توسعه یک چارچوب مدیریت عملکرد سازمانی مبتنی بر کلان‌داده‌ها با قابلیت پشتیبانی از مدل‌های یادگیری عمیق در بستر چندمدلی

این پژوهش با تمرکز بر گرایش پایگاه داده‌ها، یک چارچوب داده‌محور برای مدیریت عملکرد سازمانی ارائه می‌دهد که بر مفهوم kpi-as-data، معماری lakehouse چندمدلی و طراحی لایه پرس‌وجو و نماهای تحلیلی کم‌تاخیر استوار است و لایه یادگیری عمیق را به‌صورت وابسته به این زیرساخت داده‌ای تعریف می‌کند. برای ارزیابی چارچوب، یک مجموعه‌داده چندمنبعی قابل بازتولید شامل داده‌های تراکنشی سفارش (51,999 رکورد)، سری‌زمانی عملیات (90 نقطه روزانه)، لاگ رخداد (90 تجمیع روزانه) و تیکت‌های مشتری (4,360 سند) در بازه 2025-09-01 تا 2025-11-29 تحلیل شد. نتایج نشان داد که نرخ نویز تراکنشی محدود بوده (0.173% سفارش با مبلغ صفر) و استخراج kpiهای روزانه، بیانگر میانگین درآمد 22,797.94، میانگین تعداد سفارش 577.77، میانگین زمان انجام خدمت 42.77 دقیقه و میانگین نرخ خطا 0.0247 بوده است. همچنین نتایج تحلیل همبستگی، هم‌زمانی معنادار بین لایه‌های کسب‌وکار و فناوری را آشکار ساخت؛ به‌گونه‌ای که درآمد و تعداد سفارش همبستگی بسیار بالا (0.992) و نرخ خطا با احساس مشتری همبستگی منفی قوی (-0.863) داشته است. علاوه بر این، کشف ناهنجاری مبتنی بر z-score سه روز غیرعادی را شناسایی کرده که در دو روز، جهش هم‌زمان نرخ خطا و زمان انجام خدمت با افت محسوس درآمد، سفارش و احساس مشتری همراه بوده است. این یافته‌ها نشان می‌دهد که اختلال‌های عملکردی ماهیتی چندمنبعی دارند و بدون معماری چندمدلی و کاتالوگ رسمیkpi، پایش کم‌تاخیر و تحلیل پیش‌نگر قابل اتکا نخواهد بود. در مجموع می‌توان عنوان کرد که، چارچوب پیشنهادی با برجسته‌سازی نقش مدل‌سازی داده kpi و معماری lakehouse، مبنایی فنی برای توسعه سامانه‌های هوشمند مدیریت عملکرد در حوزه پایگاه داده ها فراهم کرده و امکان استقرار پایدار تحلیل‌های پیش‌بینی‌پذیر را در سازمان‌ها فراهم می‌نماید.