توسعه یک چارچوب مدیریت عملکرد سازمانی مبتنی بر کلان داده ها با قابلیت پشتیبانی از مدل های یادگیری عمیق در بستر چندمدلی

این پژوهش با تمرکز بر گرایش پایگاه داده ها، یک چارچوب داده محور برای مدیریت عملکرد سازمانی ارائه می دهد که بر مفهوم KPI-as-Data، معماری Lakehouse چندمدلی و طراحی لایه پرس وجو و نماهای تحلیلی کم تاخیر استوار است و لایه یادگیری عمیق را به صورت وابسته به این زیرساخت داده ای تعریف می کند. برای ارزیابی چارچوب، یک مجموعه داده چندمنبعی قابل بازتولید شامل داده های تراکنشی سفارش (۵۱,۹۹۹ رکورد)، سری زمانی عملیات (۹۰ نقطه روزانه)، لاگ رخداد (۹۰ تجمیع روزانه) و تیکت های مشتری (۴,۳۶۰ سند) در بازه ۲۰۲۵-۰۹-۰۱ تا ۲۰۲۵-۱۱-۲۹ تحلیل شد. نتایج نشان داد که نرخ نویز تراکنشی محدود بوده (۰.۱۷۳% سفارش با مبلغ صفر) و استخراج KPIهای روزانه، بیانگر میانگین درآمد ۲۲,۷۹۷.۹۴، میانگین تعداد سفارش ۵۷۷.۷۷، میانگین زمان انجام خدمت ۴۲.۷۷ دقیقه و میانگین نرخ خطا ۰.۰۲۴۷ بوده است. همچنین نتایج تحلیل همبستگی، هم زمانی معنادار بین لایه های کسب وکار و فناوری را آشکار ساخت؛ به گونه ای که درآمد و تعداد سفارش همبستگی بسیار بالا (۰.۹۹۲) و نرخ خطا با احساس مشتری همبستگی منفی قوی (-۰.۸۶۳) داشته است. علاوه بر این، کشف ناهنجاری مبتنی بر Z-score سه روز غیرعادی را شناسایی کرده که در دو روز، جهش هم زمان نرخ خطا و زمان انجام خدمت با افت محسوس درآمد، سفارش و احساس مشتری همراه بوده است. این یافته ها نشان می دهد که اختلال های عملکردی ماهیتی چندمنبعی دارند و بدون معماری چندمدلی و کاتالوگ رسمی KPI، پایش کم تاخیر و تحلیل پیش نگر قابل اتکا نخواهد بود. در مجموع می توان عنوان کرد که، چارچوب پیشنهادی با برجسته سازی نقش مدل سازی داده KPI و معماری Lakehouse، مبنایی فنی برای توسعه سامانه های هوشمند مدیریت عملکرد در حوزه پایگاه داده ها فراهم کرده و امکان استقرار پایدار تحلیل های پیش بینی پذیر را در سازمان ها فراهم می نماید.

کلیدواژه ها:

مدیریت عملکرد سازمانی ، کلان داده ، پایگاه داده چندمدلی ، شاخص کلیدی عملکرد ، پیش بینی KPI ، کشف ناهنجاری ، یادگیری عمیق