پایان نامه بانکداری پروژه مقالات ترجمه شده مقاله

دانلود مقاله تاثیر پذیرش هوش تجاری بر عملکرد بانک ها

0 203 خواندن این مطلب 4 دقیقه زمان میبرد

[box type=”note” align=”aligncenter” class=”” width=””]ورد (doc) | حجم فایل : 208کیلوبایت (word) | تعداد صفحات : 25| قیمت : 25۰۰۰ تومان[/box]

چکیده:بررسی فرآیندهای سودآور که ماحصل سرمایه‌گذاری بانک‌ها است، نظارت و مدیریت داخلی بانک‌ها و یقین پیدا کردن مدیران از سلامت فرآیندهای مالی، بررسی میزان نقدینگی بانک، ارتقای سطح کیفیت خدمات بانکداری الکترونیکی و مواردی از این قبیل اولویت‌های بانک‌های مهم بانک‌ها در سطح کشور هستند. برای دست‌یابی بانک‌ها به این اهداف مهم یکی از راهکارهای کاربردی، استفاده از هوش تجاری در بانکداری و مدیریت داده‌هاخواهد بود.در این پژوهش با استفاده از روش توصیفی یک چارچوب مفهومی برای سنجش تأثیر پذیرش هوش تجاری بر عملکرد بانک ارائه شد. این مطالعه یک چارچوب اولیه برای دستیابی به یک مدل به منظور ارزیابی و تعیین کمی تأثیر پذیرش هوش تجاری بر عملکرد بانک ها در آینده خواهد بود. این مطالعه راه را برای ایجاد فرصتی به منظور انجام تحقیقات بیشتر در مورد هوش تجاری در صنعت بانکداری هموار می کند.کلمات کلیدی :هوش تجاری، پذیرش هوش تجاری، عملکرد بانک

۱.مقدمه

ما پس از تأثیر رویکردها بر داده ها و پیشرفت های مربوطه ، بی درنگ وارد دنیای مبتنی بر یادگیری می شویم. تحول داده ها و نوآوری ارتباطات به ما امکان بکارگیری و دسترسی اولیه به داده ها ، مبادلات متنوع و حتی تعهد عملی به میزان اطلاعات فعلی را می دهد. هوش تجاری اصطلاحی است که در اواسط دهه 90 توسط گروه گارتنر ( برتون و همکاران، 2006 ) معرفی شد و اکنون به عنوان سنگ بنای بسیاری از شرکت ها استفاده می شود. به عنوان یک اصطلاح “چتر” در نظر گرفته می شود که شامل برنامه ها، زیرساخت ها، ابزارها و شیوه های مورد استفاده برای بهبود و بهینه سازی تصمیم گیری و عملکرد، از طریق دسترسی و تجزیه و تحلیل داده ها و اطلاعات است. سیستم‌های انبار داده/ هوش تجاری سیستم‌های پشتیبانی تصمیم مبتنی بر داده هستند ( شاردا، دلن، توربان، آرونسون، و لیانگ، 2015 ) که با استفاده از یک مخزن یکپارچه، قابلیت‌های تحلیلی و پشتیبانی تصمیم را برای کاربران تجاری فراهم می‌کنند (کیمبال و راس، 2013). در حالی که این سیستم ها در مدیریت و تجزیه و تحلیل داده های ساختاریافته و مبتنی بر تراکنش برتری دارند، اما آماده رویارویی با تنوع فزاینده داده های بدون ساختار نیستند(ساوادوگ و دارمونت،2021).علاوه بر این، دسترسی مبتنی بر پایگاه داده به داده‌هایی که معمولاً توسط سیستم‌های سیستم‌های ذخیره داده هوش تجاری ارائه می‌شود برای انواع داده‌ها و جدیدترین الگوریتم‌های مورد استفاده در هوش مصنوعی (AI) و تجزیه و تحلیل علم داده ناکافی می‌شود(اینمون و همکاران،2021).نیاز به استخراج اطلاعات و جمع‌آوری دانش از منابع مختلف در دنیای کلان داده[1] که در آن داده‌ها در هر ثانیه به شکل‌ها و اشکال بی‌شماری ایجاد می‌شوند، روز به روز در حال افزایش است ( گوپتا، کار، باعبدالله، و الخویتر، 2018 ). مراقبت‌های بهداشتی، خدمات و مدیریت مالی، مدیریت دولتی و حاکمیت ، و سیستم‌های پشتیبانی تصمیم برخی از رشته‌های مدیریت نوظهور هستند که کلان داده و تجزیه و تحلیل آن نقش کلیدی دارند(کوشواها[2] و همکاران،2021).سازمان‌ها شروع به تطبیق معماری دریاچه داده (DL) به عنوان ذخیره‌سازی اولیه برای مجموعه کلان داده در سیستم‌های اطلاعاتی (IS) خود کرده‌اند ( اینمون، 2016). هنگامی که این داده‌ها کاملاً یکپارچه و سازمان‌دهی شوند، می‌توانند توسط دانشمندان داده و کاربران تجاری برای قدرت بخشیدن به علم داده، تجزیه و تحلیل کلان داده ، و ابزارها و الگوریتم‌های هوش تجاری استفاده شوند و بدین ترتیب ارزش تجاری خود را درک کنند.فعالیت‌های تجاری معمولاً داده‌های ساختاری مربوط به فرآیندها و تراکنش‌های تجاری خود را تولید می‌کنند. داده های بدون ساختار به داده های متنی و داده های منابع دیگر مانند حسگرها ، تصاویر و ویدئو تقسیم می شوند. اگرچه در ادبیات اخیر بر تحقیقات داده های بدون ساختار تأکید شده است ( کومار، کار، ایلاواراسان، 2021 ، سینگ، دیوی، دیوی، ماهانتا، 2022 )، اهمیت و تأثیر داده های ساختاریافته و تکنیک های سیستم‌های انبار داده/ هوش تجاری در تحلیل آن قابل انکار نیست ( شاردا و همکاران، 2015). تجزیه و تحلیل داده های ساختاریافته به دلیل نمایش تراکنش های تجاری بسیار مهم است و ارزش تجاری بالایی دارد. برای مثال، بیشتر شاخص‌های عملکرد کلیدی مرتبط با تراکنش (KPI) به‌عنوان داده‌های ساختاریافته (مثلاً ارزش فروش و مقادیر محصول) در دسترس هستند. علاوه بر این، داده‌های تاریخی ساخت‌یافته نیز در توسعه تحلیل توصیفی، پیش‌بینی‌کننده و تجویزی، همانطور که اخیرا استفاده از روش‌های یادگیری ماشین برای داده‌های ساخت‌یافته و به‌دست‌آوردن پیش‌بینی‌هایی در مورد ورود گردشگران هر کشور نشان داده شده است، مفید است( آلتونتاس، سلیم، و آلتونتاس، 2022 ).سیستم‌های سیستم‌های ذخیره داده هوش تجاری برای پشتیبانی از نیازهای تحلیلی بخش‌ها یا حوزه‌های تجاری مختلف در یک سازمان طراحی، توسعه یافته و استفاده می‌شوند و «نسخه واحدی از حقیقت» را ارائه می‌دهند. به همین دلیل، داشتن واژگان یا اصطلاحات مشترک که به کاربران تجاری اجازه می دهد با یکدیگر و با تیم توسعه ارتباط برقرار کنند، ضروری است ( کیمبال، راس، تورنث وایت، موندی، و بکر، 2008 ). دانش و ارزش گسترده ای که از یکپارچه سازی داده ها در محتوا، برنامه ها و سیستم ها به دست می آید در حال حاضر تا حد زیادی استفاده نشده است(گاندون، 2018 ).