ارائه کننده: حسین اسکندری
استاد راهنما: دكتر سيدحسام الدين ذگردي
استاد مشاور: دكتر بختيار استادي
استاد داور داخلي: دكتر الهام آخوند زاده نوقايي
استاد داور خارج از دانشگاه: دكتر مرتضي خاكزار بفروئي
نماينده تحصيلات تكميلي: دكتر الهام آخوند زاده نوقايي
تاریخ: 1403/06/21   
ساعت: 10:30
مكان: اتاق سايت دانشكده مهندسي صنايع و سيستم ها

چکیده :
توسعه محصول جدید عامل اصلی رشد شرکت‌ها و ایجاد مزیت رقابتی پایدار است و اغلب به عنوان فرآیندی در نظر گرفته می‌شود که در آن مفاهیم طراحی محصول بر اساس نیازهای تجاری و فنی گسترده انتخاب می‌شوند و به دنبال آن، تولید نمونه‌های فیزیکی اولیه، آزمایش و اعتبارسنجی، تولید انبوه و در نهایت راه‌اندازی محصول محقق می­گردد. فرآیندهای توسعه محصول جدید به دلیل بازار جهانی شده امروزی و تمایل مشتریان به محصولات با تکنولوژی پیشرفته، به طور فزاینده‌ای پیچیده و پرخطر می‌شوند و در معرض انواع ریسک‌ها قرار دارند. ریسک از ویژگی‌های اجتناب‌ناپذیر هر ایده نوآورانه است که به طور قابل‌توجهی بر هزینه‌ها و زمان پروژه‌های توسعه محصول جدید تأثیر می‌گذارد. به طور کلی، مدیریت ریسک موثر عملکرد پروژه‌های توسعه محصول جدید را بهبود می‌بخشد و اگر ریسک‌های موجود به درستی مدیریت نشوند، پروژه توسعه محصول جدید ممکن است از نظر اقتصادی غیرقابل توجیه گردد. با این حال، تجزیه‌و‌تحلیل همه ریسک‌ها مستلزم زمان و سرمایه‌گذاری قابل‌توجهی است و به همین دلیل بایستی بر شناسایی و محاسبه تأثیرگذارترین ریسک‌ها تمرکز کرد. با نگرش به اهمیت استفاده از تجربيات گذشته سازمان‌ها اعم از نحوه برخورد شرکت‌ها با ريسك‌ها و مديريت آنها در حوزه فرآیند توسعه محصول جدید، استفاده از تکنیک‌های یادگیری ماشین جهت بهره‌برداری مناسب از این اطلاعات و تجربیات گذشته موثر است. در حال حاضر یادگیری ماشین به یک ابزار ضروری برای استخراج خودکار اطلاعات مفید برای حمایت از تصمیم‌گیری در مدیریت ریسک تبدیل شده‌است و از الگوریتم‌های یادگیری ماشین به گونه‌های مختلفی در طی فرآیند مدیریت ریسک استفاده می‌شود. با توجه به اهمیت وافر پالایشگاه‌های نفت و نیاز مبرم بر اشراف کامل به ریسک‌های موجود در فرآیند توسعه محصول جدید این سازمان‌ها، هدف از پژوهش حاضر، بررسی جامع مدیریت ریسک در فرآیند توسعه محصول جدید با استفاده از رویکرد یادگیری ماشین در یک پالایشگاه نفت است. به همین منظور، در ابتدا 68 عامل ریسک جاری و محتمل بر فرآیند توسعه محصول جدید یک پالایشگاه نفت، تحت 9 فاکتور ریسک اصلی بر اساس تحقیقات پیشین، مستندات سازمان و مصاحبه با خبرگان و جلسات گروه کانونی شناسایی شده و 8 سنجه‌ و متغیر جهت ارزیابی این ریسک‌ها بر اساس موارد مذکور و شاخص‌های سازمان تعیین می‌گردند. همچنین، جهت جمع‌آوری مجموعه داده مناسب، پس از طراحی، توزیع و جمع‌آوری پرسشنامه‌ها و انجام پیش‌پردازش بر روی مجموعه داده‌ها، درجه اهمیت و میزان تاثیر سنجه‌ها تعیین می‌شوند. در ادامه، چهار الگوریتم خوشه‌بندی یادگیری ماشین شامل K-Means، سلسله‌مراتبی، DBSCAN و GMM به‌منظور ارزیابی و طبقه‌بندی ریسک‌های فرآیند توسعه محصول جدید به همراه شاخص‌ها و روش‌های تعیین بهترین پارامتر مدل‌ها و نیز ارزیابی عملکرد آنها تشریح شدند و پس از تعیین بهترین پارامترها، این مدل‌ها بر روی مجموعه داده پیاده‌سازی گردیدند. سپس، بر اساس شاخص‌های ارزیابی عملکرد این مدل‌ها مورد بررسی قرار گرفتند.مطابق نتایج، به ترتیب، سنجه‌های درجه اهمیت استراتژیک، احتمال وقوع و تاثیر بر هزینه بیشترین اثرگذاری را بر روی عملکرد مدل‌های خوشه‌بندی داشتند و طبق برآیند شاخص‌های ارزیابی عملکرد، مدل K-Means به عنوان مدل برتر انتخاب گردید. در همین راستا، 68 عامل ریسک فرآیند توسعه محصول جدید ، بر اساس مدل خوشه‌بندی برتر، تحت سه خوشه با سطح ریسک بالا، متوسط و پایین طبقه‌بندی و اولویت‌بندی شدند و در انتها، راهکارهای مقابله با عوامل ریسک مذکور بر اساس بررسی‌های صورت گرفته، به تفکیک تشریح گردیدند.