تحلیل سبد درخواست قطعات با استفاده از داده‌کاوی در راستای بهبود پیش‌بینی و تأمین نیازمندی‌های سامانه آماد و پشتیبانی دفاعی

نوع مقاله : مقاله علمی- پژوهشی

نویسندگان

1 استادیار دانشگاه علوم و فنون هوایی شهید ستاری، تهران

2 کارشناس ارشد آماد دانشگاه علوم و فنون هوایی شهید ستاری، تهران

3 دانشیاردانشکده رایانه، دانشگاه علوم و فنون هوایی شهید ستاری، تهران

چکیده

داده‎‌کاوی فناوری قدرتمندی است که توانایی کشف دانش نهفته در گستره­ای عظیم از داده‎‌ها را دارد. هدف این پژوهش تجزیه و تحلیل سبد درخواست اقلام فنی به‌­وسیله داده‎‌کاوی در راستای بهبود پیش‌‎بینی و تأمین‌ نیازمندی­‌های سامانه آماد و پشتیبانی دفاعی می‌‎باشد. بنابراین در مرحله کشف الگوها و قوانین انجمنی از نظر هدف کاربردی، از نظر ماهیت و روش اکتشافی و از نظر گردآوری اطلاعات کتابخانه‌‌ای است. در مرحله ارزیابی مفید و کاربردی بودن الگوها از نظر هدف توسعه‌ای، روش توصیفی- پیمایشی و گردآوری اطلاعات میدانی می‌‌باشد. جامعه آماری برای داده‌‎کاوی، پایگاه داده اطلاعات درخواست اقلام و قطعات فنی توسط یگان­‌های یک سازمان دفاعی جهت سامانه‎‌ها و مراکز تعمیری مربوط به آن در یک بازه زمانی 10 سال می‌­باشد. جامعه آماری برای سنجش رابطه نتایج داده‎‌کاوی با پیش­‌بینی و تأمین‌ نیازمندی‌­ها، خبرگان سامانه آماد و پشتیبانی سازمان دفاعی می‌‎باشند. به‎‌منظور تحلیل داده‎ها برای داده‌‎کاوی از روش فرآیند استاندارد تعامل با کسب و کار و نرم‌‌افزارهای اس. کیو. ال. سرور و رپید ماینر و برای تحلیل داده‌‌های گردآوری شده از طریق پرسشنامه از نرم افزار اس. پی. اس. اس. استفاده گردیده است. نتایج این پژوهش نشان داد که می‎‌توان از روش کشف قوانین انجمنی به منظور تجزیه و تحلیل سبد درخواست قطعات فنی و دستیابی به الگوی درخواست استفاده نمود و الگوها و قوانین کشف شده در بهبود عملکرد سامانه آماد و پشتیبانی در حوزه پیش‌­بینی و تأمین‌ نیازمندی­‌های اقلام و قطعات فنی کاربرد دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Analysis of Parts Request Portfolio Using Data Mining in order to Improve Forecasting and Supply the needs of the Defense Logistics System

نویسندگان [English]

  • Amir Sadeghi 1
  • Mohammad Karsaz 2
  • Mahmood Deypir 3
  • Mahmoud Gholami 1
1 Assistant Prof. in Shahid Sattari Aeronautical University of science and technology
2 M.A in Logistics of Shahid Sattari Aeronautical University of Science and Technology
3 Associate Prof. in Shahid Sattari Aeronautical University of Science and Technology
چکیده [English]

Data mining is a powerful technology that has the ability to discover knowledge hidden in a huge range of data. The purpose of this study is to analyze the portfolio of technical parts by data mining in order to improve the forecast and supply the needs of the defense logistics system. Therefore in the stage of discovering patterns and association in terms of purpose is applied, nature and method is exploratory and library information collection, and in the stage of evaluating the usefulness of patterns in terms of purpose, developmental, the nature and method is descriptive- survey and field information collection. The statistical population for data mining is the database of information technical parts requested by the units of a defense organization for related systems and repair centers over a period of 10 years. The statistical population to measure the relationship between data mining results and forecasting and supply the requirements is expert’s logistics systems. In order to analyze the data for data mining, the cross- industry standard process and SQL Server and Rapid Miner software has been used, and to analyze the data collected through a questionnaire, SPSS software has been used. The results of this study showed that method of discovering association rules can be used to analyze the request portfolio of technical parts and achieve the request pattern, and the patterns and the discovered patterns are used to improve the performance of the logistics system in the field of forecasting and supply the requirements of technical parts

کلیدواژه‌ها [English]

  • Forecasting
  • Request Portfolio
  • Cross- Industry Standard Process (CRISP)
  • Logistics
  • Data Mining
  • انواری رستمی، علی‏اصغر. (1392). سیستم‏های خرید، انبارداری و توزیع (چاپ 10). تهران، مرکز چاپ و انتشارات دانشگاه پیام نور.
  • بشکنی، آسوده یدکی، محمدی ملو. (1394). بهبود مدیریت ارتباط با مشتری مبتنی بر داده‎کاوی. دومین همایش الکترونیکی پژوهش‌های نوین در علوم و فناوری دانشگاه آزاد اسلامی کرمان.
  • خدیور، آمنه و حامدی، پروشات. (1394). ارائه یک الگو ترکیبی داده‎کاوی با استفاده از قواعد انجمنی و خوشه بندی برای تعیین استراتژی تخفیف­دهی، مطالعه موردی شرکت پخش پگاه، راهبردهای بازرگانی، (5)، 39- 52.
  • دیوسالار، بهبود. (1385). مدیریت بر اطلاعات مشتری در مدیریت زنجیره تأمین‌ با استفاده از رویکرد داده‎کاوی. مدیریت فردا، (13 و 14)، 67- 73.
  • روزبه، محمد. (1393). فرآیند استاندارد فراصنعتی داده‎کاوی. تهران: انتشارات صانعی.
  • زنجیرانی فراهانی، رضا و عسگری، نسرین. (1390). مدل­سازی زنجیره تدارکات اقلام در سیستم آماد و پشتیبانی. فصلنامه علمی- ترویجی مدیریت زنجیره تأمین‌، 14 (36).
  • زینلی، نصرا... (1394). آماد و پشتیبانی (لجستیک) هوایی در دفاع مقدس (از آغاز تا شروع جنگ تحمیلی). تهران: مرکز انتشارات راهبردی نهاجا.
  • سپهری، محمد مهدی و کارگری، مهرداد. (1391). بهبود الگوریتم خوشه بندی مشتریان برای توزیع قطعات یدکی با رویکرد داده‎کاوی (K-means). مهندسی صنایع و مدیریت تولید، (2)، 240- 249.
  • شاه محمدی، غلامرضا و عباسی، سعید. (1397). تعیین عوامل مؤثر در تصادفات درون شهری با استفاده از روش های داده‌کاوی (موردمطالعه: شهر اصفهان). پژوهشنامه جغرافیای انتظامی، 6 (21)، 135- 162.
  • صراف جوشقانی، حسن، غفاری توران، حسین. (1391). بهینه کاوی در مدیریت زنجیره تأمین‌ نظامی. فصلنامه علمی ترویجی مدیریت زنجیره تأمین‌، 14 (36)، 62- 82.
  • صنیعی آباده، محمد، محمودی، سینا و طاهرپرور، محدثه. (1393)، دادهکاوی کاربردی. تهران: انتشارات نیاز دانش.
  • عبدالمنافی، سعید و غلامی، محمود. (1398). مدیریت زنجیره تأمین‌. تهران: انتشارات دانشگاه پیام نور.
  • عیسایی، حسین. (1390). مدیریت لجستیک (کارکردها و فرآیندها). تهران: انتشارات دانشگاه جامع امام حسین (ع).
  • غضنفری، مهدی، علیزاده، سمیه و تیمورپور، بابک. (1393). داده‌کاوی و کشف دانش (چاپ چهارم). تهران: انتشارات دانشگاه علم و صنعت ایران.
  • غفاری، علی. (1390). افزایش اثربخشی سیستم مدیریت نگهداری و تعمیرات کامپیوتری به وسیله داده کاوی. دومین همایش علوم و فناوری های نوین در صنعت پالایش، اصفهان.
  • فرهمند، محمد. (1381). سیستمهای اطلاعات مدیریت آماد فنی هوایی. تهران: انتشارات دانشگاه علوم و فنون هوایی شهید ستاری.
  • مرادی، محسن، منعم، حسین و مرادی، مهرداد. (1394). قوانین انجمنی در داده‎کاوی. همایش ریاضیات و کاربرد آن در علوم مهندسی، دانشگاه آزاد اسلامی.
  • معتمد، مهدی (1394). شناسایی راهکارهای کاهش هزینه‌های تأمین‌ اقلام آماد همگانی در نیروی هوایی ارتش جمهوری اسلامی ایران، پایان نامه کارشناسی ارشد رشته آماد، دانشگاه علوم و فنون هوایی شهید ستاری.
  • نجفی، زهرا، ارقامی، شیرازه و صادقی، رسول. (1398). پیش‌بینی عوامل مؤثر بر پیامدهای تصادفات جاده ای با استفاده از الگوریتم واکاوی داده‌های انبوه. یازدهمین همایش سراسری بهداشت و ایمنی کار، تهران.
  • یوسفی طزرجان، مصطفی، علاء، اسرافیل و ملاباقر، مریم. (1399). مدلی برای پیش‌بینی عملکرد دانشجویان دانشگاه جامع علمی کاربردی در آزمون متمرکز مبتنی بر داده‌کاوی. فصلنامه فن آوری اطلاعات و ارتباطات در علوم تربیتی، 10 (40)، 109- 127.

 

  • Abdulsalam, S. O., Adewole, K. S., Akintola, A. G., & Hambali, M. A. (2014). Data mining in market basket transaction: An association rule mining approach. International Journal of Applied Information Systems (IJAIS), 7(10), 15-20.‏
  • Adekitan, A. I., & Salau, O. (2019). The impact of engineering students' performance in the first three years on their graduation result using educational data mining. Heliyon5(2), e01250.‏
  • CII Institute of Logistics. (2008). Fundamentals of logistics. CII Institute of Logistics. From www.ciilogistics.com.
  • Fazlzadeh, A., Tabrizi, M. M., & Mahboobi, K. (2011). Customer relationship management in small-medium enterprises: The case of science and technology parks of Iran. African Journal of Business Management5(15), 6159-6167.‏
  • Ghorbani, K., KHALILI, A., Alavipanah, S. K., & NAKHAEIZADEH, G. R. (2010). Comparative study of the meteorological drought indices (SPI and SIAP) using data mining method (case study of Kermanshah Province).‏
  • Kaur, M., & Kang, S. (2016). Market Basket Analysis: Identify the changing trends of market data using association rule mining. Procedia computer science85, 78-85.‏
  • Mansur, K. (2012). Product inventory predictions at small medium enterprise using market basket analysis approach. Neural Networks, Procedia Economics and Finance, (4), 312- 320.
  • Mhamdi, F., and Elloumi, M. (2008). A new survey on knowledge discovery. In the second IEEE international conference on research challenges in information science, Marrakech, IEEE computer and society.
  • Venkatachari, K. (2016). Market Basket Analysis: Understanding Indian Consumer Buying Behavior of Spain Market. BVIMSR’s Journal of Management Research8(1), 49.‏
  • Waheed, H., Hassan, S. U., Aljohani, N. R., Hardman, J., Alelyani, S., & Nawaz, R. (2020). Predicting academic performance of students from VLE big data using deep learning models. Computers in Human Behavior104, 106189.‏
  • Zhao, X. (2008, November). A study of performance evaluation of HRM: based on data mining. In 2008 International Seminar on Future Information Technology and Management Engineering (pp. 45-48). IEEE.‏

Zhu, X., Yu, Y., & Guo, X. (2009, March). Extension Data Mining and the Application in Decision Support System. In 2009 First International Workshop on Education Technology and Computer Science (Vol. 1, pp. 853-857). IEEE.