دانلود ترجمه مقاله چارچوبی مبتنی بر داده کاوی برای مدیریت ریسک زنجیره تامین (ساینس دایرکت – الزویر 2020)

چارچوبی مبتنی بر داده کاوی برای مدیریت ریسک زنجیره تامین

A data mining-based framework for supply chain risk management

چکیده
1. مقدمه
2. مرور مقالات
3. روش تحقیق
4. توسعه چهارچوب مبتنی بر داده کاوی
5. اجرا و آزمون چهارچوب در یک شرکت نمونه
6. جمع بندی
منابع

چکیده
افزایش سطوح قرارگیری در معرض ریسک، توسعه فناوری و افزایش حجم اطلاعات بارگزاری شده در شبکه های زنجیره تامین سازمان ها واردار می کند تا رویکردهای داده محور را در زنجیره تامین مدیریت ریسک (SCRM) مورد استفاده قرار دهند. داده کاوی (DM) از چندین روش تحلیلی برای انتقال سریع و تصمیم گیری به موقع استفاده می کند. با این وجود، قابلیت آن برای SCRM به طور کامل کشف نشده است. هدف این مقاله ارائه یک چهارچوب مبتنی بر DM برای شناسایی، ارزیابی و کاهش انواع مختلف ریسک در زنجیره تامین است. یک رویکرد جامع فعالیت های DM و مدیریت ریسک را در یک چهارچوب منحصربفرد برای مدیریت موثر ریسک تلفیق می کند. اعتبارسنجی این چهارچوب از طریق یک مطالعه موردی بر اساس مجموعه ای از مصاحبه ها، بحث ها و یک مطالعه متمرکز بر گروه نیمه سازمان یافته انجام شد. این مطالعه نشان داد که چطور DM اطلاعات مخفی و مفید را در داده های ریسک غیرسازمان یافته برای اتخاذ تصمیمات مدیریت ریسک هوشمند کشف می کند.

2. مرور مقالات
خطرات بیشمار طبیعی و انسانی وجود دارد که دارایی های فیزیکی و عملیاتی را در شبکه های SC تهدید می-کنند. برخی از این ریسک ها شامل نوسانات قیمت، تقاضای بی ثبات، مشکلات عرضه، خطرات عملیاتی، خطر تحویل، خطر شهرت و بلایای طبیعی هستند (Chen & Wu, 2013; Rajagopal, Venkatesan, & Goh, 2017). کاهش عملکرد کاری، آسیب به ارزش نام تجاری، دارایی های فیزیکی و ورشکستگی برخی از تبعات ریسک های SC هستند. SCRM یک روش سیستماتیک برای شناسایی، ارزیابی و کاهش ریسک در SC است (Ghadge, Dani, & Kalawsky, 2012). هدف از SCRM درک ریسک ها و اثرات آن ها و تلاش برای انجام اقدامات پیشگیرانه و بازدارنده برای کاهش آن است. اطلاعات امروز و فناوری های ارتباطی فرصتی را برای گرداوری، ذخیره و تحلیل مجموعه متنوعی از داده های مرتبط با ریسک در منابع داده ناهمگن فراهم می کند (Schlegel & Trent, 2014; Lee, Zhou, Souza, & Park, 2016; Kang et al., 2017). مفهوم هوش ریسک (RI) در نتیجه این پیشرفت ها ایجاد شده است (Lee & Kulkarni, 2011; Ponemon Institute, 2017). هوش ریسک می تواند به صورت توانایی سازمان برای شناسایی، اندازه گیری، ارزیابی و پیش-بینی تهدیدها تعریف شود که از طریق استفاده از داده ها و تجربیات مرتبط گذشته است (Apgar, 2006). مطالعات آکادمیک محدودی به بررسی رفتار ریسک یا هوش برخاسته از دیدگاه SC پرداخته اند(Ghadge, Dani, Chester, & Kalawsky, 2013).

روش است که سازمانها نمی توانند ریسک خود را بدون مدیریت داده ها و اطلاعات/دانش مدیریت کنند (Neef, 2005)؛ در نتیجه بسیاری از سازمان ها شروع به استفاده از چهارچوب مدیریت ریسک خودکار برای رقابت در محیط کسب و کاری برگرفته از دانش حال حاضر نموده اند (Haksöz, 2013; Wu, Chen, & Olson, 2014). برخلاف علاقمندی زیاد در صنعت، تحقیقات دانشگاهی در زمینه استفاده از BI برای مدیریت ریسک های SC وجود ندارد (Liu, Daniels, & Hofman, 2014; Wu, Chen, & Olson, 2014; Aruldoss, Travis, & Venkatesan, 2015). BI حاوی پایگاه های داده، ابزارها، روش ها، فرایندها و فناوری هایی برای تبدیل داده های خام به اطلاعات باارزش و مفید برای اهداف تجریه و تحلیل کسب و کار است. استخراج، تبدیل و بارگزاری (ETL)، مخزن داده، فرایند تحلیل برخط (OLAP)، تحلیل آماری، پیش بینی و شفاف سازی برخی از ابزارها/فناوری های کلیدی BI (Sherman, 2015; Coronel & Morris, 2017) هستند. DM نقش مهمی در تامین یک محیط BI فراهم می کند (Ranjan & Bhatnagar, 2011) و کاربردهای متعددی در زمینه های مختلف دارد (Giudici & Figini, 2009; Köksal, Batmaz, & Testik, 2011; Murray, Agard, & Barajas, 2017). DM از الگوریتم هایی برای کشف اطلاعات مخفی، قبلاً شناخته شده و مفید و همچنین الگوهای مجموعه داده های بزرگ استفاده می کند (Han, Kamber, & Pei, 2012; Witten, Frank, Hall, & Pal, 2017). DM برای پیش بینی تقاضا و قیمت در بازهای بی ثبات، شناسایی مشتریان و بازارهای پرخطر تشخیص کلاهبرداری و پشتیبانی از سیستم های اخطار اولیه استفاده می شود (Seng & Chen, 2010; Carneiro, Figueira, & Costa, 2017; Lee, Kim, & Lee, 2017). جدول 1 برخی از کاربردهای DM در مقالات مدیریت ریسک را به طور خلاصه ارائه داده است.