دانلود ترجمه مقاله پیش‌بینی ترقی در زمینه ERP: روش شبکه عصبی مصنوعی

نتیجه گیری:
سیستم‌های ERP با توجه به مزایای تأسیس‌ زیادشان، توسط بسیاری از شرکت‌ها حتی در کشورهای کمتر توسعه یافته پذیرفته شده‌اند. اما، یکی از مسائل بسیار مهم در رسیدن به موفقیت سیستم ERP و، در نتیجه، استخراج منافع، ماهیت و مشخصات عامل‌های سازمانی علاوه بر مسائل مربوط به پیاده سازی است. با اینکه محققان انواع روش‌های تجزیه و تحلیل روابط بین برخی عوامل سازمانی و موفقیت سیستم ERP را پیشنهاد کرده اند، هیچ کس تا به حال از توانایی شبکه‌های عصبی مصنوعی در تبیین چنین روابطی استفاده نکرده است. برای پوشاندن این شکاف، این پژوهش سعی در پیوند دادن مشخصات سازمانی به سطح موفقیت ERP دارد. برای این منظور، با استفاده از مدل‌های موجود، مشخصات/عوامل سازمانی و موفقیت ERP ، به ترتیب در 24 و 30 متغیر شناسایی و طبقه بندی شدند. سپس، با استفاده از پرسشنامه، داده های متغیرها از طریق شرکت‌های واقع در خاورمیانه، که ERPها را پیاده سازی کرده‌اند جمع آوری شد.
پس از جمع آوری داده‌ها ، این رکوردها برای آموزش شبکه‌های عصبی مصنوعی با هدف پیش‌بینی سطح موفقیت ERP براساس مشخصات سازمانی مورد استفاده قرار گرفتند. معماری تغدیه شده چند لایه‌ای، با 125 نرون ورودی (مشخصات سازمانی) و 150 نورون خروجی (موفقیت ERP)، برای طراحی شبکه اداره شدند. الگوریتم آموزشی لونبرگ- مارکوارت هم، با اندازه گیری MSE، برای آموزش و اعتبارسنجی انتخاب شد. برای اطمینان از دقت و صحت شبکه، یک مجموعه آزمون 25 رکوردی برای تست شبکه مورد استفاده قرار گرفت. با تجزیه و تحلیل تمام 25 مجموعه آزمون داده‌، سیستم خبره به طور متوسط. 20.56 تا از 30 متغیر موفقیت را به درستی پیش‌بینی کرد. قدرت پیش‌بینی سیستم خبره یا نرخ طبقه بندی صحیح کل، در کل 0.685 بود. علاوه بر این، ضریب همبستگی متوسط برای داده‌های آزمون 0.744 بود، که نسبتاً بالا است و ایده وابستگی موفقیت پس از اجرای ERP به مشخصات سازمانی را پشتیبانی می‌کند.

Conclusion:
Given their many established benefits, the ERP systems have been adopted by many firms, even in less developed countries. But, one of the crucial issues in achieving ERP system success and, thus, deriving benefits, is the nature and profile of organizational factors in addition to implementation issues. Although researchers have proposed a variety of approaches to analyze the relationships between some organizational factors and ERP system success, no one has ever used the capability of ANNs in articulating such relationships. To bridge the gap, this research attempted to link the organizational profiles to the ERP success level. To this end, using the available models, organizational factors/profiles and ERP success were identified and classified in 24 and 30 variables, respectively. Then, using questionnaires, the variables data were gathered through Middle-East located firms which have implemented ERPs. After data collection, these records were used to train ANNs with the aim of predicting the ERP success level based on organizational profiles. The multi-layer feed-forward architecture, with 125 input neurons (organizational profiles) and 150 output neurons (ERP success), were manipulated to design the network. The Levenberg–Marquardt training algorithm, with the MSE measure, was also selected for training and validation. To insure the accuracy of the network, a 25 test set record was used to test the network. With the analysis of all 25 test data sets, the expert system predicted 20.56 out of 30 success variables correctly, on average. The prediction power of the expert system or total correct classification rate was 0.685 in total. Besides, the average correlation coefficient for the test data was 0.744, which is relatively high and supports the idea of dependency of ERP post-implementation success on the organizational profiles.