دانلود ترجمه مقاله پیش‌بینی موفقیت ERP: یک رویکرد شبکه عصبی مصنوعی

1. مقدمه 2. بررسی مقالات 2.1. موفقیت پس از اجرای ERP 2.2. مشخصات سازمانی 2.3. سیستم خبره مبتنی بر ANN 3. روش تحقیق 3.1. شناسایی متغیرها 3.2. طراحی ابزار بررسی 3.3. جمع آوری داده ها 3.4. معماری ANN 3.5. آموزش شبکه ( اعتبار سنجی و آزمون ) 3.6. پیاده سازی سیستم 4. نتایج 5. نتیجه گیری

1. مقدمه: سیستم‌های برنامه‌ریزی منابع سازمان (ERP) به عنوان سیستم‌های نرم افزاری واحد تعریف شده‌اند که اجازه یکپارچه‌سازی کامل جریان اطلاعات از تمام نواحی عملیاتی در شرکت‌ها با استفاده از یک پایگاه داده واحد را می‌دهند، مانند یک سیستم قابل دسترسی از طریق یک رابط یکپارچه ارتباطات[1]. این سیستم ها به طور فزاینده ای توسط سازمان‌ها در تمام صنایع مختلف در کشورهای توسعه یافته و در حال توسعه پذیرفته شده‌اند. سازمان‌ها ERPها را به منظور ارتقاء بهره‌وری عملیاتی و اثر بخشی کسب و کار بکار می‌برند. [2-4]. آنها بهره وری عملیاتی را توسط یکپارچه سازی فرآیندهای کسب و کار و با ارائه دسترسی بهتر به اطلاعات یکپارچه در کل شرکت، بهبود می‌دهند. در حالی که شرکتی که تمایل به ارتقا بهره‌وری خود دارد ممکن است شیوه های کسب و کار خود را با استفاده از بهترین شیوه های جاسازی شده درERP طراحی مجدد نماید [1,5]. هرچند سیستمهای ERP می توانند سبب مزایایی مانند مزیت رقابتی، قابلیت‌های پشتیبانی تصمیم گیری و تواناییها و ظرفیتهای هوش کسب و کار شوند (به عنوان مثال [8-6]) ، نرخ بالای شکست یک نگرانی عمده است [1]. نرخ شکست پیاده‌سازی ERP در بین 60٪ و 90٪ برآورد شده است [9]. این پروژه ها، به طور متوسط، 178٪ بالاتر از بودجه، 2.5 برابر بیش تر از آنچه در نظر گرفته شده و دریافت تنها 30 درصد از سود وعده داده شده هستند [10]. یافته های تحقیقات دیگر نشان می دهد که سازمان‌ها همیشه به سطح مورد نظر خود از سرمایه گذاری‌های ERP خود دست نمی‌یابند[6،11]. این آمار نشان می دهد که پروژه های ERP یکی از مشکل‌ترین پروژه‌های توسعه سیستم می‌باشد. آنها پروژه‌های بسیار پیچیده هستند و اغلب به تغییرات اساسی سازمانی نیاز دارند. برای جلوگیری از چنین شکست‌های پرهزینه و کمک به سازمان‌ها در کسب مزیت بیشتر پیاده سازی سیستم خود، توسط محققان تلاش زیادی شده است. برخی از محققان بینش ارزشمندی در روند پیاده سازی ERP فراهم کرده اند [12-16] و برخی دیگر انواع عوامل موثر بر موفقیت یا شکست سیستم را شناسایی کرده اند[10،17،18]. درک ماهیت سیستمهای سازمانی ESs)) و موفقیت ERPها نیز تمرکز مورد توجه تحقیقات علمی در سال های اخیر بوده است. [10،19-25] با وجود این مطالعات، تحقیقات کمی بر اندازه گیری احتمال موفقیت/شکست ERP، به جز در کار انجام شده توسط چانگ و همکاران وجود دارد. [26] که در آن چارچوب بر اساس روابط ناقص اولویت زبانی تحت یک محیط تصمیم‌گیری چند معیاره برای اندازه گیری احتمال موفقیت / شکست شروع یک سیستم ERP ارائه شده است. آنها مدلی ارائه دادند که از لحاظ تکنولوژیکی، محیطی و سازمانی با موفقیت پس از پیاده سازی ERP مرتبط است. اگرچه کار خود را در مطالعات جاری بر ERP از مرحله پیاده سازی تا مرحله پس از اجرا بسط داده‌اند، ما معتقدیم که کار آنها از نظر تعداد عامل‌ها و موارد بررسی شده محدودیت داشته است. در کار مرتبط دیگر، Tsai و همکاران [27] چارچوبی برای تحقیق در مورد چگونگی معیارهای انتخاب ERP ایجاد کرده‌اند که به کیفیت سیستم و خدمات ارائه شده توسط تأمین کنندگان و مشاوران و، در نتیجه، چگونگی تاثیر این موارد بر موفقیت پیاده سازی ERP و منافع خالص سیستم، مرتبط شده است. نتایج آنها نشان داد که این سیستم، معیارهای انتخاب تأمین کننده و مشاور، تأثیر مثبتی بر منافع خالص از طریق فرآیند کیفیت خدمات و دیدگاه کاربر دارد. با این حال، آنها شرایط سازمانی را در تجزیه و تحلیل خود به حساب نیاورده‌اند. بنابراین، در این مقاله، با اتخاذ دیدگاهی کلی و جامع تر از برخی مشخصات سازمانی (مانند نوع صنعت، اندازه، ساختار، سبک مدیریت، سیستم های IT و غیره)، تلاش شده است به روابط بین برخی مشخصات سازمانی و موفقیت سیستم ERP اشاره شود. در همین حال، در این مقاله سعی شده است به این پرسش تحقیق پاسخ داده شود: • چگونه می توان مشخصات سازمانی را به موفقیت ERP مربوط ساخت؟ پاسخ به پرسش تحقیق فوق یک مدل پویا برای کمک به شرکت‌ها در تعیین سطح موفقیت مورد نظر در پیاده سازی ERP و عرضه ویژگی‌های سازمانی مورد نیاز ایجاد می‌کند. به این معنی که مدل و ابزار پیش‌بینی موفقیت ERP به عنوان یک تسهیل کننده برای سبک کردن برنامه های آماده‌سازی ERP خدمت می کنند. از آنجایی که این مدل ارتباط بین سطح موفقیت مورد نظر و ویژگی‌های سازمانی مورد نیاز را روشن می‌سازد، می تواند توجیه مناسبی برای برنامه‌های آماده‌سازی ارائه نماید. به طور کلی، هنگامی که ERPها مورد توجه قرار می‌گیرند، پارامترهای متعدد و عوامل موثر در موفقیت آن وجود دارد. بنابراین، پاسخ به این پرسش با ایجاد یک مدل ریاضی دقیق برای استخراج روابط دشوار به نظر می‌رسد. در همین حال، روش دیگری برای شناسایی چنین الگوهای پنهان مورد نیاز است. با توجه به این پیچیدگی، مدل ارائه شده باید قابلیت طبقه بندی و پیش بینی کردن داشته باشد، که شبکه‌های عصبی مصنوعی ( ANN ها ) را تکنیک مناسبی برای کاربرد سیستم های خبره می‌سازد، و در حال حاضر معمولا در نوشتجات استفاده می شود [ 28-30 ] . هدف از این پژوهش، به تبع آن، این است که مجموعه‌ای از پارامترها و عامل‌های سازمانی، از یک سو، و مجموعه‌ای از عامل‌های موفقیت ERP، از سوی دیگر، را طبقه بندی کنیم و پس از آن سیستم خبره مبتنی بر ANN به منظور پیش بینی و توصیه سطح احتمالی موفقیت ERP ایجاد و طراحی نماییم. اعتبار سنجی سیستم خبره نیز توسط نویسندگان انجام می شود. ساختار مقاله به شرح زیر است : بخش 2 بررسی ادبیات در موفقیت ERP، مشخصات سازمانی و سیستم های خبره مبتنی بر ANN را نشان می‌دهد. بخش 3 روش تحقیق پیشنهادی و معماری ANN را توصیف می کند. بخش 4 در مورد نتیجه آموزش ANN ، اعتبار و آزمایش، و همچنین پیاده سازی سیستم خبره بحث می‌کند. در نهایت، بخش 5، نتیجه‌گیری، یافته‌های تحقیق را ارائه می دهد.

Enterprise Resource Planning (ERP) systems are defined as single software systems allowing the complete integration of information flow from all functional areas in companies by means of a single database, such a system is accessible through a unified interface of communication [1]. These systems have been increasingly adopted by organizations across various industries in both developed and developing countries. Organizations implement ERPs to enhance both operational efficiency and business efficacy [2–4]. They improve operational efficiency by integrating business processes and by providing better access to integrated data across the entire enterprise, while a company that wishes to enhance its efficacy may redesign its business practices by using the best practices embedded in the ERP [1,5]. Although ERP systems can bring about benefits such as competitive advantage, decision support capabilities and business intelligence competences (e.g. [6–8]), the high failure rate is a major concern [1]. The failure rate of ERP implementation has been estimated at between 60% and 90% [9]. These projects are, on average, 178% over budget, take 2.5 times longer than intended and deliver only 30% of the promised benefit [10]. Other research findings indicate that organizations do not always achieve their desired level from their ERP investments [6,11]. These statistics imply that ERP projects are one of the most difficult system development projects. They are quite complex projects and often require fundamental organizational changes. To avoid such costly failures and help organizations take more advantage of their system implementation, a great deal of effort has been made by researchers. Some researchers have provided valuable insight into the process of ERP implementation [12–16] and others have identified a variety of critical factors influencing the success or failure of the system [10,17,18]. Understanding the nature of Enterprise Systems (ESs) and ERPs success has also been the focus of scholarly research interest in recent years [10,19–25]. Despite these studies, there is little research on measuring the ERP success/failure possibility except for the work conducted by Chang et al. [26] in which they proposed a frame- work based on incomplete linguistic preference relations under a multi-criteria decision making environment to measure the success/failure possibility of initiating an ERP system. They presented a model in which three technological, environmental and organizational aspects are associated with the postimplementation success of ERP. Although their work extended the current studies on ERP from the implementation stage to the post-implementation stage, we believe that their work has limitations, in terms of the number of both factors and cases investigated. In another related work, Tsai et al. [27] developed a framework for investigating how ERP selection criteria are linked to system quality and the service provided by suppliers and consultants, and, thus, how these influenced ERP implementation success and system net benefits. Their results implied that the system, supplier and consultant selection criteria had positive influences on net benefits through the service quality process and user perspective. However, they have not taken organizational circumstances into account in their analysis. In this paper, therefore, with adopting a more holistic and comprehensive view of some of the organizational profiles (such as industry type, size, structure, management style, IT systems and so on), it has been attempted to point out the relationships between some organizational profiles and ERP system success. Meanwhile, the paper has tried to answer the following research question: • How can organizational profiles be related to ERP success? The response to the above research question would create a dynamic model to help firms determine the desired success level in ERP implementation and supply the needed organizational characteristics. Thismeans that an ERP success prediction instrument and model would serve as a facilitator to cast light on ERP preparation plans. Since this model illuminates the relationships between the desired success level and the needed organizational characteristics, it can provide proper justification for preparation plans. Generally, when ERPs are being taken into consideration, there are numerous parameters and factors affecting its success. So, it sounds difficult to answer this question by developing a precise mathematical model for eliciting the relationships. Meanwhile, another approach is required to identify such hidden patterns. Due to such complexity, the proposed model should have classification and forecasting capabilities, which makes Artificial Neural Networks (ANNs) an appropriate technique to apply to expert systems, as is now commonly used in the literature [28–30]. The objective of this research, consequently, is to classify a set of organizational parameters and factors, on the one hand, and a set of ERP success factors, on the other hand, and then develop and design the ANN-based expert system in order to predict and recommend the probable ERP success level. Validation of the expert system is also done by the authors. The paper is organized as follows: Section 2 presents literature reviews on ERP success, organizational profiles and ANN-based expert systems. Section 3 describes the proposed research method and ANN architecture. Section 4 discusses the result of ANN training, validation and testing, as well as expert system implementation. Finally, Section 5, the conclusion, offers the research findings.