خوشه‌بندی مدیران صنعت گاز ایران و اولویت‌بندی شایستگی‌های مدیران مبتنی بر نتایج ارزیابی مدل تعالی سازمانی با رویکرد هوش مصنوعی
محورهای موضوعی : فناوری¬های نوین و شبکه¬های اجتماعی و توسعه منابع انسانی
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
کلید واژه: خوشه¬بندی مدیران, هوش مصنوعی, کلان داده, مدل تعالی سازمانی (EFQM), نرخ تفکیک پذیری فیشر (FDR).,
چکیده مقاله :
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.
This study attempted to lay the ground for linking human resources data based on the results of the organizational excellence model for about 51 parent and subsidiary companies of the National Iranian Gas Company using artificial intelligence (AI) and machine learning methods. The goal was to present a model for clustering chief organizational managers based on the companies’ evaluation using the European Foundation for Quality Management (EFQM)-based excellence model. The unique characteristic of this method is that it is formed based on the actual performance and output of successful organizations, headed by successful managers and leaders. Accordingly, a performance-based excellence model can be achieved in the future. The outcomes of model evaluation for 2017, 2018, and 2019 for 51 companies affiliated with the National Iranian Gas Company were first clustered. Clustering was performed for 3776 pieces of data via AI-based methods, and coding was done in Python. This applied study aimed to design and develop a novel method for discovering the experts and scientifically classifying the organization’s human resources based on credible data. It also aimed to integrate novel scientific domains of AI, including clustering, to pave the ground for human resources research. In the applied dimension, the results were used in organizational planning and decision-making to generate a tool whereby the future managerial performance of the organization and staff can be predicted based on appropriate human resources data. Finally, a ranking is presented based on the competency gap by using Fisher discriminant ratio (FDR).
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.
