ترجمه مقاله SMT در سازمان

SMT  ها در تحقیقات سیستم های اطلاعاتی (IS) مورد توجه زیاد قرار گرفته اند. تحقیقات قبلی، به طور معمولSMT  ها را مترادف یا به عنوان نماینده ای ازIS  تلقی می نمایند و جنبه های مختلفی از آن از قبیل ویژگی ها و شرایط SMT ها (آرگیریس مونو، 2015)، انتشار SMT ها (عابدین، ​​2016؛ لاروسیلیر، کارتر و مسکه، 2017)؛ پذیرش و/ یا پس از پذیرش SMT ها (ماتسون و آوریگما، 2018)، روش هایی که سازمان ها می توانند از SMT برای ارزش تجاری استفاده کنند (کولنان، مک هیو و زوبیلاگا، 2010) و تأثیرات SMT ها از جمله روابط با مشتری، دسترسی به اطلاعات، نقش مدیر ارشد اطلاعات (CIO) و استراتژی را بررسی کرده اند (دینز و ترتولا، 2018؛ تاجودین، ​​جعفر و آئینین، 2018). تحقیقات در زمینه های مختلف از جمله کشورها، صنایع، بخش ها و فناوری ها گسترش یافت (شریف، تورشانی و دیویدسون،2015؛ تالوکر، کوازی و دژاتیکوسومول، 2018).

 

با این حال، میزان استفاده سازمان ها از SMT ها متناسب با استراتژی ها و امتیازات کسب و کارشان بوده و امری تقریباً ناشناخته است. از آنجا که سازمان ها به استراتژی ریزی و برنامه ریزی فعالیت های خود شناخته شده اند (برونزمن، دوور و هوستون، 2011) و می توان انتظار داشت که از SMT ها برای فعالیت های خارجی و رودرویی با مشتری استفاده کنند (کولنان و همکاران، 2010)، لذا با توجه به سیگنال گذاری، انتخاب وضعیت و کسب درآمد سازمان ها که امری مهم فرض می شود، بین استراتژی های کسب و کار و استراتژی های رسانه اجتماعی تعامل برقرار می نمایند. این تحقیق در تلاش است تا به این سوال پاسخ دهد: آیا سازمان ها استراتژی های کسب و کار و رسانه های اجتماعی خود را همسو می کنند؟ این تحقیق با استفاده از ترکیبی از تکنیک های متن کاوی و تحلیل خوشه ای بر روی داده های جمع آوری شده از گزارش های فرم K-10 و فیدهای توییتر 33 سازمان در مورد صنعت فناوری اطلاعات (IT)، الگوهای همسویی را بین استراتژی های کسب و کار و رسانه های اجتماعی آشکار می کند.

ادامه مقاله به شرح زیر تدوین شده است. بخش بعدی، زمینه های مربوط به ادبیات مربوط به تحقیق را شرح می دهد. بخش های بعدی روش ها و نتایج تحقیق را نشان می دهند. دو بخش آخر بحث و نتیجه گیری را ارائه می دهند.

2. ادبیات تحقیق

2.1. شبکه های اجتماعی

رسانه های اجتماعی یکی از تأثیرگذارترین تحولات IS بر سازمان ها می باشند (آرال و واکر، 2011). این امر به گروهی از برنامه های مبتنی بر اینترنت با استفاده از وب 2.0 اشاره دارد که امکان ایجاد و تبادل محتوای تولید شده توسط کاربر را فراهم می کند (کاپلان و هاین لاین، 2010). تحقیقات قبلی مزایای رسانه های اجتماعی در سازمان ها و تأثیر آن بر توانایی مصرف کننده، اولویت های مصرف کننده، مدیریت محصول، تأمین منابع مالی گسترده، استراتژی های بازاریابی همتا به همتا و هدفمند، مدیریت زنجیره تامین، بحران ها و مدیریت بلایا، تعامل کاربران، عملکرد کاری و مدیریت شهرت را نشان داد(آرال و واکر، 2011؛​​ کلاوسن، کرچمر و میرهوفر ، 2013؛ غیاثی، زیمبرا، و لی، 2016؛ هی، روی و وینستون، 2018؛ ای لیری، 2011؛​​ ریشیکا، کومار، جاناکریمان و بزاوادا، 2013؛ تروسوف، بوداپاتی و باکلین، 2010 ؛ وو ، 2013؛ زاده و شاردا، 2014).

قدرت رسانه های اجتماعی موضوع قابل بحثی می باشد (کالاموکیس، تامبوریس و تارابانیس، 2013). مطالعات تأثیر رسانه های اجتماعی بر عملکرد سازمان ها را بررسی کرده و نشان داده اند که استفاده از رسانه های اجتماعی منجر به کاهش هزینه ها، بهبود ارتباط با مشتری و افزایش دسترسی به اطلاعات می شود (پروین، جعفر و آنین، 2016). لو، ژانگ و دوان (2013) قدرت پیش بینی شبکه های اجتماعی و ارتباط آن با ارزش سهام شرکت را بررسی کردند و دریافتند که رسانه های اجتماعی یکی از مهمترین شاخص های ارزش سهام شرکت می باشد و نسبت به رسانه های آنلاین های سنتی از ارزش پیش بینی بیشتری برخوردار است. فانگ، هو، لی و تسای (2013)، تأثیر رسانه های اجتماعی را بر روند پذیرش محصول بررسی کردند و تأیید کردند که رسانه های اجتماعی قدرت پیش بینی و شناسایی پذیرندگان بالقوه را ارائه می دهد.

همچنین، مطالعات گزارش دادند که شبکه های اجتماعی می توانند یک شمشیر دو لبه باشند که جنبه های مختلف سازمان را به چالش می کشد. به عنوان مثال، استفاده از رسانه های اجتماعی می تواند بهره وری کارمندان را تهدید کند (اولیر-مالاتر، راتبارد و برگ، 2013)؛ و خودیاری مصرف کنندگان نسبت به محصولات منحصر به فرد که توسط شبکه های اجتماعی فعال شده می تواند منجر به کاهش رضایت مشتری گردد (هیلدبراند، هاوبل، هرمان و لندوهر، 2013). بنابراین، ممکن است رسانه های اجتماعی به دلیل تعاملی بودن، خودانگیختگی و احتمال وجود محتوای تأیید نشده، سازمان ها را بطور نامناسب در معرض خطر قرار دهند (اسکات و جاکا، 2011) و از این رو فرایند مدیریت خطر می تواند به سازمان ها برای مدیریت خطرات رسانه های اجتماعی کمک کند (دمک، راشکه، جانورین و دیلا ، 2018).

هدف استراتژی رسانه های اجتماعی، به حداکثر رساندن تعامل با ذینفعان خارجی سازمان ها است. ویلسون، گوانان، پاریس و وینبرگ (2011)، روش های مختلفی را شناسایی کردند که سازمان ها از طریق آن از رسانه های اجتماعی در فعالیت های خود از قبیل خدمات به مشتری، بهبود عملکرد و همکاری استفاده می کنند. افینگ و اسپیل (2016) بر اساس مرور سیستماتیک ادبیات تحقیق، علاقه روبه رشد استراتژی رسانه های اجتماعی در تحقیق و عمل را نشان دادند. استراتژی رسانه های اجتماعی مبتنی بر ملاحظات مختلفی از قبیل محتوای تولید شده توسط کاربر، مخاطبان هدف و انتخاب کانال از طریق برنامه های اینترنتی با هدف ایجاد موقعیت های رقابتی منحصر به فرد و ارزشمند برای سازمان ها می باشد (افینگ و اسپیل، 2016؛ تافسه و وین، 2018). معمولاً توصیه می شود که استراتژی های شبکه های اجتماعی باید با استراتژی کسب و کار همسو باشند (هانا، روم و کریتندن، 2011).

 

2.2. همسویی

همسویی بین کسب و کار و IS نگرانی دائمی تحقیقات و عملکرد IS بوده است (گرو، گروور، تاچر و راث، 2014). در طی سال ها، چشم اندازهای مختلف همسویی از جمله همسویی بین استراتژی های کسب و کار وIS ، کسب و کار و ساختارهایIS ، یا همسویی بین استراتژی و ساختار کسب و کار یا IS ارائه شده است (هندرسون و ونکاتامران، 1999). این امر به عنوان «درجه سازگاری نیازها، خواسته ها، اهداف، مقاصد یا ساختارهای یک مولفه با نیازها، خواسته ها، اهداف، مقاصد یا ساختارهای مولفه دیگر» تعریف شده است (نادلر و توشمن، 1983).

تحقیقات قبلی، همسویی را به صورت مختلفبه عنوان برازش (برگون، ریموند و ریوارد، 2001)، یکپارچگی (بهارادواج، بهارادواج و باندولی، 2007) و همسویی (کروتو و ریموند، 2004)توصیف کرده و بر روی تفاوت جنبه های سازمان از جمله استراتژی (صبروال و چان،2001)، برنامه ریزی (کرنز و لدرر، 2000) و فرایند (باروا، کونانا، وینستون و یین، 2004) تمرکز کرده اند. مطالعات تلاش کرده اند تا ابعاد همسویی را توصیف کنند. به عنوان مثال، هندرسون و ونکترامان (1999)، همسویی فکری، همسویی عملیاتی و همسویی بین حوزه ای (بین کسب و کار وIT) را پیشنهاد کردند؛ رایش و بن باسات (2000) بین جنبه های فکری و اجتماعی همسویی استراتژیک تفاوت قائل شدند؛ و چان و ریچ (2007) همسویی استراتژیک، ساختاری، اجتماعی و فرهنگی را توصیف کردند. یک اتفاق نظر کلی وجود دارد که همسویی مطلوب است، در حالی که عدم همسویی برای سازمان ها مضر است (بیکر، جونز، کائو و سونگ، 2011؛ چن، موکر، پرستون و توبنر، 2010). تأثیر همسویی بر عملکرد سازمانی در مطالعات قبلی پشتیبانی شده است (گرو و همکاران، 2014). به طور کلی، همسویی می تواند بر عملکرد مالی (آرمسترانگ و سام بامورتی، 1999)، بهره وری (بهارادواج و همکاران، 2007) و سود مشتری تأثیر بگذارد (تالون، کرامر و گورباکسانی، 2000).

 

2.3. این مطالعه

این تحقیق همسویی بین کسب و کار و رسانه های اجتماعی -به طور خاص، میزان دستیابی سازمان به همکاری بین استراتژی های کسب و کار و استراتژی های رسانه های اجتماعی را بررسی می کند. مشخص شده است که سازمان ها، رسانه های اجتماعی را به عنوان بخشی از استراتژی خود برای تغییر شکل تمام زمینه های شرکت، از جمله فروش و بازاریابی، سرمایه، عملیات و منابع انسانی به حساب می آورند (لو و همکاران، 2013). از آنجایی که شبکه های اجتماعی پتانسیل تأثیرات مثبت و منفی بر سازمان دارند و همسویی بین کسب و کار و IS (رسانه های اجتماعی) می تواند منافع قابل توجهی را برای سازمان ایجاد کند، سازمان ها می توانند برای همسویی بین استراتژی های کسب و کار و رسانه های اجتماعی تلاش کنند.

3. روش ها

سازمان های موجود در صنعت IT با توجه به تفاوت های قابل توجه استراتژی ها بین صنایع مختلف، در سیستم طبقه‌بندی استاندارد صنایع (SIC) تعریف شده و برای تجزیه و تحلیل انتخاب شدند. به طور خاص، 33 سازمان تحت عنوان SIC 737 فهرست شده و بخش IT را در نمونه تجزیه و تحلیل خود نشان داده و گنجاندند.

اطلاعات مربوط به فعالیت های سازمانی در سال های اخیر در اشکال بدون ساختار، نیمه ساختار یافته و ساختار یافته در اسناد مختلف از جمله گزارشات افشای مالی، مقالات خبری، وبلاگ ها و منابع خبری رسانه های اجتماعی موجود می باشند. می توان از ترکیبی از این بایگانی ها برای درک استراتژی ها و اقدامات تجاری، نحوه درک و پیاده سازی آنها توسط ذینفعان مختلف از قبیل مشتریان، کارمندان، رقبا و فعالان بازار و میزان همسویی آنها با استراتژی های شبکه های اجتماعی استفاده کرد. در این تحقیق، یک رویکرد تجزیه و تحلیل چند روشی داده ایجاد کردیم تا میزان همسویی بین استراتژی کسب و کار سازمان و استراتژی های رسانه های اجتماعی را بررسی نماییم. مطالعه ما از دیدگاه روش شناسی، به چارچوب تحلیلی کمک می کند تا بتوان از آن برای ارزیابی مقیاس بزرگ همسویی موضوعی استفاده کرد. رویکرد ما اولین مباحث را بواسطه مجموعه اسناد شناسایی می کند و از آنها برای امتیاز دهی به داده های متنی جدید و اندازه گیری ارتباط موضوعی استفاده می کند. برای بررسی بیشتر و بررسی همسویی موضوعی، از ترکیبی از تجزیه و تحلیل خوشه ای و آنوا استفاده شده است. روش تحقیق در شکل 1 نشان داده شده است.

3.1. پردازش داده ها

داده ها از منابع مختلفی از جمله گزارش های سالانه K-10، فیدهای توییتر و بایگانی عمومی داده های عملکردی جمع آوری شده اند. برای دانلود گزارش K-10 هر سازمان در کمیسیون بورس و اوراق بهادار (SEC)، از بسته هایR  ادگار¹ استفاده شد. برای شناسایی سازمان ها در پایگاه داده ادگار ،از علامت شرکت و کلید شاخص مرکزی (CIK)² استفاده شده است. هر فرم بایگانی شده K-10 شامل توصیفی از کسب و کار، طرح های ابتکاری، عملیات، عملکرد مالی، عوامل خطر، بحث مدیریت و جهت گیری آینده کسب و کار عمده است. به طور خاص، توضیحات ارائه شده در آیتم 1 (به عنوان مثال، کسب و کار) و آیتم 7 (یعنی، بحث و تجزیه و تحلیل مدیریت و وضعیت مالی و نتایج عملیات مدیریت) از گزارش های K-10 استخراج شده اند. آیتم 1 مرور کلی مدل تجاری، استراتژی و شاخص های کلیدی عملکرد شرکت را ارائه می دهد و در آیتم 7 نتایج عملیات، وضعیت مالی و مدیریت خطر مورد بحث قرار می گیرد. پست های توییتر این سازمان ها نیز جمع آوری شدند. با استفاده از ابزار سلنیوم وب درایور(Selenium WebDriver)،³ یک خزنده وب به زبان R نوشته شد تا فیدهای توییتر⁴ این سازمان ها را پاک کند. نام کاربری، متن، برچسب زمان، تعداد بازنشر توییت ها، پاسخ ها و لایک های برای توییت ثبت شده است. این روند استخراج، 26850 توییت اصلی ایجاد کرد. برای جزئیات بیشتر به پیوست الف مراجعه کنید.

 

3.2. تجزیه‌گر متن

از تجزیه‌گر متن برای پردازش داده های متنی بدون ساختار و تبدیل آنها به داده های ساختاریافته در قالب صفحه گسترده، استفاده شده است. این فرایند شامل تکنیک هایی از قبیل جداسازی واژگان، نرمال‌سازی (از طریق بُن واژه سازی، ریشه یابی و مترادف ها)، برچسب‌گذاری جزء کلام و بررسی املایی می باشد(چاکرابورتی، پاگولو و گارلا، 2014). برای ثبت اصطلاحات چند کلمه ای یا عبارات معنی داری که ممکن است مفاهیم مهم را نشان دهند، از رویکرد N-gram استفاده شده است. یک ماتریس سند واژه (TDM) برای مجموعه گزارشاتK-10  ایجاد شده است که شامل فراوانی اصطلاح یا تعداد دفعات ظاهر شدن یک اصطلاح در هر سندK-10  می باشد. TDM بسیار بزرگ و پراکنده بود و از این رو برای کاهش ابعاد داده ها بدون از دست دادن قابل توجه اطلاعات، از الگوریتم تجزیه مقادیر منفرد (SVD) استفاده شد (آلبرایت، 2004؛ منینگ، پرابهکار و هینریش، 2008). تحقیق قبلی نشان داده است که ابعاد کاهش یافته، ماتریس اصطلاح سند را تقریب می زند (لنداور، لاهام و درر، 2004). برای اندازه گیری ارتباط یک اصطلاح با یک سند و شناسایی اصطلاحات مهم، رویکردهای وزن دهی اصطلاحات مختلفی از جمله آنتروپی و فراوانی اصطلاح- فرکانس سند معکوس (TF- IDF) ایجاد شده است. اوانجلوپولوس، ژانگ و پریبوتوک (2012) دریافتند که روش آنتروپی، موضوعات مشابه روش TF-IDF را شناسایی نموده و استدلال می کنند که روش آنتروپی می تواند در اسناد با متن کوتاه بهتر عمل کند. لی، پینکومب و ولز (2005) و چو، بدر، کولدا و عبدالعلی (2007) اظهار نمودند که به طور کلی وقتی از رویکرد LSA  برای مدل سازی موضوع استفاده می شود، روش آنتروپی برتر از روش TF-IDF می باشد. ما از روش آنتروپی برای تعیین وزن اهمیت هر اصطلاح و شناسایی اصطلاحات مهم در هر سند استفاده می کنیم. اصطلاحات وزنی با استفاده از فراوانی کلی و فراوانی سند به صورت زیر محاسبه شدند:

w_i=1+_j=1ⁿf_ij/g_i.log₂(f_ij/g_i)log_n(n)

که در آن f_ij  تعداد دفعاتی می باشد که اصطلاح  iاُم در سند jاُم ظاهر می شود،g_i  فراوانی وقوع اصطلاح i در مجموعه اسناد است و n تعداد کل اسناد موجود در مجموعه است (چاکرابورتی و همکاران، 2014).  TDM کل مجموعه گزارشاتK-10  را نشان می دهد و علاوه بر فراوانی اصطلاحات و اسناد، حاوی این وزن ها می باشد.

3.3. مدل سازی موضوعات در گزارش های K-10

چندین رویکرد روش شناختی برای استفاده در تجزیه و تحلیل موضوعی بدست آمده است. تجزیه و تحلیل پنهان مفهومی (LSA) و تخصیص پنهان دیریشله (LDA) از جمله رویکردهای معمول مورد استفاده در تحقیقات IS می باشند (احمد و لاروش، 2015؛ لارسن و بونگ، 2016؛ مولر، اشمیدل، گورباچوا و ووم بروککه، 2016؛ سیدوروا، اوانجلوپولوس، والاچیچ، یوان، لائو و خو، 2016). LSA بواسطه تحلیل عاملی سنتی تکامل یافته و به عنوان تحلیل مولفه اصلی داده های متنی معرفی شده است ((دیروستر، دومایس، فرنس، لنداور و هارشمن، 1990). LSA  محتوای معنایی را در داده های متنی به عنوان یک مدل فضایی بردار توصیف می کند تا به آشکار شدن ساختار موضوعی اساسی کمک کند (لنداور، فولتز و لاهام، 1998؛ ویسینسکو و اوانجلوپولوس، 2014). LSA فرض می کند که هر سند شامل ترکیبی از موضوعات است و هر موضوع از مجموعه ای از اصطلاحات تشکیل شده است و از طریق SVD ابعاد اصطلاحات و اسناد را کاهش می دهد. از نتایج SVD برای شناسایی عوامل معنایی نهفته ای استفاده شده است که می توان مضامین مشترک را توسط آنها ایجاد کرد(سیدوروا و همکاران، 2008). بلی، نگ و جوردن (2003)، LDA را معرفی کردند که چرخش احتمالی را به مفروضات LSA اضافه می نماید. LDAجانشین پیشین دیریچله را با توزیع موضوع-سند و موضوع-اصطلاح ترکیب می کند و از طریق شبیه سازی های زنجیره مارکوف مونت-کارلو (MCMC) دربردارنده تخمین پارامترها می باشد.

اگرچه LDA بعنوان افزایش قابلیت‌ LSA درک شده است، بر ناتوانی آن در اختصاص احتمال به اصطلاح یا سند غلبه می کند، اما لزوماً به معنای عملکرد بهتری نسبت به جانشین های پیشین آن ندارد (ایخوف و نوس، 2017). به عنوان مثال، برگاماسچی و پو (2014) هر دو روش را در زمینه سیستم های توصیه شده بررسی کردند و نتیجه گرفتند که کاربرد LSA بهتر از LDA می باشد. بعلاوه، پیچیدگی بیشتر ریاضی LDA مزیتی نسبت به LSA  ندارد و مشکلات لاینحل آن می تواند کاربرد عملی آن را محدود کند (اوانجلوپولوس و همکاران، 2012). یک LSA که با تنظیم مناسب می تواند نتایج قابل توجهی را نسبت به یک الگوریتم قدرتمندتر از قبیل LDA  با تنظیم کمتر، نشان دهد (گفن، اندیکوت، فرسندا، میلر و لارسن، 2017).

با راهنمایی (دبورتولی، مولر، جانگلاس و ووم بروککه، 2016)، برای طبقه بندی گزارش های K-10، درک روابط بین اصطلاحات بر اساس همزمانی آنها، از مدل سازی موضوعی تحلیل پنهان مفهومی (LSA) و برای کشف موضوعات اساسی استفاده شده است. الگوریتم مدل سازی موضوع LSA برای تبدیل TDM وزنی به یک بردار متراکم اما کم بعد، به SVD متکی می باشد. SVD های حاصل (یعنی، TDM تغییریافته) حاوی ابعاد مفهومی پنهان در اسناد متنی می باشد که بینش های در رابطه با نحوه ارتباط اسناد و اصطلاحات ارائه می دهد. برای درک روابط بین اصطلاحات و ایجاد موضوعات، قدرت ارتباط بر اساس همزمانی اصطلاحات اسناد و با استفاده از توزیع دوجمله ای به شرح زیر محاسبه شد:

Strength= log_e1/Prob_k

 

Prob_k=_r=kⁿn!/ r!(n -r)!).p^r1-p^n-r