ارزیابی تامین کننده‌گان در فرایند برون‌سپاری پروژ‌ه‌های صنعت انرژی با استفاده از رویکردهای مبتنی بر داده به وسیله الگوریتم یادگیری ماشین (مورد مطالعه: شرکت طراحی و مهندسی صنایع انرژی)

امروزه در بسیاری از کسب‌وکارها، فرایند برون‌سپاری از فرایندهای مهم و کلیدی در سازمان بوده و سازمان‌ها در انتخاب پیمانکار با چالش‌های متعددی روبه‌رو هستند. همچنین در بسیاری از موارد حتی با انتخاب پیمانکار مناسب و عقد قرارداد، در طول عمر پروژه به علل مختلف عملکرد پیمانکار می‌تواند تغییر کرده و منجر به اختلال برای سازمان مشتری شود. در این پژوهش با استفاده از الگوریتم یادگیری ماشین و مبتنی بر داده‌های تاریخی شرکت طراحی و مهندسی صنایع انرژی (eied) تلاش شده تا به بهینه‌سازی، یکپارچه‌سازی و تسهیل فرایند برون‌سپاری سازمان کمک شود. الگوریتم رگرسیون چند پارامتری درجه‌دو با تکیه‌بر اصول سیستم مدیریت کیفیت و بر اساس فرایند ارزیابی دوره‌ای سازندگان شرکت وضعیت قرارداد در پایان دوره فعالیت را شناسایی و محاسبه خواهد کرد. مدل مورد استفاده در این پژوهش، مدل رگرسیون درجه‌دو چند متغیره بوده که بر اساس داده‌های گذشته سازمان توانایی ارزیابی و طبقه‌بندی سازندگان را برای سازمان فراهم می‌آورد و بر اساس استانداردهای شرکت با پایش خروجی مدل می‌تواند نسبت به اصلاح قرارداد اقدام کند. تحلیل مدل به‌خودی‌خود این امکان را فراهم می‌آورد تا نحوه عملکرد سیستم و نحوه ارزیابی فعلی سازندگان را پیش‌بینی نموده و مورد اصلاح قرار گیرد.

supplier evaluation in the outsourcing process of energy industry projects using data-driven approaches via machine learning algorithm (case study: energy industries engineering & design company)

in many businesses today, the outsourcing process is considered a key and strategic activity. organizations face numerous challenges in selecting appropriate contractors, and even after choosing a qualified contractor and signing the contract, the contractor’s performance may change during the project’s life cycle due to various reasons, leading to potential disruptions for the client organization. in this study, a machine learning algorithm is employed using the historical data of the energy industries engineering and design company (eied) to optimize, integrate, and facilitate the organization’s outsourcing process. a second-degree multivariate regression algorithm, grounded in the principles of quality management systems and based on the company’s periodic vendor evaluation process, is used to identify and estimate the contract status at the end of the activity period. the proposed model—a quadratic multivariate regression—enables the organization to assess and classify suppliers using its historical data. based on the company’s standards, the model’s outputs can be monitored to support corrective actions in contract management. the analysis of this model provides insights into the current vendor evaluation system’s performance and offers a basis for improving its predictive and decision-making capabilities.