گسترش سریع منابع کامپیوتری پتانسیلی را برای وارد کردن هوش تجاری در سیستم های پشتیبانی از تصمیم زنجیره های تأمین به وجود آورده است.
با افزایش در دسترس بودن پایگاه داده های گسترده شرکتی، حجم داده های جمع آوری شده با نرخ عظیمی در حال رشد است. پایگاه داده های شرکتی سرشار از اطلاعات مخفی هستند که این فرصت را برای شرکت ها به وجود آورده است تا عملیات شان را با نگاه به داده ها درک و تحلیل کنند. این کار برای زنجیره های تأمین با اجراکنندگان و محدودیت های بیشتر حساسیت بیشتری دارد. یکی از اهداف مدیریت زنجیره تأمین، کاهش یا حذف تمام فعالیت هایی است که ارزش افزوده ایجاد نمی کنند و بر عواملی تمرکز دارند که ارزش و بهره وری را بیشینه می کنند. این کار مستلزم تلاش مشترک برای برنامه ریزی همکاری، پیش بینی و تهیه و تدارک در میان مجریان در زنجیره تأمین است. بهبود رابطه میان تمام شرکا در زنجیره تأمین از طریق برنامه ریزی مدیریت شده مشترک و اطلاعات مشترک امری مهم است. کیفیت و فراوانی اطلاعات تقاضاها را به یک تعهد قدرتمند برای مشارکت سازمان های شریک تبدیل می کنند. برنامه ریزی و پیش بینی، هر دو نیازمند اطلاعات قوی تبادلی در تمام سطوح روابط هستند. روابط بدون رضایت میان طرفین منجر به جریان یافتن اطلاعات بی کفایت در زنجیره تأمین می شود.
ما در تحلیل هایمان نگاهی به مثال واقعی در صنعت خودروسازی در خصوص این اطلاعات مشترک انداخته ایم و روش های تحلیلی در مورد چگونگی استفاده موثرتر از اطلاعات برای بهبود عملیات ارائه کرده ایم.
صنعت خودروسازی به علت وجود ساختار رابطه ای قوی در میان مجریان، ساختار پیچیده محصولات و عوامل جغرافیایی، خودش را به عنوان یک مثال خوب برای بهبودهای بالقوه با تحلیل بهتر داده ها مطرح ساخته است. ایجاد تعمیم های سطح بالا بدون کاوش در داده ها و آن ها به صورت سیستماتیک امکان پذیر نیست. ما یک مدل پیش بینی سفارش مشتری را که در آن پیش بینی های سفارش در تاریخ های آینده به عنوان ورودی برای یک سری از تصمیمات برنامه ریزی دارایی استفاده می شود در نظر می گیریم. ما سفارش هایی را تحلیل می کنیم که توسط یک تأمین کننده که قطعات خودرو را تولید می کند دریافت شده است.
مشتریان می توانند سفارش های خود را به عنوان روش های موعد مقرر به روز رسانی کنند. تأمین کننده تضمین ارائه خدمات سطح بالا را همانطور که متعهد شده است به مشتریان بر عهده دارد. از آنجایی که ظرفیت محدود است و زمان تقدم برای تولید وجود دارد، تأمین کننده ممکن است نتواند سفارشات مشتریان را انجام دهد. بنابراین، برنامه ریزی تولید و تصمیمات ظرفیت بایستی با دقت انجام شوند تا به سطوح بالای خدمات دست یابند. از آنجایی که مقادیر تولید از پیش تعهد شده اند، بسیار مشکل است که مقادیر نهایی هر قطعه مورد نظر را پیش بینی کرد. هدف ما بهبود عملیات تأمین کننده از طریق درک بهتر رفتار سفارش دهی مشتریان است. ما روشی را ارائه می کنیم که می تواند به منظور تحلیل پیش بینی رفتار تولیدکنندگان به کار رود.
در گام اول تحلیل ما، داده های پیش بینی تولید کنندگان به قالبی تبدیل می شوند که می تواند به عنوان ورودی برای تحلیل های آتی به کار رود. سفارش ها جایگزین جریان های روزانه می شوند تا نیازمندی های روزانه تولیدکنندگان را پیش بینی کرده و بر پیچیدگی هایی که از مشکلات سفارش دهی از قبیل جداسازی سفارش ها، ترکیب سفارش ها و تغییرات در موعد مقرر ناشی می شوند غلبه کنند.
در گام دوم تحلیل، از تکنیک های داده کاوی نظیر خوشه بندی و روش های افکنش برای به تصویر کشیدن رفتار پیش بینی تولید کنندگان استفاده می کنیم. ما در تحلیل مان، پیچیدگی های مختلف سفارش را که در سوابق مطرح نشده است معرفی می کنیم.
مدل های تحلیلی که رفتارهای سفارش دهی مشابه را فرض می کنند می توانند برای دستیابی به سیاست هایی که عملکرد تأمین کننده را بهبود می بخشند استفاده شوند.
یک نقطه مهم دیگر، عدم تحقیق تجربی در حوزه مدیریت زنجیره تأمین برای رفتار سفارش است.
نتایج ما پشتیبانی تجربی قوی برای مدل هایی که رفتارهای مختلف پیش بینی را در سوابق مربوطه فرض می کنند ارائه می کند. ما در تحلیل ها نشان می دهیم که در طی زمان رفتار پیش بینی مشتریان ثابت است. مثال هایی هم از سفارشات بیش از برآورد و کمتر از برآورد ارائه می کنیم. در سوابق مطالعاتی مدل هایی وجود دارد که اندازه های سفارش تحت فرضیات مختلف را توضیح می دهد. (کاچون و لاریور 1999)
با این حال، تحقیق برای ارائه مثال های واقعی برای رفتار سفارش دهی به خوبی مستند نشده است. تحقیق ما به درک عوامل اساسی در کارایی پیش بینی کمک می کند.
تعاریف
داده کاوی
به طور کلی، داده کاوی (کشف داده ها یا کشف دانش) ، فرآیند تحلیل داده ها از ابعاد گوناگون و جمع بندی آن در قالب اطلاعات مفید است. اطلاعاتی که می تواند برای افزایش درآمد، کاهش هزینه ها و یا هر دوی آن ها استفاده شود. یکی از ابزارهای تحلیلی داده ها ، نرم افزارهای داده کاوی هستند. این نرم افزارها به کاربران اجازه می دهند تا داده ها را ازابعاد و زوایای مختلف تحلیل کنند و آن ها را دسته بندی کرده و روابط کشف شده را جمع بندی کنند. از لحاظ فنی، داده کاوی فرآیند یافتن روابط یا الگوهایی در میان زمینه های مختلف در پایگاه داده های وابسته بزرگ است.
ارزیابی نام تجاری
ارزیابی نام تجاری [1] فرآیند برآورد کل ارزش مالی یک نام تجاری است. مانند ارزیابی هر محصول، یا تضادها و یا علاقه مندی ها و سایر مواردی که به نام تجاری ارزش می دهند. در ارزیابی نام تجاری برخی عوامل مهم هستند. از جمله : شفافیت، اعتبار، قابلیت اطمینان، کفایت، عینیت و پارامترهای مالی، رفتاری و قانونی.
کاربردهای ارزیابی نام تجاری
- گزارش ارزش
- صدور مجوز
- حل اختلاف
- معامله قانونی
- حسابداری
<img class="alignnone size-full wp-image-590994 aligncenter” src="https://ziso.ir/wp-content/uploads/2021/02/Accounting-284.jpg” alt="حسابداری” width="400″ height=”
266″ />
- طرح ریزی استراتژیک
- اطلاعات مدیریت
- برنامه ریزی مالیاتی و انطباق
- انحلال
- پشتیبانی دادخواهی
- جمع آوری پول
اهداف تحقیق
در این تحقیق به دنبال دستیابی به اهداف زیر هستیم:
هدف آرمانی: اتخاذ تصمیم همواره درست در زمینه ارزیابی نام تجاری
اهداف فرعی:
- بررسی عوامل موثر بر ارزیابی نامهای تجاری متفاوت
- بررسی نقاط قوت و ضعف در مدلهای موجود برای ارزیابی نام تجاری و انتخاب یک مدل یا ترکیب چند مدل برای انجام ارزیابی نام تجاری در ایران
سوالات تحقیق
- چه عواملی به طور مستقیم و غیرمستقیم در ارزیابی نام تجاری موثرند و چه رابطهای با یکدیگر دارند؟
- چه رابطهای میان بخشهای متفاوت ارزیابی شاخص های موثر بر نام تجاری وجود دارد؟
فرضیات تحقیق
- ارائه مدل و ساختاری مناسب جهت پیش بینی شاخص های موثر در جهت ارزیابی نام تجاری عامل مهمی در تحقق این هدف است.
- بین شاخصهای موجود از نام تجاری در بانک اطلاعاتی و ارزیابی نام تجاری رابطه معنی داری وجود دارد.
متن کامل را می توانید دانلود نمائید
چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)
ولی در فایل دانلودی متن کامل پایان نامه
با فرمت ورد word که قابل ویرایش و کپی کردن می باشند
موجود است
فرم در حال بارگذاری ...
