داده کاوی (DM) چیست ؟

در

 به خاطر پیشرفت سریع فناوری اطلاعات، مقدار اطلاعات ذخیره شده در پایگاه های اطلاعاتی به سرعت در حال افزایش اند. این پایگاه های عظیم اطلاعاتی، زمینه ی داده کاوی اطلاعات ارزشمند تجاری را فراهم می کنند. کاربرد های جدیداین طلاعات ارزشمند مثل تجریه و تحلیل مالی دینامیک و مدل سازی فاجعه به حافظه، بازیابی و تجزیه و تحلیل پیچیده ی چند رسانه ای نیاز دارند؛ که معمولا توسط توسط بردار های چند وجهی نمایش داده می شوند. یافتن اطلاعات ارزشمند پنهان در آن پایگاه ها و شناسایی مدل های مناسب کار دشواری است.
داده کاوی (DM)، روندی است که در آن به صورت خودکار و شبه خودکار مقادیر بالای اطلاعات کشف و تحلیل می شوند به این منظور که قوانین و الگوهای معنا داری را بدست آورند. روند معمولی داده کاوی که شامل به دست آوردن داده، یکپارچگی داده، کشف داده ، مدل سازی و تایید مدل می شود. نظر کارشناسی و روش های داده کاوی، هر دو نقش مهمی در مراحل روند کشف اطلاعات دارند.( سیارک)

تجزیه و تحلیل گروهی یکی از روش های پایه است که معمولا در تحلیل مجموعه های عظیم اطلاعاتی از آن استفاده می شود. بیشتر الگوریتم های تجزیه و تحلیل گروهی که منشا آن ها در علم آمار است، در اصل برای مجموعه های کوچک اطلاعات ایجاد شده اند. در سال های گذشته، الگوریتم های گروهی گسترده تر شده اند تا برای کار با مجموعه های بزرگ تر اطلاعاتی مناسب شوند. آنها همچنین قادر به دسته بندی گروهی بردار های چند وجهی هستند 
تجزیه و تحلیل درختی تصمیم گیری، روش داده کاوی محبوب دیگری است که می توان از آن در اکثر فعالیت های آماری استفاده کرد.

روند داده کاوی

داده کاوی، تکنیک های فراگیری ماشینی را با شناسایی الگو، آمار، نظریه پایگاه اطلاعت و نمودار ترکیب می کند تا به صورت خودکار مفاهیم و رابطه ی درونی مفاهیم و همچنین الگو های جالب را از پایگاه داده ها استخراج کند. اولین هدف آن استخراج اطلاعات به منظور کمک به روند تصمیم گیری است. داده کاوی دو وظیفه ی اصلی دارد: 1. پیش بینی، که شامل پیدا کردن مقادیر، روابط، الگو های ناشناخته است.2. توصیف، که به تفسیر پایگاه اطلاعاتی بزرگ می پردازد.
به طور کلی روند داده کاوی شامل مراحل زیر است:
مرحله 1: بدست آوردن اطلاعات. مرحله اول انتخاب نوع داده برای استفاده است. اگرچه در برخی از برنامه ها، مجموعه ای از داده های هدف به منظور کشف به وجود آمده اند ، اما داده کاوی می تواند بر روی نمونه هایی از زیر مجموعه های متغیر اطلاعات در پایگاه های بزرگتر کار کند.
مرحله 2: پیش پردازش اطلاعات. زمانی که داده های هدف تعیین شدند، این داده ها پیش پردازش می شوند تا قسمت های اضافی و به درد نخور آنها از بین برود و برای کشف موثر اطلاعات از درون آنها، اصلاح می گردند. در طی این مرحله ی پردازشی، ارتقا دهندگان پارازیت ها و ناهماهنگی ها را حذف می کنند و در صورت نیاز راجع به داده های مفقود شده با استفاده از ترتیب زمانی داده ها و تغییرات مشخص، تصمیم می گیرند. علاوه بر این ها، معمولا داده ها را از نوعی به نوع دیگر تبدیل می کنند تا تعداد متغیر های در نظر گرفته شدن را کاهش دهند( به عنوان مثال،تبدیل مقادیر مطلق به مقادیر عددی) و یا ممکن ویژگی های جدیدی از داده ها بیرون بکشند ( از طریق عملیات های ریاضی و استدلالی).
مرحله 3: کشف اطلاعات و مدل سازی. سومین مرحله ی داده کاوی (DM)، مربوط به مجموعه ای از فعالیت ها برای تصمیم گیری راجع به نوع عملیات داده کاوی، انتخاب روش داده کاوی، انتخاب الگوریتم داده کاوی و در آخر، داده کاوی است. ابتدا باید نوع عملیات داده کاوی انتخاب شود.

عملیات داده کاوی شامل:

رده بندی، رگرسیون، تقسیم بندی، تجزیه و تحلیل پیوسته و شناسایی انحراف است . بر اساس عملیات انتخاب شده برای کاربرد مورد نظر، تکنیک داده کاوی مناسب نیز انتخاب می شود. زمانی که تکنیک داده کاوی انتخاب می شود ، گام بعدی انتخاب الگوریتمی خاص در درون آن تکنیک است. انتخاب الگوریتم داده کاوی، دربردارنده ی روشی برای جست و جوی الگو در اطلاعات است، مثل تصمیم راجع به اینکه کدام مدل و پارامتر ها با توجه به هدف کلی داده کاوی، برای تکنیک خاصی از داده کاوی مناسب است. پس از انتخاب الگوریتم مناسب، اطلاعات بلاخره کاویده می شوند و از الگوریتم برای استخراج الگو های جدید پنهان شده در پایگاه های اطلاعاتی استفاده می گردد.
مرحله 4: تفسیر و ارزیابی. چهارمین مرحله در روند داده کاوی، تفسیر و ارزیابی الگو های کشف شده است. این کار شامل فیلتر کردن اطلاعات برای از بین بردن الگو های اضافی و بی ربط است و همچنین الگو های مفید را به صورت گرافیکی و منطقی به تصویر می کشد و آنها را به مفاهیم قابل استفاده برای کاربران ترجمه می کند. در تفسیر نتایج، با توجه به اطلاعاتی که از پیش داریم، هرگونه تناقض را مشخص و رفع می کنیم یا تمامی مراحل را دوباره انجام می دهیم.همچنین اطلاعات استخراج شده را از نظر مفید بودن در تصمیم گیری و هدف تجاری ارزیابی می کنند. سپس از اطلاعات بدست آمده برای حمایت از تصمیم گیری انسان، مثل پیش بینی و توضیح وقایع مشاهده شده استفاده می شود. نباید روند 4 مرحله ای کشف اطلاعات را خطی پنداشت، چرا که روندی متقابل و مکرر است.

عملیات های داده کاوی

با فرض این که شما مجموعه ای از داده ها را برای داده کاوی آماده کرده اید، شما باید مقیاس مطالعه ی خود را تعریف کنید و موضوع مطالعه را انتخاب نمایید. که به آن انتخاب عملیات داده کاوی می گویند.
عملیات داده کاوی 5 نوع است: رده بندی، رگرسیون، تقسیم بندی، تجزیه و تحلیل پیوسته و شناسایی انحراف. رده بندی و رگرسیون در پیش بینی کاربرد دارند در حالی که از تجزیه و تحلیل پیوسته، تقسیم بندی و شناسایی انحراف به منظور توصیف الگوهای موجود در اطلاعات استفاده می شود. استفاده از داده کاوی معمولا نیازمند ترکیبی از دو یا چند عملیات داده کاوی است.

رده بندی

هدف از رده بندی ایجاد مدلی است که جایگاه اطلاعات را در یکی از چند رده ی از پیش تعیین شده، نشان می دهد. زمانی که مدل ایجاد شود از آن برای رده بندی نمونه ی جدید استفاده می شود. مثال ها شامل رده بندی الگوهای ورشکستگی بر اساس سهام مالی شرکت و الگو های خرید مشتری بر اساس اطلاعات آمارگیری نفوس می باشد که به منظور تبلیغ برای یافتن مشتریان مناسب و فروش موثر انجام می شود.

رگرسیون

این عملیات مدلی می سازد که داده ها را به صورت متغیر های واقعی پیش بینی شده نشان می دهد. مدل ها با استفاده از روش های مرسوم آماری مثل رگرسیون خطی و لوجستیک ایجاد می شوند. از رده بندی و رگرسیون برای پیش بینی استفاده می شود. وجه تمایز این دو مدل این است که متغیر خروجی رده بندی به صورت مطلق است، در حالی که متغیر خروجی رگرسیون، عددی و متوالی است. موارد ذیل از مثال های رگرسیون می باشد: پیش بینی تغییر بین ین ژاپن و بازار وابسته دولت؛ میزان جرم در شهر بر اساس توصیف متغیر های ورودی مختلف مثل جمعیت، میانگین سطح درآمد و سواد.

تجزیه و تحلیل پیوسته

از تجزیه و تحلیل پیوسته در ایجاد ارتباط بین اطلاعات ثبت شده در پایگاه اطلاعاتی استفاده می شود. معمولا کاربرد آن در تجزیه و تحلیل سبد خرید است. که از این تکنیک در تجزیه و تحلیل اطلاعات تراکنش بازار ها استفاده می شود تا وابستگی های محصول شناسایی شود. فروشگاه های خرده فروشی معمولا به فروختن اجناس به همراه اجناس دیگر علاقه دارند( مثل پوشک بچه و شیر خشک)، بنابراین این تکنیک می تواند به منظور بازاریابی موثر، فروش محصول ها باهم را تعیین کند. کاربرد دیگر می تواند روابط بین عمل های پزشکی را با تحلیل کردن فرم های درخواست ارائه شده به شرکت بیمه ،پیدا کند. تجزیه و تحلیل پیوسته معمولا در رابطه با تقسیم بندی پایگاه اطلاعات به کار گرفته می شود.

تقسیم بندی

هدف از تقسیم ،بندی، یافتن گروهی از اطلاعات است که رفتار و ویژگی های نهفته مشابهی دارند. گروه ها ممکن است متقابلا منحصر به فرد و جامع باشند و یا ممکن است مثالی از طبقه بندی های سلسه مراتبی یا اشتراکی باشند. مثال ها شامل کشف گروه مشابهی از مشتریان در پایگاه اطلاعاتی بازاری و تقسیم بندی اطلاعات ثبت شده در طی فروش روز مادر و روز پدر، می باشد. معمولا وقتی که اطلاعات تقسیم بندی شوند، از تجزیه و تحلیل پیوسته در هر قسمت استفاده می شود تا وابستگی بین اطلاعات در هر گروه را شناسایی گردد.( سیارک)

شناسایی انحراف

این عملیات بر کشف انحرافات جالب توجه متمرکز است. 4 نوع انحراف وجود دارد:
*الگوهای همیشگی که با طبقه بندی های از قبل اندازه گیری شده یا عددی هم خوانی ندارند.
*تغییرات چشمگیر در اطلاعات در طی بازه های زمانی مختلف
*اطلاعات دور افتاده در مجموعه ی داده ها( اطلاعات ثبت شده ای که به هیچ یک از گروه ها تعلق ندارند.
*اختلاف بین مشاهده و مرجع.

شناسایی انحراف معمولا پس از تقسیم بندی پایگاه اطلاعاتی انجام می شود تا اختلالات یا خسارات غیر عادی را شناسایی کند. شناسایی انحراف معمولا منبع اصلی اکتشاف است ،چرا که انحراف نشان دهنده ی نامتعارفی نسبت به انتظارات و معیار های شناخته شده است.این مقاله ادامه دارد............ ترجمه  itrans.ir

نظرات

در ادامه بخوانید...

تاثیر مشارکت کارکنان در سازمان تجارتی

در


کارمند، مهم ترین دارایی یک سازمان است. هیچ سازمانی بدون کارکنان متخصصش نمی تواند دوام بیاورد. مشارکت کارکنان در تصمیم گیری، فرایندی است برای اینکه کارکنان احساس کنند که آنها فقط یک کارگر سازمانی نیستند بلکه بخش مهمی از تشکیلات سازمان می‌باشند. پژوهش حاضر، تاثیر مشارکت کارکنان روی سازمان و همچنین روی سطح انگیزه کارکنان را مطالعه خواهد کرد. نمونه ای با حجم 100 برای شهرهای شمالی هندوستان انتخاب شده است. داده های مورد استفاده برای مطالعه، داده های اولیه جمع آوری شده با کمک پرسشنامه های پرشده توسط نمونه ها است. یافته های گزارشها، تاثیر مشهود مشارکت کارکنان در تصمیم گیری روی فرآیند تولید و همچنین روحیه کارکنان را نشان می دهد. به منظور ارزیابی از ابزارهای آماریِ آمار توصیفی، رگرسیون و آزمون خی دو(کای اسکوار) استفاده شده است.

مشارکت کارکنان، فرآیندی برای توانمندسازی کارکنان برای مشارکت در تصمیم گیری های مدیریتی و بهبود فعالیت های مناسب برای سطوح آنها در سازمان است.

از آنجایی که تئوری Y مک گرگور، ابتدا برای مدیران، نظریه سبک مدیریت مشارکتی را به ارمغان آورد، برای مشارکت کارکنان نیز اشکال مختلفی، از جمله روشهای طراحی شغل و فعالیتهای خاص از جمله کیفیت برنامه های زندگی شغلی (QWL) را به بار آورده است. مشارکت کارکنان به این معنی است که هر کارمند به عنوان فرد منحصر بفردی می‌باشد که نه تنها به عنوان بخشی از چرخه سازمان بلکه به عنوان کمک کننده به سازمان جهت دستیابی به اهدافش می باشد. کارکنان و مدیریت تشخیص می دهند که کارمند در اجرای تجارت مشارکت دارد.

ارزیابی کیفیت زندگی(QoL)

از آنجایی که کارمند دارایی اصلی سازمان تجاری است بنابراین بدون کارمند هیچ سازمانی هرگز به اهدافش دست نخواهد یافت. دریافته شد که مشارکت کارکنان به طور قابل توجهی مرتبط با توانمندسازی کارکنان است و توانمندسازی کارکنان به طور قابل توجهی مرتبط با رضایت کارکنان است.

مشارکت یکی از چهار سیاست انتخابی برای مدیریت ارتباط کارمندی است. کارکنان، حق سوال و تصمیم گیری سازمانی دارند و این حاکی از همان دموکراسی محل کار است. مشارکت کارکنان، بخشی از اعمال مدیریتی افراد است که می تواند بر افزایش بهره وری کمک کند اما این مشاوره مستقیم است که نسبت به مشاوره از طریق نمایندگان کارکنان، موثرتر می باشد. تعهد مدیریت و کارکنان، کلید اطمینان از موثربودن روش های مشارکت غیرمستقیم کارکنان است و این می تواند تنها از طریق اطمینان دادن به کارکنان از این طریق باشد که قابلیت معرفی ساختارهایی را دارند که برای شرکتشان مناسب می باشد.
کارکنان، سازمانها را مجبور به بررسی سه مسئله کلیدی می‌کنند:

ارتباطات، مشارکت و توسعه.

در واقع این سه موضوع می تواند به عنوان مقیاسهای توسعه سازمانی مرتبط با کارمند باشد. در اینجا ما قصد بررسی مشارکت و رابطه آن را داریم. بسیاری از مردم، سیستم های ارتباطی از جمله آگاهی دادن گروهی را با مشارکت اشتباه می گیرند. بهرحال مشارکت چیزی فراتر از تبادل اطلاعات است............. این مقاله ادامه دارد  ترجمه  itrans.ir 

 

نظرات

در ادامه بخوانید...

مقایسه هوش تجاری و مدیریت دانش

در


به طور اساسی، هوش تجاری و مدیریت دانش دارای اهداف مشترکی می باشند. دستیابی به بهترین درجه از همفکری و ملاحظات مربوطه که قابلیت مطرح شدن را داشته باشند یا منجر به تاخیر پیشرفت به سوی یک هدف می گردند که این یکی از اهداف مدیریت دانش می باشد. مهم نیست که این اصل چطور در مورد ایدۀ هوش تجاری به کار بسته می شود. حمایت از تصمیم گیری راهبردی، رشد تجارت و نظارت بر رقبای سازمان به عنوان هدف اجرای هوش تجاری شناخته می شوند. بدون شک، سباهت های قطعی بین مدیریت دانش و همچنین هوش تجاری وجود دارد.
مدیریت دانش و هوش تجاری بر اساس فناوری اطلاعات بنا نهاده شده اند. آن ها به اینترنت، سخت افزار، نرم افزار، و تکنولوژی ذخیره سازی پایگاه داده ها اتکا دارند. علاوه بر این، بکارگیری آن ها در فرایند های تجاری هم شامل تجمیع، تلفیق، تعامل و استفاده از اطلاعات و دانش می باشد. علاوه بر این، هر دوی این موارد عملکرد های خود را بر اساس اطلاعات و دانش محقق می سازند. بدون شک می توان گفت که مدیریت دانش و هوش تجاری مکمل و متمم یکدیگر می باشند.
به طور کلی، تمرکز مدیریت دانش بر ادراک (شناخت) است. مدیریت دانش به طور خاص در مورد مردمی است که از درکی خوب و رفتاری فرهنگی برخوردار می باشند. این مقوله همچنین بر اهمیت نواوری دانش تاکید داشته و میزان نظام یافتگی ان را بررسی می کند. به همین ترتیب، هوش تجاری در وهله اول بر تکنولوژی و دیتا تمرکز دارد، که تاثیر کاربردی ان در حقیقت ارتباط تنگاتنگی با مهارت های کاربر به عنوان افرادی دارد که معمولا از تحلیل کمّی تخصص فنی برای حل مسائل تجاری با کمک سیستم هوش تجاری در ارتباط می باشد.
تفاوت های اساسی نیز وجود دارد، در حالی که هر دو مفهوم هوش تجاری و مدیریت دانش دارای اهداف مشابهی در سطوح بالا می باشند. این تفاوت ها را باید در نحوه بکارگیری آن ها به منظور دستیابی به اهداف مشاهده کرد. در حالی که ارزش هوش تجاری و محصولات آن، یعنی همان تحلیل فرصت را می توان در کارایی آ« به عنوان یک ابزار تصمیم گیری مشاهده نمود، ارزش مدیریت دانش در قابلیت سازمان برای شناسایی، تحصیل و استفاده مجدد از دانش بوده که بهترین حالت آن را می توان در بهترین روش ها مشاهده کرد به نحوی که می تواند منجر به صرفه‏جوئی در زمان، تلاش و منابع یک سازمان گردد.
تفاوت دیگر بین مدیریت دانش و هوش تجاری شدت آن هاست. هوش تجاری به طور تدریجی از طریق سیستم های خدمات مبادلاتی توسعه یافته است، همانند سیستم های ادارۀ اطلاعات، سیستم های مدیریت اطلاعات و سیستم های پشتیبانی از تصمیمات. مدیریت دانش در واقع همان روش ها و ایده های مدیریتی در دوره توسعۀ اقتصاد علمی می باشد. این مقوله تاکید دارد که دانش پر اهمیت ترین منبع و سرمایه راهبردی بوده، مزیت رقابتی شرکت ها بر خلق دانش، انتشار و کاربرد ان اتکا دارد.
علاوه بر معانی ضمنی، هر دو مورد از لحاظ کانون تمرکز متفاوت می باشند. هوش تجاری اغلب با منابع دیتا در ارتباط است. از ان جا که هدف آن مرتب نمودن و ساختار بخشیدن به منابع اطلاعاتی می باشد، کل فرایند هوش تجاری نسبتا بسته و مستقل می باشد. هوش تجاری همچنین بر تلفیق و ادغام ریخت شناسی بیرونی اطلاعات تمرکز دارد. از طرف دیگر، سیستم مدیریت دانش با منابع دانش در ارتباط است، اشتراک دانش و نوآوری نیز اهداف اولیه ان به شمار می روند. برای سازمان، در حالی که هوش تجاری به مدیریت اطلاعات عینی در عالم واقع می پردازد، سیستم مدیریت دانش به دنبال اقدامات فراگیر و دانش فردی است.
در نهایت، تفاوت بین هوش تجاری و مدیریت دانش در تکنولوژی اصلی است. تکنولوژی اصلی مدیریت دانش همچنین در مدیریت اسناد، علوم مهندسی گروه افزار ها، متن کاوی، تکنولوژی بازیابی، پرتال های دانش مشاغل و مواردی از این قبیل وجود دارد، از طرف دیگر، هوش تجاری معانی بیشتری را به تحلیل داده ها افزوده و تکنولوژی های اصلی ان متشکل از انبار داده، پردازش تحلیلی آنلاین، داده کاوی و پرتال های مشاغل می باشد. ترجمه  itrans.ir

نظرات

در ادامه بخوانید...

شبکه ی عصبی ژنتیکی بر اساس داده کاوی در پیش بینی بیماری های قلبی بوسیله ی عوامل خطر

در

 (سیارک) تکنیک های داده کاوی به شکل گسترده ای در سیستم های پشتیبانی تصمیم گیری درمانی برای پیش بینی و تشخیص بیماری های مختلف با دقت مناسب استفاده شده است. به دلیل توانایی آنها در شناسایی الگوها و روابط پنهان بین داده های پزشکی، این تکنیک ها در طراحی سیستم های پشتیبانی درمانی بسیار موثر واقع شده اند. یکی از مهمترین کاربردهای چنین سیستم هایی در شناسایی بیماری های قلبی نهفته است، چراکه این بیماری یکی از عوامل اصلی مرگ و میر در دنیا است. تقریبا تمام سیستم هایی که بیماری های قلبی را پیش بینی می کنند از مجموعه داده های درمانی با پارامترها و ورودی ها از آزمایش های پیچیده ی استفاده می کنند. هیچکدام از این سیستم ها، بیماری های قلبی را بر اساس عوامل خطر مثل سن، سابقه ی خانوادگی، دیابت، فشار خون بالا، کلسترول بالا، مصرف دخانیات، مصرف الکل، چاقی، و یا کم فعالیتی فیزیکی تشخیص نمی دهند. بیماران قلبی بسیاری از این عوامل خطر را در خود دارند که می توان از آنها برای شناسایی بیماری استفاده کرد. سیستم های مبتنی بر چنین عوامل خطری نه تنها به افراد متخصص کمک می کند، بلکه می تواند هشدار به موقعی برای بیماران در مورد حضور احتمالی بیماری قلبی در وی قبل از حضور در بیمارستان یا انجام چکاپ های پرهزینه فراهم سازد. از این رو، این مقاله به ارائه تکنیکی برای پیش بینی بیماری های قلبی بوسیله عوامل خطر می پردازد. این تکنیک حاوی دو مورد از موفق ترین ابزارهای داده کاوی، شبکه های عصبی و الگوریتم های ژنتیکی می باشد. سیستم ترکیبی پیاده سازی شده از مزیت بهینه سازی جهانی الگوریتم ژنتیک برای تشکیل بارهای شبکه عصبی بهره می برد. یادگیری این الگوریتم در مقایسه با انتشار به عقب، سریع تر، پایدارتر و دقیق تر است. این سیستم در Matlab پیاده سازی شده است و بیماری های قلبی را با دقت 89 درصد پیش بینی می کند.

بیماری های قلبی عامل اول مرگ و میر در سطح جهان است. در سال 2008، حدود 17.3 میلیون نفر به دلیل بیماری های قلبی مردند که 20 درصد تمام مرگ ومیر ها را تشکیل می داد. از این مقدار، حدود 7.3 میلیون مورد به دلیل بیماری عروق کرونر بود و 6.2 میلیون مورد نیر به دلیل سکته رخ داده بود. تحقیقات اخیر در زمینه ی داروی توانسته عوامل خطری را شناسایی کند که به توسعه بیماری های قلبی کمک می کنند؛ با این حال، تحقیقات بیشتری برای استفاده از این دانش در کاهش رخداد بیماری های قلبی لازم است. دیابت، فشار خون و کلسترول بالا به عنوان عوامل خطرزای اصلی در بیماری های قلبی شناسایی شده اند.

عوامل خطر مربوطه به سبک زندگی مثل عادات غذایی، کم تحرکی، مصرف الکل و دخانیات و چاقی نیز از عوامل مهم بیماری های قلبی به حساب می آیند. مطالعات متعددی نشان می دهند که کاهش این عوامل خطر می تواند در جلوگیری از بیماری های قلبی تاثیر زیادی داشته باشد. تحقیقات زیادی بر روی جلوگیری از خطر بیماری های قلبی وجود دارد. داده ها از مطالعات جمعیت شناختی در پیش بینی بیماری های قلبی بر اساس فشار خون، عادات دخانی، سطوح کلسترول و فشار خون و دیابت موثر واقع شده اند. محققان از این الگوریتم های پیش بینی در قالب های سازگاریافته از برگه های امتیازدهی ساده سازی شده استفاده کرده اند تا بیماران بتوانند ریسک بیماری های قلبی خود را محاسبه کنند. نمره خطر فرامینگهام (FRS) یک معیار پیش بینی خطر است که در الگوریتم های پیش بینی بیماری های قلبی استفاده شده است.
این مطالعه با هدف توسعه ی یک سیستم داده کاوی هوشمند بر اساس شبکه های عصبی بهینه شده با الگوریتم ژنتیک برای پیش بینی بیماری قلبی بر اساس دسته بندی های عوامل خطر انجام شده است. این سیستم بوسیله MATLAB R2012a پیاده سازی شده است.

2. تکنیک های داده کاوی

تکنیک های داده کاوی برای کاوش، تحلیل و شناسایی داده های پزشکی بوسیله ی الگوریتم ها پیچیده برای کشف الگوهای نامشخص استفاده شده است. محققان از تکنیک های داده کاوی برای شناسایی بسیاری از بیماری ها همچون بیماری های قلبی، سکته، دیابت و سرطان استفاده می کنند. بسیاری از تکنیک های داده کاوی برای شناسایی بیماری های قلبی با دقتی مناسب استفاده شده است. محققان از تکنیک های داده کاوی مختلفی مثل بیزی، شبکه عصبی، درخت تصمیم گیری، چگالی کرنل و ماشین بردار پشتیبانی برای پیش بینی و تشخیص بیماری های قلبی استفاده کرده اند. یکی از این سیستم ها از دسته بندی یادگیری عصبی برای دسته بندی وظیفه های داده کاوی و نشان داد که این سیستم دسته بندی عملکردی مشابه به سیستم دسته بندی نظارتی دارد. سیستم پیش بینی حمله قلب موثر و هوشمند (IEHPS) بر اساس شبکه های عصبی و داده کاوی ساخته شده است و استخراج الگوهای قابل توجه برای پیش بینی بیماری قلبی بوسیله خوشه بندی K ابزاری را در دستور کار قرار داد. این سیستم از الگوریتم MAFIA برای کاوش الگوهای فراوان استفاده می کند. پولاتت و همکاران، بوسیله فازی ترکیبی و رویکرد k نزدیک ترین همسایه، یک سیستم برای پیش بینی بیماری های قلبی طراحی کردند که 87 درصد در شناسایی دقت داشت. در یک سیستم دیگر، شبکه ی عصبی برای شناسایی بیماری های قلبی با دقت 89.01 درصد بکار گرفته شد. لاتا و سابرامایان در سال 2007 یک سیستم پیش بینی بیماری های قلبی بوسیله الگوریتم ژنتیک و CANFIS پیشنهاد کردند که خطای میانگین مربعات آن پایین بود. با تحلیل تکنیک های مطرح شده، این مقاله به معرفی یک سیستم جدید با استفاده از الگوریتم های ژنتیکی و شبکه عصبی برای پیش بینی خطر بیماری های قلب پرداخته است. الگوریتم ژنتیک برای بهینه سازی شبکه عصبی استفاده شده است. در این مقاله، برای اولین یک الگوریتم ترکیبی بر روی عوامل خطر برای بهبود دقت پیش بینی بیماری های قلبی استفاده شده است. در نتیجه، هدف اصلی در اینجا، استفاده از این سیستم در پشتیبانی تصمیم گیری درمانی به عنوان شاخص ریسک است تا افراد بتوانند این ریسک ها را بدون ابتلا به بیماری های قلبی در آینده کاهش دهند.این مقاله ادامه دارد........ترجمه  itrans.ir

 

نظرات

در ادامه بخوانید...

دسته بندی داده ها

در


(سیارک) روشها و تکنیکهای داده کاوی به طور موفقیت آمیز و نتیجه بخش برای حوزه های کاربردی مختلفی همچون اطلاع رسانی بیولوژیک، بازاریابی موجودی انبار، تحلیل وب و غیره مورد استفاده قرار گرفته اند. به بعبارت ساده، با توجه به مجموعه داده ها، روشهای داده کاوی برای استخراج روابط و قواعد نا آشنا در خارج از گروه های بزرگ جزئیات در مجموعه های بزرگ داده ها طراحی میشوند؛ این روشها اغلب مربوط به مرحله ای خاص بنام کشف آگاهی از پایگاه داده است. خوشه بندی و دسته بندی دو تکنیک بسیار رایج داده کاوی هستند. خوشه بندی یکی از اصلی ترین روشها برای شناسایی ردیفهای نا آشنای بین گروهی موضوعات هستند و به طور موفقی بعنوان یک ابزار در بسیاری از حوزه ها همچون زیست شناسی، تحلیل تصویر، مالی و غیره مورد استفاده قرار گرفته اند. از سوی دیگر، دسته بندی نوعی طبقه بندی نظارت شده آیتمها در گروه های مختلف است.

داده کاوی (DM) چیست ؟

تکنیک های داده کاوی

شبکه ی عصبی ژنتیکی بر اساس داده کاوی در پیش بینی بیماری های قلبی بوسیله ی عوامل خطر 

این شیوه بسیاری کاربردهای متعددی همچون افزایش عواید، جلوگیری از سرقت، نجات انسانها، تشخیص بیماری، تحلیل بازار، تصمیم گیری بهتر، پیش بینی رفتار مشتری، هشدار درباره معاملات فریب دهنده و غیره سودمند هستند.

برای مثال، طبقه بندی به کشف ویژگیهای مشتریانی که احتمال دارد ترک کنند کمک مینماید، و قادر است مدلی را فراهم آورد که برای پیش بینی آنها مورد استفاده قرار گیرد. همچنین این شیوه به شناسایی آن دسته از تبلیغاتی که در نگه داشتن و حفظ این دسته از مشتریان موثر بوده نیز کمک میکند. تمرکز اصلی این پژوهش در استفاده از یک شیوه یادگیری ماشینی نظارت نشده بنام خوشه بندی برای طبقه بندی کردن داده های مشاهده نشده در محیط طبقه بندی پویا در گروه های مناسب است. در مسئله طبقه بندی پویا، داده ها در الگویی بهنگام فرا میرسد و از دسته بندی کننده انتظار میرود که آنها را فورا طبقه بندی کند. الگوریتم طبقه بندی در این مقاله با استفاده از نوعی مکانیسم یادگیری نظارت نشده ارزیابی میشود، که در آن داده های آموزشی طبقه بندی نشده بر مبنای شباهت دسته بندی میشوند. از زمانیکه که نوعی خوشه بندی قابل قبول با استفاده از شباهتها و تفاوتها در مجموعه داده های آموزشی پیدا شده است، خوشه بندی با به کارگیری یک شیوه طبقه بندی به دسته بندی کننده تبدیل میشود. در رویکرد ما، این خوشه ها طبقه بندی میشوند، و مورد جدید با عنوان خوشه به موردی که بیشترین شباهت را به آن دارد طبقه بندی میشود.
بهرحال، نوع دسته بندی کننده که بایستی برای شناسایی گروه داده ها استفاده شود در یک برنامه کاربردی آنلاین هدف قرار میگیرد که در آنجا محیط ماهیتا بسیار حساس است. برای مثال، در یک سیستم تشخیص نفوذ، شناخت نادرست یک حمله ممکن است بسیار پرهزینه باشد. اکثر رویکردهای طبقه بندی موجود که بسیار دقیق گزارش شده اند براساس مجموعه داده های مبنا مورد آزمون قرار گرفته اند. متاسفانه، توجه اندکی به بررسی نمونه های واقعی تر معطوف شده است، یعنی واقعیت این است که کاربردهای زندگی واقعی با منبع داده های پویا توصیف میشوند. بنابراین امکان ایجاد یک مدل داده کاوی جامع با استفاده از یک مجموعه آموزشی وجود ندارد ولی تمام مدت قادر به کارکردن با دقت بالا است. بعبارت دیگر، مشکل مدل دسته بندی کننده مرسوم این است که این مدل احتمالا با داده های جدید خیلی ضعیف عمل میکند که این امر از الگوهایی که این مدل با آن اموزش یافته است متفاوت است. این بدان علت است که این مدل تغییر نمیکند یا از داده های جدیدی آموزش میگیرند، درحالیکه این داده ها اغلب در طول زمان در کاربردهای مربوط به زندگی واقعی تغییر میکند.(سیارک)

نظرات

در ادامه بخوانید...

برنامه ریزی استراتژیک سیستم های اطلاعات

در


برنامه ریزی استراتژیک سیستم های اطلاعات (SISP) فعالیتی مهم در راستای کمک به سازمان ها به منظور شناسایی برنامه های کاربردی استراتژیک می باشد. هم چنین ، این برنامه ریزی به همتراز سازی استراتژی یک سازمان با سیستم های اطلاعاتی موثر به منظور رسیدن به اهداف مورد نظر کمک می کند. امروزه، برنامه ریزی استراتژیک سیستم های اطلاعاتی تقویت شده مهم ترین مساله ی پیش روی سیستم های اطلاعاتی می باشد. برنامه ریزی استراتژیک سیستم های اطلاعاتی نقش مهمی در کمک کردن به تجارت ها و سایر سازمان ها بازی می کند. در این مقاله، بررسی کلی برنامه ریزی استراتژیک سیستم های اطلاعاتی به همراه اهمیت آن، مراحل، و موفقیت آن ارائه می شوند.

نگرش زیرساخت به برنامه ریزی استراتژیک فناوری اطلاعاتفناوری اطلاعات در سازمان ها (2016)

برنامه ریزی استراتژیک به معنای برنامه ریزی آتی یک سازمان می باشد. به عبارت دیگر، به مسیری اشاره می کند که سازمان می خواهد به سمت آن حرکت کند. برنامه ریزی استراتژیک فناوری اطلاعات برای هر سازمانی گواه این است که معماری اطلاعاتی سازمان در پرتوی ملاحظات استراتژیک مانند ماموریت، اهداف و اولویت های سازمان، مشهود و ظاهر می شود و هم چنین برنامه ی اجرایی لازم برای رسیدن به سیستم ها را تعیین می کند. به علاوه، پایگاه های داده ی اطلاعات در سطح سازمانی را شکل می دهد. به عبارتی دیگر، برنامه ریزی استراتژیک منشور فناوری اطلاعات و ماکروبرنامه در زمینه ی سیستم های اطلاعاتی عموماَ به عنوان فناوری اطلاعات در نظر گرفته می شوند. رویکردهای متفاوت برای برنامه ریزی مورد استفاده قرار می گیرند.در حال حاضر، رویکرد حاکم بر توسعه ی برنامه ی طولانی مدت یا بربرنامه ی اصلی ICT فناوری اطلاعات، رویکرد معماری سازمانی یا معماری فناوری اطلاعات می باشد. هدف این تحقیق معرفی مقدماتی رویکرد معماری سازمانی با استفاده از برنامه ریزی استراتژیک سیستم های اطلاعاتی می باشد.

برنامه ریزی استراتژیک برای خدمات داده ی تحقیقاتی در 2016

کتابخانه ها به صورت فزاینده ای با درخواست فراهم سازی انواع مختلف حمایت مدیریت داده روبه رو می شوند. بدون یک فرایند یکتا یا یک فرایند استاندارد، هر موسسه می بایست یک برنامه ی استراتژیکی برای حمایت مدیریت داده به منظور نیازهای محلی فراهم کند. یک برنامه ی استراتژیک کمک می کند تا مهارت ها و خدمات موجود با نیازهای کاربران هم تراز شوند و هم چنین حمایت پراهمیتی فراهم می کند. برنامه ریزی باید با تحقیق در زمینه ی نیاز های کاربران و هر گونه اطلاعات محلی منحصر به فرد مربوطه آغاز شود. براساس یک نیاز صریح، برنامه باید با استفاده از منابع معین برای یک مدت زمان مشخص چشم اندازی برای خدمات داده مشخص کند. تحلیل قوت ها، ضعف ها، فرصت ها و تهدیدها ( SEOT) می تواند به شناسایی عوامل داخلی و خارجی که باید مورد توجه قرار گیرند، کمک کند. اهداف عملی و معقول باید شکل داده شوند و مشخص شوند. برنامه ی استراتژیک می بایست سهام داران را تحریک کند که هماهنگ باهم کار کنند، معیارهای نتیجه را شامل کنند و هر چند سال یکبار به روز شوند.

پردازش ابری و استراتژی فناوری اطلاعات 2013

پردازش ابری مدل جدیدی را ارائه می دهد که مدل پردازش همگانی را فعال می سازد. در این مدل، منابع پردازش به عنوان سرویس بر حسب تقاضا، پرداخت به هنگام استفاده ، در یک مدل شبیه به مدل برق ارائه و مصرف می شوند. هدف این کار شناسایی تهدیدها و فرصت های مدل پردازش ابری و تاثیر آن بر استراتژی شرکت هایی است که از فناوری اطلاعات استفاده می کنند. برای انجام چنین کاری، یک تحقیق با مدیران ارشد آی تی از 64 شرکت متوسط و بزرگ در برزیل انجام گرفت. ما متوجه تاثیر پردازش ابری بر تغییر تمرکز دپارتمان های آی تی شرکت به سمت مدیریت خدمات و قراردادها شدیم.این تغییر باعث درخواست افراد حرفه ای به همراه تحلیل گر آی تی و پروفایل های تجاری می شود.
برنامه ریزی استراتژیک سیستم اطلاعات / فناوری اطلاعات در استراتژی توسعه فناوری اطلاعات ترتیبی با استفاده از روش تحقیق TOGAF (چارچوب معماری گروه باز) در دستیابی به کلاس جهانی، دانشگاه در ساتیا. دانشگاه واکانا 2013
سیستم های اطلاعاتی و فناوری اطلاعات (IS/IT) نقش مهمی در حمایت از سازمان برای اجرای فرایندهای تجاری خود، ایفا می کنند. این تحقیق در دانشگاه ساتایا دانشگاه مسیحی واکانا (SWCU) اجرا گردید. فرآیندهای تجاری در خط مشی موجود SWCU در استفاده از IS/IT در سازمان بهینه نمی باشند. فرایند برنامه ریزی / آی تی در همه ی واحدهای تجاری انجام نشده است و SWCU سیستم اطلاعاتی اجرایی ندارد تا بتواند در فرایند تصمیم گیری از آن کمک بگیرد. فرایند برنامه ریزی استراتژیک سیستم های اطلاعات و فناوری اطلاعات با استفاده از چارچوب معماری گروه باز (TOGAF) چندروش برنامه ریزی استراتژیک را گرد آورده است. نتایج به دست آمده از مطالعه ی نیازهای IS/IT در SWCU تولید کننده ی نمونه کارهای برنامه های کاربردی ، در موسسه اجرا خواهند شد.

استراتژی تجارت دیجیتال : به سمت نسل بعدی بینش ها 2013

در طول سه دهه ی گذشته، دیدگاه غالب استراتژی فناوری اطلاعات این بوده است که این استراتژی در سطح کاربردی است که می بایست با استراتژی تجارت انتخاب شده ی شرکت هم تراز باشد. حتی در داخل این دیدگاهِ به اصطلاح هم ترازی ، استراتژی تجارت به هدایت استراتژی آی تی پرداخت. در طول دهه ی گذشته، زیرساخت تجاری، دیجیتالی شده است و رابطه ی بین محصولات، فرایندها و خدمات افزایش یافته اند. در میان بسیاری از شرکت های موجود در گستره ی صنایع و بخش های مختلف ، فناوریهای دیجیتال ( در نظر گرفته شده به عنوان ترکیب هایی از فناوریهای اطلاعات، محاسبات ، تعاملات و اتصلات ) اساساَ در حال تحول بخشیدن به استراتژی های تجاری ، فرایندهای تجاری، قابلیت های شرکت ، محصولات و خدمات و روابط کلیدی بین شرکتی در شبکه های بسط داده شده ی کسب و کار می باشند. بر این اساس، ما بحث می کنیم که زمان برای دوباره اندیشیدن درباره ی نقش استراتژی آی تی ، از یک استراتژی در سطح کاربردی – که با استراتژی تجاری هم تراز است ولی همیشه فرمانبردار آن است – به نقشی که منعکس کننده ی ادغام استراتژی آی تی و استراتژی تجاری می باشد، مناسب است.
ما چهار موضوع کلیدی برای راهنمایی تفکر خودمان درمورد استراتژی کسب و کار دیجیتال شناسایی می کنیم وآن ها به ما کمک می کنند تا چارچوبی برای تعریف نسل بعدی بینش ها فراهم کنیم. این چهار موضوع عبارتند از : (1) دامنه ی استراتژی کسب و کار دیجیتال . (2) مقیاس استراتژی دیجیتال کسب و کار. (3) سرعت استراتژی دیجیتال کسب و کار و (4) منابع ایجاد و کسب ارزش کسب و کار در استراتژی دیجیتال کسب و کار. بعد از ارزیابی هرکدام از این چهار موضوع، ما معیارهای موفقیت و پیامدهای عملکرد بالقوه ی دنبال کردن استراتژی دیجیتال کسب و کار را بحث می کنیم. هم چنین، ما نشان می دهیم که چگونه مقالات در این مساله ی خاص موضوع استراتژی های دیجیتال را روشن می کنند و مسیرهایی برای بهبود بینش ها و شکل دادن به تحقیقات آینده را پیشنهاد می دهند.
هم ترازکردن استراتژی سیستم های اطلاعات با استراتژی کسب و کار در محیط بانکی آفریقای جنوبی 2014
اگرچه تاریخچه ی تحقیقات نشان می دهد که هم ترازی سیستم های اطلاعاتی با استراتژی های کسب و کار برای عملکرد سازمان ها اهمیت بسیاری دارد، اما هیچ گونه چارچوب استانداردی برای راهنمایی در زمینه ی چگونگی بهبود بخشیدن به این هم ترازی ، به ویژه در محیط بانکی، وجود ندارد. بانک های آفریقای جنوبی تمایل دارند که دستاوردها و ادراکات ترکیبی در مورد سرمایه گذاری های سیستم های اطلاعاتی داشته باشند، و این مقاله بحث می کند که این موضوع در درجه ی اول به خاطر عدم هم ترازی بین استراتژی سیستم های اطلاعات و استراتژی کسب و کار می باشد. به نظر می رسد که پروژه های سیستم های اطلاعات آن چه را که باید، ارائه نمی دهند ؛مدیران سیستم های کسب و کار و اطلاعات فهم روشنی از محیط یک دیگر ندارند، و در نتیجه، منابع لازم به صورت نامناسب اختصاص داده می شوند. این مقاله به روش هایی می پردازد که از طریق آنها بانک آفریقای جنوبی ممکن است که هم ترازی سیستم های اطلاعات و استراتژی های کسب و کار را بهبود ببخشد. با دنبال کردن نمونه ی مقاله ی تفسیری، مدل هم ترازی استراتژیک به عنوان یک چارچوب برای یک مطالعه ی موردی انجام شده در یکی از بانک های اصلی آفریقای جنوبی استفاده شد. با استفاده از شواهد تجربی، این مقاله با یک چارچوب مفهومی برای هم ترازی بهبود یافته ی استراتژی سیستم های اطلاعاتی و استراتژی کسب و کار ، در یک محیط بانکی، به پایان می رسد.

ابهامی که استراتژی اطلاعات را احاطه می کند 2016

مفهوم استراتژی اطلاعات مفهومی است که در بسیاری از زمینه های کسب و کار و سازمان ها فراگیر می باشد. به ویژه، حوزه ی آموزش عالی با توجه به دخالت تاریخی آن با تدوین استراتژی اطلاعات مورد تمرکز این تحقیق بوده است . فرض اساسی ،مربوط به استراتژی اطلاعات، همانند یک مکانیسم برای مدیریت اطلاعات می باشد. با توجه به این که اطلاعات بخش مهمی از کسب و کار و عملیات های سازمانی می باشد، ، استال  بحث می کند که " اطلاعات بیشتر و بهتر اغلب به عنوان شرط اولیه برای اجرای بهتر مدیریت می باشد "؛ مفهوم مدیریت اطلاعات از طریق استراتژی اطلاعات به نظر قدمی منطقی می باشد. متاسفانه، واقعیت و فرضیه تا حدی با هم همخوانی ندارند. این مقاله مفهوم استراتژی اطلاعات را از سه دیدگاه متمایز مورد بحث قرار می دهد که عبارتند از: سیستم های اطلاعات (IS)، علم کتابخانه و اطلاعات ( LIS)، و اصطلاحی که مولف مدیریت عمومی ( GM) می نامد که بربنیان های نظری تمرکز می کند. در حالی که ، یافته های مورد توجه ی این تحقیق واقعیت آن چه که سازمان ها در حال انجام دادن در مورد تدوین استراتژی اطلاعات می باشند، را پیشنهاد می دهند. هدف متمرکز شدن بر استفاده ی فراگیر استراتژی اطلاعات و ابهامی که آن را احاطه کرده است، می باشد. تدوین استراتژی اطلاعات امری ساده یا بدون ارزش- هدف نمی باشد. بلکه نوعی تدوین است که نیازمند تامل، بحث و درک می باشد اگر می خواهد به موفقیت برسد. (سیارک)

نظرات

در ادامه بخوانید...

اعتبارسنجی کاربران و مزایای دسترسی

در


یک حسابرس IT (فناوری اطلاعات) نیاز دارد که از معتبر بودن کلیه کاربران سیستم های کامپیوتر اطمینان پیدا کند تا هر کاربر به مزایایی دسترسی یابد که متناسب با مسئولیت های شغلی اوست. نرم افزار سیستم ها معمولا مجهز به نرم افزار کنترل دسترسی است. این نرم افزار تعیین می کند که چگونه مدیر سیستم ID (شناسه)، پروفایل همچنین کلمه عبور کاربران را ایجاد و آنها را کنترل کند. حسابرس IT نه تنها باید پارامترهای تنظیم شده نرم افزار را به شکل صحیحی بررسی کند بلکه باید ممیزی کاربرد درست کارکنان IT را هم از این پارامترها انجام دهد. برای نمونه،

یکی از وظایف حسابرس اینست که مطمئن شود حساب های کارمند بلافاصله بعد از اینکه شخصی از سازمان جدا می شود بسته شده است.

برای انجام این کار حسابرس IT ممکن است به فهرستی از پرسنل فعلی منابع انسانی نیاز داشته باشد. رویکرد دیگر می تواند بدست آوردن یک راهنمای تلفن کنونی و مقایسه اسم ها با آن اسامی باشد که در فهرست نویسی حساب های کاربری هستند. حسابرسان IT باید به لیست کاربران نگاه کنند تا ببیند که آیا هر نوع شناسه تخصیص داده شده از گروه وجود دارد یا نه. مثلا ممکن است یک ID با نام AP_Clerk وجود داشته باشد. گاهی اوقات مدیران وقتی تغییرات شخصی اعمال می کنند تصمیم به صدور این IDها می گیرند تا کاغذبازی یا تشریفات اداری را کاهش دهند. ولی این نوع ID مانع از اختصاص مسئولیت ها به یک فرد می-شود. اگر از یکی از کارمندان AP خطایی سربزند یا مرتکب تقلبی گردد استفاده از ID گروه ممکن است شناسائی حساب های قابل پرداخت کارمندان مسئول را دشوار کند. حسابرس ID می تواند نسخه های چاپی از پایگاه داده و مستندات نرم افزار را چشمی بررسی نماید تا صحت کاربران، مناسبت کلمات عبور و موقعیت شناسه های گروه را بررسی کند. ولی انواعی از ابزارهای نرم افزار حسابرسی وجود دارند که کار را کارآمدتر می سازند. مثلا چنین نرم افزارهایی ممکن است زمان ورود به داخل سیستم را بازرسی کنند . اگر کاربری بمدت چند ماه وارد سیستم نشده باشد آن حساب کاربری احتمالا باید حذف گردد. ورود کاربران به داخل سیستم در ساعت های نامعلوم هم ممکن است اطلاعاتی در اختیار قرار دهد که می توانند کاملاً درست نباشند. همانطور که در فصل قبلی اشاره کردیم این شرایط استثناءها یا بی نظمی هایی است که حسابرس IT می خواهد آنها را شناسائی کند.

حسابرسی مستمر

تعدادی از ابزارهای حسابرسی می توانند در سیستم اطلاعاتی خود نصب گردند تا حسابرسی مستمر یا تضمین بلادرنگ را اجرا کنند. اهمیت حسابرسی مستمر پیوسته رو به افزایش است چرا که ما در حال حرکت به سمت گزارشگری مالی بلادرنگ هستیم. همچنین فشار روی کاهش فاصله زمانی بین ایجاد اطلاعات مالی و حسابرسی اطلاعات که بعنوان چرخه حسابرسی شناخته می شود افزایش رو به رشدی دارد. سهامداران می خواهند اطلاعات سریعاً مورد رسیدگی قرار بگیرند چون چارچوب های زمانی تصمیم-گیری کوتاهتر می شوند. شرکت های زیادی اطلاعات مالی خود را از طریق اینترنت گزارش می کنند و بسیاری دیگر هم به احتمال زیاد به همین نحو عمل می کنند زیرا XBRL این شکل از گزارشگری را تقویت می کند. پنج رویکرد ویژه برای حسابرسی مستمر عبارتند از: 1- ماژول های جاسازی شده حسابرسی و قلاب های حسابرسی 2- گزارشگری موارد خاص 3- علامتگذاری معاملات 4- تکنیک نسخه برداری فوری 5- شبیه سازی مداوم و متناوب
این ابزارها رسیدگی به امور حسابرسی را حتی زمانی که حسابرس حضور ندارد میسر می سازند. با نرم افزارهای جاسازی شده حسابرسی، برنامه زیرروال ها داده ها را برای اهداف حسابرسی ضبط می کنند. این داده ها و اطلاعات معمولاً به یک قسمت پرخطر تعلق دارند. مثلا یک برنامه کاربردی برای لیست حقوق-بگیران یا کل دستمزدها کدی دارد که سبب می شود معیارهای تعیین شده برخورد تراکنش ها به صورت لگاریتم خاصی نوشته شوند. معامله های احتمالی که ممکن است در یک لگاریتم ضبط و ثبت شوند شامل آن معامله هایی است که حسابهای غیرفعال، انحراف از سیاست های شرکت یا کاهش ارزش موجودی ها را تحت تاثیر قرار می دهند. در مورد برنامه کل دستمزدها این تراکنش ها می توانند منعکس کننده موقعیت یا شرایطی باشند که برای نمونه کارمندان بیش از تعداد ساعات تعیین شده از قبل کار کرده اند. مثال دیگر می تواند ثبت تراکنش ها مرتبطی باشد که در یک توالی بخصوصی اتفاق می افتند.
کار گزارشگری موارد خاص هم شکلی از حسابرسی مستمر محسوب می شود. اگر سیستم اطلاعات دارای مکانیسم هایی است که تراکنش های خاصی را که خارج از ویژگی های تعریف شده اند (مانند چک خیلی هنگفت فروشنده) رد می کند پس گزارشگری مداوم تراکنش های استثناء به سیستم اجازه می دهد که خود را پیوسته کنترل و تنظیم کند.
با بکارگیری علامتگذاری تراکنش ها حسابرسان می توانند تراکنش های ویژه ای را با یک تعیین کننده مخصوص علامت گذاری یا نشانگذاری کنند. بنحوی که وقتی از سیستم اطلاعات عبور می کنند می توانند ثبت و ضبط شوند. بعنوان نمونه یک تعداد مشخصی از کارمندان می توانند برچسب هایی داشته باشند که اسناد معاملات خود را ضمیمه آنها کردند به نحوی که یک حسابرس می تواند منطق پردازش را در سیستم دستمزد راستیابی کند. در این مثال علامت گذاری موثر بودن عملکرد کنترل را هم در داخل سیستم مورد رسیدگی قرار می دهد. فرض کنید که یک روش کنترل مستلزم رد تراکنش کل دستمزدها است بشرطی که تعداد ساعت های کاری در طی یک دوره پرداخت خیلی زیاد باشد. حسابرسان می توانند تراکنش های نشاندار شده را مرور یا بازبینی کنند تا مطمئن شوند که این روش کنترل به شکل درستی کار می کند.
تکنیک نسخه برداری فوری روشی را بررسی میکند که طی آن تراکنش ها پردازش می شوند. با کد مخصوصی تراکنش های انتخابی علامتگذاری می شوند که سبب راه اندازی روال این تکنیک می گردد. ماژول های حسابرسی در برنامه کامپیوتر این تراکنش ها و اسناد فایل اصلی آنها را قبل و بعد از فعالیت های پردازش ضبط می کنند. داده های بدست آمده از تکنیک نسخه برداری فوری در فایل ویژه ای نگه داشته می-شود و توسط حسابرس مورد بازبینی قرار می گیرد تا درست بودن اجرای کلیه مراحل پرادزش را تـأیید کند.
شبیه سازی مستمر و متناوب (CIS) یک ماژول (قطعه کدهای برنامه نویسی شده) حسابرسی را در یک سیستم مدیریت پایگاه داده (DBMS) جاسازی می کند. ماژول CIS همه تراکنش ها را که DBMS بروز رسانی می کند به دقت بررسی می نماید. اگر یک تراکنش اهمیت ویژه ای از نظر حسابرسی داشته باشد ماژول حسابرسی داده ها را مستقلا پردازش (به طریقی مشابه شبیه سازی موازی)، نتایج را ثبت و با نتایجی که توسط DBMS بدست آمدند مقایسه می کند. اگر هر گونه اختلافی وجود داشته باشد، جزئیات این اختلافات برای بررسی های بعدی روی یک لگاریتم سیستم حسابرسی نوشته می شود. اگر اختلافات اساسی مشخص شوند CIS ممکن است DBMS را از اجرای فرایند بروزرسانی منع کند. یک چالش برای حسابرسی پیوسته اینست که داده ها در تشکیلات و سازمان های پیچیده تر ممکن است در چندین DBMS قرار گرفته باشند. برای اینکه تضمین بلادرنگ به شکل موثری هدایت شود حسابرسان امکان دارد که به یک داده گاه یا زیرمجموعه ای از انبار داده و اختصاصاً برای اهداف حسابرسی نیاز داشته باشند. 

 

 

نظرات

در ادامه بخوانید...