5 | 67.0 | 80.0 |
28 | 85.7 | 73.4 | 93.3 | 86.7 | 92.0 | 80.0 | 82.0 | 80.0 | 80.0 | |
29 | 82.9 | 77.4 | 83.3 | 86.7 | 52.0 | 91.0 | 76.0 | 60.0 | 80.0 |
جدول7. جدول شایستگیهای ارزیابی شده مدیران ارشد و تعاریف آنها
محورها | شایستگی | تعریف شایستگی |
شايستگي‌هاي شخصيتي | مسئولیت‌پذیری و تعهد سازماني C1 | پذيرفتن مسئوليت در قبال تصميمات، اقدامات و نتايج آن و حس وظيفه‌شناسي و پيگيري دلسوزانه امور. تمايل جهت ادامه اشتغال در سازمان به گونه‌اي كه فرد را ملزم مي‌كند در سازمان بماند و با تعلق خاطر جهت تحقق اهداف سازمان كار كند. |
اعتماد به نفس و قاطعیت C2 | باور به استعدادها و توانايي‌هاي شخصي خود در هنگام مواجهه با مشكلات و مسائل در زندگي شخصي و سازماني، توانایی اتخاذ تصمیمات صریح و به موقع هنگامی که فوت وقت و یا مسامحه کارآیی را کاهش مي‌دهد. | |
ثبات هيجاني و كنترل خود C3 | استقامت و شكيبايي در برابر مشكلات و حوادث و حفظ آرامش و کنترل اضطراب در زمان مواجهه با تنش، ابهام، تعارض و یا محدودیت منابع و توانایی حفظ عملکرد خود و گروه در سطح مطلوب. | |
سخت‌كوشي و پشتكار C4 | برخورداری از روحیه بالا برای پیگیری مسائل دشوار و همچنین قابلیت اجرا و ادامه کار در شرایط سخت و طاقت فرسای محیطی و روانی. | |
انعطاف پذیری C5 | تنظيم رفتارها در موقعيت‌هاي متغير و محيط‌ها و فرهنگ‌هاي گوناگون و با افراد مختلف به صورت كارآمد و در نظر گرفتن رويكردهاي جديد براي شرايط جديد. | |
شایستگیهای شناختی | كل نگريونگرش فرايندي C6 | توانمندي درك مساله، علل گوناگون پديد آمدن آن و برقراري رابطه ميان كل اجزا پويايي اجزا و روندهاي آتي و پيامدهاي متعدد آن. |
تفکر تحلیلی و حل مسئله C7 | شناسايي مشكلات و استفاده از يك رويكرد منطقي و سيستماتيك براي دستيابي به راه حل‌هايي جهت مقابله با مشكل شناسايي شده. | |
تفكر خلاق C8 | توانایی ابداع ایده‌ها، محصولات و رویکردهای اصیل و نوآورانه و داشتن علاقه، استعداد و پتانسیل حل مسائل نیازمند تفکر واگرا و خلاق. | |
آينده‌نگري و تفكر راهبردي C9 | توانايي شناسايي و درك مسائل و روابط كليدي مربوط به دستيابي به اهداف بلند مدت و اتخاذ مجموعه اقداماتي جهت دستيابي به اهداف كلان و چشم‌انداز سازمان بعد از بررسي اطلاعات، منابع موجود، محدوديت‌ها و ارزش‌هاي سازماني و توانايي پيشبيني مراحل و اقدامات مورد نياز و پيامدهاي احتمالي آنها. | |
شایستگیهای ارتباطي | توان مذاکره و متقاعدسازي C10 | توانايي اثرگذاري بر افكار، احساسات و نگرش‌هاي ديگران و انجام مذاكره موفق و كسب توافق و دستيابي به اين تضمين كه توافق حاصل از مذاكره اهداف سازمان را تامين مي‌كند. |
تيم و شبکه‌سازي C11 | ایجاد و گسترش روابط گروهي و مشترك و استفاده از روش‌هاي مناسب و انعطاف‌پذير براي ساختن تيم‌هاي رسمي و غير رسمي كه رسيدن به اهداف تيمي را تسهيل مي‌كند. | |
پاسخگويي C12 | برخورد منصفانه و غير متعصبانه با انتقادات مطرح شده توسط ديگران و تلاش در راستاي برطرف كردن ضعف احتمالي، پاسخگويي نسبت به وظايف و مسئوليت‌هاي خود و پذيرش پيامدهاي آن. | |
ارتباط كلامي موثر C13 | انتقال صحيح اطلاعات و بيان افكار و حقايق به ديگران به روش شفاهي و استفاده موثر از مهارت شنيداري و توجه به نقطه نظرات و ايده‌هاي ديگران. | |
ارتباط نوشتاری موثر C14 | توانایی ایجاد و ارائه مطالب کتبی، مطابق با اصول نگارش و ارسال پیام، به گونهای که جامع و مانع، همخوان با محیط و محتوی بیشترین اطلاعات ممکن باشد. | |
شایستگیهای مدیریتی | برنامهریزی C15 | توانايي مديريت بر زمان و منابع شامل اولويت‌بندي، برنامه‌ريزي، تعيين اهداف و برنامه‌ها، توانايي تعيين مسير تحقق اهداف و اثربخشي برنامه‌هاي پيشنهادي. |
سازماندهی C16 | شناسایی افراد و تبیین واضح و روشن نقش و مسئولیت زیردستان به گونهای که دقیقاً بدانند چه وظایفی باید انجام شود و چه پیامدهایی مورد انتظار است. | |
پایش و کنترل C17 | وارسی و پايش عملکرد زیردستان، مقايسه مناسب عملكرد با اهداف و استخراج مغايرت‌ها در جهت بهبود وضع موجود. ارائه بازخوردهای لازم به آنها و اقدامات تشویقی و یا تنبیهی در مواقع ضروری. | |
هدف‌گراييوهدايتعملكرد C18 | تلاش مستمر در مسير چشم‌انداز و تحقق اهداف تعيين شده. تأثیرگذاری و |
برای درک میزان تفکیکپذیری هر شایستگی بین سه خوشه 1، 2 و3 از آزمون FDR26 بهره
میگیریم. این آزمون به نام نرخ تفکیکپذیری فیشر معروف میباشد و بر اساس فرمول زیر بدست
میآید:
در این رابطه iµ میانگین دادههای هر خوشه در هر ویژگی (شایستگی)، totalµ میانگین کل دادهها در هر ویژگی و iσ واریانس دادههای هر خوشه برای هر شایستگی میباشد. Pi نیز نسبت تعداد دادههای هر خوشه به کل دادهها می باشد. در یک نگاه کلی می توان دریافت که هر چه نسبت مجموع پراکندگی میانگینهای خوشهها نسبت به میانگین کل (واریانس بین کلاسی) به مجموع پراکندگیهای خوشهها (واریانس درون کلاسی) بیشتر باشد، تفکیکپذیری دادههای خوشهها توسط آن ویژگی بیشتر خواهد بود.
ضریب FDR به دنبال کشف میزان تفکیکپذیری هر ویژگی یا شایستگی برای دو یا چند خوشه از دادهها میباشد. درمسالهای که با آن مواجه هستیم به دنبال آن خواهیم بود که میزان تفکیکپذیری سه خوشه مدیران را براساس هر شایستگی محاسبه کنیم و در نهایت شایستگیهایی را بیابیم که در آنها بیشترین تفکیکپذیری بین مدیران سه خوشه رخ میدهد. FDR مربوط به هر شایستگی را محاسبه کرده و به ترتیب نزولی مرتب می کنیم. هرچه مقدار FDR بزرگتر باشد یعنی میزان تفکیکپذیری ویژگی مربوطه برای سه خوشه مدیران بیشتر بوده و بنابراین آن شایستگی بین سه خوشه مدیران دارای بیشترین نرخ تفکیک میباشد. در جدول 8 ضرایب FDR برای هر شایستگی محاسبه شده و در جدول 9 ضرایب FDR به صورت نزولی مرتب شدهاند.
جدول8. محاسبه ضرایب FDR برای هر شایستگی
| 1µ | 2µ | 3µ | totalµ | 1σ | 2σ | 3σ | P1 | P2 | P3 | FDR |
C1 | 78.340 | 76.719 | 82.850 | 77.968 | 95.149 | 48.328 | 8.122 | 0.379 | 0.517 | 0.103 | 0.054 |
C2 | 57.424 | 71.602 | 79.933 | 67.086 | 167.603 | 152.030 | 67.021 | 0.423 | |||
C3 | 58.724 | 68.624 | 88.200 | 66.894 | 150.899 | 92.957 | 25.030 | 0.684 | |||
C4 | 66.155 | 69.960 | 83.133 | 69.879 | 126.745 | 116.189 | 38.163 | 0.209 | |||
C5 | 64.061 | 61.064 | 68.000 | 62.918 | 188.997 | 86.945 | 448.000 | 0.030 | |||
C6 | 50.327 | 61.956 | 81.667 | 59.584 | 151.160 | 131.887 | 74.333 | 0.644 | |||
C7 | 58.712 | 61.687 | 79.167 | 62.367 | 113.723 | 118.400 | 9.083 | 0.328 | |||
C8 | 49.388 | 50.776 | 69.000 | 52.134 | 182.077 | 177.713 | 103.000 | 0.194 | |||
C9 | 53.485 | 53.420 | 80.000 | 56.194 | 219.231 | 107.119 | 0 | 0.472 | |||
C10 | 46.479 | 62.767 | 82.500 | 58.630 | 89.316 | 89.619 | 18.750 | 1.507 | |||
C11 | 52.545 | 61.418 | 76.167 | 59.578 | 101.752 | 102.306 | 25.163 | 0.520 | |||
C12 | 63.942 | 63.876 | 67.767 | 64.303 | 351.521 | 210.443 | 513.963 | 0.005 | |||
C13 | 60.038 | 65.951 | 79.167 | 65.075 | 106.218 | 123.451 | 41.146 | 0.282 | |||
C14 | 59.088 | 62.044 | 76.667 | 62.436 | 162.174 | 114.871 | 33.333 | 0.203 | |||
C15 | 57.912 | 61.758 | 73.333 | 61.497 | 119.238 | 118.000 | 42.333 | 0.175 | |||
C16 | 52.067 | 63.242 | 77.667 | 60.495 | 208.324 | 174.928 | 246.333 | 0.315 | |||
C17 | 49.388 | 66.580 | 75.667 | 60.999 | 165.077 | 113.024 | 14.333 | 0.730 | |||
C18 | 47.512 | 53.798 | 78.333 | 53.952 | 260.192 | 192.126 | 152.333 | 0.361 |
جدول9. مرتب سازی ضرایب FDR برای هر شایستگی به صورت نزولی
رتبه تفکیکپذیری | شایستگی | محور | کد | FDR |
1 | توان مذاکره و متقاعدسازي | ارتباطي | C10 | 1.507 |
2 | پایش و کنترل | مدیریتی | C17 | 0.730 |
3 | ثبات هيجاني و كنترل خود (مدیریت استرس) | شخصيتي | C3 | 0.684 |
4 | كل‌نگري و نگرش فرايندي | شناختی | C6 | 0.644 |
5 | تيم و شبكه‌سازي | ارتباطي | C11 | 0.520 |
6 | آینده نگری و تفکر راهبردی (تفکر استراتژیک) | شناختی | C9 | 0.472 |
7 | اعتماد به نفس و قاطعيت | شخصيتي | C2 | 0.423 |
8 | هدف‌گرايي و هدايت عملكرد (کارآمدی رهبری) | مدیریتی | C18 | 0.361 |
9 | تفكر تحليلي و حل مسئله | شناختی | C7 | 0.328 |
10 | سازماندهی | مدیریتی | C16 | 0.315 |
11 | ارتباط كلامي موثر | ارتباطي | C13 | 0.282 |
12 | سخت‌كوشي و پشتكار (سرسختی) | شخصيتي | C4 | 0.209 |
13 | ارتباط نوشتاری موثر (توان نگارش) | ارتباطي | C14 | 0.203 |
14 | تفکر خلاق | شناختی | C8 | 0.194 |
15 | برنامهریزی | مدیریتی | C15 | 0.175 |
16 | مسئوليت‌پذيري و تعهد سازماني | شخصيتي | C1 | 0.054 |
17 | انعطاف پذیری | شخصيتي | C5 | 0.030 |
18 | پاسخگويي (انتقادپذیری) | ارتباطي | C12 | 0.005 |
براساس محاسبات و نتایج جدول 9 مشخص میشود بیشترین تفکیکپذیری سه خوشه براساس شایستگی توان مذاکره و متقاعدسازي بین خوشههای سهگانه مدیران ارشد بوجود آمده و کمترین تفکیکپذیری مربوط به شایستگی پاسخگويي (انتقادپذیری) میباشد. بنابراین بیشترین شکاف شایستگی برای مدیران روی شایستگی توان مذاکره و متقاعدسازي رخ داده است.
جمعبندی و نتیجه‌گیری
در دوران انقلاب صنعتی چهارم و عصر دیجیتال به دلیل رقابتی که بین سازمانها در تولید داده، تجزیه و تحلیل آنها، تبدیل آنها به دانش برای تصمیمگیری و پیشبینی آینده ایجاد شده توجه به دو نکته و بهکارگیری آنها اجتناب ناپذیر مینماید:
1) سازمان باید بتواند بستر مناسب برای تولید داده در سازمان را ایجاد نماید و به دادهها به عنوان سرمایههای ارزشمند بنگرد.
2) مدیران ارشد سازمان در ارتباط با اهمیت دادهها و نقش آنها در تولید دانش و تصمیمگیری به عنوان ابزاری مفید و استراتژیک بنگرند.
در این مقاله تلاش شد تا قدمی کوچک ولی مهم در حوزه کارکردهای مدیریت منابع انسانی صنعت گاز ایران با رویکرد ارزشگذاری برای داده و نقش و اهمیت ابزارهای یادگیری ماشین با رویکرد هوش مصنوعی برداشته شود. انقلاب صنعتی چهارم در بستر ترکیبی از فناوریهای چندگانه و انقلاب دیجیتال، در دوره انتقال پارادایم بیسابقهای در اقتصاد، کسب و کار، اجتماع و افراد جاری است و افراد و اجتماع و سازمانها با توده انبوهي از اطلاعات مواجه هستند. سرعت این انقلاب برخلاف انقلابهای صنعتی قبلی که سرعت تکوین آنها خطی بود دارای سرعت تصاعدی است و حاصل آن جهانی چندوجهی و عمیقا مرتبط است. در حوزه مدیریت منابع انسانی نیز یکی از دغدغهها عدم یکپارچگی نظامات آن است و هر بخشی
بهخصوص در سازمانهای دولتی به صورت جزیرهای عمل کرده و تولید داده مینماید. یکی از راهکارهای ایجاد یکپارچگی، تولید داده یکپارچه و تجزیه و تحلیل آن میباشد. لذا به‌منظور تحقق اهداف منطبق با عصر دیجیتال یکی از مسئولیت‌های اصلی سازمانها به خصوص مدیریت منابع انسانی، استقرار نگرش کلانداده و ایجاد توانایی دادهکاوی در بین کارکنان این حوزه است. برای این منظور باید از هر فرصتی برای آموزش و ایجاد فرصتهای یادگیری بهره برد و از سوی دیگر دانشگاهها نیز باید براساس این نیاز، برنامهریزی جهت بازطراحی سرفصلهای آموزشی را پیگیری نمایند. با توجه به موضوعات ارایه شده در این مقاله نتایج حاصل شده به شرح زیر میباشد:
1) استفاده از نتایج خوشهبندی این تحقیق در شناسایی مدیرانارشد سازمان در سه خوشه مدیران با عملکرد قوی، متوسط و قابل بهبود. قابل ذکر است خوشهبندی میتواند در دستهبندی افراد سازمان با توجه به نوع داده موجود مورد استفاده قرار گیرد. در این تحقیق 3 دسته از مدیران در صنعت گاز از روی خوشهبندی سازمانهای ایشان بدست آمدهاند. خوشه مدیران برتر، متوسط، قابل توسعه.
2) نتایج خوشهبندی با درصد بسیار خوبی منطبق بر نتایج ارزیابی مدل تعالی میباشد. با توجه به جدول نمرهدهی مدل تعالی سازمان (جدول شماره 10) که تا 10% تفاوت نمره بین ارزیابان را در نمرهدهی مجاز میداند و امتیازبندی سطوح تعالی که به شرح جدول زیر میباشد،
شرکتهای خوشه 1 از جدول شماره 5 با محدوده نمره 251.1 تا 370.4 با لحاظ 10% تلورانس نمرهدهی در سطح تقدیرنامه 1ستاره و 2 ستاره و شرکتهای خوشه 2 با محدوده امتیازی 355.6 تا 481 منطبق بر سطح تقدیرنامه 3ستاره و 4ستاره می باشند. شرکت های خوشه 3 با محدوده امتیازی 460 تا 559.5 نیز منطبق بر سطح تندیس بلورین و سیمین هستند.
جدول10. نمره دهی و سطح تعالی در مدل تعالی سازمانی
سطح تعالی | امتیاز | |
تندیس | زرین | بیش از 650 |
سیمین | بیش از 550 | |
بلورین | بیش از 450 | |
4 ستاره | بیش از 400 | |
3 ستاره | بیش از 350 | |
2 ستاره | بیش از 300 | |
1 ستاره | بیش از 250 | |
گواهینامه | امتیازدهی ندارد | |
3) در جدول 5، در خوشه 2، تعداد 5 سازمان و در خوشه 3 نیز تعداد 2 سازمان موجودند که نمره تعالی آنها از ماکزیمم نمره تعالی خوشه قبلی آنها کمتر می باشد. در مدل تعالی نمره برای هر زیرمعیار، معیار و نمره نهایی براساس اجماع ارزیابان به شرط رعایت 10% تفاوت در
نمرهدهی آنها بدست میآید بنابراین از منظر مدل تعالی محدوده تغییرات این نمرات درحد قابل قبول 10% برای قرارگیری در خوشه پایینتر و یا بالاتر مورد پذیرش می باشد و در مجموع خوشهبندی صورت گرفته با توجه به نمرهدهی مدل تعالی که به صورت کیفی و اجماعی با تلورانس 10% صورت گرفته، منطبق است.
4) محاسبات مربوط به نرخ تفکیکپذیری فیشر مطابق جدول 9 میزان شکاف شایستگی را بین خوشههای سهگانه مدیران ارشد شرکت ملی گاز ایران مبتنی بر نتایج مدل تعالی سازمان مشخص نمود. براساس این نتایج میتوان منابع آموزش را بر اساس اولویتبندی مذکور به کار گرفت و در زمان کوتاهتر به اثربخشی بیشتری در آموزش و توسعه دست یافت. البته باید توجه داشت که FDR روی هر شایستگی به صورت مستقل تحلیل میکند و به تاثیر شایستگیها به صورت همزمان روی مدیران نمیپردازد. بنابراین تحلیل FDR فقط به ما میگوید که برای توسعه شایستگیها بدون در نظرگرفتن تاثیر متقابل آنها در ایجاد هم افزایی در فرد، با چه اولویتی میتوان توسعه را در مدیران خوشههای پایینتر آغاز نمود.
پیشنهادات
همانطور که در این تحقیق ملاحظه شد در مدیریت منابع انسانی با توجه به حجم دادههای احصا شده که حتی گاهی دادههایی در مقیاس بزرگ نیز میباشند می توان با تجزیه و تحلیل و به کاربستن روشهای دادهکاوی و یادگیری ماشین در تحلیلها و تصمیمگیریهای آینده برای سازمان از آنها به نحو مقتضی بهره برد. نتایج حاصل از خوشهبندی سازمانها در سه سال متوالی در شرکتهای صنعت گاز ایران، میزان اهمیت دادهها و دانش نهفته در آنها را برای ما آشکار میسازد. هر خوشه از شرکتها نیز نشاندهنده مجموعهای از ویژگیهاست که باید برای شناسایی آنها تحقیقات ادامه داری تعریف کرد. لذا در همین راستا پیشنهادات کاربردی زیر ارائه میگردد:
1) به کارگیری روش خوشهبندی برای دستهبندی مدیران منابعانسانی سازمان با
متناسبسازی زیرمعیارهای مدل تعالی با کارکردهای منابع انسانی.
2) تحلیل FDR برای مدیران منابع انسانی با استفاده از نمرات ارزیابی در کانون ارزیابی مدیران و تعیین بیشترین شکاف شایستگی در خوشههای مدیران منابع انسانی.
اولویتبندی شکافهای شایستگی و اولویتبندی آموزش و توسعه.
3) تدوین الگوی شایستگی محوری برای مدیران ارشد سازمان. با شناسایی مدیران برتر و خوشهبندی آنها، در گام بعدی میتوان الگوی شایستگیهای محوری سازمان را برای مدیران در حوزه ذیربط با تحلیل پروفایلهای شایستگی مدیران و خوشهبندی بر اساس نمرات ارزیابی مدیران در کانونهای ارزیابی و منطبق نمودن این خوشهبندی با
خوشهبندی حاصل از تعالی سازمانی بهدست آورد.
4) ایجاد ارتباط بین شایستگی مدیران موفق سازمان با سطح تعالی آنها در مدل تعالی سازمان با دادههای موجود. براین اساس پیشنهاد میشود دادههای موجود برای یادگیری توسط شبکه عصبی یا ماشین بردار پشتیبان27 پیادهسازی شود و درنهایت بتوان براساس پروفایل شایستگی کارمندان سازمان، میزان احتمال موفقیت آنها را براساس معیارهای تعالی سازمانی در آینده پیشبینی نمود. این ابزار میتواند در اختیار مدیریت توسعه منابع انسانی و مدیر ارشد سازمان برای جذب و انتصابات مدیران در کنار کانونهای ارزیابی مدیران به کار گرفته شود.
5) تدوین مدلی برای برنامهریزی توسعه فردی مدیران ارشد و مدیران منابع انسانی خوشههای پایینتر برای ارتقای سطح شایستگی ایشان به منظور واردشدن آنها به خوشههای بالاتر تعالی.
منابع:
1) Eubanks, B. (2019). Artificial Intelligence for HR. Great Britain and the United States: Kogan Page Limited.
2) Schwab, K. (1395). The Fourth Industrial Revolution. (M. Sha'ani, Trans.) Tehran: The Commerce Printing & Publishing Company.
3) Ulrich, D., Kryscynski, D., Brockbank, W., & Urich, M. (2017). Victory Through Organization. New York: Printed in the United States of America, McGraw-Hill.
4) Gopal, K. K. (2002). Measuring Business Excellence. London & New York: Routledge. Retrieved June 8, 2015
5) Sharma, A. K. (2007). Evolution of “universal business excellence model” incorporating Vedic philosophy. Measuring Business Excellence, 11(3), 4-20.
6) Calvo-Mora, A. D.-C. (2017). Assessment and improvement of organisational social impact through the EFQM Excellence Model. Total Quality Management & Business Excellence, 1-20.
7) Saeidloo, R. N. (2016). Influential Factors in Human Resource Excellence and Employees’ Satisfaction in Manufacturing Companies’ of Small and Medium Industries in Industrial Park of Tabriz city. International Journal of Humanities and Cultural Studies (IJHCS), 1(1), 1931-1941.
8) Rowshan, A., Forouharfar, A., & Fazel, A. (2015). The Study of the Relationship in the Dimensions of Human Resource Competency Model (HRCM) with Human Resource Excellence Model (HREM) in Iran's South Pars Economic Zone's Power Plants.
9) Hooley, T., Marriott, J., & Pearce, E. (2013). HR strategies for researchers: a review of the HR Excellence in Research Award implementation activities across Europe.
10) Magnaghi, E. (2017). Using the EFQM excellence model for integrated reporting: a qualitative exploration and evaluation. International Journal of Technology Management.
11) Najafzadeh, Y. (1393). Evaluation of Healthy Sports and Recreation Center of Aras Free Zone Based on Quality Excellence Model (EFQM). Tabriz: Aras International Campus, University of Tabriz.
12) Asadi, M. (2013). Organizational excellence model EFQM. Tarahan Houman.
13) Safari. H., S. M. (1395). Causal modeling of relationships between the criteria of the EFQM organizational excellence model in the Ta'avon Tose'e Bank. Industrial Management, 8(3), 423-446.
14) Adresi, A. & Tereski, M. (2013). EFQM Model 2013. Tehran, Iran,: Nahrenovin.
15) Dicheva., Christo Dichev and Darina. (2017). Towards Data science Literacy. Journal of computer science, 2151-2160.
16) Chuprina Svetlana, Alexandrov Vassil, Alexandrov Nia,. (2016). Procedia Computer Science, 80, pp. 1780-1790.
17) Dahganpour, M. (1398). Model for identifying and predicting job competencies of data scientists based on data mining. University of Tehran.
18) Andrea De Mauro, Marco Greco, Michele Grimaldi, Paavo Ritala. (2017). Human resources for Big Data professions: A systematic classification of job roles and required skill sets. Information Processing and Management, 1-11.
19) Fayyad, U., Piatetsky-Shapiro, G. & Smyth, P. (1996). From Data Mining to Knowledge Discovery in Databases. AI Magazine, 17(3),37.
20) Shahrabi, J. & Shakurniaz, V. (1390). Data Mining. Tehran, Iran: Jahad Amirkabir University.
21) Corporation, T. C. (1999). Introduction to data mining and knowledge discovery (Thired ed.). By Two Crows Corporation.
22) Song, J.-D., & Kim, J.-C. (2001). Is five too many? Simulation analysis of profitability and cost structure in the Korean mobile telephone industry. Telecommunications Policy, 25(1), 101-123.
23) Carlo, V. (2009). Business intelligence: data mining and optimization for decision making. John Wiley and Sons.
24) Huang, Z. (1998). Extensions to the k-means algorithm for clustering large data sets with categorical values. Data mining and knowledge discovery, 2(3), 283-304.
25) Jain, A.K. & Dubes, R.C. (1988). Algorithms for clustering data. New Jersey, USA.: Prentice-Hall, Inc.
26) Khoshouei, M., Oreyzi, H., & Jahanbazi, A. (2018). Validation of Managers’ Promotional Assessment Center in Isfahan Gas Company. Knowledge & Research in Applied Psychology, 19(3), 34-49.
[1] 1- دانشجوی دکترای تخصصی مدیریت دولتی، گرایش مدیریت منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران.
[2] - استادیار، گروه مدیریت دولتی گرایش منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران. (مسئول مكاتبات Dr.jahangirfard@gmail.com)
[3] - استادیار، گروه مدیریت دولتی گرایش منابع انسانی، دانشگاه آزاد اسلامی، دانشکده علوم انسانی واحد فیروزکوه، ایران.
[4] Lighthouse Research and Advisory یک شرکت تحقیقات و مشاوره در زمینه مدیریت منابع انسانی.
[5] Klaus Schwab اقتصاددان آلمانی، بنیانگذار و رییس هیأت مدیره مجمع سالانه اقتصاد جهانی.
[6] Dave Ulrich
[7] Calvo-Mora
[8] European Foundation for Quality Management
[9] Saeidloo
[10] Rowshan
[11] Hooley
[12] Elisabetta Magnaghi
[13] Secondary Data Analysis
[14] Sierra-Cedar - یک شرکت خدمات IT در ایالات متحده.
[15] https://www.sierra-cedar.com/wp-content/uploads/sites/12/2018/01/Sierra-Cedar_2017-2018_ HRSystemsSurvey_WhitePaper.pdf
[16] Canadian HR Professionals Association (HRPA)
[17] https://www.hrpa.ca/Documents/Public/Thought-Leadership/HRPAReport-Artificial-Intelligence-20171031.PDF
[18] George LaRocque
[19] HRWINS - یک شرکت تحلیل و مشاوره در زمینه منابع انسانی و فناوریهای مربوط به آن.
[20] http://larocqueinc.com/2017-hr-tech-vc-look-back/
[21] Kirkland
[22] https://www.mckinsey.com/business-functions/organization/ourinsights/the-ceo-of-guardian-life-on-talent-in-an-age-of-digital-disruption
[23] Clustering
[24] Cluster
[25] Classification
[26] Fisher Discriminant Ratio
[27] Support Vector Machine (SVM)
