موضوعات
عنوان مقاله English
نویسندگان English
The development of digital transformation in businesses has also affected policy-making processes. One of the developments in these concepts has been related to data-driven policy-making. The main goal of this study was to present a data-driven policy-making model in startup industries with a digital transformation approach.The method of this study was qualitative and quantitative, and the target population in the qualitative section of experts included managers, policymakers, and policy-making activists in startup industries. The sample size in this section was determined to be 18 people using the snowball sampling method.In the quantitative part, the target population included all the experts selected in the previous stage. In the qualitative part, the directional content analysis method and interview tools were used to collect data in order to identify the components under study. In the quantitative part, interpretive structural modeling was used to determine the level of the final components.The results show that components such as data governance and data-driven strategy are at the first level as the main foundations of policymaking.The next levels include factors such as digital transformation, data scalability, human and data resources, data engagement, regulatory compliance, predictive analytics, data ethics, engagement with new technologies, performance measurement, data integration and automation, data-driven business models and customer service,Information technology infrastructure, data security, and ultimately a data-driven culture are the platforms for organizational transformation.
Keywords: Policymaking, Data-Driven, Startups
کلیدواژهها English
تحول دیجیتال به معنای تغییرات عمیق و گستردهای است که سازمانها و شرکتها با استفاده از فناوریهای نوین و دیجیتال تجربه میکنند(هندراوان و همکاران،2024). این تغییرات شامل بهکارگیری فناوریهای اطلاعاتی و ارتباطی، هوش مصنوعی، اینترنت اشیا، و تحلیل دادهها در فرآیندها و مدلهای کسبوکار میشود(اونسی و همکاران،2024). هدف اصلی تحول دیجیتال افزایش بهرهوری، بهبود خدمات و محصولات، و ارتقای تجربه مشتریان است. با تحول دیجیتال، سازمانها میتوانند به سرعت به تغییرات بازار پاسخ دهند، فرآیندهای خود را بهینه کنند و از فرصتهای جدید برای رشد و توسعه بهرهبرداری کنند(پلخانوف و همکاران،2022).
تحول دیجیتال نه تنها تکنولوژیهای جدید را وارد سازمانها میکند، بلکه فرهنگ و ساختار سازمانی را نیز تحت تأثیر قرار میدهد(گانگ و ریبیر،2021). این تحول نیازمند بازنگری در نقشها و مسئولیتها، توسعه مهارتهای جدید برای کارکنان، و ایجاد فرهنگ نوآوری و انعطافپذیری در سازمان است. علاوه بر این، تحول دیجیتال به مدیران این امکان را میدهد که تصمیمگیریهای مبتنی بر دادهها را بهصورت دقیقتر و کارآمدتر انجام دهند. در مجموع، تحول دیجیتال ابزاری است که سازمانها را قادر میسازد تا با تغییرات سریع محیطی و نیازهای مشتریان همگام شوند و در فضای رقابتی به موفقیت دست یابند(لانزولا و همکاران،2020).
تحول دیجیتال در شرکتهای استارتاپی نقش کلیدی در موفقیت و رشد سریع این کسبوکارها دارد. استارتاپها به دلیل ساختار کوچکتر و انعطافپذیری بالاتر، معمولاً از اولین شرکتهایی هستند که به سمت استفاده از فناوریهای نوین حرکت میکنند(جوئل و همکاران،2024). این شرکتها با بهرهگیری از فناوریهایی نظیر کلانداده، هوش مصنوعی، و بلاکچین، میتوانند مدلهای کسبوکار نوآورانهای را ایجاد کرده و خدمات یا محصولاتی را به بازار عرضه کنند که نیازهای جدید مشتریان را پوشش میدهد. همچنین، تحول دیجیتال به استارتاپها این امکان را میدهد تا فرآیندهای داخلی خود را بهینه کنند، هزینهها را کاهش دهند و از منابع خود به صورت کارآمدتری استفاده کنند(لیسا و همکاران،2020).
در استارتاپها، تحول دیجیتال نه تنها به توسعه و بهبود محصولات و خدمات کمک میکند، بلکه در جذب سرمایه و جلب اعتماد سرمایهگذاران نیز نقش مهمی دارد. استارتاپهایی که توانستهاند با موفقیت از فناوریهای دیجیتال بهرهبرداری کنند، بیشتر مورد توجه سرمایهگذاران قرار میگیرند و میتوانند منابع مالی لازم برای رشد سریعتر و گسترش فعالیتهای خود را به دست آورند. همچنین، این شرکتها از طریق استفاده از پلتفرمهای دیجیتال و ابزارهای بازاریابی آنلاین، میتوانند به راحتی به بازارهای جهانی دسترسی پیدا کرده و شبکههای گستردهای از مشتریان و شرکا را به دست آورند. به این ترتیب، تحول دیجیتال به استارتاپها کمک میکند تا در یک بازار رقابتی، نوآور و پایدار باقی بمانند(مارگیونو،2021).
تحول دیجیتال در شرکتهای استارتاپی با چالشهای متعددی مواجه است که میتواند روند رشد و توسعه این کسبوکارها را کند کند. یکی از بزرگترین چالشها، محدودیتهای مالی است. استارتاپها اغلب منابع مالی محدودی دارند و سرمایهگذاری در فناوریهای دیجیتال و نوین ممکن است هزینهبر باشد(قی و همکاران،2022). این موضوع میتواند فشار زیادی بر بودجههای محدود استارتاپها وارد کرده و نیاز به تأمین منابع مالی خارجی را افزایش دهد. علاوه بر این، انتخاب صحیح فناوریها و پلتفرمهای دیجیتال، با توجه به تغییرات سریع در دنیای فناوری، میتواند چالشی بزرگ باشد و ریسکهای قابلتوجهی برای استارتاپها به همراه داشته باشد(کائود و دینه،2022).
دیگر چالش مهم در مسیر تحول دیجیتال، کمبود تخصص و نیروی انسانی ماهر است. استارتاپها به دلیل کوچک بودن و منابع محدود، اغلب نمیتوانند به آسانی افراد متخصص و با تجربه در حوزههای فناوری و دیجیتال را جذب کنند(لانگ و لانگ،2021). این کمبود نیروی انسانی متخصص، ممکن است باعث تأخیر در پیادهسازی راهکارهای دیجیتال و یا استفاده نادرست از فناوریها شود. همچنین، تغییرات سریع در فناوریهای دیجیتال نیازمند آموزش مداوم و بهروزرسانی مهارتها است، که میتواند برای استارتاپها هزینهبر و زمانبر باشد(برسیانی و همکاران،2021). در نهایت، مدیریت تغییر و پذیرش فرهنگی در داخل سازمان، به ویژه در یک محیط پویا و سریع مانند استارتاپها، چالشی است که میتواند موفقیت تحول دیجیتال را تحت تأثیر قرار دهد(ری و همکاران،2022).
یکی از مفاهیم مهم در حیطه های مرتبط با فعالیت های استارت آپی سیاست گذاری در این حیطه می باشد(زراعت پروریان،1397). این استارت اپ ها بخوبی می توانند از ظرفیت های تمایز خود برای استفاده از داده ها در جهت سیاست گذاری اثر بخش تر استفاده نمایند که با عنوان سیاست گذاری داده محور مطرح می باشد(صفوی و همکاران،1402). سیاستگذاری دادهمحور به فرآیندی اشاره دارد که در آن تصمیمگیریها و سیاستهای عمومی بر اساس تحلیل و تفسیر دادههای قابل اطمینان و واقعی انجام میشوند. در این رویکرد، دادههای بزرگ، اطلاعات جمعآوریشده از منابع مختلف و فناوریهای تحلیلی نقش کلیدی دارند. هدف اصلی این نوع سیاستگذاری بهبود دقت و کارآمدی تصمیمگیریها، افزایش شفافیت و ارتقای اثربخشی سیاستها در مواجهه با چالشهای پیچیده است. بهویژه در صنایع نوپا و تحول دیجیتال، سیاستگذاری دادهمحور میتواند به بهبود عملکرد، بهرهوری و رقابتپذیری کمک کند و دولتها و سازمانها را قادر سازد تا با استفاده از دادههای دقیق، تصمیمهای بهتر و مبتنی بر شواهد اتخاذ کنند(هرمزی نژاد و همکاران،1402).
در این میان سیاستگذاری دادهمحور در استارتاپها با رویکرد تحول دیجیتال به معنای استفاده از دادهها و تحلیلهای مبتنی بر آن برای هدایت تصمیمگیریها و استراتژیهای کسبوکار است. در این رویکرد، استارتاپها با جمعآوری، تحلیل، و تفسیر دادههای مرتبط با بازار، مشتریان، و عملیات داخلی خود، میتوانند تصمیمگیریهای دقیقتر و مؤثرتری انجام دهند(کورئا و همکاران،2021). این نوع سیاستگذاری نه تنها به بهینهسازی فرآیندها و کاهش هزینهها کمک میکند، بلکه امکان شناسایی فرصتهای جدید برای نوآوری و رشد را نیز فراهم میآورد. از آنجا که استارتاپها معمولاً در محیطهای پویا و پرتحول فعالیت میکنند، سیاستگذاری دادهمحور میتواند به آنها کمک کند تا سریعتر به تغییرات بازار واکنش نشان دهند و از رقبا پیشی بگیرند(ونسترا و همکاران،2017).
با این حال، پیادهسازی سیاستگذاری دادهمحور در استارتاپها با چالشهای مختلفی همراه است. یکی از چالشهای اصلی، جمعآوری و مدیریت دادههای با کیفیت است. بسیاری از استارتاپها با مشکل دسترسی به دادههای کافی و دقیق مواجه هستند. این ممکن است به دلیل منابع محدود یا نبود سیستمهای مناسب برای جمعآوری و ذخیرهسازی دادهها باشد. همچنین، تحلیل دادههای بزرگ و پیچیده نیازمند ابزارها و تکنیکهای پیشرفتهای است که ممکن است در دسترس همه استارتاپها نباشد. این مشکلات میتواند منجر به ناتوانی در استفاده از دادهها برای تصمیمگیریهای استراتژیک شود و فرآیند تحول دیجیتال را با موانع جدی روبهرو کند.
چالش دیگر در سیاستگذاری دادهمحور، نیاز به فرهنگ سازمانی مبتنی بر داده است. بسیاری از استارتاپها ممکن است هنوز فرهنگ تصمیمگیری سنتی و مبتنی بر تجربه را حفظ کرده باشند، که در آن دادهها نقش کمتری دارند. تغییر این فرهنگ و جلب اعتماد تیمها به تصمیمگیریهای مبتنی بر داده نیازمند آموزش و تغییر ذهنیتها است. همچنین، استارتاپها باید با مسئله حفظ حریم خصوصی و امنیت دادهها مواجه شوند. جمعآوری و استفاده از دادههای حساس مشتریان میتواند مسائل حقوقی و اخلاقی ایجاد کند که نیازمند رعایت دقیق قوانین و مقررات مربوط به حفاظت از دادهها است. در نهایت، استارتاپها برای موفقیت در پیادهسازی سیاستگذاری دادهمحور، باید بهطور مداوم بر توسعه توانمندیهای دادهای خود سرمایهگذاری کنند و راهکارهایی برای غلبه بر این چالشها بیابند.
در یک جمع بندی باید بیان نمود که مسئله از در دنیای امروز، دادهها به یکی از مهمترین داراییهای سازمانها تبدیل شدهاند، بهویژه در صنایع استارتآپی که به دنبال رشد سریع و کسب مزیت رقابتی هستند. الگوی سیاستگذاری دادهمحور، رویکردی است که با استفاده از دادهها به هدایت تصمیمات کلیدی و بهبود عملکرد کمک میکند. این الگو بر اساس جمعآوری، تحلیل و استفاده استراتژیک از دادهها استوار است و هدف آن ارتقاء کارایی سازمانها از طریق بهرهبرداری بهینه از اطلاعات موجود است. چالش اصلی در این زمینه، طراحی و پیادهسازی سیاستهایی است که بتوانند در صنایع استارتآپی بهطور مؤثر و کارا اجرا شوند و نتیجه مطلوب را بهدست آورند. همچنین از نظر عملیاتی، صنایع استارتآپی با مشکلاتی نظیر کمبود منابع برای جمعآوری دادهها، نبود زیرساختهای مناسب برای تحلیل دادهها و فقدان راهکارهای مشخص برای تبدیل دادهها به تصمیمات استراتژیک مواجه هستند. برای این صنایع، ایجاد یک سیاستگذاری دادهمحور مؤثر نیازمند تغییر در ساختار سازمانی و فرآیندهای کاری است. این تغییرات شامل ارتقاء فناوریهای دیجیتال، بهبود فرهنگ دادهمحور در سازمان و آموزش تیمهای مدیریتی برای استفاده از دادهها بهعنوان ابزاری برای تصمیمگیری است. همچنین، برای پیادهسازی چنین سیاستی، باید موانع موجود در راه دسترسی به دادههای معتبر و تحلیلهای دقیق رفع شود تا فرآیندهای تصمیمگیری بهبود یابند. با توجه به این موارد مساله اصلی این تحقیق در شناسایی ابعاد و مولفه های الگوی سیاست گذاری داده محور در استارت اپ ها با رویکرد تحول دیجیتال می باشد.
سیاست گذاری داده محور
سیاستگذاری دادهمحور به معنای استفاده از دادهها و اطلاعات بهعنوان ابزار اصلی در فرآیند تصمیمگیری و تدوین سیاستهاست. در این رویکرد، دادهها بهعنوان منبعی برای تحلیل و پیشبینی وضعیتها و روندها به کار گرفته میشوند تا سیاستها با دقت و اثربخشی بیشتری طراحی و اجرا شوند. این روش، به دلیل استفاده از شواهد و آمار معتبر، به تصمیمگیریها اعتبار و استحکام بیشتری میبخشد. همچنین، دادهمحوری در سیاستگذاری به سیاستگذاران این امکان را میدهد تا اثرات احتمالی تصمیمات خود را بر جامعه و اقتصاد بهتر درک کرده و راهکارهای جایگزین را براساس دادهها ارزیابی کنند(یو و همکاران،2021).
در عصر دیجیتال، دسترسی به حجم زیادی از دادههای متنوع و گسترده، امکان تجزیه و تحلیل دقیقتری از موضوعات مختلف را فراهم کرده است. دادهها از منابع مختلفی مانند شبکههای اجتماعی، نظرسنجیها، سامانههای دولتی و سنجشهای محیطی جمعآوری میشوند و از این طریق به سیاستگذاران دیدی جامعتر از واقعیت موجود میبخشند. تحلیل این دادهها با استفاده از روشهای پیشرفتهای مانند یادگیری ماشین و هوش مصنوعی به فهم بهتر الگوها و رفتارها کمک میکند. برای مثال، در حوزه سلامت، دادههای مربوط به شیوع بیماریها و اثرات درمانهای مختلف میتواند به سیاستگذاران کمک کند تا تصمیمات مؤثرتری برای بهبود سلامت عمومی بگیرند(معافیه و همکاران،2020).
استفاده از دادهها در سیاستگذاری، همچنین به شفافیت و پاسخگویی بیشتر منجر میشود. با تدوین سیاستهای مبتنی بر داده، دولتها و نهادهای عمومی میتوانند فرآیندهای تصمیمگیری خود را برای شهروندان شفافتر کنند. از آنجا که این نوع سیاستگذاری بر پایه شواهد است، امکان بررسی و ارزیابی نتایج نیز فراهم میشود و بدین ترتیب سیاستگذاران میتوانند نتایج سیاستهای اجرا شده را با دادههای واقعی مقایسه کنند و در صورت نیاز، آنها را بهینه کنند(لو و همکاران،2016).
البته پیادهسازی سیاستگذاری دادهمحور نیز با چالشهایی همراه است. یکی از مهمترین این چالشها، کیفیت و صحت دادههاست. اگر دادههای جمعآوریشده ناقص یا نادرست باشند، میتوانند به تصمیمات نادرستی منجر شوند که نتایج غیرقابل پیشبینی و آسیبرسان داشته باشد. همچنین، حفاظت از حریم خصوصی شهروندان یکی دیگر از نگرانیهای اساسی در این نوع سیاستگذاری است. برای مثال، دادههای شخصی که در سیاستهای اجتماعی به کار گرفته میشوند، در صورت عدم محافظت صحیح، میتوانند باعث نقض حریم خصوصی افراد شوند. بنابراین، سیاستگذاران باید چارچوبهای قانونی و اخلاقی مناسبی برای جمعآوری، نگهداری و استفاده از دادهها ایجاد کنند(معافیه و همکاران،2020).
در نهایت، سیاستگذاری دادهمحور نیازمند نیروی انسانی ماهر و زیرساختهای تکنولوژیکی مناسب است. بهرهبرداری مؤثر از دادهها به تحلیلگران و کارشناسانی نیاز دارد که بتوانند با استفاده از ابزارهای مناسب، دادهها را پردازش کرده و نتایج معتبر استخراج کنند. همچنین، وجود زیرساختهای فناوری مانند پایگاههای داده قدرتمند و سیستمهای تحلیل پیشرفته از اهمیت بالایی برخوردار است. بدون این زیرساختها، امکان بهرهبرداری صحیح از دادهها محدود خواهد شد(نیمیجر،2002).
بهطور کلی، سیاستگذاری دادهمحور بهعنوان یکی از رویکردهای نوین در مدیریت عمومی و تدوین سیاستهای اجتماعی و اقتصادی، نقش بسزایی در بهبود کارایی و دقت تصمیمات دارد. این رویکرد نهتنها به بهبود فرآیندهای تصمیمگیری کمک میکند، بلکه از طریق ایجاد شفافیت و افزایش پاسخگویی، اعتماد عمومی به سیاستها و نهادهای دولتی را نیز تقویت میکند.
سیاست گذاری داده محور در استارت اپ ها
سیاستگذاری دادهمحور در استارتاپها به معنای تصمیمگیریهای کلیدی بر پایه تحلیل و تفسیر دادهها است. این رویکرد به دلیل تحولات فناوری و دسترسی گسترده به دادهها در دهههای اخیر، به ویژه در محیطهای نوآورانه و پویای استارتاپی، مورد توجه بسیاری قرار گرفته است. استارتاپها به دلیل محدودیت منابع و نیاز به بهرهوری بالا، اغلب نمیتوانند از روشهای سنتی و زمانبر برای سیاستگذاری استفاده کنند. سیاستگذاری دادهمحور به آنها امکان میدهد تصمیمات بهتری بگیرند، روندها را سریعتر تشخیص دهند و با بهرهگیری از دادههای واقعی به چابکی بیشتری دست یابند. در این روند، داده به عنوان هسته اصلی تصمیمگیری عمل کرده و فرآیندهای سیاستگذاری بر مبنای جمعآوری، تحلیل، و تفسیر این دادهها شکل میگیرد(ویسویری و همکاران،2013).
بهکارگیری این رویکرد مستلزم درک عمیق از منابع دادهای و پیادهسازی سیستمهای جمعآوری، پردازش و تحلیل دادهها است. دادهها از منابع مختلفی مانند رفتار کاربران، تراکنشها، بازخوردها، و تعاملات در شبکههای اجتماعی جمعآوری میشوند و تحلیل آنها با استفاده از ابزارهای مدرن تحلیلی، دیدگاههای جدید و ارزشمندی را در اختیار تصمیمگیران قرار میدهد(ویسویری و همکاران،2013). در این فرآیند، شفافیت دادهها و قابلیت اعتماد به آنها بسیار حیاتی است؛ زیرا تصمیمگیری نهایی به کیفیت و دقت دادههای اولیه بستگی دارد. به عنوان مثال، تحلیل الگوهای رفتاری کاربران در پلتفرم یک استارتاپ میتواند نمایی جامع از ترجیحات و نیازهای مشتریان ارائه دهد و به استارتاپ امکان میدهد محصولات و خدمات خود را با سرعت بیشتری بهبود بخشیده و آنها را به شکلی هدفمندتر به بازار عرضه کند(پنگ و تائو،2022).
فرهنگ دادهمحور نیازمند آشنایی و تعهد مدیران و کارکنان به این رویکرد است. در بسیاری از استارتاپها، مدیران تصمیمات خود را بر اساس فرضیات و تجربیات قبلی میگیرند؛ اما در سیاستگذاری دادهمحور، هر تصمیم باید با دادههای واقعی و مستند پشتیبانی شود. این تغییر رویکرد میتواند چالشبرانگیز باشد؛ زیرا نیازمند آموزش و توسعه مهارتهای جدید در میان تیمها است. افراد باید قادر باشند با استفاده از ابزارهای تحلیل داده، مانند پایتون، آر، و نرمافزارهای پیشرفته مدیریت داده، اطلاعات لازم را استخراج کرده و تحلیل کنند(ویسویری و همکاران،2013). این ابزارها به افراد کمک میکند تا دادههای خام را به اطلاعاتی تبدیل کنند که قابلیت استفاده در تصمیمگیریهای استراتژیک و تاکتیکی داشته باشد. از سوی دیگر، ایجاد فرهنگ دادهمحور به معنای گسترش شفافیت در سازمان نیز هست؛ زیرا تصمیمات باید بر اساس دادهها توجیه شوند و همه اعضای تیم به اطلاعات مربوطه دسترسی داشته باشند تا تصمیمات به درستی فهمیده و پذیرفته شوند(ویسویری و همکاران،2013).
یکی دیگر از مزایای سیاستگذاری دادهمحور برای استارتاپها، امکان پیشبینی و پیشنگری است. با استفاده از تحلیلهای پیشبینیکننده، استارتاپها میتوانند روندهای آینده بازار و تغییرات رفتاری کاربران را شناسایی کرده و پیش از آنکه رقبا به این موضوعات پی ببرند، واکنش مناسبی نشان دهند. برای مثال، استارتاپهای فعال در حوزه فناوری مالی با تحلیل دادههای مالی کاربران میتوانند الگوهای مخارج و نیازهای مالی آنها را شناسایی کرده و پیشنهادات مالی مناسب را ارائه دهند. این مزیت نه تنها باعث میشود استارتاپها خدمات شخصیسازی شدهای به کاربران ارائه دهند، بلکه در بلندمدت باعث ایجاد مزیت رقابتی و افزایش سهم بازار آنها نیز خواهد شد(ویسویری و همکاران،2013). یکی از مهمترین عوامل موفقیت سیاستگذاری دادهمحور، وجود زیرساختهای مناسب برای جمعآوری و تحلیل دادهها است. استارتاپها باید در پیادهسازی سیستمهای مدیریت داده، ابزارهای تحلیل، و زیرساختهای لازم برای ذخیرهسازی دادهها سرمایهگذاری کنند. این سرمایهگذاری هرچند در ابتدای کار ممکن است هزینهبر باشد، اما در بلندمدت مزایای بسیاری را به همراه دارد و به استارتاپ امکان میدهد به شکلی پایدار و چابک به رشد خود ادامه دهد. همچنین، بهرهگیری از تحلیلهای دادهمحور به استارتاپها کمک میکند تا استراتژیهای خود را به طور مداوم بازبینی و اصلاح کنند و تصمیماتی بگیرند که بهینهترین نتیجه را به همراه داشته باشد(ویسویری و همکاران،2013). در نهایت، سیاستگذاری دادهمحور به استارتاپها امکان میدهد که با استفاده از بینشهای حاصل از دادهها، در عرصههای رقابتی پیچیده باقی بمانند و به نیازهای مشتریان خود بهتر پاسخ دهند.
تحول دیجیتال
تحول دیجیتال به فرآیند یکپارچهسازی عمیق فناوریهای دیجیتال در تمامی جنبههای یک سازمان اشاره دارد که بهطور اساسی عملیات، ارائه ارزش و تعاملات با ذینفعان را تغییر میدهد (کرائوس و همکاران، 2021). این مفهوم فراتر از صرف پذیرش فناوری است و شامل بازآرایی استراتژیک مدلهای کسبوکار، فرآیندها و فرهنگ سازمانی برای بهرهبرداری از ابزارهای دیجیتال بهمنظور افزایش کارایی، نوآوری و رقابتپذیری میشود. این پدیده توسط پیشرفتهایی در فناوریهایی مانند هوش مصنوعی، رایانش ابری، تحلیل دادههای کلان و اینترنت اشیا هدایت میشود که بهطور جمعی سازمانها را قادر میسازند تا چارچوبهای عملیاتی و استراتژیهای تعامل با مشتری خود را بازطراحی کنند. در زمینه آکادمیک، تحول دیجیتال بهعنوان مفهومی چندرشتهای بررسی میشود که در تقاطع حوزههایی مانند مدیریت، سیستمهای اطلاعاتی و رفتار سازمانی قرار دارد و بر پیامدهای آن برای کارایی عملیاتی و تأثیرات اجتماعی تمرکز دارد (ژائو و همکاران، 2024). اهمیت تحول دیجیتال در توانایی آن برای بازسازی صنایع از طریق تقویت تصمیمگیری مبتنی بر داده و امکان عملیات مقیاسپذیر و چابک نهفته است. برای مثال، استارتآپها و شرکتهای تثبیتشده بهطور یکسان از پلتفرمهای دیجیتال برای سادهسازی فرآیندها، بهبود تجربه مشتریان و توسعه محصولات یا خدمات نوآورانه استفاده میکنند. بااینحال، گذار به یک سازمان دیجیتالیشده چالشهایی مانند مقاومت در برابر تغییر، محدودیتهای سیستمهای قدیمی و نیاز به سرمایهگذاری قابلتوجه در زیرساختها و توسعه نیروی انسانی را به همراه دارد. از دیدگاه آکادمیک، محققان بر اهمیت همراستایی استراتژیهای تحول دیجیتال با اهداف سازمانی تأکید دارند و اطمینان میدهند که پذیرش فناوری هدفمند و همسو با اهداف بلندمدت است. این همراستایی برای کاهش ریسکهایی مانند اضافهبار دیجیتال یا ناهماهنگی بین فناوری و فرهنگ سازمانی حیاتی است (پلخانوف و همکاران، 2023).
از منظر حاکمیت، تحول دیجیتال نیازمند چارچوبهای قوی برای مدیریت داده، امنیت سایبری و انطباق با مقررات است. رشد نمایی دادهها بهعنوان یک دارایی استراتژیک، اهمیت حاکمیت داده را برجسته میکند که کیفیت، دسترسی و استفاده اخلاقی از دادهها را تضمین میکند (فرناندز و همکاران، 2022). علاوه بر این، تحول دیجیتال ملاحظات اخلاقی مانند نگرانیهای حریم خصوصی و توزیع عادلانه مزایای فناوری را مطرح میکند که حوزههای کلیدی تحقیق آکادمیک هستند. محققان بررسی میکنند که چگونه سازمانها میتوانند بین نوآوری و مسئولیتهای اخلاقی تعادل برقرار کنند، بهویژه در صنایعی که دادههای حساسی مانند مراقبتهای بهداشتی یا امور مالی را مدیریت میکنند (ژائو و همکاران، 2024). این ساختارهای حاکمیتی برای حفظ اعتماد و اطمینان از ارائه ارزش توسط تحول دیجیتال بدون به خطر انداختن حقوق ذینفعان یا یکپارچگی سازمانی ضروری هستند. بعد فرهنگی تحول دیجیتال یک حوزه محوری مطالعه است، زیرا نیازمند پرورش ذهنیت دادهمحور و انطباقپذیری در سازمانها است. موفقیت تحول دیجیتال به ایجاد فرهنگی وابسته است که یادگیری مداوم، همکاری و نوآوری را در بر میگیرد. ادبیات آکادمیک نقش رهبری در هدایت این تغییر فرهنگی را برجسته میکند و بر نیاز به رهبرانی با دیدگاه که بتوانند ابتکارات دیجیتال را ترویج دهند و همکاری بینکارکردی را تقویت کنند، تأکید دارد (فریکان، 2023). علاوه بر این، پیامدهای اجتماعی تحول دیجیتال، مانند جابجایی نیروی کار به دلیل خودکارسازی یا شکاف دیجیتال، حوزههای کلیدی تحقیق هستند. با بررسی این جنبههای چندوجهی، مطالعات آکادمیک به درک عمیقتری از تحول دیجیتال بهعنوان کاتالیزوری برای تکامل سازمانی و اجتماعی کمک میکنند (اومال، 2024).
مبانی تجربی پژوهش
مطالعات کمی در ارتباط مستقیم با موضوع تحقیق در ادبیات تحقیق مشاهده گردیده است. در ادامه این بخش به برررسی تحقیقات مرتبط با موضوع این مطالعه می پردازیم. جوئل و همکاران (2024) استراتژیهای حیاتی برای موفقیت استارتاپها در تحول دیجیتال را تحلیل کردند. ویسویزی و همکاران (2022) در مطالعه به بررسی نقش داده محوری در کسب و کارهای استارت اپی پرداخته است. محققان بیان نموده اند که استفاده از رویکرد های دیجیتال در کسب و کارها به محوریت راهبرد های داده محوری می تواند بخصوص در زمینه منابع انسانی و بازاریابی کمک زیادی به سیاست های کلان سازمان ها ارائه نماید. ماسچ و همکاران (2022) چهار نقش شبکهای برای استارتاپهای دادهمحور شناسایی کردهاند. در این مطالعه بر نقش تحول دیجیتال به عنوان یکی از این شاخه ها اشاره شده است. توری و لی (2022) نیز در تحقیق خود راهبردهای داده محوری را با رویکرد تحول دیجیتال در کسب و کارهای استارت اپی مورد بررسی قرار داده است و در این تحقیق بیان گردید که کارآفرینی در محیط های دیجیتال استارت اپی از مسیر رویکرد ها و استراتژی های داده کاوی می تواند کارایی بهتری را به دنبال داشته باشد. شستاکف (2021) تصمیمگیری دادهمحور را در یک استارتاپ B2B بررسی کرده است. در این مطالعه بر اهمیت مفاهیم و ابزارهای دیجیتال در طراحی استراتژی های داده محوری در استارت آپ ها اشاره شده است.
در ادامه این بخش بر اساس پیاز تحقیق سندرز روش شناسی این مطالعه ارائه شده است:
در بیرونیترین لایه مدل پیاز تحقیق، فلسفه تحقیق این مطالعه ترکیبی از واقعگرایی و تفسیرگرایی است. این فلسفه دوگانه امکان بررسی واقعیات عینی و عملی در کنار تحلیل عمیق دیدگاهها و تجربیات نخبگان را فراهم میکند، که برای مطالعه سیاستگذاری دادهمحور در صنایع استارتاپی با رویکرد تحول دیجیتال مناسب است. هدف تحقیق در این پژوهش کاربردی و متمرکز بر ارائه الگویی جامع برای سیاستگذاری دادهمحور است که بتواند بهعنوان چارچوبی عملی برای استارتاپها مورد استفاده قرار گیرد. این هدف، مطالعه را در مسیر حل مسائل واقعی و ارائه راهحلهای عملیاتی در بستر تحول دیجیتال هدایت میکند.
در لایههای بعدی، رویکرد تحقیق ترکیبی استقرایی-قیاسی است. در فاز استقرایی، از طریق تحلیل کیفی با استفاده از روش تحلیل محتوی، مولفههای کلیدی سیاستگذاری دادهمحور شناسایی شده و در فاز قیاسی، این مولفهها با استفاده از روشهای کمی سطحبندی و اولویتبندی میشوند. راهبرد تحقیق آمیخته[1] است که ترکیبی از روشهای کیفی و کمی را بهکار میگیرد تا دادهها از زوایای مختلف جمعآوری و تحلیل شوند. این راهبرد امکان درک عمیقتر و جامعی از پدیده مورد مطالعه را فراهم میکند. جامعه آماری در بخش کیفی شامل 18 نفر از مدیران، سیاستگذاران و فعالان حوزه استارتاپهای تهران است که با روش نمونهگیری گلولهبرفی و در نقطه اشباع نظری انتخاب شدهاند، و در بخش کمی نیز از همان خبرگان کیفی استفاده شده است (بر اساس روش نمونه گیری در دسترس).
در لایههای درونیتر پیاز تحقیق، روشهای گردآوری و تحلیل دادهها قرار دارند. در بخش کیفی، دادهها از طریق مصاحبههای عمیق و تحلیل محتوای جهتدار جمعآوری و تحلیل شدهاند تا مولفههای سیاستگذاری دادهمحور شناسایی شوند. در بخش کمی، از پرسشنامه و مدلسازی ساختاری تفسیری (ISM) برای سطحبندی و اولویتبندی مولفهها استفاده شده است. ابزارهای گردآوری دادهها از نظر روایی با روشهایی مانند CVR و از نظر پایایی با کاپای کوهن و آلفای کرونباخ ارزیابی شدهاند تا اطمینان از اعتبار و دقت دادهها حاصل شود. این فرآیند چندمرحلهای، از شناسایی مولفهها تا طراحی و اعتبارسنجی مدل نهایی، امکان ارائه الگویی منسجم و مبتنی بر شواهد برای سیاستگذاری دادهمحور در صنایع استارتاپی را فراهم کرده است.
تحلیل بخش کیفی (شناسایی مولفه ها و زیرمولفه های الگوی سیاست گذاری داده محور در در صنایع استارت اپی با رویکرد تحول دیجیتال)
در این بخش به منظور پاسخگویی به سوالات این بخش از روش تحلیل محتوی استفاده شده است. نتایج بررسی مصاحبه های انجام شده از بخش کیفی در ادامه بیان شده است:
استخراج کدهای اولیه (زیرمولفه ها) بر اساس عبارات معنایی
استخراج کدهای اولیه (زیرمولفهها) بر اساس عبارات معنایی به معنای شناسایی و دستهبندی مفاهیم و کلمات کلیدی از دادهها و اطلاعات موجود است که میتوانند به عنوان زیرمولفهها در یک مدل یا چارچوب استفاده شوند. این فرآیند معمولاً با تحلیل متنها، اسناد یا مصاحبهها آغاز میشود که در آن از عبارات معنایی برای استخراج موارد اصلی و مفاهیم زیرمجموعه استفاده میشود. این کدها میتوانند شامل مفاهیم، ویژگیها یا ویژگیهای خاصی باشند که در متون ظاهر میشوند و به شکلی سیستماتیک دستهبندی میشوند تا نشاندهنده جنبههای مختلف مسئله یا پدیده مورد مطالعه باشند. در این بخش نمونه هایی از زیرمولفه های استخراجی از عبارات معنایی در قالب جدول شماره 1 ارائه شده است:
جدول شماره 1زیرمولفه های استخراجی از عبارات معنایی
|
مولفه استخراجی |
عبارت معنایی |
|
استفاده از پلتفرمهای دیجیتال برای استانداردسازی دادهها |
ما از پلتفرمهای دیجیتال برای استانداردسازی دادهها در تمامی واحدهای سازمان استفاده میکنیم. این پلتفرمها به ما کمک میکنند تا دادهها را به شیوهای منظم و یکپارچه ذخیره و پردازش کنیم و از تحلیلهای دقیقتری بهرهبرداری کنیم. |
|
شفافیت در دسترسی و استفاده از دادهها با اتکا به سیستمهای دیجیتال |
دسترسی به دادهها باید شفاف باشد. با استفاده از سیستمهای دیجیتال، هر کسی در سازمان میتواند به دادههای مورد نیاز خود دسترسی پیدا کند و از آنها برای تصمیمگیری استفاده کند، بدون اینکه نگرانیهایی از نظر حریم خصوصی ایجاد شود. |
|
نظارت بر کیفیت دادهها با استفاده از ابزارهای تحلیلی دیجیتال |
نظارت بر کیفیت دادهها از طریق ابزارهای دیجیتال برای ما حیاتی است. این ابزارها به ما کمک میکنند تا هرگونه خطا یا ناهماهنگی در دادهها را شناسایی کنیم و به سرعت آنها را اصلاح نماییم. |
|
پیادهسازی سیستمهای پردازش ابری برای ذخیرهسازی و پردازش دادهها |
سیستمهای پردازش ابری به ما این امکان را میدهند که دادهها را به صورت ایمن ذخیره و پردازش کنیم. این سیستمها انعطافپذیر و مقیاسپذیر هستند و میتوانند بهطور همزمان با تغییرات نیازهای کسبوکار سازگار شوند. |
|
استفاده از تکنولوژیهای IoT برای جمعآوری دادهها در زمان واقعی |
استفاده از اینترنت اشیاء (IoT) به ما این امکان را میدهد که دادهها را در زمان واقعی جمعآوری کنیم. این جمعآوری دادهها به ما اجازه میدهد تا اطلاعات دقیقتری درباره وضعیت فرآیندها و عملیات خود بدست آوریم. |
|
ارتقاء زیرساختهای دیجیتال برای مقیاسپذیری و انعطافپذیری |
زیرساختهای دیجیتال ما در حال ارتقا هستند تا توانایی مقیاسپذیری و انعطافپذیری را افزایش دهند. این ارتقا به ما اجازه میدهد که در پاسخ به نیازهای در حال تغییر بازار سریعتر و کارآمدتر عمل کنیم. |
|
حفاظت از دادهها با استفاده از رمزنگاری دیجیتال و بلاکچین |
برای حفاظت از دادهها، ما از رمزنگاری دیجیتال و فناوری بلاکچین استفاده میکنیم. این فناوریها به ما این امکان را میدهند که دادهها را بهطور ایمن ذخیره کرده و از هرگونه دسترسی غیرمجاز محافظت کنیم. |
|
استفاده از سیستمهای نظارتی دیجیتال برای جلوگیری از نفوذ دادهها |
سیستمهای نظارتی دیجیتال به ما این امکان را میدهند که بهطور مداوم امنیت دادهها را تحت نظارت داشته باشیم و از هرگونه نفوذ یا حمله سایبری جلوگیری کنیم. این سیستمها میتوانند بهطور خودکار هرگونه تهدید را شناسایی و پاسخ دهند. |
|
ایجاد پلتفرمهای دیجیتال یکپارچه برای مدیریت دادههای سازمانی |
ما بهطور مداوم در حال ایجاد پلتفرمهای دیجیتال یکپارچه هستیم که به ما این امکان را میدهند که تمامی دادههای سازمانی را در یک مکان واحد مدیریت کنیم. این کار باعث تسهیل در دسترسی و تحلیل دادهها میشود. |
|
حذف دادههای تکراری با استفاده از الگوریتمهای خودکار دیجیتال |
با استفاده از الگوریتمهای خودکار دیجیتال، ما میتوانیم دادههای تکراری را شناسایی و حذف کنیم. این کار باعث میشود که دادههای ما دقیقتر و کارآمدتر باشند و از بروز مشکلات ناشی از دادههای اضافی جلوگیری کنیم. |
|
تدوین استراتژیهای دادهمحور با استفاده از تحلیلهای دیجیتال |
تحلیلهای دیجیتال به ما این امکان را میدهند که استراتژیهای دادهمحور قدرتمندتری تدوین کنیم. این استراتژیها بر اساس دادههای واقعی و بهروز شکل میگیرند و به ما کمک میکنند تصمیمات بهتری اتخاذ کنیم. |
|
مدیریت تغییرات دیجیتال با استفاده از دادههای تحلیلی |
تغییرات دیجیتال در سازمان ما با استفاده از دادههای تحلیلی بهخوبی مدیریت میشود. این دادهها به ما کمک میکنند تا روند تغییرات را پیشبینی کنیم و برنامهریزی بهتری برای پذیرش این تغییرات داشته باشیم. |
|
استفاده از پلتفرمهای دیجیتال برای به اشتراکگذاری دادهها و منابع |
پلتفرمهای دیجیتال به ما این امکان را میدهند که دادهها و منابع مختلف را بهطور مؤثر با تیمها و شرکای تجاری به اشتراک بگذاریم. این اشتراکگذاری باعث افزایش بهرهوری و همکاری میشود. |
|
همکاری با دیگر استارتآپها از طریق زیرساختهای دیجیتال و شبکههای آنلاین |
زیرساختهای دیجیتال به ما این امکان را میدهند که با دیگر استارتآپها همکاری کنیم و از شبکههای آنلاین برای تبادل دادهها و تجربیات بهرهبرداری کنیم. این همکاریها باعث نوآوری و رشد سریعتر میشود. |
|
ایجاد مدلهای کسب و کار مبتنی بر اشتراکگذاری دادههای دیجیتال |
مدلهای کسبوکار ما بهطور عمده مبتنی بر اشتراکگذاری دادههای دیجیتال هستند. این مدلها به ما کمک میکنند که بهصورت مؤثرتر با شرکا و مشتریان همکاری کنیم و ارزش بیشتری از دادهها استخراج کنیم. |
|
استفاده از شبکههای باز دیجیتال برای توسعه دسترسی به دادهها |
استفاده از شبکههای باز دیجیتال به ما کمک میکند که دسترسی به دادهها را برای تمامی اعضای اکوسیستم کسبوکار خود توسعه دهیم. این شبکهها از طریق به اشتراکگذاری اطلاعات، امکان رشد و بهرهبرداری بهتر از دادهها را فراهم میکنند. |
|
ایجاد پلتفرمهای دیجیتال یکپارچه برای مدیریت دادههای سازمانی |
ما بهطور مداوم در حال ایجاد پلتفرمهای دیجیتال یکپارچه هستیم که به ما این امکان را میدهند که تمامی دادههای سازمانی را در یک مکان واحد مدیریت کنیم. این کار باعث تسهیل در دسترسی و تحلیل دادهها میشود. |
|
حذف دادههای تکراری با استفاده از الگوریتمهای خودکار دیجیتال |
با استفاده از الگوریتمهای خودکار دیجیتال، ما میتوانیم دادههای تکراری را شناسایی و حذف کنیم. این کار باعث میشود که دادههای ما دقیقتر و کارآمدتر باشند و از بروز مشکلات ناشی از دادههای اضافی جلوگیری کنیم. |
|
تدوین استراتژیهای دادهمحور با استفاده از تحلیلهای دیجیتال |
تحلیلهای دیجیتال به ما این امکان را میدهند که استراتژیهای دادهمحور قدرتمندتری تدوین کنیم. این استراتژیها بر اساس دادههای واقعی و بهروز شکل میگیرند و به ما کمک میکنند تصمیمات بهتری اتخاذ کنیم. |
|
مدیریت تغییرات دیجیتال با استفاده از دادههای تحلیلی |
تغییرات دیجیتال در سازمان ما با استفاده از دادههای تحلیلی بهخوبی مدیریت میشود. این دادهها به ما کمک میکنند تا روند تغییرات را پیشبینی کنیم و برنامهریزی بهتری برای پذیرش این تغییرات داشته باشیم. |
|
استفاده از پلتفرمهای دیجیتال برای به اشتراکگذاری دادهها و منابع |
پلتفرمهای دیجیتال به ما این امکان را میدهند که دادهها و منابع مختلف را بهطور مؤثر با تیمها و شرکای تجاری به اشتراک بگذاریم. این اشتراکگذاری باعث افزایش بهرهوری و همکاری میشود. |
|
همکاری با دیگر استارتآپها از طریق زیرساختهای دیجیتال و شبکههای آنلاین |
زیرساختهای دیجیتال به ما این امکان را میدهند که با دیگر استارتآپها همکاری کنیم و از شبکههای آنلاین برای تبادل دادهها و تجربیات بهرهبرداری کنیم. این همکاریها باعث نوآوری و رشد سریعتر میشود. |
|
ایجاد مدلهای کسب و کار مبتنی بر اشتراکگذاری دادههای دیجیتال |
مدلهای کسبوکار ما بهطور عمده مبتنی بر اشتراکگذاری دادههای دیجیتال هستند. این مدلها به ما کمک میکنند که بهصورت مؤثرتر با شرکا و مشتریان همکاری کنیم و ارزش بیشتری از دادهها استخراج کنیم. |
|
استفاده از شبکههای باز دیجیتال برای توسعه دسترسی به دادهها |
استفاده از شبکههای باز دیجیتال به ما کمک میکند که دسترسی به دادهها را برای تمامی اعضای اکوسیستم کسبوکار خود توسعه دهیم. این شبکهها از طریق به اشتراکگذاری اطلاعات، امکان رشد و بهرهبرداری بهتر از دادهها را فراهم میکنند. |
|
ایجاد پلتفرمهای دیجیتال یکپارچه برای مدیریت دادههای سازمانی |
ما بهطور مداوم در حال ایجاد پلتفرمهای دیجیتال یکپارچه هستیم که به ما این امکان را میدهند که تمامی دادههای سازمانی را در یک مکان واحد مدیریت کنیم. این کار باعث تسهیل در دسترسی و تحلیل دادهها میشود. |
نهایتا بر اساس این تحلیل زیرمولفه های زیر استخراج گردید که از نظر خبرگان نیز مورد بررسی قرار گرفته است تا روایی مورد نظر ارزیابی شود (این ارزیابی از طریق 10 نفر از خبرگان اجرایی شده است):
جدول شماره 2 ارزیابی روایی زیرمولفه های استخراجی
|
زیرمولفهها |
CVR |
تعداد تکرار |
|
- استفاده از پلتفرمهای دیجیتال برای استانداردسازی دادهها |
100 |
2 |
|
- شفافیت در دسترسی و استفاده از دادهها با اتکا به سیستمهای دیجیتال |
100 |
1 |
|
- نظارت بر کیفیت دادهها با استفاده از ابزارهای تحلیلی دیجیتال |
80 |
1 |
|
- پیادهسازی سیستمهای پردازش ابری برای ذخیرهسازی و پردازش دادهها |
100 |
2 |
|
- استفاده از تکنولوژیهای IoT برای جمعآوری دادهها در زمان واقعی |
100 |
2 |
|
- ارتقاء زیرساختهای دیجیتال برای مقیاسپذیری و انعطافپذیری |
80 |
2 |
|
- حفاظت از دادهها با استفاده از رمزنگاری دیجیتال و بلاکچین |
90 |
3 |
|
- استفاده از سیستمهای نظارتی دیجیتال برای جلوگیری از نفوذ دادهها |
90 |
2 |
|
- پیادهسازی سیاستهای امنیتی دیجیتال در تمامی سیستمهای دادهمحور |
100 |
2 |
|
- اعمال استانداردهای جهانی امنیت دیجیتال برای حفظ حریم خصوصی دادهها |
100 |
1 |
|
- آموزش کارکنان با ابزارهای دیجیتال و نرمافزارهای تحلیل دادهها |
100 |
1 |
|
- به کارگیری ابزارهای دیجیتال برای ایجاد محیطی شفاف و دادهمحور |
90 |
2 |
|
- پیادهسازی فناوریهای نوین مانند بلاکچین و هوش مصنوعی برای تحول فرآیندها |
90 |
2 |
|
- دیجیتالی کردن فرآیندهای کسب و کار برای بهبود عملکرد و بهرهوری |
80 |
2 |
|
- نوآوری در خدمات و محصولات از طریق پیادهسازی راهکارهای دیجیتال |
80 |
3 |
|
- استفاده از ابزارهای دیجیتال برای یکپارچهسازی دادهها در سیستمهای مختلف |
100 |
2 |
|
- پیادهسازی تکنولوژیهای API برای همافزایی و تبادل دادهها |
100 |
2 |
|
- ایجاد پلتفرمهای دیجیتال یکپارچه برای مدیریت دادههای سازمانی |
90 |
2 |
|
- حذف دادههای تکراری با استفاده از الگوریتمهای خودکار دیجیتال |
90 |
1 |
|
- تدوین استراتژیهای دادهمحور با استفاده از تحلیلهای دیجیتال |
90 |
2 |
|
- مدیریت تغییرات دیجیتال با استفاده از دادههای تحلیلی |
90 |
2 |
|
- استفاده از پلتفرمهای دیجیتال برای به اشتراکگذاری دادهها و منابع |
80 |
1 |
|
- همکاری با دیگر استارتآپها از طریق زیرساختهای دیجیتال و شبکههای آنلاین |
100 |
1 |
|
- ایجاد مدلهای کسب و کار مبتنی بر اشتراکگذاری دادههای دیجیتال |
100 |
2 |
|
- استفاده از شبکههای باز دیجیتال برای توسعه دسترسی به دادهها |
90 |
3 |
|
- اتوماسیون فرآیندهای دادهای با استفاده از نرمافزارهای دیجیتال |
90 |
2 |
|
- استفاده از رباتهای نرمافزاری برای پردازش خودکار دادهها |
90 |
1 |
|
- بهکارگیری سیستمهای خودکار تحلیل دادهها برای بهبود فرآیندها |
90 |
4 |
|
- استفاده از ابزارهای دیجیتال برای کاهش خطاهای انسانی در تجزیه و تحلیل دادهها |
80 |
3 |
|
- ایجاد مدلهای کسب و کار دیجیتال بر اساس تحلیل دادههای کلان |
100 |
2 |
|
- تحلیل دادهها برای شناسایی فرصتهای جدید تجاری در فضای دیجیتال |
100 |
2 |
|
- استفاده از دادهها برای بهینهسازی فرآیندهای کسب و کار دیجیتال |
90 |
1 |
|
- تطبیق مدلهای کسب و کار با تحولات دیجیتال و روندهای بازار |
90 |
2 |
|
- تحلیل دادههای مشتریان از طریق ابزارهای دیجیتال برای بهبود خدمات |
90 |
3 |
|
- استفاده از پلتفرمهای دیجیتال برای ارائه خدمات شخصیسازی شده به مشتریان |
90 |
2 |
|
- بهکارگیری هوش مصنوعی برای پیشبینی نیازهای مشتریان |
80 |
2 |
|
- طراحی سیستمهای دیجیتال برای مقیاسپذیری خودکار و انعطافپذیر |
100 |
3 |
|
- ارتقاء سیستمهای دیجیتال برای مدیریت حجم بالای دادهها |
100 |
2 |
|
- استفاده از سیستمهای دیجیتال برای تحلیل عملکرد و کارایی |
90 |
1 |
|
- ارزیابی عملکرد فرآیندها با استفاده از دادههای تحلیلی و دیجیتال |
90 |
1 |
|
- استفاده از ابزارهای دیجیتال برای ارزیابی و گزارشدهی عملکرد |
90 |
2 |
|
- تحلیل دادههای عملکردی برای بهبود مستمر فرآیندهای دیجیتال |
90 |
3 |
|
- آموزش کارکنان به استفاده از ابزارهای دیجیتال برای تحلیل دادهها |
100 |
1 |
|
- جذب و پرورش استعدادهای دیجیتال برای تقویت تیمهای دادهمحور |
100 |
2 |
|
- ارتقای مهارتهای دیجیتال کارکنان برای استفاده بهینه از دادهها |
80 |
3 |
|
- استفاده از پلتفرمهای دیجیتال برای ارزیابی و مدیریت عملکرد کارکنان |
90 |
2 |
|
- استفاده از بلاکچین برای بهبود امنیت و شفافیت دادهها |
90 |
1 |
|
- بهرهبرداری از اینترنت اشیاء (IoT) برای اتصال و جمعآوری دادهها |
100 |
2 |
|
- پیادهسازی فناوریهای پیشرفته مانند 5G برای بهبود دسترسی به دادهها |
80 |
1 |
|
- تطبیق با قوانین دیجیتال جهانی برای حفظ حریم خصوصی دادهها |
100 |
1 |
|
- نظارت و ارزیابی مستمر بر مطابقت با قوانین حفاظت از دادهها |
100 |
2 |
|
- استفاده از ابزارهای دیجیتال برای مدیریت قوانین و مقررات |
90 |
3 |
|
- استفاده از تحلیل پیشبینی دیجیتال برای شبیهسازی سناریوهای آینده |
90 |
2 |
|
- مدلسازی و پیشبینی روندهای بازار با استفاده از دادههای دیجیتال |
90 |
2 |
|
- تحلیل دادهها برای شناسایی و مدیریت ریسکهای پیشبینیشده |
90 |
2 |
|
- بهکارگیری الگوریتمهای هوش مصنوعی برای تحلیل پیشبینی و پیشرفتهای صنعتی |
80 |
3 |
|
- رعایت اصول اخلاقی در پردازش دادهها و حفظ حریم خصوصی مشتریان |
100 |
2 |
|
- استفاده از سیستمهای دیجیتال برای شفافیت در جمعآوری و استفاده از دادهها |
100 |
4 |
|
- توسعه چارچوبهای اخلاقی برای استفاده از دادهها در دنیای دیجیتال |
90 |
2 |
شناسایی مولفه ها بر اساس زیرمولفه ها
شناسایی مولفهها بر اساس زیرمولفهها مرحلهای کلیدی در فرایند تحقیق است که به کمک آن میتوان ویژگیهای اصلی و تاثیرگذار یک مدل یا مفهوم را به دقت تعیین کرد. در این مرحله، مولفههای اصلی با تجزیه و تحلیل دقیق به زیرمولفههای مرتبط تقسیم میشوند تا ساختار کلی مدل بهطور دقیقتر مشخص گردد. این فرآیند نه تنها به شفافسازی مفاهیم کمک میکند بلکه امکان بررسی عمیقتر و اولویتبندی اجزاء مختلف را نیز فراهم میآورد. شناسایی زیرمولفهها این امکان را میدهد که هر جنبه از مدل به طور مستقل ارزیابی شود و ارتباطات پیچیده میان آنها روشنتر گردد. نتایج ترکیب زیرمولفه ها در قالب مولفه ها در قالب جدول شماره 3 ارائه شده است:
جدول شماره 3 استخراج مولفه ها بر اساس زیرمولفه ها
|
مولفه |
زیرمولفهها |
|
حکمرانی داده |
- استفاده از پلتفرمهای دیجیتال برای استانداردسازی دادهها |
|
- شفافیت در دسترسی و استفاده از دادهها با اتکا به سیستمهای دیجیتال |
|
|
- نظارت بر کیفیت دادهها با استفاده از ابزارهای تحلیلی دیجیتال |
|
|
زیرساختهای فناوری اطلاعات |
- پیادهسازی سیستمهای پردازش ابری برای ذخیرهسازی و پردازش دادهها |
|
- استفاده از تکنولوژیهای IoT برای جمعآوری دادهها در زمان واقعی |
|
|
- ارتقاء زیرساختهای دیجیتال برای مقیاسپذیری و انعطافپذیری |
|
|
امنیت دادهها |
- حفاظت از دادهها با استفاده از رمزنگاری دیجیتال و بلاکچین |
|
- استفاده از سیستمهای نظارتی دیجیتال برای جلوگیری از نفوذ دادهها |
|
|
- پیادهسازی سیاستهای امنیتی دیجیتال در تمامی سیستمهای دادهمحور |
|
|
- اعمال استانداردهای جهانی امنیت دیجیتال برای حفظ حریم خصوصی دادهها |
|
|
فرهنگ دادهمحور |
- آموزش کارکنان با ابزارهای دیجیتال و نرمافزارهای تحلیل دادهها |
|
- به کارگیری ابزارهای دیجیتال برای ایجاد محیطی شفاف و دادهمحور |
|
|
تحول دیجیتال |
- پیادهسازی فناوریهای نوین مانند بلاکچین و هوش مصنوعی برای تحول فرآیندها |
|
- دیجیتالی کردن فرآیندهای کسب و کار برای بهبود عملکرد و بهرهوری |
|
|
- نوآوری در خدمات و محصولات از طریق پیادهسازی راهکارهای دیجیتال |
|
|
یکپارچگی دادهها |
- استفاده از ابزارهای دیجیتال برای یکپارچهسازی دادهها در سیستمهای مختلف |
|
- پیادهسازی تکنولوژیهای API برای همافزایی و تبادل دادهها |
|
|
- ایجاد پلتفرمهای دیجیتال یکپارچه برای مدیریت دادههای سازمانی |
|
|
- حذف دادههای تکراری با استفاده از الگوریتمهای خودکار دیجیتال |
|
|
استراتژی دادهمحور |
- تدوین استراتژیهای دادهمحور با استفاده از تحلیلهای دیجیتال |
|
- مدیریت تغییرات دیجیتال با استفاده از دادههای تحلیلی |
|
|
مشارکت و همکاری در دادهها |
- استفاده از پلتفرمهای دیجیتال برای به اشتراکگذاری دادهها و منابع |
|
- همکاری با دیگر استارتآپها از طریق زیرساختهای دیجیتال و شبکههای آنلاین |
|
|
- ایجاد مدلهای کسب و کار مبتنی بر اشتراکگذاری دادههای دیجیتال |
|
|
- استفاده از شبکههای باز دیجیتال برای توسعه دسترسی به دادهها |
|
|
فرآیندهای خودکارسازی دادهها |
- اتوماسیون فرآیندهای دادهای با استفاده از نرمافزارهای دیجیتال |
|
- استفاده از رباتهای نرمافزاری برای پردازش خودکار دادهها |
|
|
- بهکارگیری سیستمهای خودکار تحلیل دادهها برای بهبود فرآیندها |
|
|
- استفاده از ابزارهای دیجیتال برای کاهش خطاهای انسانی در تجزیه و تحلیل دادهها |
|
|
مدلهای کسب و کار مبتنی بر داده |
- ایجاد مدلهای کسب و کار دیجیتال بر اساس تحلیل دادههای کلان |
|
- تحلیل دادهها برای شناسایی فرصتهای جدید تجاری در فضای دیجیتال |
|
|
- استفاده از دادهها برای بهینهسازی فرآیندهای کسب و کار دیجیتال |
|
|
- تطبیق مدلهای کسب و کار با تحولات دیجیتال و روندهای بازار |
|
|
خدمات مشتری مبتنی بر داده |
- تحلیل دادههای مشتریان از طریق ابزارهای دیجیتال برای بهبود خدمات |
|
- استفاده از پلتفرمهای دیجیتال برای ارائه خدمات شخصیسازی شده به مشتریان |
|
|
- بهکارگیری هوش مصنوعی برای پیشبینی نیازهای مشتریان |
|
|
مقیاسپذیری دادهها |
- طراحی سیستمهای دیجیتال برای مقیاسپذیری خودکار و انعطافپذیر |
|
- ارتقاء سیستمهای دیجیتال برای مدیریت حجم بالای دادهها |
|
|
ارزیابی عملکرد |
- استفاده از سیستمهای دیجیتال برای تحلیل عملکرد و کارایی |
|
- ارزیابی عملکرد فرآیندها با استفاده از دادههای تحلیلی و دیجیتال |
|
|
- استفاده از ابزارهای دیجیتال برای ارزیابی و گزارشدهی عملکرد |
|
|
- تحلیل دادههای عملکردی برای بهبود مستمر فرآیندهای دیجیتال |
|
|
منابع انسانی و داده |
- آموزش کارکنان به استفاده از ابزارهای دیجیتال برای تحلیل دادهها |
|
- جذب و پرورش استعدادهای دیجیتال برای تقویت تیمهای دادهمحور |
|
|
- ارتقای مهارتهای دیجیتال کارکنان برای استفاده بهینه از دادهها |
|
|
- استفاده از پلتفرمهای دیجیتال برای ارزیابی و مدیریت عملکرد کارکنان |
|
|
تعامل با فناوریهای نوین |
- استفاده از بلاکچین برای بهبود امنیت و شفافیت دادهها |
|
- بهرهبرداری از اینترنت اشیاء (IoT) برای اتصال و جمعآوری دادهها |
|
|
- پیادهسازی فناوریهای پیشرفته مانند 5G برای بهبود دسترسی به دادهها |
|
|
تطابق با مقررات قانونی |
- تطبیق با قوانین دیجیتال جهانی برای حفظ حریم خصوصی دادهها |
|
- نظارت و ارزیابی مستمر بر مطابقت با قوانین حفاظت از دادهها |
|
|
- استفاده از ابزارهای دیجیتال برای مدیریت قوانین و مقررات |
|
|
تحلیل پیشبینی و پیشرفتمحور |
- استفاده از تحلیل پیشبینی دیجیتال برای شبیهسازی سناریوهای آینده |
|
- مدلسازی و پیشبینی روندهای بازار با استفاده از دادههای دیجیتال |
|
|
- تحلیل دادهها برای شناسایی و مدیریت ریسکهای پیشبینیشده |
|
|
- بهکارگیری الگوریتمهای هوش مصنوعی برای تحلیل پیشبینی و پیشرفتهای صنعتی |
|
|
اخلاق داده |
- رعایت اصول اخلاقی در پردازش دادهها و حفظ حریم خصوصی مشتریان |
|
- استفاده از سیستمهای دیجیتال برای شفافیت در جمعآوری و استفاده از دادهها |
|
|
- توسعه چارچوبهای اخلاقی برای استفاده از دادهها در دنیای دیجیتال |
بخش دوم سطح بندی مولفه های استخراجی (در پاسخ به سوال: اولویت بندی مولفه ها و زیرمولفه های الگوی سیاست گذاری داده محور در در صنایع استارت اپی با رویکرد تحول دیجیتال به چه صورت است؟)
جدول شماره 4، ماتریس ساختاری تفسیری (ISM) را نشان میدهد که برای بررسی روابط بین 18 مولفه استخراجشده از مرحله قبل استفاده شده است. این ماتریس بر اساس نظرات خبرگان و با استفاده از روش ساختاری تفسیری تهیه شده است. در این ماتریس، روابط بین مولفهها با استفاده از نمادهای عددی (1، -1، 0، 2) مشخص شدهاند. عدد 1 نشاندهنده تأثیرگذاری یک مولفه بر مولفه دیگر، عدد -1 نشاندهنده تأثیرپذیری یک مولفه از مولفه دیگر، عدد 0 نشاندهنده عدم وجود رابطه مستقیم، و عدد 2 نشاندهنده تأثیرگذاری متقابل (دو طرفه) بین دو مولفه است. این مقادیر بر اساس اجماع نظرات خبرگان و تحلیل کیفی روابط بین مولفهها تعیین شدهاند و بهعنوان پایهای برای تحلیلهای بعدی مانند تعیین سطوح و اولویتبندی مولفهها استفاده میشوند.
جدول شماره 4 نمونه ماتریس ساختاری تفسیری
|
C-1 |
C-2 |
C-3 |
C-4 |
C-5 |
C-6 |
C-7 |
C-8 |
C-9 |
C-10 |
C-11 |
C-12 |
C-13 |
C-14 |
C-15 |
C-16 |
C-17 |
C-18 |
|
|
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
|
-1 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
-1 |
1 |
1 |
1 |
|
0 |
0 |
|
1 |
1 |
1 |
1 |
1 |
1 |
1 |
2 |
1 |
1 |
0 |
-1 |
0 |
1 |
2 |
|
-1 |
-1 |
-1 |
|
0 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
-1 |
1 |
0 |
2 |
|
-1 |
-1 |
-1 |
0 |
|
1 |
0 |
0 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
-1 |
1 |
0 |
|
-1 |
-1 |
-1 |
-1 |
-1 |
|
1 |
1 |
1 |
0 |
0 |
1 |
1 |
1 |
1 |
-1 |
0 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
0 |
-1 |
|
1 |
1 |
0 |
0 |
0 |
0 |
1 |
0 |
-1 |
0 |
-1 |
|
-1 |
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
|
1 |
0 |
0 |
1 |
1 |
0 |
0 |
0 |
1 |
-1 |
|
0 |
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
-1 |
|
1 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
2 |
|
-1 |
-1 |
-1 |
-1 |
0 |
0 |
0 |
0 |
-1 |
|
0 |
1 |
1 |
0 |
1 |
0 |
0 |
2 |
|
-1 |
-1 |
2 |
0 |
-1 |
0 |
0 |
0 |
0 |
0 |
|
-1 |
1 |
0 |
0 |
1 |
1 |
1 |
|
0 |
-1 |
-1 |
-1 |
0 |
-1 |
0 |
-1 |
0 |
-1 |
1 |
|
0 |
1 |
1 |
0 |
1 |
1 |
|
0 |
-1 |
-1 |
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
-1 |
-1 |
0 |
|
1 |
0 |
1 |
1 |
1 |
|
-1 |
0 |
0 |
-1 |
-1 |
-1 |
-1 |
0 |
0 |
0 |
0 |
-1 |
-1 |
|
1 |
1 |
0 |
0 |
|
0 |
1 |
1 |
1 |
-1 |
-1 |
0 |
0 |
0 |
-1 |
0 |
-1 |
0 |
-1 |
|
2 |
1 |
1 |
|
-1 |
-1 |
0 |
-1 |
1 |
1 |
1 |
0 |
0 |
0 |
-1 |
0 |
-1 |
-1 |
2 |
|
0 |
1 |
|
-1 |
-1 |
-1 |
0 |
-1 |
0 |
0 |
-1 |
-1 |
0 |
-1 |
-1 |
-1 |
0 |
-1 |
0 |
|
1 |
|
-1 |
-1 |
2 |
2 |
0 |
1 |
1 |
1 |
2 |
2 |
-1 |
-1 |
-1 |
0 |
-1 |
-1 |
-1 |
|
جدول شماره 5، ماتریس SSIM است که از تجمیع نظرات خبرگان بهدست آمده و روابط بین مولفهها را بهصورت باینری (0 و 1) سادهسازی کرده است. در این ماتریس، عدد 1 نشاندهنده وجود رابطه تأثیرگذاری بین دو مولفه و عدد 0 نشاندهنده عدم وجود رابطه است. این ماتریس از ماتریس ساختاری تفسیری (جدول 4) استخراج شده و با استفاده از میانگین حسابی نظرات خبرگان تهیه شده است. به عبارت دیگر، روابطی که در ماتریس اولیه (جدول 4) شناسایی شده بودند، بر اساس قواعد مشخص (مانند اجماع نظرات) به مقادیر 0 و 1 تبدیل شدهاند تا تحلیلهای بعدی، مانند تشکیل ماتریس دستیابی اولیه، سادهتر شود. این جدول بهعنوان یک ابزار میانی برای کاهش پیچیدگی روابط و آمادهسازی دادهها برای تحلیلهای بعدی عمل میکند.
جدول شماره 5 ماتریس SSIM
|
C-1 |
C-2 |
C-3 |
C-4 |
C-5 |
C-6 |
C-7 |
C-8 |
C-9 |
C-10 |
C-11 |
C-12 |
C-13 |
C-14 |
C-15 |
C-16 |
C-17 |
C-18 |
|
0 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
|
0 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
1 |
1 |
1 |
|
0 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
1 |
1 |
|
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
0 |
1 |
0 |
1 |
|
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
0 |
1 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
0 |
0 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
1 |
0 |
0 |
0 |
1 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
0 |
1 |
0 |
0 |
1 |
|
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
1 |
1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
1 |
0 |
1 |
1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
1 |
1 |
1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
0 |
0 |
|
0 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
|
0 |
0 |
0 |
0 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
1 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
|
0 |
0 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
جدول شماره 6، ماتریس دستیابی اولیه را نشان میدهد که برای شناسایی عوامل مؤثر بر الگوی سیاستگذاری دادهمحور در صنایع استارتآپی با رویکرد تحول دیجیتال استفاده شده است. در این ماتریس، روابط بین مولفهها بر اساس نظرات خبرگان و با معیار حداقل 70 درصد اجماع تعیین شدهاند. اگر رابطهای بیش از 70 درصد از نظرات خبرگان را کسب کرده باشد، مقدار 1 به آن اختصاص یافته و در غیر این صورت، مقدار 0 دریافت کرده است. ستون آخر این جدول تعداد روابط خروجی (تأثیرگذاری) هر مولفه را نشان میدهد که با جمع مقادیر 1 در هر ردیف محاسبه شده است. این ماتریس بهعنوان پایهای برای شناسایی مجموعههای دستیابی و مقدم هر مولفه عمل میکند و مبنای محاسباتی آن، اجماع نظرات خبرگان و تحلیل آماری (بر اساس فراوانی) است.
جدول6 ماتریس دستیابی اولیه
|
C-1 |
C-2 |
C-3 |
C-4 |
C-5 |
C-6 |
C-7 |
C-8 |
C-9 |
C-10 |
C-11 |
C-12 |
C-13 |
C-14 |
C-15 |
C-16 |
C-17 |
C-18 |
Convergence |
|
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
18 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
17 |
|
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
11 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
11 |
|
0 |
0 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
14 |
|
0 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
14 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
1 |
11 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
17 |
|
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
17 |
|
0 |
0 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
1 |
9 |
|
0 |
0 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
16 |
|
1 |
9 |
16 |
16 |
11 |
16 |
17 |
17 |
17 |
16 |
13 |
15 |
16 |
17 |
17 |
17 |
18 |
18 |
|
جدول شماره 7، سطوح نهایی عوامل مؤثر بر الگوی سیاستگذاری دادهمحور را نشان میدهد که با استفاده از تحلیل ماتریس دستیابی اولیه (جدول 6) و شناسایی مجموعههای دستیابی، مقدم و عناصر مشترک بهدست آمده است. این جدول مولفهها را در هفت سطح اولویتبندی کرده است، بهطوریکه مولفههای سطح 1 (C-17 و C-18) بالاترین تأثیرپذیری و کمترین تأثیرگذاری را دارند و مولفههای سطح 7 (C-1) بیشترین تأثیرگذاری را دارند. این سطحبندی با استفاده از روش ساختاری تفسیری (ISM) انجام شده است، که در آن مجموعههای دستیابی (مولفههایی که یک عامل بر آنها تأثیر میگذارد) و مجموعههای مقدم (مولفههایی که بر یک عامل تأثیر میگذارند) مقایسه شده و مولفههایی که مجموعه دستیابی و مشترک آنها برابر است، در سطوح بالاتر قرار میگیرند. این فرآیند بهصورت تکراری انجام شده تا تمام مولفهها در سطوح مختلف جای گیرند.
جدول7تعیین سطوح عوامل
|
سطح 1 |
C-17 |
C-18 |
||
|
سطح 2 |
C-14 |
C-15 |
C-16 |
|
|
سطح 3 |
C-8 |
C-9 |
C-10 |
C-13 |
|
سطح 4 |
C-7 |
C-12 |
||
|
سطح 5 |
C-3 |
C-4 |
C-6 |
C-11 |
|
سطح 6 |
C-2 |
C-5 |
||
|
سطح 7 |
C-1 |
نهایتا سطح بندی مولفه های نهایی در قالب جدول شماره 8 ارائه شده است:
جدول شماره 8 سطح بندی مولفه های نهایی
|
سطح 1 |
حکمرانی داده (C-17) |
استراتژی دادهمحور (C-18) |
||
|
سطح 2 |
تحول دیجیتال (C-14) |
مقیاسپذیری دادهها (C-15) |
منابع انسانی و داده(C-16) |
|
|
سطح 3 |
مشارکت و همکاری در دادهها(C-8) |
تطابق با مقررات قانونی(C-9) |
تحلیل پیشبینی و پیشرفتمحور(C-10) |
اخلاق داده(C-13) |
|
سطح 4 |
تعامل با فناوریهای نوین(C-7) |
ارزیابی عملکرد(C-12) |
||
|
سطح 5 |
یکپارچگی دادهها(C-3) |
فرآیندهای خودکارسازی دادهها(C-4) |
مدلهای کسب و کار مبتنی بر داده(C-6) |
خدمات مشتری مبتنی بر داده(C-11) |
|
سطح 6 |
زیرساختهای فناوری اطلاعات(C-2) |
امنیت دادهها(C-5) |
||
|
سطح 7 |
فرهنگ دادهمحور(C-1) |
نتیجه گیری
این تحقیق با هدف شناسایی و سطحبندی مولفههای الگوی سیاستگذاری دادهمحور در صنایع استارتآپی با رویکرد تحول دیجیتال انجام شد. نتایج نشان داد که 18 مولفه کلیدی در این الگو نقش دارند و در هفت سطح اولویتبندی شدند. در سطح اول، حکمرانی داده و استراتژی دادهمحور بهعنوان پایههای اصلی سیاستگذاری شناسایی شدند که نقش محوری در هدایت سایر مولفهها دارند. این مولفهها چارچوبی برای مدیریت مؤثر دادهها و تصمیمگیریهای استراتژیک فراهم میکنند. سطوح بعدی شامل PAP دیجیتال، مقیاسپذیری دادهها، منابع انسانی و داده، و مشارکت در دادهها هستند که به ترتیب نشاندهنده اهمیت فناوریهای نوین، توانایی پردازش حجم بالای دادهها، استفاده از دادهها در مدیریت منابع انسانی، و همکاریهای دادهای با سایر سازمانها برای ایجاد ارزش افزوده هستند. در سطوح میانی، تطابق با مقررات، تحلیل پیشبینی، و اخلاق داده قرار دارند که بر ضرورت رعایت چارچوبهای قانونی، استفاده از تحلیلهای پیشبینیکننده برای پیشبینی روندها، و توجه به اصول اخلاقی در استفاده از دادهها تأکید دارند. تعامل با فناوریهای نوین، ارزیابی عملکرد، یکپارچگی دادهها، و خودکارسازی فرآیندهای دادهای نیز در سطوح بعدی قرار گرفتند که نشاندهنده اهمیت بهرهگیری از فناوریهایی مانند هوش مصنوعی، ارزیابی مستمر عملکرد سازمانی، هماهنگسازی دادهها از منابع مختلف، و اتوماسیون برای افزایش کارایی هستند. در نهایت، مدلهای کسبوکار و خدمات مشتری مبتنی بر داده، زیرساختهای فناوری اطلاعات، امنیت دادهها، و فرهنگ دادهمحور در سطوح پایینتر قرار دارند. زیرساختهای فناوری اطلاعات، با قرارگیری در سطح هفتم، نقش بنیادین در پشتیبانی از سایر مولفهها دارد، در حالی که امنیت دادهها و فرهنگ دادهمحور بهعنوان بسترهای کلیدی برای حفاظت از دادهها و نهادینهسازی استفاده از دادهها در تصمیمگیریهای سازمانی عمل میکنند. این یافتهها با مطالعات پیشین همخوانی دارد. علاوی و لیدنر (2001) بر اهمیت زیرساختهای فناوری اطلاعات در جمعآوری و پردازش دادهها تأکید کردهاند که با جایگاه این مولفه در مطالعه حاضر سازگار است. مایر-شونبرگر و کوکییر (2013) بر نقش امنیت دادهها در ایجاد اعتماد عمومی تأکید دارند که با اهمیت امنیت دادهها در این تحقیق همراستاست. جوئل و همکاران (2024) و توری و لی (2022) بر نقش تحول دیجیتال و استراتژیهای دادهمحور در موفقیت استارتآپها تأکید کردهاند که با جایگاه این مولفهها در سطحبندی این مطالعه مطابقت دارد. ویسویزی و همکاران (2022) و شستاکف (2021) نیز به اهمیت فرهنگ دادهمحور و تصمیمگیری دادهمحور اشاره کردهاند که با نقش فرهنگ دادهمحور بهعنوان بستر تحول سازمانی همخوانی دارد. با این حال، برخلاف مطالعه ماسچ و همکاران (2022) که بر نقشهای شبکهای در استارتآپهای دادهمحور تمرکز داشت، این تحقیق چارچوبی ساختاری برای سطحبندی مولفهها و روابط متقابل آنها ارائه کرده است. یکی از محدودیتهای اصلی این تحقیق، نبود ادبیات داخلی کافی در زمینه سیاستگذاری دادهمحور در استارتآپها بود که مقایسه مستقیم با تحقیقات داخلی را غیرممکن کرد. همچنین، اتکای تحقیق به نظرات خبرگان ممکن است تحت تأثیر سوگیریهای ذهنی یا محدودیتهای نمونهگیری قرار گرفته باشد. برای ارتقای سیاستگذاری دادهمحور، استارتآپها باید چارچوب حکمرانی داده پویایی طراحی کنند که امنیت دادهها را تضمین کرده و زیرساختهای فناوری اطلاعات را برای مقیاسپذیری دادهها تقویت کند، همراه با پروتکلهای استاندارد برای یکپارچگی دادهها. برگزاری برنامههای آموزشی تخصصی برای نهادینهسازی فرهنگ دادهمحور از طریق ابزارهای دیجیتال مانند هوش مصنوعی و دادهکاوی ضروری است. سرمایهگذاری هدفمند در فناوریهایی مانند اینترنت اشیا و هوش مصنوعی برای نوآوری در مدلهای کسبوکار و ایجاد مزیت رقابتی توصیه میشود. استارتآپها باید از داشبوردهای تحلیلی یکپارچه برای تجمیع دادهها و ارائه تحلیلهای پیشبینیکننده استفاده کنند. ایجاد شبکههای همکاری دادهای با سازمانهای دیگر برای توسعه محصولات جدید و بهبود خدمات نیز پیشنهاد میشود. رعایت استانداردهای قانونی و اخلاقی در استفاده از دادهها برای جلب اعتماد مشتریان حیاتی است. برای تحقیقات آینده، بررسی تأثیر مدلهای کسبوکار داده بر رشد استارتآپها در بسترهای محلی، مطالعه چالشهای اجرای سیاستهای دادهمحور در استارتآپهای ایرانی، و نقش فرهنگ سازمانی در پذیرش این سیاستها پیشنهاد میشود. همچنین، بررسی تأثیر فناوریهای نوظهور مانند بلاکچین بر امنیت دادهها میتواند به توسعه دانش نظری و عملی در این حوزه کمک کند.
[1] Mixed-Methods
