ارائه چارچوبی مبتنی بر هوش مصنوعی برای بهبود فرایند بازاندیشی در مدیریت تیم های چابک

در عصر تحول دیجیتال تیم های چابک به عنوان موتور محرک نوآوری در سازمان ها با چالش بهره برداری موثر از داده های کیفی تولید شده در جلسات بازاندیشی مواجه هستند گزارش های بازاندیشی حاوی بازخوردهای ارزشمند اعضای تیم درباره چالش ها موفقیت ها و فرصت های بهبود اغلب به دلیل حجم بالا ماهیت غیر ساختاریافته و دشواری تحلیل دستی نادیده گرفته می شوند. این پژوهش با هدف پر کردن این شکاف چارچوبی نوآورانه مبتنی بر هوش مصنوعی و پردازش زبان طبیعی برای تحلیل خودکار گزارش های بازاندیشی تیم های چابک ارائه می دهد و تاثیر آن را بر بهبود شاخص های کلیدی عملکرد (KPI) مورد سنجش قرار می دهد. تحقیق با رویکرد ترکیبی کمی-کیفی و استراتژی تحقیق طراحی و توسعه (Design Science Research) انجام شده است. داده های پژوهش شامل ۱۰۹۹ گزارش بازاندیشی واقعی از تیم های چابک در صنایع مختلف به ویژه حوزه فناوری اطلاعات است. برای طبقه بندی بازخوردها یک چارچوب سلسله مراتبی هفت بعدی شامل دسته های فرایندی، بهبود ارتباطی، موفقیت، موقعیتی، منابع و الزامات طراحی و توسط خبرگان اعتبارسنجی شد. مدل های مختلف یادگیری ماشین از جمله ماشین بردار پشتیبان (SVM)، رگرسیون لجستیک، بیز ساده، نزدیک ترین همسایه، جنگل تصادفی و درخت تصمیم با یکدیگر مقایسه و در نهایت مدل ترکیبی Ensemble Voting با بالاترین عملکرد انتخاب گردید. یافته های پژوهش نشان می دهد که مدل پیشنهادی با دقت ۰.۸۸۷ و امتیاز F۱ معادل ۰.۸۴۶ قادر به طبقه بندی خودکار بازخوردها است. پیاده سازی چارچوب در شرکت نایزک به عنوان مطالعه موردی بر روی سه تیم آزمایش در مقایسه با سه تیم کنترل طی ۱۰ اسپرینت نتایج چشمگیری در بهبود KPI های اصلی تیم های چابک به همراه داشت؛ بهبود ۴۱ درصد در سرعت تیم، کاهش ۶۰ درصد در نرخ نقص، افزایش شادی تیم، کاهش ۷۱ درصد در زمان تحلیل گزارش های بازاندیشی و افزایش ۱۰۵ درصد در نرخ تکمیل اقدامات بهبود. آزمون های آماری Wilcoxon Signed-Rank و Mann-Whitney U معناداری این بهبودها را در سطح p<۰.۰۰۱ تایید کردند. همچنین تحلیل هزینه-فایده بازگشت سرمایه (ROI) ۲۸۴ درصد را در دوره شش ماهه نشان داد. نوآوری این پژوهش در ارائه چارچوب طبقه بندی هفت بعدی ویژه گزارش های بازاندیشی، توسعه مدل ترکیبی یادگیری ماشین با توازن مناسب بین دقت و کارایی محاسباتی، شناسایی هشت الگوی تکرار شونده در گزارش های بازاندیشی و پیاده سازی عملی سیستم در محیط واقعی سازمانی با یکپارچگی با ابزارهای Jira و Confluence است.

کلیدواژه ها:

مدیریت پروژه چابک ، گزارش های بازاندیشی ، شاخص های کلیدی عملکرد ، هوش مصنوعی ، تیم های چابک ، پردازش زبان طبیعی