کاربست هوش مصنوعی و تحلیل داده در تصمیم گیری مدیریتی: از حدس مدیریتی تا تصمیم مبتنی بر داده

تصمیم گیری مدیریتی به طور سنتی ترکیبی از تجربه، شهود و تحلیل های محدود عددی بوده است. مدیران بر «حدس های حرفه ای» خود تکیه می کردند؛ حدس هایی که گاه مبتنی بر سال ها تجربه و گاه متاثر از سوگیری های ذهنی و فشارهای محیطی است. در دو دهه ی اخیر، با گسترش هوش مصنوعی (AI)، تحلیل داده و ابزارهای هوش تجاری (BI)، امکان تحول این الگوی تصمیم گیری فراهم شده است؛ به گونه ای که می توان از تصمیم مبتنی بر حدس، به سمت تصمیم مبتنی بر داده و الگوریتم حرکت کرد. این مقاله با رویکردی نظری–کاربردی، به تحلیل نقش هوش مصنوعی و تحلیل داده در کاهش عدم قطعیت مدیریتی و ارتقای کیفیت تصمیم ها می پردازد. در بخش مبانی نظری، ابتدا مفهوم تصمیم گیری داده محور (Data-Driven Decision Making) و سیر حرکت از گزارش گری سنتی به داشبوردهای مدیریتی، سیستم های BI و مدل های پیش بین تشریح می شود (Davenport & Harris, 2007؛ Provost & Fawcett, 2013). سپس، جایگاه هوش مصنوعی – شامل الگوریتم های یادگیری ماشین، تحلیل پیش بین و تجویزی – در حمایت از تصمیم های مدیریتی توضیح داده می شود. بر اساس ادبیات موجود و مثال های کاربردی، مقاله نشان می دهد که به کارگیری هوش مصنوعی و تحلیل داده در حوزه هایی مانند پیش بینی تقاضا، تقسیم بندی مشتریان، مدیریت ریسک، بهینه سازی قیمت گذاری و برنامه ریزی منابع می تواند خطای انسانی را کاهش دهد، سرعت و دقت تحلیل را افزایش دهد و زمینه ی تصمیم های شفاف تر و قابل دفاع تر را فراهم آورد (Brynjolfsson & McAfee, 2014). در عین حال، تاکید می شود که جایگزینی کامل شهود مدیریتی با الگوریتم ها نه ممکن و نه مطلوب است؛ بلکه ترکیب «حکمت تجربی مدیر» با «قدرت محاسباتی ماشین» می تواند الگوی بهینه ی تصمیم گیری باشد. مقاله در ادامه، یک چارچوب مفهومی برای استقرار تصمیم گیری داده محور در سازمان ها پیشنهاد می کند که شامل سه لایه است: (1) داده و زیرساخت، (2) تحلیل و مدل سازی (از BI تا AI)، (3) حاکمیت داده و فرهنگ سازمانی. در پایان، راهکارهایی برای مدیران ایرانی در خصوص شروع تدریجی این مسیر – از داشبوردهای ساده تا پروژه های تحلیلی پیشرفته – ارائه می شود.

کلیدواژه ها:

هوش مصنوعی ، تحلیل داده ، تصمیم گیری مدیریتی ، هوش تجاری (BI) ،