• Home
  • Clustering Iranian Gas Industry Managers and Ranking Their Competencies via the EFQM Excellence Model-based Evaluation with an Artificial Intelligence Approach

Share To

Article Url


Manuscript ID : 14000601274588 Visit : 5238 Page: 51 - 80

10.52547/istd.31542.8.31.51

20.1001.1.24233277.1400.8.31.10.4

Article Type: Original Research

Clustering Iranian Gas Industry Managers and Ranking Their Competencies via the EFQM Excellence Model-based Evaluation with an Artificial Intelligence Approach

Subject Areas :

Ali reza Zamanian 1 , Majid Jahangirfard 2 * , Farshad Hajalian 3

1 - Islamic Azad University of Firoozkooh, Iran
2 - Assistant Professor, Department of Public Administration (Human Resources Management), Islamic Azad University of Firoozkooh, Iran
3 - Assistant Professor, Department of Public Administration (Human Resources Management), Islamic Azad University of Firoozkooh, Iran

Received: 2021-08-23 Accepted : 2021-11-12 Published : 2022-03-11

Keywords: Managers’ clustering, artificial intelligence, big data, the European Foundation for Quality Management (EFQM) excellence model, Fisher discriminant ratio (FDR).,

Abstract :

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).

References:

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.
Full-Text:


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
جهت دهی به رفتار دیگران، با فراهم آوردن انگیزه، حمایت و راهنمایی‌های لازم.

 

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

تقدیرنامه

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)

 


Related articles

The rights to this website are owned by the Raimag Press Management System.
Copyright © 2017-2024

Home| Login| About Rimag| Contact Us|
[فارسی] [العربية] [fa] [ar]