طراحی استراتژیهای چابک مبتنی بر تحلیل احساسات بازار در زمان واقعی برای شرکتهای در حال رشد

این پژوهش به بررسی طراحی استراتژیهای چابک مبتنی بر تحلیل احساسات بازار در زمان واقعی برای شرکت های در حال رشد در صنایع فناوری اطلاعات خرده فروشی و تجارت الکترونیک در ایران طی بازه ۱۳۹۸ تا ۱۴۰۴ می پردازد. با استفاده از داده های متنی استخراج شده از رسانه ها، اجتماعی، پلتفرم های تجارت الکترونیک و گزارش های سازمانی، الگوریتم یادگیری ماشین شامل شبکه های عصبی مصنوعی (ANN)، جنگلهای تصادفی، و ماشین های بردار پشتیبان ارزیابی شدند. داده های احساسات بازار با تکنیک های پردازش زبان طبیعی (NLP) پردازش و با داده های سازمانی ترکیب شدند. یافته ها نشان داد که شبکه های عصبی مصنوعی با دقت ۹۱ و AUC-ROC برابر با ۰.۹۳ بهترین عملکرد را در پیش بینی روندهای بازار و تنظیم استراتژیهای چابک دارند. تکنیک های توضیح پذیری هوش مصنوعی مانند SHAP نقش متغیرهایی نظیر رضایت مشتری و نگرش های مثبت در رسانه های اجتماعی را برجسته کردند. نتایج حاکی از برتری مدل های مبتنی بر تحلیل احساسات در مقایسه با رویکردهای سنتی در محیط های پویا و رقابتی است. با این حال، چالش هایی مانند کیفیت ناهمگن داده های دیجیتال و نیاز به زیرساخت های محاسباتی پیشرفته مطرح شدند. این پژوهش چارچوبی نوین برای طراحی استراتژیهای چابک ارائه می دهد که می تواند به رشد پایدار شرکت ها کمک کند. پیشنهاد می شود تحقیقات آینده بر استانداردسازی داده های دیجیتال و توسعه مدل های صنعت محور تمرکز کنند.

کلیدواژه ها:

استراتژیهای ، چابک ، تحلیل احساسات ، بازار ، یادگیری ماشین ، شرکتهای در حال رشد