خلاصه
انجام مدیریت ریسک پروژه های برنامه ریزی منابع سرمایه ای (ERP) کار بلندپروازانه ای است. پروژه های ERP روش هایی بسیار پیچیده در شرکتهای تجاری هستند و لذا عوامل ریسک آنها نیز جنبه های متعدد تکنولوژیک، مدیریتی، روانشناختی و جامعه شناختی را شامل می شوند. علاوه براین، عوامل مذکور ارتباطات تنگاتنگی با هم داشته و ممکن است اثرات غیر مستقیمی بر پروژه داشته باشند. این ویژگی ها باعث شده که مدیریت ریسک در این موارد در مقایسه با پروژه های سنتی و مرسوم - بخصوص در مرحله ارزیابی- سخت تر، نامطمئن تر و با اهمیت تر شود.
هدف از این مقاله معرفی روشی ابداعی برای آنالیز ریسک است تا درکی بهتر، ساختارمندتر و سیستماتیک تر در مورد روابط اصلی مابین عوامل ریسک و همچنین بین عوامل ریسک و اثرات خاص مرتبط با پروژه های ERP فراهم آورد. یک مثال موردی واقعی راجع به یک کمپانی چند ملیتی متشکل از متخصصان و شرکت کنندگان مختلف نیز بیان می شود تا نحوه کاربرد مدل پیش نهادی را توضیح دهیم.
کلمات کلیدی: برنامه ریزی منابع سرمایه ای (ERP) ، ارتباط بیانبین فاکتورهای ریسکی، ارزیابی ریسک، مدلسازی ساختار تفسیری (ISM)
مقدمه
یک سیستم ERP مجموعه ای از کاربری های نرم افزاری تلفیقی است که برای مدیریت مراودات و فرایندهای بازرگانی در کل کمپانی مورد استفاده قرار می گیرد و برای اینکار از یک پایگاه داده مشترک، فرایندهای استاندارد و تشریک اطلاعات در درون و بین حوزه های عملیاتی استفاده می کند. با اینحال به کارگیری سیستم ERP صرفا یک پروژه رایانه ای نیست، بلکه نوعی سرمایه گذاری پر هزینه و ریسک پذیر است که بر فرایندهای اولیه و پشتیبانی شرکت، ساختار سازمانی و روندهای آن، سیستم های موجود در کمپانی و نقش ها و کارهای شخصی پرسنل تاثیر می گذارد.
چکیده
انجام مدیریتریسک پروژه های برنامه ریزی منابع سرمایه ای (ERP) کار بلندپروازانه ای است. پروژه های ERP روش هایی بسیار پیچیده در شرکتهای تجاری هستند و لذا عوامل ریسک آنها نیز جنبه های متعدد تکنولوژیک، مدیریتی، روانشناختی و جامعه شناختی را شامل می شوند. علاوه براین، عوامل مذکور ارتباطات تنگاتنگی با هم داشته و ممکن است اثرات غیر مستقیمی بر پروژه داشته باشند. این ویژگی ها باعث شده که مدیریت ریسک در این موارد در مقایسه با پروژه های سنتی و مرسوم - بخصوص در مرحله ارزیابی- سخت تر، نامطمئن تر و با اهمیت تر شود. هدف از این مقاله معرفی روشی ابداعی برای آنالیز ریسک است تا درکی بهتر، ساختارمندتر و سیستماتیک تر در مورد روابط اصلی مابین عوامل ریسک و همچنین بین عوامل ریسک و اثرات خاص مرتبط با پروژه های ERP فراهم آورد. یک مثال موردی واقعی راجع به یک کمپانی چند ملیتی متشکل از متخصصان و شرکت کنندگان مختلف نیز بیان می شود تا نحوه کاربرد مدل پیش نهادی را توضیح دهیم.
کلیدواژه: برنامه ریزی منابع سرمایه ای (ERP) ، ارتباط بیانبین فاکتورهای ریسکی، ارزیابی ریسک، مدلسازی ساختار تفسیری (ISM)
مقدمه
یک سیستم ERP مجموعه ای از کاربری های نرم افزاری تلفیقی است که برای مدیریت مراودات و فرایندهای بازرگانی در کل کمپانی مورد استفاده قرار می گیرد و برای اینکار از یک پایگاه داده مشترک، فرایندهای استاندارد و تشریک اطلاعات در درون و بین حوزه های عملیاتی استفاده می کند. با اینحال به کارگیری سیستم ERP صرفا یک پروژه رایانه ای نیست، بلکه نوعی سرمایه گذاری پر هزینه و ریسک پذیر است که بر فرایندهای اولیه و پشتیبانی شرکت، ساختار سازمانی و روندهای آن، سیستم های موجود در کمپانی و نقش ها و کارهای شخصی پرسنل تاثیر می گذارد.
خلاصه
مهم ترین کاربرد داده کاوی در تلاش هایی است که برای استنتاج قواعد وابستگی از داده های تراکنشی صورت می گیرد. در گذشته، از مفاهیم منطق فازی و الگوریتم های ژنتیکی برای کشف قواعد وابستگی فازی سودمند و توابع عضویت مناسب از مقادیر کمی استفاده می کردیم. با وجود این، ارزیابی مقادیر برازش نسبتاً زمان بر بود. به دلیل افزایش های شگرف در قدرت محاسباتی قابل دسترسی و کاهش همزمان در هزینه های محاسباتی در طول یک دهۀ گذشته، یادگیری یا داده کاوی با به کارگیری تکنیک های پردازشی موازی به عنوان روشی امکان پذیر برای غلبه بر مسئلۀ یادگیری کند شناخته شده است. بنابراین، در این مقاله الگوریتم داده کاوی موازی فازی – ژنتیکی را بر اساس معماری ارباب - برده ارائه کرده ایم تا قواعد وابستگی و توابع عضویت را از تراکنش های کمی استخراج کنیم. پردازندۀ master مانند الگوریتم ژنتیک از جمعیت یگانه ای استفاده می کند، و وظایف ارزیابی برازش را بین پردازنده های slave توزیع می کند. اجرای الگوریتم پیشنهاد شده در معماری ارباب – برده بسیار طبیعی و کارآمد است. پیچیدگی های زمانی برای الگوریتم های داده کاوی ژنتیکی – فازی موازی نیز مورد تحلیل قرار گرفته است. نتایج این تحلیل تأثیر قابل توجه الگوریتم پیشنهاد شده را نشان داده است. هنگامی که تعداد نسل ها زیاد باشد، افزایش سرعت الگوریتم ممکن است نسبتاً خطی باشد. نتایج تجربی تیز این نکته را تأیید می کنند. لذا به کارگیری معماری ارباب – برده برای افزایش سرعت الگوریتم داده کاوی ژنتیکی – فازی روشی امکان پذیر برای غلبه بر مشکل ارزیابی برازش کم سرعت الگوریتم اصلی است.
کلمات کلیدی: داده کاوی، مجموعه های فازی، الگوریتم ژنتیک، پردازش موازی، قاعده اتحادیه
مقدمه
با پیشرفت روزافزون فن آوری اطلاعات (IT) ، قابلیت ذخیره سازی و مدیریت داده ها در پایگاه های داده اهمیت بیشتری پیدا می کند. به رغم اینکه گسترش IT پردازش داده ها را تسهیل و تقاضا برای رسانه های ذخیره سازی را برآورده می سازد، استخراج اطلاعات تلویحی قابل دسترسی به منظور کمک به تصمیم گیری مسئله ای جدید و چالش برانگیز است. از این رو، تلاش های زیادی معوف به طراحی مکانیسم های کارآمد برای کاوش اطلاعات و دانش از پایگاه داده های بزرگ شده است. در نتیجه، داده کاوی، که نخستین بار توسط آگراول، ایمیلنسکی و سوامی (1993) ارائه شد، به زمینۀ مطالعاتی مهمی در مباحث پایگاه داده ای و هوش مصنوعی مبدل شده است.
چکیده
شرکت های صنعتی و تولیدی که محصولات جدید تولید می کنند، می خواهند بدانند مشتریانشان چه احساسی نسبت به این محصولات دارند و این اطلاعات را می توان با مطالعه عقیده ها در پورتال های نظرسنجی بدست آورد. در عین حال، کاربران یا مشتریان نیز می خواهند بدانند کدام محصول را بخرند پس این نظرات را می خوانند و سعی می کنند تصمیم گیری کنند. دیده شده است که عقیده های آنلاین روز به روز محبوب تر می شوند و این عقاید، غنی بودن اطلاعات را نشان می دهند که می تواند برای صنعت و مشتریان مفید باشد. با این حال، اینجام این کار به صورت دستی سخت و زمانبر است. به عنوان مثال، سازمان های تولیدی ترجیح می دهند اطلاعات به فرمتی باشد که برای استفاده راحت تر باشد، پس اتوماتیک کردن این فرایند بسیار مفید است. اینجاست که عقیده کاوی به میان می آید. در وب، عقاید را می توان به فرم متن، تصویر، صوت یا داده ویدئویی بیان کرد. این مقاله از متن کاوی فاصله می گیرد چون در این زمینه بسیار کار شده است. عقیده کاوی را می توان یک زیر اصل از زبان شناسی محاسباتی تعریف کرد که با عقیده ای که یک سند بیان می کند در ارتباط است. طبقه بندی احساسات تعیین کننده ذهنیت، قطبیت (مثبت و منفی) و قدرت قطبیت (مثبت ضعیف، مثبت میانه و مثبت قوی) یک متن عقیده است. عبارات مختلفی توسط محققان استفاده می شود تا احساسات را طبقه بندی کنند: عقیده کاوی، تحلیل احساسات، استخراج احساسات یا رتبه بندی کارا. ما در این مقاله برای سادگی از عبارات عقیده کاوی که همه این عبارات را دربر می گیرد استفاده می کنیم.
زمینه های مرتبط با عقیده کاوی
استخراج اطلاعات (IE) : آیا تبدیل اطلاعات متنی بدون ساختار به فرمت ساخت یافته که عموماً در پایگاه داده ها ذخیره و برای اهداف داده کاوی استفاده می شود، بر اساس یادگیری زبان ماشین است. داده های خاص، استخراج و در قالب موجود قرار می گیرند. این کار دقت اطلاعات بازیافتی را بهبود می بخشد و می تواند به عنوان پایه ای برای گروه بندی داده های استخراج شده استفاده شود.
دسته: کامپیوتر
حجم فایل: 759 کیلوبایت
تعداد صفحه: 10
طراحی و برنامه نویسی دیتابیس SQL Server2000 سیستم تیم فوتبال
فایل ورد
دیتابیس SQL Server2000
پشتیبان پایگاه داده
موجودیتها و صفت خاصهی آنها
1-تیم
کد تیم-نام تیم-شهر تیم-رنگ پیراهن-مدیریت-آدرس باشگاه-تلفن
2-مربی
کد مربی-نام-نام خانوادگی-ش. ش-کد ملی-مدرک-آدرس-تلفن-سن.
3-بازیکن
کد بازیکن- نام-نام خانوادگی- ش. ش -کد ملی-مدرک-آدرس-تلفن-سن-کد تیم.
4-ورزشگاه
کد ورزشگاه-نام ورزشگاه-شهر-جمعیت-آدرس-مدیریت.
...
قیمت: 10,000 تومان