نوع مقاله : مقاله پژوهشی
نویسندگان
1
استادیار،گروه مدیریت راهبردی ، دانشکده مدیریت و مهندسی صنایع ، دانشگاه صنعتی مالک اشتر تهران، ایران
2
دکتری، گروه مهندسی هوافضا، دانشکده مهندسی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
3
استادیار گروه مهندسی صنایع، دانشکده مدیریت و مهندسی صنایع دانشگاه صنعتی مالک اشتر اصفهان،ایران
چکیده
این پژوهش به طراحی و ارزیابی یک مدل مفهومی نوین برای حکمرانی داده در سازمانهای دادهمحور میپردازد که از تلفیق استانداردهای بینالمللی با فناوریهای هوش مصنوعی بهره میبرد. مطالعه حاضر با هدف پاسخگویی به چالشهای پیچیده سازمانها در مدیریت دادههای حجیم و پراکنده طراحی شده است، به گونهای که بتواند همزمان کیفیت، امنیت و کارایی فرآیندهای تصمیمگیری مبتنی بر داده را ارتقا بخشد. در این پژوهش، یک مدل مفهومی پیشرفته برای حکمرانی داده در سازمانهای دادهمحور ارائه شده است که سه استاندارد بینالمللی اصلی را با فناوریهای هوش مصنوعی تلفیق میکند: ISO/IEC 38505 استاندارد حاکمیت داده در سطح هیئت مدیره، COBIT 2019 چارچوب کنترل اهداف مرتبط با فناوری اطلاعات و ISO/IEC 42001 استاندارد مدیریت سیستمهای هوش مصنوعی.
روش تحقیق این مطالعه از نوع ترکیبی (کیفی-کمی) است که در سه مرحله اصلی اجرا شده است. در مرحله کیفی، با استفاده از تحلیل محتوای سیستماتیک، ۴۰ مقاله معتبر علمی در بازه زمانی ۲۰۱۰ تا ۲۰۲۴ مورد بررسی قرار گرفتند. در مرحله دوم، مدل مفهومی اولیه طراحی و با استفاده از نظر ۱۵ خبره حوزه حکمرانی داده و هوش مصنوعی اعتبارسنجی شد. نهایتاً در مرحله کمی، مدل نهایی از طریق پرسشنامههای ساختاریافته و مطالعه موردی در ۵ سازمان ایرانی بزرگ مورد آزمون قرار گرفت. ابزارهای اصلی جمعآوری داده شامل پرسشنامههای لیکرت ۵ نقطهای با پایایی ۰.۸۹ (محاسبه شده با آلفای کرونباخ) و مصاحبههای نیمه ساختاریافته بودند. برای تحلیل دادهها از روشهای پیشرفته آماری شامل مدلسازی معادلات ساختاری (SEM) با نرمافزار SmartPLS و تحلیلهای یادگیری ماشین در پایتون استفاده شد. یافتههای کلیدی این پژوهش نشان میدهد که بهکارگیری هوش مصنوعی در حکمرانی داده میتواند بهبودهای چشمگیری در شاخصهای کلیدی ایجاد کند. مهمترین این یافتهها شامل بهبود ۴۷ درصدی در شاخص کیفیت داده (DQI)، کاهش ۵۰ درصدی زمان لازم برای انطباق با مقرراتی مانند GDPR، و افزایش ۳۸ درصدی در سطح امنیت دادههاست. تحلیلهای آماری نیز نشان دادند که رابطه معناداری (p < 0.01) بین استفاده از هوش مصنوعی و بهبود حکمرانی داده وجود دارد. به ویژه، ضریب مسیر در مدل SEM برای تأثیر هوش مصنوعی بر کیفیت داده ۰.۶۸، بر امنیت داده ۰.۷۲ و بر شفافیت دادهها ۰.۵۹ به دست آمد که همگی در سطح اطمینان ۹۹ درصد معنادار بودند. یکی از نوآوریهای مهم این پژوهش، معرفی شاخص DQAI (شاخص کیفیت داده مبتنی بر هوش مصنوعی) است که امکان سنجش دقیقتر بهبودهای حاصل از بهکارگیری فناوریهای هوشمند را فراهم میکند. همچنین، مدل پیشنهادی به صورت خاص برای سازمانهای ایرانی بومیسازی شده و چالشهای خاص این محیطها را در نظر گرفته است. نتایج مطالعه موردی در سازمانهای ایرانی نشان داد که پیادهسازی این مدل میتواند تا ۳۷.۵ درصد در هزینههای عملیاتی صرفهجویی ایجاد کند و نرخ خطای انسانی را تا ۶۵ درصد کاهش دهد. با وجود دستاوردهای مهم، این پژوهش با برخی محدودیتها نیز روبرو بوده است. مهمترین این محدودیتها شامل نیاز به سرمایهگذاری اولیه نسبتاً بالا برای پیادهسازی زیرساختهای هوش مصنوعی و وجود مقاومت فرهنگی در برخی سازمانها در برابر تغییر فرآیندهای سنتی است. همچنین، فقدان دادههای تاریخی بلندمدت در برخی سازمانهای ایرانی، امکان تحلیل روندهای زمانی را محدود کرده است. پیامدهای عملی این پژوهش برای مدیران سازمانها بسیار قابل توجه است. پیشنهاد میشود سازمانها پیادهسازی مدل را به صورت گامبهگام و با شروع از ماژولهای کمریسک مانند مدیریت فراداده آغاز کنند. همچنین، سرمایهگذاری در آموزش نیروی انسانی و ایجاد فرهنگ دادهمحور در تمام سطوح سازمانی ضروری است. از دیدگاه سیاستگذاری، نتایج این پژوهش میتواند مبنایی برای تدوین سند راهبردی ملی حکمرانی داده هوشمند قرار گیرد. در مقایسه با پژوهشهای پیشین، این مطالعه از چند جهت حائز اهمیت است. نخست آنکه به جای تمرکز صرف بر استانداردهای سنتی حکمرانی داده، به صورت نظاممند قابلیتهای هوش مصنوعی را در مدل خود ادغام کرده است. دوم آنکه شواهد تجربی محکمی از سازمانهای ایرانی ارائه میدهد که میتواند به بومیسازی بیشتر مفاهیم حکمرانی داده کمک کند. سوم آنکه به جای رویکردهای صرفاً توصیفی، از روشهای کمی پیشرفته برای آزمون مدل استفاده کرده است. پژوهشهای آتی میتوانند در چند جهت به توسعه این مطالعه کمک کنند. اولاً، طراحی الگوریتمهای اختصاصی هوش مصنوعی برای صنایع خاص مانند بانکداری و سلامت میتواند سودمندی مدل را افزایش دهد. ثانیاً، انجام تحلیلهای هزینه-فایده دقیقتر برای محاسبه بازگشت سرمایه (ROI) در بازههای زمانی بلندمدت (۳ تا ۵ ساله) پیشنهاد میشود. ثالثاً، بررسی سوگیریهای احتمالی در الگوریتمهای مورد استفاده و ارائه راهکارهای اخلاقمحور میتواند به تکمیل این خط پژوهشی کمک کند. در جمعبندی نهایی میتوان گفت که مدل ارائهشده در این پژوهش، چارچوبی عملیاتی و اثربخش برای سازمانهایی است که قصد دارند از دادههای خود به عنوان یک مزیت رقابتی پایدار استفاده کنند. یافتهها به وضوح نشان میدهند که ترکیب هوشمندانه استانداردهای بینالمللی با فناوریهای پیشرفته هوش مصنوعی میتواند تحولی اساسی در حکمرانی داده ایجاد کند و سازمانها را برای چالشهای عصر دیجیتال آماده سازد. این پژوهش گامی مهم در جهت بومیسازی دانش حکمرانی داده و توسعه راهکارهای هوشمند برای سازمانهای ایرانی محسوب میشود.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Conceptual Model of Data Governance in Data-Driven Organizations Utilizing Artificial Intelligence
نویسندگان [English]
-
mostafa tamtaji
1
-
Alireza Ekrami Kivaj
2
-
hosein vahidy
3
1
Assist. Prof., Dept. of Strategic Management, Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Tehran, Iran.
2
Ph.D., Dept. of Aerospace Engineering, Faculty of Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran.
3
Assistant Professor, Department of Industrial Engineering, Faculty of Management and Industrial Engineering, Malek Ashtar University of Technology, Isfahan, Iran
چکیده [English]
This study designs and evaluates an innovative conceptual model for data governance in data-driven organizations by integrating international standards with artificial intelligence (AI) technologies. It aims to address the complex challenges organizations face in managing large-scale, dispersed datasets while simultaneously enhancing the quality, security, and efficiency of data-driven decision-making processes. The proposed advanced conceptual model combines three key international standards with AI technologies:ISO/IEC 38505 – Data Governance at the Board Level; COBIT 2019 – Framework for IT Control Objectives and ISO/IEC 42001 – Management Systems for Artificial Intelligence.
The research follows a mixed-methods approach (qualitative–quantitative) conducted in three main stages. In the qualitative phase, a systematic content analysis was performed on 40 high-quality scientific articles published between 2010 and 2024. In the second phase, the initial conceptual model was developed and validated through feedback from 15 experts in data governance and AI. Finally, in the quantitative phase, the finalized model was tested using structured questionnaires and a case study in five large Iranian organizations. Data collection tools included 5-point Likert scale questionnaires (Cronbach’s alpha = 0.89) and semi-structured interviews. Data analysis employed advanced statistical techniques, including Structural Equation Modeling (SEM) using SmartPLS and machine learning analyses in Python.Key findings indicate that integrating AI into data governance can lead to substantial improvements in critical indicators. These include a 47% improvement in the Data Quality Index (DQI), a 50% reduction in time needed for regulatory compliance (e.g., GDPR), and a 38% increase in data security levels. Statistical analyses confirmed a significant relationship (p < 0.01) between AI adoption and improved data governance. In SEM, the path coefficients for AI’s impact were 0.68 on data quality, 0.72 on data security, and 0.59 on data transparency—all significant at the 99% confidence level.A key innovation of this research is the introduction of the DQAI (AI-Based Data Quality Index), enabling more precise assessment of improvements derived from intelligent technologies. The proposed model is tailored to the Iranian organizational context, addressing its specific challenges. Case study results revealed that implementing the model could reduce operational costs by up to 37.5% and lower human error rates by as much as 65%.Despite its contributions, the study has certain limitations, including the relatively high initial investment required for AI infrastructure and cultural resistance to changing traditional processes. Furthermore, the absence of long-term historical data in some Iranian organizations limited longitudinal trend analysis.The practical implications for managers are significant. Organizations are advised to adopt the model gradually, starting with low-risk modules such as metadata management, while investing in workforce training and fostering a data-driven culture across all organizational levels. From a policy-making perspective, the findings could inform the development of a national strategic roadmap for intelligent data governance.Compared with previous studies, this research is noteworthy for three reasons: (1) it systematically integrates AI capabilities into traditional data governance standards; (2) it provides robust empirical evidence from Iranian organizations, supporting further localization of data governance concepts; and (3) it employs advanced quantitative methods to test the model rather than relying solely on descriptive approaches.Future research could expand this work by (1) designing AI algorithms tailored to specific industries such as banking and healthcare; (2) conducting more precise cost–benefit analyses to calculate long-term return on investment (ROI) over 3–5 years; and (3) addressing potential algorithmic biases with ethics-driven solutions.In conclusion, the proposed model offers a practical and effective framework for organizations seeking to leverage their data as a sustainable competitive advantage. The findings clearly demonstrate that intelligently combining international standards with advanced AI technologies can revolutionize data governance and prepare organizations for the challenges of the digital era. This study represents an important step toward localizing data governance knowledge and developing intelligent solutions for Iranian organizations.
کلیدواژهها [English]
-
Data Governance
-
Artificial Intelligence
-
Digital Leadership Capability
-
Knowledge Management Capability
-
Organizational Agility
-
Dynamic Capability Theory
)
ارسال نظر در مورد این مقاله