شناسایی شاخص های موثر بر کیفیت تصمیم‌گیری در سیستم های هوش تجاری با رویکرد دلفی و تکنیک دیمتل
محورهای موضوعی : مدیریت فناوری اطلاعاتپیام یاغلی 1 , طهمورث سهرابی 2 * , سید علیرضا درخشان 3
1 - دانشجوی دکترای مدیریت فناوری اطلاعات دانشگاه آزاد اسلامی واحد تهران جنوب
2 - استادیار دانشگاه آزاداسلامی واحد تهران مرکز
3 - گسترش انفورماتیک ایرانیان
کلید واژه: هوش تجاری, مدل تصمیم گیری سایمون, تحلیل کسب و کار, دلفی, دیمتل,
چکیده مقاله :
دراین مقاله سعی می شود تا در گام نخست در انطباق با مدل تصمیم گیری سایمون، شاخص‌های کلیدی سیستم های هوش تجاری به عنوان مجموعه ای از فناوری ها و فرایندها که موجب بهبود کیفیت نظام تصمیم گیری در سازمان می‌شود شناسایی شوند و درگام دوم روابط بین مراحل تصمیم گیری و شاخص های کلیدی شناسایی شده در ارتباط با یکدیگر به لحاظ علّی و معلولی مورد ارزیابی قرار گیرند. روش‌شناسی مورد‌استفاده‌در‌این‌مقاله جهت شناسایی شاخص‌های کلیدی در سیستم های هوش تجاری، متناظر با مراحل تصمیم گیری مدل سایمون، روش دلفی است که طی سه مرحله و با طرح سوالات باز و مصاحبه عمیق به روش گلوله برفی با 18 فرد خبره در زمینه توسعه و استقرار سیستم های هوش تجاری در سازمان های مالی، شاخص های نهایی استخراج شده است. پس از شناسایی شاخص های کلیدی با هدف شناسایی روابط علّی و معلولی بین این شاخص ها و همچنین هریک از مراحل تصمیم‌گیری در مدل سایمون، با استفاده از روش دیمتل روابط تاثیرگذاری و تاثیر پذیری شناسایی شده و با اولویت بندی شاخص ها به لحاظ میزان تاثیرگذاری و تاثیرپذیری، نتایج مورد بحث و تفسیر قرار گرفته و پیشنهادهای اجرایی برای متولیان توسعه و استقرار سیستم های هوش تجاری در سازمان های مالی ارائه شده است. نتایج نشان می‌دهد که بیشترین تعامل را در بین شاخص های کلیدی استخراج شده، وجود واحد تحلیل کسب و کار در سازمان دارد. همچنین طراحی، پیاده سازی و پایش شاخص های کلیدی عملکرد(KPI ) در سامانه های هوش تجاری نقشی کلیدی در بهبود کیفیت تصمیم گیری برمبنای مدل تصمیم‌گیری سایمون دارد. نتایج این تحقیق در سازمان های مالی که کیفیت تصمیمات نقشی اساسی در موفقیت این سازمان ها در بازار رقابتی دارد می تواند مورد استفاده متولیان توسعه و استقرار سیستم های هوش تجاری قرار گیرد.
In accordance with Simon's decision-making model, this study first tries to identify the key indicators of business intelligence systems as a set of technologies and processes enhancing the quality of decision-making system in organizations. Next, evaluates the existence of causal relationship between the decision stages and the key indicators. To identify the key indicators of business intelligence in each stage of Simon's decision making model, this paper uses Delphi method.Open-ended questions and in-depth interviews were conducted by snowball method with18 experts in the field of development and implementation of business intelligence systems in financial organizations and the final indicators were extracted. The main indicators were identified after analyzing the cause-and-effect relationships between the existing relationships and each stage of the Simon model. This paper uses dematel technique to determine effective and influential relationships and by prioritizing indicators in terms of impact and effectiveness, the results discussed. Finally, executive proposals provided to individuals responsible for development and implementation of business intelligence systems in financial organizations. The findings support that owning a business analysis department in the organization has the most interaction with extracted key indicators. Based on Simon's decision-making model, creating, implementing, and monitoring key performance indicators (KPIs) play a key role in enhancing decision quality in business intelligence systems, For financial institutions, the quality of decisions plays a crucial role in their success in a competitive market. Therefore, the results obtained through this research can be used by those responsible for the development and implementation of business intelligence systems
اصغرپور، م. ج . (1389). تصمیم گیري گروهی و نظریه بازيها با نگرش «تحقیق در عملیات»، چـاپ دوم، تهران: انتشارات دانشگاه تهران.
عالی زاده، ع،. (1385). اجرای تحقیق به روش دلفی، نشر یوسف، سال 1385،چاپ اول، ص 30
ایمانی جاجرمی، ح.، (1377). آشنایی با روش دلفی در تصمیم گیری و کاربردهای آن در تصمیم گیری.فصلنامه مدیریت شهری
رضائی، ص.، میرعابدینی، س ج. و ابطحی، ع. عوامل مؤثر بر پیاده سازی هوشمندی کسب وکار در صنعت بانکداری ایران، فصلنامة مطالعات مدیریت کسب و کار هوشمند- سال ششم ـ شماره 32ـ بهار 1397
اکبری، ز.، حقیقت منفرد، ج. و معین زاد، ح. (1392). بررسی رابطه کیفیت تصمیم گیری و قابلیت های هوش تجاری در بانک ملت، پایان نامه کارشناسی ارشد. دانشگاه آزاد اسلامی، واحد تهران مرکز، دانشکده مدیریت
شجاعی کیاسري، س.، قنبري، الف. و سلیمانی، ص. (1391). بررسی کاربرد هوش تجاري در فرایندهاي دولت الکترونیک به وسیله تحلیل مفهومی دولت الکترونیک، فصلنامه مدیریت، دانشگاه تهران، شماره13.
قدمی، م. (1390). سازمانهاي نوین بر محور مدیریت دانایی، انتشارات کثرت، چاپ اول، تهران.
زاهدی، محمدهادی؛ عباس علی رضایی؛ ولی محمد درینی؛ احسان نامدار جویمی، 1397 .طراحی مدل انتخاب و پیاده سازی سیستمهای برنامه ریزی منابع سازمانی در سازمانهای دولتی و تابع دولتی- مجله سازمان های دولتی شماره 3، پیاپی23
رضائیان،علی،1373، اصول مدیریت، چاپ پنجم، قم ، انتشارات مهر
فلاح دوست، م.، شریفی، آ. و طاولی، ر. (1394). کاربرد رهیافت های هوش تجاری در بهبود تصمیم گیری مدیران بانکی (مطالعه موردی موسسه اعتباری ثامن)، اولین کنفرانس بین المللی مدیریت، اقتصاد، حسابداری و علوم تربیتی، ساری، شرکت علمی پژوهشی و مشاوره ای آینده ساز ، دانشگاه پیام نور نکا.
یاغلی، پ.، سهرابی، ط. و درخشان، ع. (1399) . بررسی مدل استقرار و توسعه هوش تجاری در سازمان جهت ارتقاء تصمیم گیری ( مورد مطالعه بانک اقتصادنوین)، فصلنامه علمی و پژوهشی مدیرت فردا، شماره 64- پائیز 1399
Arnott, D., Lizama, F., & Song, Y. (2017). Patterns of business intelligence systems use in organizations, Decision Support Systems, 97, 58-68
Alkhaffaf, Maha,(2012) The Role of Information Systems in Decision Making: The case of Jordan Bank, Computer Engineering and Intelligent Systems Vol 3, No.10, 19-28.
Brooks, P., El-Gayar, O., & Sarnikar, S. (2015). A framework for developing a domain specific Business Intelligence Maturity Model: Application to healthcare, International Journal of Information Management, 35(3), 337-345.
Chugh, R. & Grandhi, S. (2013). Why Business Intelligence? Significance of Business Intelligence tools and integrating BI governance with corporate governance, International Journal of E-Entrepreneurship and Innovation, vol. 4, no.2, pp. 1-14.
Constantiou, I., Shollo, A., Thanning, M. (2019). Mobilizing intuitive judgement during organizational Decision Making: When business intelligence is not the only thing that matters, Decision Support Systems, Volume 121, June 2019, Pages 51-61.
Eachempati, P., & Srivastava, P. R. (2017, June). Systematic Literature Review of Big Data Analytics.
Eisenfuhr, F. (2011). Decision Making . New York, NY: Springer.
Fischer, T. C. (2018). Technology in its context-a literature review of the macro and micro levels of business intelligence, International Journal of Business Intelligence and Data Mining, 13(1-3), 347-368
Hackney, R. A., Dooley, P., Levvy, Y., & Parrish, J. (2015). Critical value factors in business intelligence systems implementation success: An empirical analysis of system and information quality.
Harrison, R., Parker,A., Brosas, G. and Tian,C-X. (2015). The role of technology in the management and exploitation of internal business intelligence, Journal of Systems and Information Technology, Volume 17, Issue 3, pp. 247 – 262.
Hasson, F. Keeney, S. & McKenna, M. (2000). Research Guidelines for the Delphi Survey Technique. Journal of Advanced Nursing, 32(4), 1008-1015
Kalantari, B. (2010), "Herbert A. Simon on making decisions: enduring insights and bounded rationality", Journal of Management History, Vol. 16 No. 4, pp. 509-520
Kano, H. Y., Yu, M. C., Masud, M., Wu, W. H., Chen, L. J., & Wu, Y. C. J. (2016). Design and evaluation of hospital-based business intelligence system (HBIS): A foundation for Design Science Research Methodology, Computers in Human Behavior, 62, 495-505.
Kasemsap, K. (2016). The Fundamentals of Business Intelligence, International Journal of Organizational and Collective Intelligence (IJOCI), 6(2), 12-25.
Kowalczyk, M., Buxmann, P. (2015). An ambidextrous perspective on business intelligence and analytics support in decision processes: Insights from a multiple case study, Decision Support Systems, Volume 80, December 2015, Pages 1-13.
Larson, D. (2019). A Review and Future Direction of Business Analytics Project Delivery, In Aligning Business Strategies and Analytics (pp. 95-114). Springer, Cham.
Li, C. W., & Tzeng, G. H. (2009). Identification of a threshold value for the DEMATEL method using the maximum mean de-entropy algorithm to find critical services provided by a semiconductor intellectual property mall. Expert Systems with Applications, 36(6): 9891-9898.
Lin, C. J., Wu, W. W. (2008). A Causal Analytical Method for Group Decision-Making under Fuzzy Environment. Expert Systems with Applications, 34(1): 205–213.
Lunenburg. (2010). The Decision Making Process, National forum of educational administration and supervision journal, Volume 27, Number 4
Nandini, R., Rasheed, A., & Datta, D. (1993). Strategic Decision Process: Critical Review and Future Decisions, Journal of Management; No. 19 (1993). PP. 349-84.
Olszak, C.M.: (2016) Toward better understanding and use of business intelligence in organizations. Inf. Syst. Manag. 33(2), 105–123
Olszak, C.M & Ziemba, E. (2017). Approach to Building and Implementing Business Intelligence Systems, Interdisciplinary Journal of Information, Knowledge, and Management Volume 2.
Popovič, A., Ray Hackney, R., Coelho, P., Jaklič, J. (2012). Towards business intelligence systems success: Effects of maturity and culture on analytical decision making, Decision Support Systems, Vol. 54, Issue 1, December 2012, Pages 739. 729.
Ravasan, A. Z., & Savoji, S. R. (2019). Business Intelligence Implementation Critical Success Factors, In Applying Business Intelligence Initiatives in Healthcare and Organizational Settings (pp. 112-129). IGI Global.
Richards, G., Yeoh, W., Chong, A. Y. L., & Popovič, A. (2017). Business intelligence effectiveness and corporate performance management: An empirical analysis, Journal of Computer Information Systems,1-9
Rikhardsson, P., & Yigitbasioglu, O. (2018). Business intelligence & analytics in management accounting research: Status and future focus, International Journal of Accounting Information Systems,Volume 29, June 2018, Pages 37-58.
Rouhani, S., Ashrafi, A., Zare Ravasan, A.and Afshari, S. (2016). The impact model of business intelligence on decision support and organizational benefits, Journal of Enterprise Information Management, Vol. 29 Iss: 1, pp.19 –50.
Rouhani, S., & Lecic, D. M. (2018). Business Intelligence Impacts on Design of Enterprise Systems, In Encyclopedia of Information Science and Technology, Fourth Edition (pp. 2932-2942). IGI Global.
Simon, H. (1977). The New Science of Management Decisions, Rev. Ed. Englewood Cliffs, NJ: Prentice-Hall
Thamir, A., & Poulis, E. (2015). Business intelligence capabilities and implementation strategies, International Journal of Global Business, 8(1), 34
Trevithick, S., Flabouris, A., Tall, G., Webber, C., (2003). International EMS systems: New South Wales. Australia, Resuscitation, 59 (2): 165-70
Turner, D. (2016). What is Venture Management? www.VentureSkies.com. VentureSkies. Retrieved 24 February 2016.
Wieder, B., Ossimitz, M. (2015). The Impact of Business Intelligence on the Quality of Decision Making – A Mediation Model, Procedia Computer Science, Volume 64, 2015, Pages 1163-1171.
Wu, W. W., Lee, Y. T., (2007). Developing globalmanagers’ competencies using the fuzzy DEMATEL method. Expert Systems with Applications, 32 (2): 499-507.
Yeoh, W., & Popovič, A. (2016). Extending the understanding of critical success factors for implementing business intelligence systems, Journal of the Association for Information Science and Technology, 67(1), 134-147.
Zar, J. H. (1999). Bio statistical analysis. ٤th Ed. Upper saddle river, New Jersey: prentice hall