کاربرد تحلیل پوششی داده ها و الگوریتم های یادگیری عمیق در شناسایی عوامل کلیدی موفقیت در صنایع تولیدی

در عصر دیجیتال و با ظهور صنایع ۴.۰، بهره گیری از فناوری های پیشرفته مانند هوش مصنوعی و تحلیل پوششی داده ها (DEA) در تحلیل و بهبود عملکرد صنایع تولیدی اهمیت ویژه ای یافته است. این پژوهش به ترکیب روش های DEA و الگوریتم های یادگیری عمیق برای شناسایی عوامل کلیدی موفقیت در صنایع تولیدی می پردازد. استفاده از DEA به عنوان ابزاری برای ارزیابی کارایی نسبی واحدهای تصمیم گیری (DMU) و یادگیری عمیق برای پیش بینی و شناسایی الگوهای پیچیده در داده ها، می تواند تصمیم گیری های مدیریتی را بهبود بخشد. نتایج این تحقیق نشان می دهد که مدل های ترکیبی نه تنها در شناسایی عوامل کلیدی موفقیت موثر هستند، بلکه می توانند به افزایش بهره وری، کاهش هزینه ها و بهبود فرآیندهای تولید کمک کنند. همچنین، استفاده از این روش ها در محیط های پیچیده و پویا، تصمیم گیری را دقیق تر و قابل اطمینان تر می سازد. این پژوهش، چارچوبی جامع برای بهبود کارایی و رقابت پذیری در صنایع تولیدی ارائه می دهد.

کلیدواژه ها:

تحلیل پوششی داده ها ، یادگیری عمیق ، عوامل کلیدی موفقیت ، صنایع تولیدی ، بهینه سازی عملکرد