مقدمه
مدیریت عملیات به عنوان یکی از ارکان حیاتی هر سازمان، نقش اساسی در بهبود بهره وری، کیفیت و عملکرد کلی آن ایفا میکند. برخلاف تصور عموم و غیر متخصصین که عملیات را به عنوان فعالیتی فیزیکی میپندارند و تصور می کنند عملیات تنها در حوزه پشتیبانی و یا تولید سخت افزاری و ماشین آلات خلاصه شده، مدیریت عملیات مغز متفکر حرکت فرایند های سازمان ها در پشت فرآیندهای کلان یک کسب و کار است. در واقع مدیریت عملیات با راه کارها و استراتژی های صحیح به نوعی می تواند بیزنس را توسعه، جهت دار و تسهیل دهد. راهبری عملیات در دو حوزه تکنولوژی و نو آوری و در حوزه تجربه مدیران با سابقه صورت می گیرد. در واقع ترکیب ابزار و تکنولوژی با سوابق مربط آکادمیک و تجربی یک واحد مدیریت عملیات صحیح را تعریف می نماید. مفهوم مدیریت عملیات همان تفکر سیستمی و علمی است که با دانش عملی و اجرا شده ادغام گشته است. در غیر این صورت مفهوم مدیریت عملیات، همان عملیات سنتی نظیر شرکت های سخت افزاری به خصوص در پشتیبانی های سازمانی است که بسیار هم دیده می شود. استفاده از مدیران سنتی و غیر متخصص، بدون داشتن تحصیلات و سوابق مرتبط برای پائین آوردن هزینه ها، عدم استفاده و صرف هزینه برای به کار گیری نرم افزارهای جامع برای ردیابی و پیاده سازی پروژه های عملیات، عدم استفاده از تیم های تحلیلگر و مانتیورینگ از مواردی است که خود من هم که در کنار مسئولیت اجرائی، مستقیما نقش عملیاتی را هم ایفا کرده ام، در مواردی تحت فشار این رویکرد بودم و محدودیت های فراوانی را متحمل شدم. در صورتی که عموما در شرکت هایی با ارائه محصولات یا خدمات نرم، به خصوص استارت آپ ها، این مفهوم بطور جدی تر و علمی تر اجرا می شود ، و از ابزارها، تکنیک ها، و دانش به روز برای بهینه سازی و پیشبرد عملیات استفاده می گردد. ( البته طبق مشاهداتم، بعضی از مطرح ها هم این طور نبودند) .
از آن جا که مبنای تصمیم گیری در یک مدیریت عملیات به روز، تحلیل داده های صحیح در این بخش می باشد، بر همین مبنا، تسلط بر علم داده برای مدیران عملیات بسیار ضرورت پیدا کرده است. این مقاله به بررسی نقش مدیریت عملیات با نگاه داده محور در توسعه کسب و کار پرداخته و تأکید میکند که مدیران ارشد عملیات باید علاوه بر تسلط و تجربه کاری کافی بر حوزه های مالی، فرآیند ها، توسعه کسب و کار، زنجیره تأمین، منابع انسانی، ابزار دیجیتال و اتوماسیون، توسعه نرم افزار، نگاهی عمیق و تخصصی داده محور نیز داشته باشند .
مدیریت عملیات شامل طراحی، اجرا و کنترل فرآیندهای تولید و ارائه خدمات است. هدف اصلی مدیریت عملیات، بهینه سازی استفاده از منابع، افزایش کیفیت و ارتقاء کارایی فرآیند هاست. اصولا رشته هائی نظیر مهندسی صنایع و یا شاخه هائی از مدیریت، مفهوم مدیریت عملیات را در دروس دانشگاهی خوانده اند و به درستی درک کرده اند. اما آنچه که در کنار این دانش نیازمند است، درگیری مستقیم تیم عملیات با تمامی زیر شاخه های مرتبط با آن است. ساختار مدیریت عملیات باید تمام اجزای زنجیره ارزش یک سازمان و فرآیند های داخلی را هماهنگ و بهینه کند. این نقش به ویژه در کسب و کارهای فناوری محور که علاوه بر پشتیبانی از محصولات و خدمات سخت افزاری، محصولات و خدمات در حوزه دیجیتال نظیر نرم افزار ها، اپلیکیشن ها و وبسایت ها تولید میکنند، بسیار حیاتی تر می شود. بنا بر این جهت، تشکیل ساختار قوی مدیریت عملیات، به عنوان یکی از ارکان اصلی پیشبرد سیاست ها و استراتژی های کلان یک سازمان، که از یک سو نقش کلیدی در برآورده سازی خواست مشتریان داخلی همچون سهامداران، شرکای تجاری و ذینفعان یک کسب و کار را فراهم خواهد کرد، و از سوئی تاثیر مستقیم در رضایت مشتری و تجربه مشتریان خواهد گذاشت، ذیلا به ویژگی های لازم در مدیریت عملیات خواهم پرداخت.
از آنجائی که کلیه فعالیت های یک سازمان در حوزه عملیات در پلتفورم ها، نرم افزارها و درگاه های گوناگون ثبت می شود، استفاده از داده های موجود می تواند در پیشبرد اهداف عملیاتی و توسعه، بهینه سازی و نو آوری بسیار موثر باشد. لذا ضرورت تسلط در علم داده بسیار ضروری و حیاتی است. در عناوین ذیل به بخش هائی در این خصوص اشاره داده شده اشت :
مدیر عملیات باید قادر باشد تصمیمات خود را بر اساس داده های واقعی و تحلیل های دقیق اتخاذ کند. این نوع تصمیم گیری میتواند ریسک ها را کاهش داده و فرصت های جدید را شناسایی کند. به عنوان مثال، در یک کسب و کار نرم افزاری، تحلیل داده های مربوط به استفاده کاربران از نرم افزار میتواند به پیش بینی رفتارهای آینده کاربران کمک کرده و استراتژی های بهتری برای توسعه محصول تدوین کند .
علم داده به مدیر عملیات این امکان را می دهد که با تحلیل داده ها، نقاط ناکارآمدی در فرآیند ها را شناسایی و آنها را بهبود بخشد و بهره وری سازمان را به طور قابل توجهی افزایش دهد. این امر از طریق بهینه سازی فرآیند ها، کاهش ضایعات و استفاده مؤثر از منابع حاصل میشود و این امر به افزایش سودآوری و رقابت پذیری سازمان کمک میکند. همچنین استفاده از الگوریتم های بهینه سازی فرآیندها میتواند به کاهش زمان تولید و افزایش خروجی کمک کند.
برای مثال، در یک شرکت توسعه اپلیکیشن، تحلیل داده های مربوط به زمان بارگذاری ( لایو شدن ) یک فیچر جدید و عملکرد اپلیکیشن میتواند به شناسایی مشکلات محصول و بهینه سازی معماری منجر شود .
مدیر عملیات باید قادر باشد تقاضا را پیش بینی کرده و زنجیره تأمین را بهینه کند. استفاده از مدل های پیش بینی مبتنی بر داده ها میتواند به بهبود مدیریت موجودی و کاهش هزینه های مرتبط کمک کند. به عنوان مثال، تحلیل داده های فروش یک سایت فروشگاهی میتواند به پیش بینی تقاضا برای محصولات مختلف و بهینه سازی موجودی کمک کند. تحلیل داده های استفاده کاربران از نرم افزار میتواند به پیش بینی رفتارهای آینده کاربران کمک کرده و استراتژی های بهتری برای توسعه محصول تدوین کند. تحلیل داده های هزینه در یک سایت میتواند به شناسایی و حذف هزینه های غیرضروری کمک کند.
تحلیل داده های بازخورد مشتریان و کاربران میتواند به شناسایی نقاط ضعف و مشکلات محصولات کمک کرده و کیفیت کلی آنها را ارتقاء دهد. به عنوان مثال، در یک کسب و کار نرم افزاری، تحلیل داده های بازخورد کاربران میتواند به شناسایی و رفع باگ های نرم افزار کمک کند . کنترل کیفیت و پایش مستمر نقش برجسته ای در جایگاه متمایز برند در بازار دارد و این به نوبه خود میتواند رضایت مشتریان و اعتبار برند را افزایش دهد.
مدیر عملیات با بینش استراتژیک و توانایی درک نیازهای بازار، میتواند فرآیند ها و محصولات جدیدی را توسعه دهد که به رشد و نوآوری سازمان کمک میکند.
تحلیل داده های رقابتی میتواند به شناسایی فرصت های جدید در بازار و توسعه محصولات نوآورانه کمک کند.
استفاده از تکنیک های یادگیری ماشین میتواند به شناسایی نیازهای جدید مشتریان و توسعه محصولات متناسب با این نیازها کمک کند.
با توجه به ویژگی های اشاره شده در فوق، در ذیل تلاش نمودم مثال هائی نسبتا ساده در خصوص به کار گیری ابزارها و تکنیک های یادگیری ماشین و علم داده آورده شود تا کمی برای علاقه مندان برای اثر گذاری در این حوزه شفاف تر شود . حال استفاده از این تکنیک ها را در چند حوزه تقسیم می کنیم :
1- مدلهای پیش بینی تقاضا (Demand Forecasting Models)
یکی از کاربرد های یادگیری ماشین در مدیریت عملیات، پیش بینی تقاضا است. این مدل ها میتوانند با تحلیل داده های فروش گذشته، روند های فصلی و داده های بازار، تقاضای آینده را پیش بینی کنند .
مثال :
یک شرکت تولید نرم افزار از مدل های سری زمانی ARIMA برای پیش بینی تقاضا برای نسخه های جدید نرم افزار استفاده میکند.
یک فروشگاه آنلاین از شبکه های عصبی بازگشتی (RNN) برای پیش بینی تقاضای محصولات خود در فصل های مختلف سال بهره میبرد.
یک شرکت تولید اپلیکیشن از الگوریتم های (Random Forest) برای پیش بینی تقاضا و بهینه سازی موجودی های خود استفاده میکند.
2- بهینه سازی زنجیره تأمین (Supply Chain Optimization)
مدیر عملیات میتواند از الگوریتم های یادگیری ماشین برای بهینه سازی زنجیره تأمین استفاده کند
یک شرکت تولیدی از الگوریتم ژنتیک (Genetic Algorithms) برای بهینه سازی مسیرهای توزیع و کاهش هزینه های حمل و نقل استفاده میکند.
یک خرده فروشی بزرگ از الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization) برای مدیریت موجودی ها و بهبود کارایی زنجیره تأمین بهره می برد.
یک شرکت تولید لوازم الکترونیکی از الگوریتم های یادگیری تقویتی (Reinforcement Learning) برای بهینه سازی برنامه های تولید و زنجیره تأمین استفاده میکند.
3- تشخیص ناهنجاری ها (Anomaly Detection)
تشخیص ناهنجاری ها یکی دیگر از کاربرد های مهم یادگیری ماشین در مدیریت عملیات است. این تکنیک ها میتوانند به شناسایی مشکلات غیرمعمول در فرآیند های تولید یا خدمات کمک کنند.
یک شرکت تولیدی از الگوریتم Isolation Forest برای شناسایی ناهنجاری ها در خطوط تولید و کاهش خرابی ها استفاده میکند. همزمان ترکیب این متد با روش پیش بینی ریسک خرابی نظیر FMAEA در صنایع, می تواند در کاهش چشم گیر هزینه ها بسیار موثر باشد.
یک شرکت سرویس دهنده اینترنت از الگوریتم One-Class SVM برای شناسایی حملات سایبری و ناهنجاری های ترافیکی در شبکه خود بهره میبرد.
یک شرکت نرم افزاری از الگوریتم های یادگیری بدون نظارت (Unsupervised Learning) برای شناسایی و طبقه بندی رفتارهای غیرمعمول کاربران و بهبود امنیت نرم افزارهای خود استفاده میکند.
4- مدیریت نگهداری پیشبینانه (Predictive Maintenance)
نگهداری پیشبینانه یکی از تکنیکهای مهم در بهبود کارایی و کاهش هزینه هاست. به خصوص در خدمات پس از فروش ماشین آلات و دستگاه های سخت افزاری است . در شرکت های پشتیبانی فناوری اطلاعات این موضوع برای پشتیبانی و نگهداری سرورهای مراکز داده بسیار اهمیت دارد.
یک شرکت تولید خودرو از مدلهای یادگیری عمیق (Deep Learning) برای تحلیل داده های سنسورهایی نظیر IoT و پیش بینی زمان خرابی قطعات استفاده میکند.
یک شرکت نفت و گاز از الگوریتم های ماشین بردار پشتیبان (SVM) برای پیش بینی نیاز به نگهداری و تعمیر تجهیزات خود بهره می برد.
یک شرکت تولیدی از مدلهای جنگل تصادفی (Random Forest) برای پیش بینی نیاز به تعمیر و نگهداری ماشینآلات خود استفاده میکند.
5- تحلیل احساسات مشتریان (Sentiment Analysis)
تحلیل احساسات مشتریان از طریق یادگیری ماشین میتواند به مدیر عملیات در درک بهتر نیازها و مشکلات مشتریان کمک کند. و در نهایت ابزاری برای بالا بردن تجربه مشتری و شاخص کلیدی رضایت مشتری باشد.
یک شرکت تولید اپلیکیشن از تکنیک های پردازش زبان طبیعی (NLP) برای تحلیل نظرات کاربران در اپ استورها و بهبود کیفیت اپلیکیشن های خود استفاده میکند.
یک شرکت خدمات مالی از مدلهای تحلیل احساسات برای بررسی بازخوردهای مشتریان و بهبود خدمات خود بهره میبرد.
یک سایت فروشگاهی از الگوریتمهای یادگیری ماشین برای تحلیل نظرات کاربران و شناسایی نقاط ضعف و قوت محصولات خود استفاده میکند.
6- بهینه سازی فرآیندها (Process Optimization)
الگوریتمهای یادگیری ماشین میتوانند به بهینه سازی فرآیندهای داخلی سازمان کمک کنند. بگذارید چند مثال بزنم :
یک شرکت تولیدی از الگوریتم های Q-Learning در یادگیری تقویتی (Reinforcement Learning) برای بهبود و اتوماسیون فرآیند های تولید استفاده میکند.
یک شرکت نرم افزاری از الگوریتم های بهینه سازی مانند Gradient Descent برای بهبود فرآیند های توسعه نرمافزار و کاهش زمان تولید استفاده میکند.
یک شرکت حمل و نقل از الگوریتم های بهینه سازی مانند A* و Dijkstra برای بهبود مسیرهای لجستیک و کاهش زمان تحویل استفاده میکند.
نتیجه گیری
مدیریت عملیات نقش حیاتی در موفقیت کسب و کارها ایفا میکند. یک مدیر عملیات موفق باید علاوه بر سوابق تحصیلی و تجربی مناسب، آشنائی کافی در حوزه های گوناگون کسب و کار، می بایست تسلط کافی بر علم داده و دیگر حوزه های مرتبط با تحلیل دادگان را داشته باشد. این توانایی ها به او امکان می دهد تا فرآیند های سازمان را بهینه کرده، بهره وری را افزایش داده و هزینه ها را کاهش دهد. در نهایت، مدیریت عملیات کارآمد می تواند منجر به رشد و توسعه پایدار سازمان شود. تسلط بر علم داده به ویژه در کسب و کارهای فناوری محور و مدرن، ابزار قدرتمندی است که میتواند بینش های عمیق تری را فراهم کند و سازمان را به سوی موفقیت های بزرگ تر هدایت کند
نویسنده : محسن مهدی نیا
