بررسی روشهای دادهکاوی در تصمیمگیری مدیران (مطالعه موردی: شهرداری تهران) | ||
| علوم و فنون مدیریت اطلاعات | ||
| مقاله 5، دوره 7، شماره 4، دی 1400، صفحه 93-114 اصل مقاله (2.94 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/stim.2021.6277.1487 | ||
| نویسندگان | ||
| شایسته شجاعی کاریزکی1؛ سودابه شاپوری* 2؛ هاجر زارعی2 | ||
| 1دانشجوی دکتری، گروه علم اطلاعات و دانششناسی، گرایش بازیابی اطلاعات، واحد تنکابن، دانشگاه آزاد اسلامی، مازندران، ایران | ||
| 2استادیار، گروه علم اطلاعات و دانششناسی، گرایش بازیابی اطلاعات، واحد تنکابن، دانشگاه آزاد اسلامی، مازندران، ایران | ||
| چکیده | ||
| هدف: هدف این پژوهش تجزیه و تحلیل دادههای وبسایت شهرداری تهران و ارائه راهکارهای دادهکاوی برای تصمیمگیری مدیران است. روششناسی: پژوهش حاضر بنیادی بوده و از لحاظ ماهیت تحلیلی است. روش گردآوری دادهها به صورت میدانی بوده و جامعه آماری از 220 دامنه شهرداری تهران انتخاب شده و برای تجزیه و تحلیل دادهها از تکنیکهای دادهکاوی برای کشف الگوی مناسب تصمیمگیری مدیران شهری استفاده گردید و منبع گردآوری دادهها وبسنجی و ابزار مورد استفاده گوگل آنالیتیکس است. یافتهها: میزان دقت شبکه عصبی عمیق ال.اس.تی.ام برابر با 84/99%، است. صحت شبکه برابر با 90/99%، فراخوانی برابر با 63/99%، خطای برابر با 16/0%، معیار ام.اس.ای ام برابر با 003/0% است. دقت روش دی.بی.اسکن با سایر روشهای پایه جهت تجزیه و تحلیل دادههای وبسایتهای شهرداری تهران برابر با 84/99%، روش یادگیری عمیق برابر با 25/99%، روش نزدیکترین همسایه برابر با 81/99% و روش درخت تصمیم برابر با 8/99% است. با این تفاسیر میزان بهبود دقت روش دی.بی.اسکن در مقایسه با روشهای یادگیری عمیق برابر با 59/0% است. نتیجهگیری: با شبیهسازی روش دی.بی.اسکن جهت شناسایی و تجزیه و تحلیل دادههای وبسایتهای شهرداری تهران و ارائه راهکارهای دادهکاوی برای تصمیمگیری مدیران مشاهده گردید که روش مطرح شده، پیشنهادهایی را به مدیران ارائه میکند که در جهت بهبود بازدید از سایت و عملکرد شهرداری به میزان قابل توجهی موثر است. | ||
| کلیدواژهها | ||
| شهرداری تهران؛ دادهکاوی؛ شبکه عصبی عمیق ال.اس.تی.ام؛ خوشهبندی؛ دی.بی.اسکن؛ مدیران؛ وبسایت | ||
| عنوان مقاله [English] | ||
| Study of Various Data Mining Methods to Select the Appropriate Method for Managers to Make Decisions in Urban Management (Case Study: Tehran Municipality) | ||
| نویسندگان [English] | ||
| Shayesteh Shojaei Karizaki1؛ Soodabeh Shapoori2؛ Hajar Zarei2 | ||
| 1PhD. Student, Department of Information Science and Knowledge, Information Retrieval, Tonekabon Branch, Islamic Azad University, Mazandaran, Iran. | ||
| 2Assistant Professor, Department of Information Science and Knowledge, Information Retrieval Orientation, Tonekabon Branch, Islamic Azad University, Mazandaran, Iran | ||
| چکیده [English] | ||
| Purpose: The main purpose of this article is to analyze the data of the Tehran Municipality websites and provide data mining solutions for managers' decisions. Methodology: This research is fundamental and in terms of nature, it can be considered analytical. The data collection method was the field. The statistical population was selected from 220 domains of Tehran Municipality and for analysis, data mining techniques were used to discover the appropriate decision model of city managers. The source of data collection was web analytics and tools used by Google Analytics. Findings: The accuracy of the LSTM deep neural network is 99.84%. Network accuracy is 99.90%, the call is equal to 99.63%, the error is equal to 0.16%, MSM standard is equal to 0.003. The accuracy of the DBScan method with other basic methods for analyzing the data of Tehran Municipality websites is 99.84%, the deep learning method is 99.25%, the nearest neighbor method is 99.81% and the decision tree method is equal to 99.8%. With these interpretations, the rate of improvement of the accuracy of the DBScan method in comparison with the deep learning methods is equal to 0.59%. Conclusion: Finally, by simulating the DBScan method to identify and analyze the data of Tehran Municipality websites and provide data mining solutions for managers' decisions, it was observed that the proposed method provides suggestions to managers to improve site visits and The performance of the municipality is significantly effective. | ||
| کلیدواژهها [English] | ||
| Tehran Municipality, Data Mining, LSTM Deep Nervous Network, Clustering, DBScan | ||
| مراجع | ||
|
امیری، آ.؛ دلجو، غ.؛ قربانیزاده، و. (1388). عوامل مؤثر بر پذیرش سامانه مدیریت شهری تهران (137) توسط شهروندان. مدیریت شهری، 6(22): 7-22.
خوشقامت، ک.؛ صفدری، ن.؛ یغماییفر، ش. (1393). ششمین کنفرانس ملی برنامهریزی و مدیریت شهری با تأکید بر مؤلفههای شهر اسلامی. مشهد: شهرداری، شورای اسلامی، دانشگاه فردوسی.
قدوسی، م.ح.؛ محمودی، ج.؛ موسی خانی، م.؛ جعفری، م. (1395). ارائه چارچوب حکمرانی دانش در شبکههای اجتماعی. مدیریت علمی اطلاعات، 5(1): 15-39.
موسوی نطنزی، م.ا. (1398). گوگل آنالیتیکس چیست و چگونه به آنالیز سایت میپردازد؟. قابل دسترس در:
https://hamyar.co/what-is-google-analytics/
مینایی بیدگلی، ب.؛ آخوندزاده، ا.؛ موسوی، م.ح.؛ احمدوند، ع.م. (1388). استفاده از دادهکاوی در مدیریت ارتباط با شهروند: موردکاوی سامانه 137 شهرداری تهران. در: تهران: سومین کنفرانس دادهکاوی.
Al Nuaimi, E.; Al Marzooqi, S. & Zaki, N. (2016). Predicting the decision for the provision of municipal services using data mining approaches. Paper presented at the 2016 3rd MEC International Conference on Big Data and Smart City (ICBDSC).
Amiri, A.; Deljoo, Gh.H. & Ghorbani Zadeh, V. (2008). Factors Affecting the Acceptance of Tehran Urban Management System (137) by Citizens. Journal of Urban Management, 6(22): 7-22. [In Persian] Bakırlı, G.; Birant, D.; Mutlu, E.; Kut, A.; Denktaş, L. & Çetin, D. (2012). Data mining solutions for local municipalities. Paper presented at the Proceedings of the 12th European Conference on e-Government: ECEG.
Deshpande, S. & Thakare, V. (2010). Data mining system and applications: A review. International Journal of Distributed and Parallel systems (IJDPS), 1(1): 32-44.
Goebel, M. & Gruenwald, L. (1999). A survey of data mining and knowledge discovery software tools. ACM SIGKDD explorations newsletter, 1(1): 20-33.
Khoyqamat, K.; Safdari, N. & Yaghmaeifar, Sh. (2015). Sixth National Conference on Urban Planning and Management with emphasis on the components of the Islamic city. Mashhad: Mashhad Municipality. Mashhad: Islamic Council, Ferdowsi University of Mashhad. [In Persian]
Latha, P.P.; Madhuri, R.; Rao, K.P. & Bharathi, M.V. (2013). Effectual citizen relationship management with data mining techniques. GMR Institute of Technology, 2: 158-161.
Ling, C. & Delmelle, E.C. (2016). Classifying multidimensional trajectories of neighbourhood change: a self-organizing map and k-means approach. Annals of GIS, 22(3): 173-186.
Minaei Bidgoli, B.; Akhundzadeh, E.; Mousavi, M.H.; Ahmadvand, A.M. (2009). Using Data Mining in Citizen Relationship Management: A Case Study of Tehran Municipality 137 System. In: Electronic City Conference. [In Persian]
Mousavi Natanzi, M.A. (2020).What is Google Analytics and how does it analyze the site?. Available at: https://hamyar.co/what-is-google-analytics. [In Persian]
Qudusi, M.R.; Mahmoudi, J.; Musa Khani, M. & Jafari, M. (2016), Presenting the framework of knowledge governance in social networks. Bi-Quarterly Journal of Scientific Information Management, 5(1): 15-39. [In Persian]
Sharma, N.; Litoriya, R. & Sharma, A. (2020). Application and Analysis of K-Means Algorithms on a Decision Support Framework for Municipal Solid Waste Management. Paper presented at the International Conference on Advanced Machine Learning Technologies and Applications.
Solomon, S.; Nguyen, H.; Liebowitz, J. & Agresti, W. (2006). Using data mining to improve traffic safety programs. Industrial Management & Data Systems, 106(5): 621-643. DOI: 10.1108/02635570610666412. | ||
|
آمار تعداد مشاهده مقاله: 2,004 تعداد دریافت فایل اصل مقاله: 988 |
||