ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه های آزاد و دولتی استان اصفهان
محورهای موضوعی : مدیریت منابع انسانی
مصطفی طغیانی پزوه
1
,
محمدرضا دلوی
2
*
,
سیدرسول آقاداود
3
1 - دانشجوی دکتری گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
2 - دانشیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران (نویسنده مسئول)
3 - استادیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران
کلید واژه: مدیریت منابع انسانی, مدیریت منابع انسانی داده محور, دانشگاه آزاد, دانشگاه دولتی.,
چکیده مقاله :
هدف: ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه‌های آزاد و دولتی استان اصفهان.
روششناسی پژوهش: پژوهش حاضر با استفاده از روش تحقیق ترکیبی انجام شده است. جامعه آماری در بخش کیفی متخصصان و خبرگان حوزه منابع انسانی (12 نفر) و در بخش کمی شامل مدیران، برنامه‌ریزان و کارشناسان این حوزه (182 نفر) بود. در بخش کیفی، با استفاده از رویکرد برودی و فراترکیب به همراه مصاحبه با خبرگان، عوامل شناسایی و دسته‌بندی شدند. در بخش کمی با استفاده از روش تحلیل عاملی تأییدی نسبت به بررسی نتایج اقدام شد. تحلیل‌ها با استفاده از نرم‌افزار smartPLS و SPSS نسخه 26 انجام شده است.
یافته‌ها: نتایج نشان داد که 22 مؤلفه مشترک بین مدیریت منابع انسانی داده محور در دانشگاه دولتی و آزاد وجود دارد. الگوی پژوهش شامل مؤلفههایی از جمله: انعطاف‌پذیری، مسئولیت و تعهد، افزایش بهره‌وری، شفافیت و پاسخگویی، رهبری هوشمند، تأمین منابع استراتژیک، شایسته‌سالاری، معماری سازمانی، خط‌مشی‌گذاری، سازگاری فعالیت‌ها و منابع، بهبود رضایتمندی و بازخورد است.
Objective: To present a data-driven smart human resource management model with an adaptive approach for Azad and public universities in Isfahan province.
Research Methodology: This study was conducted using a mixed-method research approach. The qualitative population consisted of 12 specialists and experts in the field of human resources, while the quantitative population included 182 managers, planners, and experts in this area. In the qualitative phase, factors were identified and categorized using the Brodie and meta-synthesis approach along with expert interviews. In the quantitative phase, confirmatory factor analysis was used to examine the results. Analyses were performed using SmartPLS and SPSS version 26.
Findings: The results indicated 22 common components between data-driven human resource management in public and Azad universities. The research model includes components such as flexibility, responsibility and commitment, productivity enhancement, transparency and accountability, smart leadership, strategic resource provision, meritocracy, organizational architecture, policy-making, alignment of activities and resources, improved satisfaction, and feedback.
منابع - ادیب زاده مریم, رکن آبادی حسین مهدی. (1402). شناسایی و اولویت بندی عوامل موثر برنگهداشت منابع انسانی دانشگاه آزاد اسلامی (مورد مطالعه واحد تهران شمال).
- اميري حسن, ميرسپاسي ناصر, رهنماي رودپشتي فريدون (1396). طراحي الگوي حسابداري منابع انساني در دانشگاه آزاد اسلامي.فصلنامه علمی پژوهشی دانش حسابداری و حسابرسی مدیریت، سال ششم، شماره 21، 19-32. - برخه, & جمالی. (1397). بررسی تاثیر منابع انسانی استراتژیک بر بهبود عملکرد مالی در دانشگاه دولتی یاسوج. مطالعات اقتصاد، مدیریت مالی و حسابداری, 21(4), 318-332.
- پناهی, مهریه, گودرزی, محمود, جلالی فراهانی, علی دوست قهفرخی, ابراهیم. (1401). شناسایی ابعاد شتاب‌گیری دانشکده‌های تربیت بدنی دانشگاه‌های دولتی به سوی دانشگاه های نسل چهار. مدیریت و توسعه ورزش, 11(2), 75-97. - رشیدی, امیرنژاد, قنبر, دانشفرد, کرم الله. (1399). طراحی الگوی منابع انسانی سبز با تأکید بر بهداشت و سلامت در دانشگاه آزاد اسلامی. مجله دانشکده پزشکی دانشگاه علوم پزشکی مشهد, 63(5).
- سلیمیان, معصومعلی, عزیزی, بشرویه, زاهدکار. (1399). بررسی تأثیر اقدامات مدیریت منابع انسانی بر عملکرد سازمانی (مورد مطالعه: دانشگاه آزاد اسلامی واحد آستارا). نوآوری های مدیریت آموزشی, 15(2), 21-35.
- سیدعلوی, سیدمحمد, قلاوندی, عباسپور‌فردطهرانی, محمدخانی, & کامران. (1399). ارائه الگویی برای به کارگیری مدیریت سبز در دانشگاه‌های دولتی شهر تهران. پژوهش و برنامه ریزی در آموزش عالی, 97(26), 77-96.
- قبادی الوار, احمد, موسوی, سید نجم الدین, شریعت نژاد. (1397). تحلیل و ارزیابی ریسک های منابع انسانی در نظام آموزش عالی؛ مورد: دانشگاه آزاد اسلامی لرستان. پژوهش و برنامه ریزی در آموزش عالی, 24(3), 107-129.
- کعبى پور, اشرف گنجویی, & زارعی. (1400). بهبود سامانة مدیریت اطلاعات منابع انسانی و فیزیکی ورزش دانشگاه آزاد اسلامی. نشریه مدیریت ورزشی.
- مهدی‌بیگی, نجمه, کمالیان, امین‌رضا, یعقوبی, نورمحمد, ... و رونقی. (1398). توسعه ظرفیت اصلاح نظام اداری در پرتو سازمان هوشمند با رویکرد داده‌بنیاد. پژوهش های مدیریت منابع سازمانی, 35(9), 111-132.
- مهدیزاده, سلطانی, ایرج, دوازده‌امامی. (1399). عوامل موثر بر معماری منابع انسانی در دانشگاه آزاد اسلامی استان فارس. رهیافتی نو در مدیریت آموزشی, 43(11), 373-398.
- Budhwar, P., Chowdhury, S., Wood, G., Aguinis, H., Bamber, G. J., Beltran, J. R., ... & Varma, A. (2023). Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, 33(3), 606-659.
- Combs, J., Liu, Y., Hall, A., & Ketchen, D. (2006). How much do high‐performance work practices matter? A meta‐analysis of their effects on organizational performance. Personnel psychology, 59(3), 501-528.
- Conte, F., & Siano, A. (2023). Data-driven human resource and data-driven talent management in internal and recruitment communication strategies: an empirical survey on Italian firms and insights for European context. Corporate Communications: An International Journal, 28(4), 618-637.
- Crook, T. R., Todd, S. Y., Combs, J. G., Woehr, D. J., & Ketchen Jr, D. J. (2011). Does human capital matter? A meta-analysis of the relationship between human capital and firm performance. Journal of applied psychology, 96(3), 443.
- Di Vaio, A., Hassan, R., & Alavoine, C. (2022). Data intelligence and analytics: A bibliometric analysis of human–Artificial intelligence in public sector decision-making effectiveness. Technological Forecasting and Social Change, 174, 121201.
- Garg, S., Sinha, S., Kar, A. K., & Mani, M. (2022). A review of machine learning applications in human resource management. International Journal of Productivity and Performance Management, 71(5), 1590-1610.
- Guan, C., Mou, J., & Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4(4), 134-147.
- Huselid, M. A. (1995). The impact of human resource management practices on turnover, productivity, and corporate financial performance. Academy of management journal, 38(3), 635-672.
- Huselid, M. A., & Becker, B. E. (2011). Bridging micro and macro domains: Workforce differentiation and strategic human resource management. Journal of management, 37(2), 421-428.
- Jiang, K., Lepak, D. P., Hu, J., & Baer, J. C. (2012). How does human resource management influence organizational outcomes? A meta-analytic investigation of mediating mechanisms. Academy of management Journal, 55(6), 1264-1294.
- Kaufman, C., Hoffman, P., Nir, Y., Eronen, P., & Kivinen, T. (2014). Internet key exchange protocol version 2 (IKEv2) (No. rfc7296).
- Khang, A., Gupta, S. K., Dixit, C. K., & Somani, P. (2023). Data-driven application of human capital management databases, big data, and data mining. In Designing Workforce Management Systems for Industry 4.0 (pp. 105-120). CRC Press.
- Lăzăroiu, G., & Harrison, A. (2021). Internet of things sensing infrastructures and data-driven planning technologies in smart sustainable city governance and management. Geopolitics, History & International Relations, 13(2).
- Liu, J., Wang, T., Li, J., Huang, J., Yao, F., & He, R. (2019, October). A data-driven analysis of employee promotion: the role of the position of organization. In 2019 IEEE international conference on systems, man and cybernetics (SMC) (pp. 4056-4062). IEEE.
- Li, X., Wang, Z., Chen, C. H., & Zheng, P. (2021). A data-driven reversible framework for achieving Sustainable Smart product-service systems. Journal of Cleaner Production, 279, 123618.
- Minbaeva, D. (2021). Disrupted HR?. Human Resource Management Review, 31(4), 100820.
- Opatha, H. H. D. P. J. (2021). HR analytics: A critical review-developing a model towards the question can organizations solely depend on HR big data driven conclusions in making HR strategic decisions all the time. Human Resource Management Research.
- Oswald, F. L., Behrend, T. S., Putka, D. J., & Sinar, E. (2020). Big data in industrial-organizational psychology and human resource management: Forward progress for organizational research and practice. Annual Review of Organizational Psychology and Organizational Behavior, 7, 505-533.
- Paauwe, J. (2004). HRM and performance: Achieving long-term viability. Oxford University Press, USA.
- Paauwe, J., & Farndale, E. (2017). Strategy, HRM, and performance: A contextual approach. Oxford University Press.
- Polyakova, A., Kolmakov, V., & Pokamestov, I. (2020). Data-driven HR Analytics in a Quality Management System. Quality-Access to Success, 21(176).
- Rane, N. (2023). Role and Challenges of ChatGPT and Similar Generative Artificial Intelligence in Human Resource Management. Available at SSRN 4603230.
- Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”?. Academy of management review, 31(2), 256-269.
- Seebacher, U. (2021). Predictive intelligence for data-driven managers. Springer International Publishing.
- Sarker, I. H. (2021). Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, 2(5), 377.
- Sarker, I. H. (2022). Smart City Data Science: Towards data-driven smart cities with open research issues. Internet of Things, 19, 100528.
- Shet, S. V., Poddar, T., Samuel, F. W., & Dwivedi, Y. K. (2021). Examining the determinants of successful adoption of data analytics in human resource management–A framework for implications. Journal of Business Research, 131, 311-326.
- Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2010). Predicting business unit performance using employee surveys: monitoring HRM‐related changes. Human resource management journal, 20(1), 44-63.
- Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2012). Employee well‐being and the HRM–organizational performance relationship: a review of quantitative studies. International Journal of Management Reviews, 14(4), 391-407.
- van Veldhoven, M. (2005). Financial performance and the long‐term link with HR practices, work climate and job stress. Human Resource Management Journal, 15(4), 30-53.
- Van Veldhoven, M. J. P. M. (2012). Over knipogen, badkuipen en kampeertenten: Arbeidsgedrag als fundament van strategisch human resource management. Prismaprint.
- Varsha, P. S., & Shree, S. N. (2023). Embracing Data-Driven Analytics (DDA) in human resource management to measure the organization performance. Handbook of Big Data Research Methods: 0, 195. - van der Laken, P. A. (2018). Data-Driven Human Resource Management. The rise of people analytics and its application to.
- Visvizi, A., Troisi, O., Grimaldi, M., & Loia, F. (2022). Think human, act digital: activating data-driven orientation in innovative start-ups. European Journal of Innovation Management, 25(6), 452-478.
- Wang, Y., Wang, S., Yang, B., Zhu, L., & Liu, F. (2020). Big data driven Hierarchical Digital Twin Predictive Remanufacturing paradigm: Architecture, control mechanism, application scenario and benefits. Journal of cleaner production, 248, 119299.
- Welbourne, T. M. (2015). Data‐Driven Storytelling: The Missing Link in HR Data Analytics. Employment Relations Today, 41(4), 27-33.
- Wright, P. M., Gardner, T. M., Moynihan, L. M., & Allen, M. R. (2005). The relationship between HR practices and firm performance: Examining causal order. Personnel psychology, 58(2), 409-446.
- Wu, D., Wang, H., & Seidu, R. (2020). Smart data driven quality prediction for urban water source management. Future Generation Computer Systems, 107, 418-432.
- Yusof, R., Azizan, S., Zainal, S. R. M., & Supian, K. (2022). The Essential Role of Human Values and Technology Driven HRM Towards a Smart HRM Process. Global Business and Management Research, 14(3s), 256-265.
- Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research, 133, 34-50.
- Zehir, C., Karaboğa, T., & Başar, D. (2020). The transformation of human resource management and its impact on overall business performance: big data analytics and AI technologies in strategic HRM. Digital Business Strategies in Blockchain Ecosystems: Transformational Design and Future of Global Business, 265-279.
Modern Management Engineering Volume 11, Issue 3 , 2025 Autumn PP:158-188 Paper type: Research paper
|
Presenting a Data-Driven Smart Human Resource Management Model: A Comparative Approach in Public and Islamic Azad Universities of Isfahan Province
Mostafa Toghyani Pazouh¹, Mohammad Reza Dalvi², Seyed Rasoul Aghadavood³
Received: 26/04/2024 Accepted: 19/11/2024
Abstract
Introduction: The pulse of any organization lies not only in its products or services but also in its workforce. At the heart of managing, developing, and retaining human resources is a function that has evolved far beyond its rudimentary forms. Human resources now acts as a compass, guiding businesses through today’s changing landscape. This research aims to develop a data-driven smart human resource management model through a comparative approach between public and Islamic Azad universities in Isfahan province. Data-driven or smart human resources focuses on utilizing the data explosion intelligently to extract insights that not only improve the performance of individuals within the organization (including the HR team) but also contribute to the overall success of the organization. HR managers can leverage data for better HR decision-making, better understanding and evaluation of people’s impact, improving leadership decision-making in people matters, making HR processes and operations more efficient and effective, and improving overall well-being and effectiveness.
Literature Review: The literature review reveals that while traditional HR models have focused on administrative functions, the evolution toward data-driven approaches represents a paradigm shift in how organizations view and manage their human capital. Previous research has identified several components of smart HR systems, including data analytics capabilities, technological infrastructure, strategic alignment, and organizational culture. However, there remains a significant gap in understanding how these components interact within the specific context of higher education institutions, particularly in comparing public and private university systems. This study addresses this gap by developing an integrated model that captures the unique dynamics of human resource management in academic environments while incorporating the latest advancements in data analytics and artificial intelligence.
__________________________________________________
1 PhD Candidate, Department of Management, Deh.C., Islamic Azad University, Isfahan, Iran.
2 Associate Professor, Department of Management, Deh.C., Islamic Azad University, Isfahan, Iran (Corresponding Author). M_dalvi53@yahoo.com
3 Assistant Professor, Department of Management, Deh.C., Islamic Azad University, Isfahan, Iran.
How to cite this article: Toghyani Pazouh, M., Dalvi, M. R., & Aghadavood, S. R. (2025). Presenting a Data-Driven Smart Human Resource Management Model: A Comparative Approach in Public and Islamic Azad Universities of Isfahan Province. Modern Management Engineering, 11(3),158-188.
Research Methodology: This research employed a mixed-method approach and is considered applied research in terms of outcomes. The statistical population in the qualitative phase included HR specialists and experts, while the quantitative phase encompassed managers, planners, and specialists in this field. The qualitative sample was selected using stratified random sampling and convenience sampling methods, comprising 12 participants. In the quantitative phase, simple random sampling was used to select 182 participants for data analysis. For data analysis in the qualitative phase, the Brodie approach was used to compare dimensions of the subject in existing studies, and two approaches were employed to identify and classify factors: meta-synthesis of articles and integration of results with expert interviews. Validity was confirmed through Lawshe’s coefficient and reliability through Kappa coefficient. In the quantitative phase, confirmatory factor analysis was used to examine the results in the research field. Analyses were performed using smartPLS and SPSS version 26 software. Data validity was established through face validity, and reliability was calculated through Cronbach’s alpha (0.88).
Results The findings: revealed 22 common components of data-driven human resource management between public and Azad universities. The research model includes components such as flexibility, responsibility and commitment, productivity enhancement, transparency and accountability, intelligent leadership, strategic resource provision, meritocracy, organizational architecture, policy-making, alignment of activities and resources, and improvement of satisfaction and feedback. The structural model demonstrated appropriate fit indices, confirming the relationships between identified components. Comparative analysis showed both similarities and differences in how public and Islamic Azad universities approach data-driven HR management, with public universities showing stronger implementation of strategic resource provision and policy-making components, while Azad universities demonstrated greater flexibility and adaptability in their HR practices.
Discussion and Conclusion:
This study contributes to the theoretical understanding of data-driven HR management in higher education contexts and provides practical insights for university administrators. The identified components form a comprehensive framework that can guide the implementation of smart HR systems in academic institutions. Based on the research findings, several recommendations were proposed, including the development of data-based performance evaluation systems, establishing behavioral codes, determining infrastructure requirements, dashboard systems, and similar initiatives. The comparative analysis highlights the importance of contextual factors in shaping HR practices and suggests that while core components of smart HR management are universal, their implementation should be tailored to the specific organizational culture and strategic objectives of each institution. Future research should focus on longitudinal studies to assess the long-term impact of data-driven HR practices on organizational outcomes in higher education settings.
Keywords: Human Resource Management, Data-Driven Human Resource Management, Islamic Azad University, Public University.
JEL Classification: I23, M12, M15, O15
مهندسی مدیریت نوین
سال یازدهم، شماره سوم، پاییز 1404
تعداد صفحات: 158-188
نوع مقاله: پژوهشی
ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه‌های آزاد و دولتی استان اصفهان
مصطفی طغیانی پزوه1، محمدرضا دلوی2، سید رسول آقاداود3
تاریخ دریافت: 07/02/1403 تاریخ پذیرش: 29/08/1403
چکیده
هدف: ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه‌های آزاد و دولتی استان اصفهان.
روششناسی پژوهش: پژوهش حاضر با استفاده از روش تحقیق ترکیبی انجام شده است. جامعه آماری در بخش کیفی متخصصان و خبرگان حوزه منابع انسانی (12 نفر) و در بخش کمی شامل مدیران، برنامه‌ریزان و کارشناسان این حوزه (182 نفر) بود. در بخش کیفی، با استفاده از رویکرد برودی و فراترکیب به همراه مصاحبه با خبرگان، عوامل شناسایی و دسته‌بندی شدند. در بخش کمی با استفاده از روش تحلیل عاملی تأییدی نسبت به بررسی نتایج اقدام شد. تحلیل‌ها با استفاده از نرم‌افزار smartPLS و SPSS نسخه 26 انجام شده است.
یافته‌ها: نتایج نشان داد که 22 مؤلفه مشترک بین مدیریت منابع انسانی داده محور در دانشگاه دولتی و آزاد وجود دارد. الگوی پژوهش شامل مؤلفههایی از جمله: انعطاف‌پذیری، مسئولیت و تعهد، افزایش بهره‌وری، شفافیت و پاسخگویی، رهبری هوشمند، تأمین منابع استراتژیک، شایسته‌سالاری، معماری سازمانی، خط‌مشی‌گذاری، سازگاری فعالیت‌ها و منابع، بهبود رضایتمندی و بازخورد است.
کلیدواژه‌ها: مدیریت منابع انسانی، مدیریت منابع انسانی داده محور، دانشگاه آزاد، دانشگاه دولتی.
طبقه‌بندی موضوعیI23, M12, M15, O15:
_________________________________________________________
1 دانشجوی دکتری گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.
2دانشیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران (نویسنده مسئول) M_dalvi53@yahoo.com
3 استادیار گروه مدیریت، واحد دهاقان، دانشگاه آزاد اسلامی، دهاقان، ایران.
نحوه استناد به مقاله: طغیانی پزوه، م.، دلوی، م. ر.، و آقاداود، س. ر. (1404). ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با رویکرد تطبیقی در دانشگاه‌های آزاد و دولتی استان اصفهان. مهندسی مدیریت نوین، 11(3)،158-188.
1- مقدمه
نبض هر سازمانی نه‌تنها در محصولات یا خدمات آن، بلکه در کارکنان نیز نهفته است. در قلب مدیریت، توسعه و حفظ منابع انسانی قرار دارد که شکل امروزی آن بسیار فراتر از نمونه‌های ابتدایی آن رشد کرده است. منابع انسانی اکنون به‌عنوان یک قطب‌نما عمل می‌کند و کسب‌وکارها را از طریق چشم‌انداز در حال تغییر دنیای امروز هدایت می‌کند. سازمان‌هایی که قادر به جذب افراد با مهارت‌ها و استعدادهای مناسب، پرورش و رشد آنها هستند، به‌احتمال زیاد از مزیت رقابتی مورد نیاز برای موفقیت در حال حاضر و آینده برخوردار خواهند بود (Liu et al, 2019)؛ بنابراین مهم این است که سازمانها سیستم‌ها و فرایندهای مورد نیاز را برای جذب و حفظ بهترین استعدادها ایجاد کند. در ادبیات امروز منابع انسانی مفهوم جدیدی شکل گرفته است که به آن مدیریت منابع انسانی هوشمند داده محور نامیده میشود و به معنی نحوه استفاده از هوش مصنوعی به‌منظور تجزیه‌وتحلیل و دادهها برای افزایش عملکرد سازمان است (Khang et al, 2023). اواخر قرن نوزدهم زمان تغییرات عظیم فناورانه و اجتماعی بود که بخشی از آن به دلیل انقلاب صنعتی بود. صنعتی شدن با سرعت بی‌سابقه‌ای شتاب گرفت و بسیاری از فرآیندهای دستی قبلی مکانیزه شدند و کارهایی که افراد هر روز انجام می‌دادند را به‌طور اساسی تغییر دادند. صاحبان مشاغل که اکنون مسئول نیروی کار بزرگ هستند، افرادی را برای مدیریت روابط کارکنان استخدام کردند که منجر به تولد بخش‌های منابع انسانی شد (Zhang et al, 2021). در ابتدای امر مدیریت منابع انسانی از جمله وظایف اداری اساسی مانند نگهداری سوابق کارمندان و مدیریت دستمزد و حقوق تلقی می‌شد (Strohmeier & Piazza, 2013). منابع انسانی در این دوره عمدتاً واکنش‌پذیر بودند و به‌جای راهبرد‌های پیشگیرانه برای شرایط کاری بهتر یا رضایت کارکنان، به مسائلی که به وجود می‌آمد رسیدگی می‌شد (Oswald et al, 2020). در این دوران آینده‌نگری کمی در مورد نیازها یا خواسته‌های کارکنان وجود داشت و نگرانی اصلی اطمینان از عملیات درست کارهای اداری بود (Garg et al, 2022). پیشرفت در دادهها، تجزیه‌وتحلیل آنها و هوش مصنوعی این شرایط را تغییر داده است. منابع انسانی هوشمند و مبتنی بر داده، بسیاری از جنبههای نحوه خدمت‌رسانی گروه‌های منابع انسانی را در سازمان متحول کرده است. بسیاری از تجزیه‌وتحلیل دادههای منابع انسانی مبتنی بر شاخص‌های کلیدی عملکرد هستند که عواملی مانند غیبت یا تعداد ساعات آموزشی برای یک کارمند تمام‌وقت را اندازه‌گیری می‌کند (Rane et al, 2023). در واقع به دو دلیل عمده استفاده شدن توسط شرکت‌های دیگر یا آسان بودن کاربرد، تأکید داشته است؛ اما امروز معیارهای بسیار منحصربه‌فرد و ارزشمندتری وجود دارد که میتوان آنها را اندازه‌گیری کرد، معیارهایی که میتوانند بینش‌های حیاتی کسب‌وکار را ارائه دهند و تأثیر زیادی بر عملکرد و نتایج سازمان داشته باشند (Budhwar et al, 2023). باید قبول کرد که منابع انسانی و مدیریت آن در حال تغییر است و با افزایش توانایی سازمان در جمع‌آوری و تجزیه‌وتحلیل مقادیر روزافزون دادهها، فرصت‌هایی برای تیم‌های منابع انسانی برای اضافه کردن به ارزش‌های سازمان بیشتر میشود و درنتیجه رسیدن به اهداف راهبردی سازمان واقعی‌تر میشود. وجود ابزارهای کمی و تجزیه‌وتحلیل منابع انسانی توسط دادههای کمی به‌سرعت در حال مختل شدن است. سازمانها اکنون به اطلاعاتی درخصوص رفتار کارکنان و فرهنگ تجاری نیاز دارند (Di Vaio et al, 2022). به‌عنوان مثال شرکت راهکارهای سنجش اجتماعی1، علائم کاری را با شاخص‌هایی جایگزین می‌کند که می‌تواند طیف وسیعی از دادهها را ثبت کند (ازجمله اینکه چه کسی در چه ساعاتی از روز با چه کسانی صحبت می‌کند و با چه میزان صدا. نحوه حرکت افراد و وضعیت کاری آنها چگونه است) که از این طریق با تجزیه‌وتحلیل افراد نسبت به بهره‌ور شدن کارکنان اقدام میشود. به عبارتی، نسل بعدی رهبران با شناسایی، توسعه و بهبود رفتار افراد دنبال میشود (Lăzăroiu & Harrison, 2021).
در سال‌های اخیر شرکتها، سازمانها، مؤسسات و دولتها بیشتر به پتانسیل نهفته در تجزیه‌وتحلیل دادهها را کشف کردهاند و برنامههای آموزشی مختلفی متناسب با موضوعات مدیریت هوشمند داده محور برای این امر در نظر گرفتهاند. جامعه به سمت یادگیری فناوری است و اکنون فناوری همه جنبههای زندگی افراد را پوشش داده است؛ بنابراین، این وضعیت علاوه بر اینکه فرصت قلمداد میشود، چالشهایی را نیز در زمینه امنیت دادهها و محافظت از دادههای شخصی به وجود میآورد. شرطهای لازم برای استفاده از حداکثر ظرفیت مدیریت منابع انسانی هوشمند داده محور، وجود زیرساخت برای این دو چالش است. سازمانها و کارکنان آن اعم از مدیریت، رهبری و کارمندان همواره به‌منظور رسیدن به بهترین وجه و بهترین شیوه تفکر نحوه استفاده از فناوری داده در تکاپو هستند. به همین دلیل این پژوهش بر این امر متمرکز شده است که چه مؤلفههایی با چه ارتباطی میتوانند به تحقق مدیریت منابع انسانی هوشمند داده محور در سازمانها کمک کند و با توجه به گستردگی این موضوع، محدوده پژوهش را با انجام مطالعه تطبیقی در دانشگاه‌های آزاد و دولتی در استان اصفهان قرار داده است. در ادامه ضمن بررسی مبانی نظری موضوع و پیشینه آن، با معرفی روششناسی پژوهش، به ارائه یافتههای به‌دست‌آمده از میدان و نتایج آن پرداخته میشود.
2- مبانی نظری
2-1- مدیریت راهبردی منابع انسانی
کارکنان را میتوان از جمله باارزش‌ترین دارایی‌های یک سازمان در نظر گرفت (van der Laken, 2018). با انعکاس این ارزش، کارکنان به‌عنوان منابع انسانی سازمانها شناخته می‌شوند و دانش، مهارت‌ها و توانایی‌های ترکیبی آنها به‌عنوان سرمایه انسانی سازمانها شناخته می‌شوند (Polyakova et al, 2020). به‌منظور رقابت و بقای اقتصادی، سازمانها باید سرمایه انسانی خود را به شیوه‌ای سودآور و پایدار مدیریت کنند (Opatha, 2021). به این معنی که سازمانها باید در نحوه استخدام، استقرار، توسعه، ایجاد انگیزه و حفظ کارکنان خود مؤثر و کارآمد عمل کنند. در ادبیات علمی یک جریان فکری کامل از پژوهش‌ها در خصوص مدیریت منابع انسانی به‌منظور ارائه راه‌های بهینه برای سازماندهی و مدیریت افراد در سازمانها وجود دارد (Welbourne, 2015؛ Varsha & Shree, 2023). در عمل، بسیاری از سازمان‌های معاصر دارای یک عملکرد تخصصی مدیریت منابع انسانی یا چندین حرفه مرتبط با این موضوع هستند که توسط سیاستها و شیوه‌هایی که باید طراحی و اجرا شوند، حمایت می‌شوند. در ادامه به بررسی مدیریت منابع انسانی و ارتباط آن با عملکرد توضیح داده میشود.
2-1-1- مدیریت منابع انسانی و عملکرد
از دهه هشتاد، مدیریت منابع انسانی به دنبال متقاعد کردن افراد در مورد روشهایی بود که از طریق آن به عملیات سازمان ارزش افزایی کند (Minbaeva, 2021). مارک هوسلید (Huselid, 1995) یکی از اولین کسانی بود که تأثیر شیوه‌های مدیریت منابع انسانی را بر عملکرد سازمانی به‌طور علمی ثابت کرد. تحقیقات وی نشان داده است که روشی که سازمان‌های با عملکرد بالا پیاده‌سازی می‌کنند، منجر به کاهش جابجایی کارکنان، بهبود سود سازمان و ارزش بالاتر بازار میشود (Huselid, 1995). هوسلید فرآیند سازمانی که منجر به عملکرد بالا میشود را شامل روش‌های انتخاب، آموزش پیچیده، برنامههای مشارکت، ارزیابی عملکرد و طرح‌های پرداخت مشروط تعریف کرده بود. از زمان انتشار اولیه این مقاله، حجم وسیعی از تحقیقات تأثیر عملکرد مدیریت منابع انسانی، سیاستها و شیوه‌های آن را بر عملکرد عملیاتی و مالی سازمانها نشان داده‌اند (Combs et al, 2006; Crook et al, 2016; Jiang et al, 2012) آنچه اکنون به‌عنوان یک الگوی پیشرو پذیرفته شده است این است که مدیریت منابع انسانی بر نتایج عملیاتی و مالی تأثیرگذار است زیرا توانایی‌های کارکنان، انگیزه و فرصت‌های آنها را برای کمک به اهداف سازمان، بهبود می‌بخشد (Jiang et al, 2012). بااین‌وجود، تأثیر مثبت منابع انسانی برای برخی محققان به سه دلیل قانع‌کننده نبوده است، این دلایل عبارتند از: ترتیب علی تأثیرات، نحوه اندازه‌گیری این تأثیر و تأثیر زمینه‌ای.
انتقاد وارد شده از حیث ترتیب علی تأثیرات به این نکته اشاره دارد که مطالعات تجربی اولیه که به بررسی تأثیر مدیریت منابع انسانی پرداخته است، عمدتاً از طرح‌های مقطعی یا حتی پس از پیش‌بینی استفاده کردهاند (Wright et al, 2005). ازاین‌رو نتایج آنها شاهد قطعی برای تأثیر علی پیاده‌سازی مدیریت منابع انسانی ارائه نمی‌کنند. با شناخت این محدودیت، محققان اثر مدیریت منابع انسانی را از طریق طرح‌های طولی نیز بررسی کردند. چنین مطالعات طولی معمولاً تأثیر مثبتی از مدیریت منابع انسانی به نتایج عملکرد به دست آورد، همان‌طور که نتایج مطالعات مقطعی قبلاً نشان داده بود (Crook et al, 2011). بااین‌وجود همچنان شواهدی مبتنی بر وجود رابطه مثبت بین مدیریت منابع انسانی و نتایج عملکرد اغلب به‌صورت دوطرفه وجود دارد (van Veldhoven, 2005 Van De Voorde et al, 2010; ). از این منظر روش‌های پیشرفته مدیریت منابع انسانی نه‌تنها منجر به عملکرد بهتر میشود، بلکه برعکس، بهبود عملکرد نیز منجر به درجه بالاتری از پیچیدگی مدیریت منابع انسانی میشود.
نقد دوم به این موضوع می‌پردازد که اگرچه بهبود عملکرد سازمانی ممکن است برای ذینفعانی که مدیریت منابع انسانی را پیاده‌سازی کردهاند نتایج جالبی داشته باشد، اما پیامدهای مرتبط دیگری نیز در این زمینه وجود دارد. محققان اینگونه استدلال کردهاند که باید دیدگاه متعادل‌تری برای درک کامل ارزش منابع انسانی وجود داشته باشد (Paauwe, 2004). حال این دیدگاه متعادل، فراتر از معیارهای عملکرد و تأثیر مدیریت منابع انسانی بر نتایج مربوط به کارکنان یا حتی جامعه به‌عنوان یک کل در نظر گرفته میشود. به‌عبارت‌دیگر، مدیریت منابع انسانی نباید در مورد بهره‌برداری از کارکنان به‌عنوان وسیله‌ای برای رسیدن به هدف (بخش منابع) باشد، بلکه باید در مورد رابطه متقابل بین کارفرما و کارمند (بخش انسانی) نیز باشد. جالب توجه است، مطالعاتی که از دیدگاه متعادل استفاده می‌کنند، نشان داده‌اند که تا حدودی میتوان به دستاوردهای متقابلی در این خصوص دست یافت (van Veldhoven, 2012). سرمایه‌گذاری در مدیریت منابع انسانی به بهبود عملکرد فردی و سازمانی و همچنین بهبود در بهزیستی روان‌شناختی کارکنان میشود (Jiang et al, 2012). نکته قابل توجه این است که به نظر نمی‌رسد که مزایای سلامتی نتایج فوری اجرای پیچیده مدیریت منابع انسانی باشد (Van De Voorde, 2012). هنگامی‌که رفاه عمومی کارکنان نیز در حین اجرای مدیریت منابع انسانی در نظر گرفته شود، منجر به مشروعیت سازمان، جذب، انگیزه، بهره‌وری و حفظ کارکنان میشود و به‌نوبه خود به عملکرد سازمانی در بلندمدت کمک می‌کند(Van De Voorde, 2012 Paauwe & Farndale, 2017; ). در پرتو این دستاوردهای متقابل، به نظر می‌رسد اجرای شیوه‌های پیچیده و پایدار مدیریت منابع انسانی به نفع سازمان‌هایی است که به دنبال دوام بلندمدت هستند.
سومین بحث در مورد تأثیر مدیریت منابع انسانی، نقش زمینه است. تحقیقات اولیه مدیریت منابع انسانی چشم‌اندازی جهانی اخذ کرده بود که در آن سازمان‌هایی که بهترین شیوه‌های خاصی را در مدیریت منابع انسانی اجرا می‌کنند، تأثیر مثبت آن را نیز تجربه کردهاند (Huselid,1995). بااین‌وجود، یک مکتب فکری متفاوت، دیدگاه اقتضائی یا بهترین تناسب است. در اینجا، محققان استدلال کردهاند که سازمانها درصورتی‌که بخواهند تأثیر مثبت داشته باشند، باید سیاستها و شیوه‌های مدیریت منابع انسانی خود را با محیط سازمانی، رقابتی و فرهنگی خود هماهنگ کنند (Paauwe & Farndale, 2017). دیدگاه اقتصادی نشان می‌دهد که تأثیر شیوه‌های مدیریت منابع انسانی ممکن است بین کشورها، بخش‌ها و سازمانها متفاوت باشد. علاوه براین، تحقیقات نشان می‌دهد که تأثیر مدیریت منابع انسانی ممکن است در سازمان نیز متفاوت باشد. از یک طرف، کارمندان از نظر روشهایی که در آن به مدیریت منابع انسانی به ادراک می‌رسند و پاسخ می‌گویند متفاوت هستند (Piening et al, 2014). از سوی دیگر، ابتکارات مدیریت منابع انسانی ممکن است در صورت در صورت اجرا بر دسته‌های خاص کارکنان اثرگذار باشد. زمانی که سرمایه‌گذاری مدیریت منابع انسانی بر موقعیت‌های شغلی استراتژیک کارکنان در این موقعیت‌ها متمرکز شود، بیشترین اثرگذاری محقق میشود (Huselid,& Becker, 2011). عملکرد کارکنان در چنین موقعیت‌هایی برای عملکرد کلی سازمان از طریق کاهش هزینه یا از طریق افزایش درآمد محاسبه میشود و حائز اهمیت است. به همین دلیل، هرگونه سرمایه‌گذاری در مدیریت منابع انسانی در این مشاغل و کارکنان، بازده بالقوه نسبتاً بالایی خواهد داشت. در عمل، بسیاری از سازمان‌های معاصر سرمایه‌گذاری‌های خود را بر مدیریت منابع انسانی به‌صورت متمایز انجام می‌دهند (به‌عنوان مثال، با تمایز استعدادها یا پتانسیل‌های ویژه در کارکنان). به طورکلی میتوان نتیجه گرفت، شواهدی مبتنی بر تأثیرات زمینه‌ای بر تأثیر مدیریت منابع انسانی، درون و بین سازمانی وجود دارد.
2-1-2- مدیریت منابع انسانی مبتنی بر شواهد
ادبیات علمی در حوزه مدیریت منابع انسانی بسیار گسترده است و تلاش براین است که بتوان مشخص کرد که سیاستها و شیوه‌های مدیریت منابع انسانی چگونه باید اجرا شود و مؤثرترین آنها کدام است. بااین‌وجود، شیوه‌های معیوب در مدیریت منابع انسانی فراوان است، زیرا تصمیم‌گیری‌ها اغلب بر اساس ترجیحات شخصی، تجربیات غیرسیستماتیک، عمل بر اساس مد روز و حدس زدن انجام شده است (Rousseau & Barends, 2011). اشتیاق به تصمیم‌گیری مبتنی بر شواهد در مدیریت منابع انسانی در سال‌های اخیر بسیار افزایش یافته است. مدیریت مبتنی بر شواهد شامل تلقی اصولی مبتنی بر بهترین شواهد به شیوه‌های سازمانی است (Rousseau, 2006). به گفته روسو و بارندز (2011)، مدیریت مبتنی بر شواهد چهار منبع اطلاعاتی را تلفیق می‌کند: 1- بازتاب و قضاوت متخصص، 2- نگرانی سهامداران، 3- شواهد علمی، 4- معیارهای سازمانی قابل اعتماد و معتبر.
دو منبع اول اطلاعات تقریباً همیشه در عملکرد مدیریت منابع انسانی معاصر وجود دارند. متخصصان مدیریت منابع انسانی در حال طراحی سیاستها و شیوه‌ها در پرتو کسب‌وکار، مدیریت خط و نیازهای کارکنان و زمینه‌های قانونی آن هستند. منبع سوم اطلاعات در طول زمان اهمیت بیشتری پیدا می‌کند. در حال حاضر، قوی‌ترین پایه و اساس برای فهم اینکه چه نوع اصول مدیریت منابع انسانی باید کار کند، مطالعات علمی مختلفی است که در زمینه‌های مختلفی ایجاد میشود (Kaufman et al, 2014). بزرگ‌ترین کسری عملکرد مدیریت منابع انسانی معاصر در منبع چهارم نهفته است. بخش‌های مدیریت منابع انسانی اغلب فاقد توانایی، مهارت و معیاری برای اندازه‌گیری و کمی کردن سهم استراتژیک فعالیت‌های مدیریت منابع انسانی، تأثیر نهائی آن و هرگونه پیشرفت هستند (Paauwe & Farndale, 2017).
2-1-3- ظهور مدیریت منابع مبتنی بر داده یا هوشمند:
منابع انسانی مبتنی بر داده یا منابع انسانی هوشمند، در مورد استفاده از انفجار دادهها به روشی هوشمندانه و استخراج نگاهی است که نه‌تنها عملکرد افراد درون سازمان (ازجمله تیم منابع انسانی) را بهبود بخشد، بلکه به موفقیت کلی سازمان نیز کمک کند (Yusof et al, 2022 ). مدیران منابع انسانی میتوانند از دادهها برای تصمیم‌گیری بهتر درخصوص منابع انسانی، درک بهتر و ارزیابی تأثیر افراد، بهبود تصمیم‌گیری رهبری در امور مربوط به افراد، کارآمدتر و مؤثرتر کردن فرآیندها و عملیات منابع انسانی و بهبود رفاه و اثربخشی کلی استفاده کنند (Van der Laken, 2018). هر فرد می‌تواند تأثیر قابل توجهی بر توانمندی شرکت به‌منظور دستیابی به اهداف استراتژیک خود داشته باشد (Conte & Siano, 2023).
به‌منظور استفاده از دادهها راه‌های زیادی وجود دارد ولی چهار دسته اصلی آنها عبارتند از: استفاده از دادهها برای تصمیم‌گیری بهتر، استفاده از دادهها برای بهبود عملیات، استفاده از دادهها برای درک بهتر مشتریان و کسب درآمد از دادهها (Conte & Siano, 2023).
با نگاهی به نمونه‌های موجود در دنیای واقعی میتوان فهمید که چگونه ایده مدیریت منابع انسانی مبتنی بر داده در حال حاضر ریشه دوانده است.
استخدام مبتنی بر داده کمک می‌کند که حدس و گمان از استخدام در یک حوزه منابع انسانی حذف شود مخصوصاً اگر از حیث داده غنی باشد. درک دادههای بزرگ کمک می‌کند تا اثرات جذب در آینده و بازگشت سرمایه در اثر فعالیت‌های استخدامی مشخص شود. در واقع این دادهها میتوانند در این حوزه به اندازه‌گیری، افزایش و ترویج نام تجاری یک کسب‌وکار، شناسایی مؤثرترین کانال‌های استخدام، شناسایی کانال‌های جدید استخدام، شناسایی و ارزیابی بهترین افراد برای کسب‌وکار، شناسایی کاندیدهای پست‌های سطح بالا، تأمین نیروی کار مجازی، شناسایی و معرفی کاندیدهای مناسب پست‌های داخل شرکت کمک کنند (Rane, 2023).
همچنین رویکرد مبتنی بر داده می‌تواند بر تعامل کارکنان اثرگذار باشد. با توجه به اینکه کارکنان اغلب به‌عنوان باارزش‌ترین دارایی یک کسب‌وکار هستند، منطقی است که حفظ کارکنان، درگیر کردن آنها و رضایت و متعهد نگه‌داشتن آنها به کسب‌وکار یک فعالیت حیاتی برای هر سازمانی محسوب میشود (Khang et al, 2023). مشارکت کارکنان می‌تواند در حوزه‌هایی از جمله جلب رضایت کارکنان، فهم شیوه تفکر و احساس کارکنان، اندازه‌گیری و بهبود وفاداری کارکنان و حفظ و نگهداشت آنها، بهبود غرامت و مزایا با دادهها، دریافت بازخورد مداوم، اندازه‌گیری احساسات کارکنان، اندازه‌گیری و بهبود حفظ کارکنان، پیش‌بینی ریزش کارکنان کمک‌کننده باشد (Zehir et al, 2020).
رویکرد مدیریت منابع انسانی مبتنی بر داده بر مزایا و غرامت کارکنان نیز مؤثر است. هرچند که این حوزه یکی از حوزه‌هایی است که کمتر از حیث داده و تجزیه‌وتحلیل توسعه یافته است، اما به‌سرعت در حال رشد است. ابزارها و خدمات بیشتری وارد بازار میشود تا به کسب‌وکارها کمک کند تا رویکردی هوشمندانه‌تر و مبتنی بر داده را برای ساختارهای پاداش و مزایای خود فراهم آورد. ارائه یک بسته پاداش و مزایای عادلانه بخش مهمی از تعامل موفق با کارکنان است (Li et al, 2021). توانایی تنظیم بسته‌های پاداش و مزایا برای کارکنان، بر اساس آنچه بر اساس دادهها و در مورد ویژگی‌های مختلف ارائه میشود، الهام‌بخش تعاملی طولانی‌مدت با کارکنان است (Shet et al, 2021).
یادگیری و توسعه، یکی از عملکردهای اصلی مدیریت منابع انسانی است که به‌شدت توسط فناوری دادههای بزرگ در حال تغییر است (Visvizi et al, 2022). نگاهی اجمالی به تحول دیجیتال که در حال حاضر در دنیای آموزش رخ داده است، نشان می‌دهد که چگونه دادهها میتوانند یادگیری را در همه سطوح، از مدارس و دانشگاه‌ها گرفته تا یادگیری، تسهیل کنند (Visvizi et al, 2022).
زمانی که فراگیران از طریق محتوای دیجیتال در یک دوره آموزشی شرکت می‌کنند، ردپای دیجیتالی از تمام اقدامات خود باقی می‌گذارد. همین ردیابی کمک می‌کند تا اطلاعات زیادی در مورد تجربه یادگیری به دست ارائه‌دهندگان آموزش و متخصصان یادگیری و توسعه ارائه نماید ( Wu et al, 2020).
زیربنای همه یادگیری‌ها در کارکنان، یادگیری تجزیه‌وتحلیل است که از توسعه برنامههای یادگیری گرفته تا ارائه آنها به جذاب‌ترین روش و ردیابی نحوه تعامل کارکنان با برنامه را در بر می‌گیرد. دادهها کمک می‌کنند که تجزیه‌وتحلیل‌ها به شکل چشمگیری اثربخش باشد و وضعیت کسب‌وکار را بهبود بخشد.
دادهها به گروه‌های منابع انسانی اجازه می‌دهند تا پیوندهای واضح و مبتنی بر شواهد بین آموزش و عملکرد ایجاد کنند تا از این طریق یادگیری و توسعه برای آینده، بازگشت سرمایه و رهبری برای برنامههای آموزشی تضمین شده و مفید باشد (Sarker, 2022).
3- روش پژوهش
پژوهش حاضر با استفاده از روش تحقیق ترکیبی انجام شده است و از نظر نوع نتیجه، پژوهشی کاربردی است، زیرا می‌تواند ضمن طراحی مدل، در حل مسئله پژوهش در دانشگاه‌های آزاد و دولتی کمک کند. همچنین، پژوهش از نظر هدف، اکتشافی بوده و از نظر نوع دادههای مورد استفاده، از هر دو نوع کمی و کیفی استفاده شده است. جامعه آماری پژوهش در بخش کیفی متخصصان و خبرگان حوزه منابع انسانی و در بخش کمی شامل مدیران، برنامه ریزان و کارشناسان این حوزه است. نمونه در بخش کیفی با استفاده از روش تصادفی طبقه‌ای و از طریق نمونه در دسترس به میزان 12 نفر انجام شد. در بخش کمی با استفاده از روش نمونه‌گیری تصادفی ساده به حجم 182 نفر نسبت به تحلیل نتایج اقدام شد. به‌منظور تجزیه‌وتحلیل اطلاعات، در بخش کیفی، با استفاده از رویکرد برودی ضمن مقایسه ابعاد موضوع در مطالعات موجود، جهت شناسایی و دسته‌بندی عوامل از دو رویکرد بررسی مقالات با استفاده از رویکرد فراترکیب و تلفیق نتایج مورد نظر با مصاحبه با خبرگان، بهره برده شد. پس از آن روایی از طریق ضریب لاوشه و پایایی از طریق کاپا محاسبه و تأیید شد. در بخش کمی با استفاده از روش تحلیل عاملی تأییدی نسبت به بررسی نتایج در میدان پژوهش اقدام شد. تحلیل‌ها با استفاده از نرم‌افزار smartPLS و SPSS نسخه 26 انجام شده است. روایی دادهها از طریق صوری و پایایی آن از طریق آلفای کرونباخ (0.88) محاسبه شد.
4- نتایج و یافته‌ها
در این بخش به ارائه نتایج و یافتههای حاصل از دادههای جمع‌آوری شده پرداخته میشود. ابتدا به‌منظور استخراج شاخص‌های مدیریت منابع انسانی هوشمند داده محور با استفاده از روش مقایسه تطبیقی برودی، به استخراج شاخص‌ها پرداخته شده است. این روش شامل چهار مرحله (توصیف، تفسیر، هم‌جواری و مقایسه) است. در مراحل توصیف و تفسیر درمجموع 43 مؤلفه مدیریت منابع انسانی هوشمند داده محور در دانشگاه آزاد و 37 مؤلفه برای دانشگاه دولتی استخراج شد. از بین این مؤلفه‌ها 22 مؤلفه مشترک و سایر مؤلفه‌ها بین دو دانشگاه متفاوت بود. جدول (1) میزان تطبیق این مؤلفه‌ها را نشان می‌دهد.
جدول (1): تطبیق مؤلفه‌ها به‌صورت زوجی
دانشگاه‌ها | محور مقایسه | اشتراک و افتراق مؤلفه‌ها |
|---|---|---|
آزاد و دولتی | آزاد | نظام جذب، تأمین و تعدیل منابع انسانی، افزایش آگاهی، نظام حفظ و نگهداری منابع انسانی، ارتقا انگیزه کارکنان، جبران خدمت، رضایت شغلی، عدالت محوری، ارزش شغل ارتقای کارکنان، چابکی سازمانی، کارآفرینی، تعهد سازمانی، حمایت سازمانی، بهره‌وری سازمانی، سلامت و ایمنی کارکنان، خلاقیت و نوآوری، مسئولیت اجتماعی، رقابت‌پذیری، ارتقاء و تعالی جامعه، وجود زیرساخت‌های مناسب |
دولتی | بهبود عملکرد مالی، تأمین منابع، ارتباطات مؤثر، کارهای پژوهشی، پاسخگویی، پشتیبانی از سیستم‌های اطلاعاتی، بازخورد، وضوح نقش، دسترسی به سامانه‌ها، نقش و حمایت دولت | |
مشترک آزاد و دولتی | نظام پرورش و آموزش و بهسازی منابع انسانی، کاهش بروکراسی، فرهنگ سازمانی، اعتمادسازی و احترام، دانش فنی کارکنان، ایجاد ساختار منعطف، تناسب شغل و شاغل، نظام به‌کارگیری و استفاده مؤثر از منابع انسانی، ارزیابی عملکرد، ارزش شاغل، ارزش شغل- شاغل، مدیریت راهبردی، سیستم اطلاعات، شفافیت در ارائه اطلاعات، توسعه کارکنان، پشتیبانی مدیریتی، تأمین منابع استراتژیک، کار مشارکتی، مدیریت دانش، اعتبار و شهرت، نظارت و کنترل بر اجرای سیستم‌های اطلاعاتی، تصمیم‌گیری مبتنی بر داده |
در ادامه با استفاده از روش داده بنیاد رویکرد گلیزر و با بکار گیری روش تحلیل مضمون استقرایی با استفاده از اولاً مطالعات داخلی و خارجی ابعاد و معیارهای مدیریت منابع انسانی هوشمند داده محور و ثانیاً مصاحبه با 12 خبره، مضامین پایه استخراج شد و کدگذاری گزینشی انجام گردید. جدول (2) مشخصات خبرگان را نشان می‌دهد:
جدول (2): مشخصات خبرگان
سمت | دانشگاه | تحصیلات | سن | ردیف |
|---|---|---|---|---|
استاد | دولتی | دکتری | 41 | 1 |
مدیر گروه | آزاد | دکتری | 53 | 2 |
مدیر | دولتی | دکتری | 62 | 3 |
استاد | دولتی | ارشد | 39 | 4 |
استاد | دولتی | ارشد | 46 | 5 |
مدیر گروه | آزاد | ارشد | 48 | 6 |
استاد | آزاد | دکتری | 60 | 7 |
مدیر گروه | دولتی | دکتری | 53 | 8 |
استاد | آزاد | دکتری | 39 | 9 |
مدیر گروه | دولتی | دکتری | 40 | 10 |
استاد | آزاد | دکتری | 48 | 11 |
استاد | دولتی | ارشد | 52 | 12 |
نتایج کدگذاری مشترک مطالعات و مصاحبه‌ها در بخش کدگذاری نظری و استخراج مدل نهائی به شرح جدول (3) و شکل (1) است.
جدول (3): کدگذاری نظری مقولات و استخراج مدل نهائی
مقولات فرعی | |
|---|---|
نظام به‌کارگیری و جبران خدمت نیروی انسانی و ارزیابی عملکرد | ارزشیابی عملکرد کارکنان به‌کارگیری نیروی انسانی نظام خدمات رفاهی و درمانی |
فرهنگ تسهیم دانش، مشارکت و اخلاق حرفه‌ای و ارتباط مؤثر و مدیریت مشارکتی | اشتراک‌گذاری و اطلاع‌رسانی اطلاعات تبادل و تسهیم دانش بین کارکنان توسعه فرهنگ مشارکت دسترسی سریع و به‌موقع به اطلاعات هماهنگی و ارتباط مؤثر برای انجام کارها توسعه اخلاق حرفه‌ای، فرهنگ مشارکت و مدیریت مشارکتی شفاف‌سازی، اشتراک‌گذاری و اطلاع‌رسانی اطلاعات |
ایجاد و توسعه زیرساخت‌های اصیل و باکیفیت در ابعاد مختلف علی‌الخصوص بهره‌گیری از فناوری‌های بروز | امنیت، کیفیت و پشتیبانی مناسب شبکه توسعه زیرساخت‌ها و به‌روزرسانی آنها فراهم‌سازی زیرساخت‌های لازم برای کارکنان و مدیران جهت ارتقا و توسعه دانش بهره‌گیری از فناوری‌های به‌روز جهت پردازش هوشمند دادهها (ازجمله هوش مصنوعی، تشکیل اتاق جلسات مجازی و.) بهره‌گیری نرم‌افزارهای منابع انسانی مدیریت اصالت داده |
انعطاف‌پذیری و شفاف‌سازی مدیریت و اجرا و کاهش ریسک | انعطاف‌پذیری و انطباق‌پذیری در مدیریت و اجرا و کاهش ریسک بازنگری و بهبود فرآیندها و توسعه راهبردها و شفافیت مسیر اقدامات |
مسئولیت‌پذیری و تعهد | بهبود تعهد مدیران توسعه مسئولیت‌پذیری |
توسعه خلاقیت و نوآوری و اثربخشی آنها | بهره‌گیری از ایده‌ها و تقویت اعتمادبه‌نفس کارکنان توسعه فرهنگ خلاقیت و نوآوری سنجش اثربخشی ایده‌ها تأکید بر سرمایه فکری و عنصر هوش |
مدیریت جامع و پیشگیرانه و افزایش بهره‌وری | بهره‌وری توجه به اقدامات پیشگیرانه و ارگونومی محیط کار |
شفاف‌سازی و پاسخگویی | پاسخگویی شفاف‌سازی، اشتراک‌گذاری و اطلاع‌رسانی اطلاعات |
رهبری هوشمند | پردازش هوشمند دادهها در نظرگرفتن جامعه هدف رهبری هوشمند طراحی نظام بازخورد |
تأمین منابع استراتژیک و سرمایه‌گذاری هدفمند بر حاکمیت داده | تأمین منابع استراتژیک درک خط‌مشی و ارتباط آن با مسائل درک نارسایی‌های خط‌مشی سازگاری سیستم‌های اطلاعاتی با اهداف سازمانی حسابرسی و برآوردهای مالی وجود بانک‌های اطلاعاتی قابل‌اطمینان، در دسترس و کامل |
توجه به ویژگی‌ها و ارزش‌های فردی و توسعه نظام شایسته‌سالاری | توجه به ارزش‌ها در نظر گرفتن تضادها و پذیرش آنها توسعه نظام شایسته‌سالاری در نظر گرفتن ویژگی‌های فردی و شخصیتی افراد سرمایه‌گذاری هدفمند بر حاکمیت داده |
معماری سازمانی مناسب و قانونی و انطباق نظام‌های آموزش، جذب و نگهداشت متناسب با نقش آنها | ساختار سازمانی مناسب در نظر گرفتن حمایت‌های قانونی نظام آموزش، پرورش و بهسازی کارکنان علی‌الخصوص فنی و تخصصی نظام جذب، نگهداشت نیروی انسانی طراحی نظام و چارچوب معماری سازمانی و ساختار سازمانی مناسب توسعه دانش و بینش کارکنان در جهت درک خط‌مشی و ارتباط آن با مسائل توسعه مهارت محوری مشخص بودن وظایف و مسئولیت‌ها و شرایط احراز آن |
خط‌مشی گذاری و نظارت بر اجرای حاکمیت داده | نظارت و پایش مستمر و ارائه بازخوردهای مناسب حاکمیت داده ایجاد خط‌مشی حاکمیت داده و اجرای چارچوب آن |
سازگاری فعالیت‌ها و منابع در راستای اهداف سازمانی | سازگاری سیستم‌های اطلاعاتی با اهداف سازمانی همسوسازی فعالیت‌ها در راستای اهداف سازمانی |
بهبود رضایتمندی و دریافت بازخورد | افزایش سطح رضایتمندی کارکنان و دریافت بازخورد از آنها |
شکل (1): مدل نظری مدیریت منابع انسانی هوشمند داده محور مبتنی بر الگوی داده بنیاد رویکرد گلیزر
در ادامه با استفاده از معیارهای حاصل از تحلیل داده بنیاد رویکرد گلیزر حاصل مصاحبه نیمه ساختاریافته و منابع قسمت قبل، نسبت به تنظیم پرسش‌نامه با طیف لیکرت اقدام شد. نتایج این بخش در دو قسمت دانشگاه دولتی و آزاد ارائه خواهد شد. برای این منظور با انتخاب دو نمونه 182 نفری از دانشگاه آزاد و دولتی که به لحاظ سابقه کار و مدرک تحصیلی دارای ویژگی‌هایی مطابق جداول 4 و 5 هستند، نسبت به استخراج نتایج اقدام شد.
جدول (4): سابقه خدمت افراد نمونه
| درصد فراوانی | |
|---|---|---|
دولتی | آزاد | |
۱۰ تا ۱۵ سال | 8.3 | 19.27 |
۱۶ تا ۲۰ سال | 20.3 | 32.55 |
بالای ۲۰ سال | 68.4 | 42.45 |
زیر ۱۰ سال | 3 | 5.73 |
کل | 100 | 100 |
همان‌طور که ملاحظه میشود بیشتر افراد نمونه در دانشگاه دولتی دارای سابقه بالای 20 سال هستند و پس از آن سابقه خدمت 16 الی 20 و در رتبه‌های انتهایی سابقه 10 الی 15 سال و زیر 10 سال قرار گرفتهاند. در دانشگاه آزاد بیشترین سابقه کاری در گروه 16 الی 20 و بالای 20 سال هستند.
جدول (5): مدرک تحصیلی افراد نمونه
| درصد فراوانی | |
|---|---|---|
دولتی | آزاد | |
دکترا | 6 | 17.44 |
فوق‌لیسانس | 40.6 | 38.02 |
لیسانس | 53.4 | 44.42 |
همان‌طور که ملاحظه میشود بیشتر افراد نمونه دارای مدرک تحصیلی لیسانس با 53 درصد و 44 درصد به ترتیب در دولتی و آزاد از افراد نمونه هستند، پس از آن مدرک فوق‌لیسانس دارای بیشترین فراوانی 41 درصد و 38 درصد دولتی و آزاد است و در انتها 6 درصد و 17 درصد از افراد نمونه تحصیلات دکتری دارند. حال به‌منظور انجام تحلیل عاملی تأییدی مدل معادلات ساختاری با شاخص بار عاملی ترسیم میشود که در شکل (2) ارائه شده است:
شکل (2): مدل معادلات ساختاری مدیریت منابع انسانی هوشمند داده محور دانشگاه دولتی (بر اساس بار عاملی)
شکل (3): مدل معادلات ساختاری مدیریت منابع انسانی هوشمند داده محور دانشگاه آزاد (بر اساس بار عاملی)
شاخص‌های ارزیابی کلیت مدل معادله ساختاری مطابق جدول (6) بیانگر این است که مدل مفروض تدوین شده توسط دادههای پژوهش حمایت می‌شوند، به‌عبارت‌دیگر برازش دادهها به مدل برقرار و شاخص‌های برازش دلالت بر مطلوبیت مدل معادله ساختاری دارند.
جدول (6): برآورد مقادیر شاخص‌های ارزیابی کلیت مدل معادله ساختاری
شاخص | دانشگاه دولتی | دانشگاه آزاد |
SRMR | 0.136 | 0.142 |
Chi-Square | 83.478 | 65.655 |
NFI | 0.002 | 0.003 |
همچنین، بر اساس مقادیر جدول (7) مؤلفه‌های بهبود رضایتمندی و دریافت بازخورد و معماری سازمانی مناسب و قانونی و انطباق نظام‌های آموزش، جذب و نگهداشت متناسب با نقش آنها برای دانشگاه دولتی مصداق ندارد. به این معنی که با توجه به اینکه میزان معنی‌داری بزرگ‌تر از 0.05 بوده است از نظر مشارکت‌کنندگان این دو مؤلفه فعلاً در اولویت یک الگوی مدیریت منابع انسانی هوشمند داده محور نیست و باید سایر مؤلفه‌ها مورد اهمیت باشد.
جدول (7): برآورد مؤلفه‌های اصلی مدیریت منابع انسانی هوشمند داده محور (دانشگاه آزاد)
| بار عاملی | انحراف معیار | آماره t | مقدار احتمال |
|---|---|---|---|---|
مدیریت منابع انسانی هوشمند داده محور! انعطاف‌پذیری و شفاف‌سازی مدیریت و اجرا کاهش ریسک | | | | |
مدیریت منابع انسانی هوشمند داده محور !ایجاد و توسعه زیرساخت‌های اصیل و باکیفیت در ابعاد مختلف علی‌الخصوص بهره‌گیری از فناوری‌های بروز | | | | |
مدیریت منابع انسانی هوشمند داده محور !بهبود رضایتمندی و دریافت بازخورد | | | | |
مدیریت منابع انسانی هوشمند داده محور !تأمین منابع استراتژیک و سرمایه‌گذاری هدفمند بر حاکمیت داده | | | | |
مدیریت منابع انسانی هوشمند داده محور ! توجه به ویژگی‌ها و ارزش‌های فردی و توسعه نظام شایسته‌سالاری | | | | |
مدیریت منابع انسانی هوشمند داده محور !توسعه خلاقیت و نوآوری و اثربخشی آنها | | | | |
مدیریت منابع انسانی هوشمند داده محور !خط‌مشی گذاری و نظارت بر اجرای حاکمیت | | | | |
مدیریت منابع انسانی هوشمند داده محور رهبری هوشمند | | | | |
مدیریت منابع انسانی هوشمند داده محور ! سازگاری فعالیت‌ها و منابع در راستای اهداف سازمانی | | | | |
مدیریت منابع انسانی هوشمند داده محور !شفاف‌سازی و پاسخگویی | | | | |
مدیریت منابع انسانی هوشمند داده محور !فرهنگ تسهیم دانش، مشارکت و اخلاق حرفه‌ای و ارتباط مؤثر و مدیریت مشارکتی | | | | |
مدیریت منابع انسانی هوشمند داده محور !مدیریت جامع و پیشگیرانه و افزایش بهره‌وری | | | | |
مدیریت منابع انسانی هوشمند داده محور !مسئولیت‌پذیری و تعهد | | | | |
مدیریت منابع انسانی هوشمند داده محور !معماری سازمانی مناسب و قانونی و انطباق نظام‌های آموزش، جذب و نگهداشت متناسب با نقش آنها_ | | | | |
مدیریت منابع انسانی هوشمند داده محور !نظام به‌کارگیری و جبران خدمت نیروی انسانی و ارزیابی عملکرد | | | | |
همچنین، مطابقه جدول (8) مؤلفه‌های بهبود رضایتمندی و دریافت بازخورد و رهبری هوشمند برای دانشگاه آزاد مصداق ندارد. به این معنی که با توجه به اینکه میزان معنی‌داری بزرگ‌تر از 0.05 بوده است از نظر مشارکت‌کنندگان این دو مؤلفه فعلاً در اولویت یک الگوی مدیریت منابع انسانی هوشمند داده محور نیست و باید سایر مؤلفه‌ها مورد اهمیت باشد.
جدول (8): برآورد مؤلفه‌های اصلی مدیریت منابع انسانی هوشمند داده محور (دانشگاه آزاد)
| بار عاملی | انحراف معیار | آماره t | مقدار احتمال |
|---|---|---|---|---|
مدیریت منابع انسانی هوشمند داده محور! انعطاف‌پذیری و شفاف‌سازی مدیریت و اجرا و کاهش ریسک | | | | |
مدیریت منابع انسانی هوشمند داده محور ! ایجاد و توسعه زیرساخت‌های اصیل و باکیفیت در ابعاد مختلف علی‌الخصوص بهره‌گیری از فناوری‌های بروز | | | | |
مدیریت منابع انسانی هوشمند داده محور ! بهبود رضایتمندی و دریافت بازخورد | | | | |
مدیریت منابع انسانی هوشمند داده محور ! تأمین منابع استراتژیک و سرمایه‌گذاری هدفمند بر حاکمیت داده | | | | |
مدیریت منابع انسانی هوشمند داده محور ! توجه به ویژگی‌ها و ارزش‌های فردی و توسعه نظام شایسته‌سالاری | | | | |
مدیریت منابع انسانی هوشمند داده محور ! توسعه خلاقیت و نوآوری و اثربخشی آنها | | | | |
مدیریت منابع انسانی هوشمند داده محور ! خط‌مشی گذاری و نظارت بر اجرای حاکمیت داده | | | | |
مدیریت منابع انسانی هوشمند داده محور ! رهبری هوشمند | | | | |
مدیریت منابع انسانی هوشمند داده محور ! سازگاری فعالیت‌ها و منابع در راستای اهداف سازمانی | | | | |
مدیریت منابع انسانی هوشمند داده محور ! شفاف‌سازی و پاسخگویی | | | | |
مدیریت منابع انسانی هوشمند داده محور ! فرهنگ تسهیم دانش، مشارکت و اخلاق حرفه‌ای و ارتباط مؤثر و مدیریت مشارکتی | | | | |
مدیریت منابع انسانی هوشمند داده محور ! مدیریت جامع و پیشگیرانه و افزایش بهره‌وری | | | | |
مدیریت منابع انسانی هوشمند داده محور ! مسئولیت‌پذیری و تعهد | | | | |
مدیریت منابع انسانی هوشمند داده محور ! معماری سازمانی مناسب و قانونی و انطباق نظام‌های آموزش، جذب و نگهداشت متناسب با نقش آنها | | | | |
مدیریت منابع انسانی هوشمند داده محور! نظام به‌کارگیری و جبران خدمت نیروی انسانی و ارزیابی عملکرد | | | | |
بر اساس جدول (9) نیز ضریب تعیین به‌غیراز مؤلفههایی که باید از مدل حذف شوند، مقداری مناسب و نزدیک عدد 0.5 است ارتباط تعریف شده از طریق نقش وابستگی تعریف شده معنی‌دار است.
جدول (9): میزان ضریب تعیین
مؤلفه‌ها | دولتی | آزاد | ||
|---|---|---|---|---|
ضریب تعیین | ضریب تعیین تعدیل‌شده | ضریب تعیین | ضریب تعیین تعدیل‌شده | |
انعطاف‌پذیری و شفاف‌سازی مدیریت و اجرا و کاهش ریسک_ | | | | |
ایجاد و توسعه زیرساخت‌های اصیل و باکیفیت در ابعاد مختلف علی‌الخصوص بهره‌گیری از فناوری‌های بروز_ | | | | |
بهبود رضایتمندی و دریافت بازخورد_ | | | | |
تأمین منابع استراتژیک و سرمایه‌گذاری هدفمند بر حاکمیت داده_ | | | | |
توجه به ویژگی‌ها و ارزش‌های فردی و توسعه نظام شایسته‌سالاری_ | | | | |
توسعه خلاقیت و نوآوری و اثربخشی آنها_ | | | | |
خط‌مشی گذاری و نظارت بر اجرای حاکمیت داده_ | | | | |
رهبری هوشمند_ | | | | |
سازگاری فعالیت‌ها و منابع در راستای اهداف سازمانی_ | | | | |
شفاف‌سازی و پاسخگویی_ | | | | |
فرهنگ تسهیم دانش، مشارکت و اخلاق حرفه‌ای و ارتباط مؤثر و مدیریت مشارکتی_ | | | | |
مدیریت جامع و پیشگیرانه و افزایش بهره‌وری_ | | | | |
مسئولیت‌پذیری و تعهد_ | | | | |
معماری سازمانی مناسب و قانونی و انطباق نظام‌های آموزش، جذب و نگهداشت متناسب با نقش آنها_ | | | | |
نظام به‌کارگیری و جبران خدمت نیروی انسانی و ارزیابی عملکرد | | | | |
5- نتیجه‌گیری و پیشنهادها
این پژوهش با هدف ارائه الگوی مدیریت منابع انسانی هوشمند داده محور با استفاده از مقایسه تطبیقی دانشگاه آزاد و دولتی انجام شده است. روش به‌کارگیری شده، به‌صورت ترکیبی است که در بخش کیفی با استفاده از روش برودی به مقایسه این دو دانشگاه بر اساس مقالات پرداخته شده است و نقاط اشتراک و افتراق آن استخراج شده است. همچنین بر اساس روش داده بنیاد رویکرد گلیزر به استخراج مؤلفه‌های الگو پرداخته شده است. در قسمت کمی با استفاده از روش تحلیل عاملی تأییدی نسبت به تأیید مدل اقدام شده است. بر اساس مطالعه تطبیقی به روش برودی مؤلفه‌های دانشگاه آزاد شامل: نظام جذب، تأمین و تعدیل منابع انسانی، افزایش آگاهی، نظام حفظ و نگهداری منابع انسانی، ارتقا انگیزه کارکنان، جبران خدمت، رضایت شغلی، عدالت محوری، ارزش شغل، ارتقای کارکنان، چابکی سازمانی، کارآفرینی، تعهد سازمانی، حمایت سازمانی، بهره‌وری سازمانی، سلامت و ایمنی کارکنان، خلاقیت و نوآوری، مسئولیت اجتماعی، رقابت‌پذیری، ارتقاء و تعالی جامعه، وجود زیرساخت‌های مناسب هستند که در مطالعات امیری و همکاران (Amiri et al, 2017) و سلیمیان و همکاران (Salimian et al, 2020)، همچنین، رشیدی و همکاران (Rashidi et al, 2020) با توجه به تأکیدی بر پویایی ناشی از جذب و استخدام و وجود شرایط احراز در مورد نیروی انسانی است، نظام جذب، تأمین و تعدیل منابع انسانی با این پژوهش همسو بوده است. در مطالعات مهدیزاده و همکاران (Mehdizadeh et al, 2020) بحث آموزش نوین کارکنان و مدیران در جهت توانمندیسازی آنها و در پژوهش ادیبزاده و رکن‌آبادی (Adibzadeh, 2023) بحث تخصص شغل و دانش، فرهنگ سازمانی متناسب مورد تأکید قرار گرفته است و از این منظر با پژوهش حاضر همسو است. قبادی الوار و همکاران (Ghobadi Alvar et al, 2023) با تأکید بر ایجاد فرصت و رشد برای کارکنان که می‌تواند در صورت نبود موجبات ترک کارکنان را فراهم آورد و نیاز به ارتقاء سطح کیفیت زندگی کاری کارکنان که در مطالعات غفاری زنوری و همکاران (Ghaffari Zanouzi et al, 2021) تأکید شده است با نتایج این پژوهش همراستا است. بهبود مدیریت عملکرد در پژوهش رشیدی و همکاران (Rashidi et al, 2020)، بحث سیستم پاداش‌دهی، تمایل به تغییر، ویژگی‌های شخصیتی، مهارت و تجربه، مسیر شغلی مناسب، ساختار فرآیند انجام کار در مطالعه اسکندر و طلوعی (1398)، تأکید بر تدوین استراتژی عمل‌گرای کارآفرینی، توسعه کارکنان دانش‌محور و وفادار به سازمان در مطالعه مهدیزاده و همکاران (Mehdizadeh et al, 2020)، بحث خلاقیت و نوآوری، بهره‌گیری از راهبردها و رویه‌های مناسب مدیریت دانش، دستیابی به اهداف کلان دانشگاهی در پژوهش غفاری زنوزی و همکاران (Ghaffari Zanouzi et al, 2021) و ارتقای سازمان‌های اطلاعاتی، ایجاد قوانین و مقررات و نظارت بر حسن اجرای سامانه‌ها و ارزیابی آنها در مطالعه کعبیپور و همکاران (Kabipor et al, 2023) همگی با پژوهش حاضر همخوانی دارد. همچنین در دانشگاه دولتی مؤلفه‌ها شامل: بهبود عملکرد مالی، تأمین منابع، ارتباطات مؤثر، کارهای پژوهشی، پاسخگویی، پشتیبانی از سیستم‌های اطلاعاتی، بازخورد، وضوح نقش، دسترسی به سامانه‌ها، نقش و حمایت دولت بوده‌اند که بحث پیگیری برند و تأثیر آن بر عملکرد مالی در مطالعه برخه و جمالی (Barkhe & Jamali, 2017)، رهبری و مدیریت عالی، سیاست‌گذاری و برنامه‌ریزی، حکمرانی دانشگاهی، ارتباطات و تعامل با محیط، حمایت از فناوری اطلاعات و حمایت مادی و سندهای بالادستی و سیاست‌های دولت در مطالعات سید علوی و همکاران (Sayed Alavi et al, 2023) و پناهی و همکاران (panahi et al, 2022) با پژوهش حاضر همسو است. از سوی دیگر در مؤلفه‌های الگوی پژوهش بحث‌های انتقال دانش، طراحی مشاغل و ساختار منعطف، دسترسی مناسب و سریع به اطلاعات که در مطالعات ونگ و همکاران (Wang et al, 2020) مورد تأکید قرار گرفته است. همچنین در پژوهش گان و همکاران (Guan et al, 2020) بحث زیرساخت‌های تشویق و پشتیبانی تسهیم دانش و نرم‌افزار و سخت‌افزارهای مرتبط، همچنین بحث مشارکت‌پذیری با پژوهش حاضر همسو است. بحث انعطاف‌پذیری، مسئولیت و تعهد، افزایش بهره‌وری، شفافیت و پاسخگویی، رهبری هوشمند، تأمین منابع استراتژیک، شایسته‌سالاری، معماری سازمانی، خط‌مشی گذاری، سازگاری فعالیت‌ها و منابع، بهبود رضایتمندی و بازخورد در مطالعات مهدی بیگی و همکاران (Mehdibeigi et al, 2020)، خانگ و همکاران (Khang et al, 2023)، لی و همکاران (Li et al, 2021)، ساکر (Sarker, 2021) و سیبچار (Seebacher, 2021) نیز مورد تأکید قرار گرفته است. بر اساس نتایج این پژوهش به‌منظور تحقق مدیریت منابع انسانی داده محور در دانشگاه‌های دولتی و آزاد موارد زیر پیشنهاد می‌گردد.
1- با توجه به اینکه نظام به‌کارگیری و جبران خدمت نیروی انسانی مبتنی بر ساختاری بوروکراسی و سنتی شکل گرفته است، بر اساس رویکرد مدیریت منابع انسانی مبتنی بر داده شاخص‌های متناسب با نیروی انسانی در هر یک از دانشگاه‌ها استخراج گردد و ضمن ارزیابی وضع موجود، با تدوین بسته‌های تشویقی و تنبیهی، نظام ارزیابی عملکرد متناسب با ویژگی‌های کارکنان بازطراحی و اجرا شود.
2- بر اساس شناسایی وضعیت و سطح فرهنگ سازمانی، نسبت به تدوین کدهای رفتاری متناسب با سازمان اقدام شود و ضمن برقراری ارتباط مؤثر و مدیریت مشارکت، فرهنگ سازمانی را در هر دو دانشگاه ارتقا داد.
3- به‌منظور تحقق مدیریت منابع انسانی با رویکرد داده محور و هوشمند، لازم است زیرساخت‌های متناسب با آن و با دادههای با کیفیت با استفاده از فناوری‌های بروز در اختیار هر دو دانشگاه قرار گیرد که پیشنهاد می‌گردد در اولویت دریافت بودجه به‌منظور خرید تجهیزات سخت‌افزاری و نرم‌افزاری و جمع‌آوری دادهها قرار داده شود.
4- با استفاده از سامانه‌های داشبوردساز و به‌منظور افزایش انعطاف‌پذیری و شفافیت، لازم است نسبت به بهبود و بازنگری فرآیندها و توسعه راهبردها با استفاده از گزارش‌ها و تحلیل‌های آماری اقدام شود و این گزارش‌ها در دسترس ذینفعان مرتبط هم قرار گیرد.
5- به‌منظور افزایش خلاقیت، نوآوری و اثربخشی آنها در بین کارکنان ضمن بهره‌گیری از ایده‌های کارکنان تحت برگزاری رویدادها، از کارکنانی که ایده‌های آنها اجرایی میشود تقدیر به‌عمل‌آمده تا اعتمادبه‌نفس آنها تقویت شود.
6- به‌منظور تحقق مدیریت منابع انسانی داده محور لازم است حمایت رهبران و مدیران ارشد در صدر این موضوع قرار گیرد و به همین دلیل، آنها باید در ابتدای صف استفاده کنندگان از دادهها باشند و از کارکنان نیز مطالبه نمایند.
7- لازم است به‌منظور تحقق این امر منابع استراتژیک از کارکنان، مالی، تجهیزات و مواردی از این قبیل در نظرگرفته شود و برنامه راهبردی عملیاتی به همراه سبد پرتفوی مناسب آن تهیه گردد.
8- به‌منظور هرچه تحقق این امر، لازم است نظام شایسته‌سالاری با تعریف شاخص‌های مناسب و متناسب با ویژگی‌های کسب‌وکار و کارکنان تهیه شود و با انتخاب جایگاه‌های مناسب برای افراد، آنها را به‌عنوان رهبران آینده تربیت نمود.
9- لازم است هر چند وقت یک‌بار ضمن ارزیابی کارکنان و مدیران از شاخص‌های درنظرگرفته شده و ارائه بازخورد، نسبت به بازنگری شاخص‌ها متناسب با کسب‌وکار و کارکنان اقدام شود تا اهداف سازمان بهتر تحقق یابد.
Adibzadeh Maryam, Ruknabadi Hossein Mahdi. (2023). Identifying and prioritizing the effective factors of human resources management of Islamic Azad University (case study of North Tehran branch). 5(2). 70-84.
Amiri, H., Mirsepasi, N., & Rahnamay Roodposhti, F. (2017). Designing a model of human resource accounting in Islamic Azad University. Journal of Management Accounting and Auditing Knowledge, 6(21), 19-32.
Barkhe, A & Jamali, Gh (2017). Investigating the effect of strategic human resources on improving financial performance in Yasouj State University. Economic studies, financial management and accounting, 21(4), 318-332.
Budhwar, P., Chowdhury, S., Wood, G., Aguinis, H., Bamber, G. J., Beltran, J. R., ... & Varma, A. (2023). Human resource management in the age of generative artificial intelligence: Perspectives and research directions on ChatGPT. Human Resource Management Journal, 33(3), 606-659.
Combs, J., Liu, Y., Hall, A., & Ketchen, D. (2006). How much do high‐performance work practices matter? A meta‐analysis of their effects on organizational performance. Personnel psychology, 59(3), 501-528.
Conte, F., & Siano, A. (2023). Data-driven human resource and data-driven talent management in internal and recruitment communication strategies: an empirical survey on Italian firms and insights for European context. Corporate Communications: An International Journal, 28(4), 618-637.
Crook, T. R., Todd, S. Y., Combs, J. G., Woehr, D. J., & Ketchen Jr, D. J. (2011). Does human capital matter? A meta-analysis of the relationship between human capital and firm performance. Journal of applied psychology, 96(3), 443.
Di Vaio, A., Hassan, R., & Alavoine, C. (2022). Data intelligence and analytics: A bibliometric analysis of human–Artificial intelligence in public sector decision-making effectiveness. Technological Forecasting and Social Change, 174, 121201.
Garg, S., Sinha, S., Kar, A. K., & Mani, M. (2022). A review of machine learning applications in human resource management. International Journal of Productivity and Performance Management, 71(5), 1590-1610.
Ghaffari Zanouzi, Mohebi, Sirajuddin, Daneshfard, & Karam Elah. (2021). Designing the effectiveness model of human resources in the university with the innovative approach of foundation data (case study: Islamic Azad University). Innovation and creativity in humanities, 10(4), 143-178.
Ghobadi Alvar, A., Mousavi, S. N., & Shariatnejad, A. (2023). Analysis and evaluation of human resources risks in the higher education system: Lorestan Islamic Azad University case. Quarterly Journal of Research and Planning in Higher Education, 24(3), 107-129.
Guan, C., Mou, J., & Jiang, Z. (2020). Artificial intelligence innovation in education: A twenty-year data-driven historical analysis. International Journal of Innovation Studies, 4(4), 134-147.
Huselid, M. A. (1995). The impact of human resource management practices on turnover, productivity, and corporate financial performance. Academy of management journal, 38(3), 635-672.
Huselid, M. A., & Becker, B. E. (2011). Bridging micro and macro domains: Workforce differentiation and strategic human resource management. Journal of management, 37(2), 421-428.
Jiang, K., Lepak, D. P., Hu, J., & Baer, J. C. (2012). How does human resource management influence organizational outcomes? A meta-analytic investigation of mediating mechanisms. Academy of management Journal, 55(6), 1264-1294.
Kabipor, S., Ashraf Ganjoyi, F., & Zarei, A. (2023). Improving the Information Management System of Human and Physical Resources of Sports in Islamic Azad University. Sport Management Journal, 15(4), 36-19. doi: 10.22059/jsm.2021.326806.2761
Kaufman, C., Hoffman, P., Nir, Y., Eronen, P., & Kivinen, T. (2014). Internet key exchange protocol version 2 (IKEv2) (No. rfc7296).
Khang, A., Gupta, S. K., Dixit, C. K., & Somani, P. (2023). Data-driven application of human capital management databases, big data, and data mining. In Designing Workforce Management Systems for Industry 4.0 (pp. 105-120). CRC Press.
Lăzăroiu, G., & Harrison, A. (2021). Internet of things sensing infrastructures and data-driven planning technologies in smart sustainable city governance and management. Geopolitics, History & International Relations, 13(2).
Li, X., Wang, Z., Chen, C. H., & Zheng, P. (2021). A data-driven reversible framework for achieving Sustainable Smart product-service systems. Journal of Cleaner Production, 279, 123618.
Liu, J., Wang, T., Li, J., Huang, J., Yao, F., & He, R. (2019, October). A data-driven analysis of employee promotion: the role of the position of organization. In 2019 IEEE international conference on systems, man and cybernetics (SMC) (pp. 4056-4062). IEEE.
Mehdibeigi N, Kamalian A R, Yaghoubi N M, Pourezzat A A, Ronaghi M H. Developming AdministrativeSystem Reform Capability Considering Smart Organization based on Grounded Theory Approach. ORMR 2020; 9 (3) :111-132
Mehdizadeh rostam, M., soltani, I., & davazdaemami, H. (2020). Factors Influencing Human Resources Architecture in Islamic Azad University of Fars. Journal of New Approaches in Educational Administration, 11(43), 373-398.
Minbaeva, D. (2021). Disrupted HR?. Human Resource Management Review, 31(4), 100820.
Opatha, H. H. D. P. J. (2021). HR analytics: A critical review-developing a model towards the question can organizations solely depend on HR big data driven conclusions in making HR strategic decisions all the time. Human Resource Management Research.
Oswald, F. L., Behrend, T. S., Putka, D. J., & Sinar, E. (2020). Big data in industrial-organizational psychology and human resource management: Forward progress for organizational research and practice. Annual Review of Organizational Psychology and Organizational Behavior, 7, 505-533.
Paauwe, J. (2004). HRM and performance: Achieving long-term viability. Oxford University Press, USA.
Paauwe, J., & Farndale, E. (2017). Strategy, HRM, and performance: A contextual approach. Oxford University Press.
panahi, M., goodarzy, M., jalali, M., & Alidoust Ghahfarokhi, E. (2022). Identify the dimensions of the acceleration of physical education faculties of public universities towards fourth generation universities. Sport Management and Development, 11(2), 75-97. doi: 10.22124/jsmd.2022.20963.2625.
Piening, E. P., Baluch, A. M., & Ridder, H. G. (2014). Mind the intended‐implemented gap: Understanding employees’ perceptions of HRM. Human Resource Management, 53(4), 545-567.
Polyakova, A., Kolmakov, V., & Pokamestov, I. (2020). Data-driven HR Analytics in a Quality Management System. Quality-Access to Success, 21(176).
Rane, N. (2023). Role and Challenges of ChatGPT and Similar Generative Artificial Intelligence in Human Resource Management. Available at SSRN 4603230.
Rashidi, I., Amirnezhad, G., & Daneshfard, K. (2020). Designing a green human resources model with emphasis on health in Islamic Azad University. medical journal of mashhad university of medical sciences, 63(5), 2924-2936. doi: 10.22038/mjms.2021.19056
Rousseau, D. M. (2006). Is there such a thing as “evidence-based management”?. Academy of management review, 31(2), 256-269.
Salimian,Masoomali,Azizi,Farahnaz,Boshrooyeh,Nazanin,Zahedkar,Parviz.(2020).The Impact of Human Resource Management Measures on Organizational Performance (Case Study: Islamic Azad University, Astara Branch).The Journal of Modern Thoughts in Education, 15(2), 21-35.
Sarker, I. H. (2021). Data science and analytics: an overview from data-driven smart computing, decision-making and applications perspective. SN Computer Science, 2(5), 377.
Sarker, I. H. (2022). Smart City Data Science: Towards data-driven smart cities with open research issues. Internet of Things, 19, 100528.
Sayed Alavi, S. M., Ghalavandi, H., Abbaspour, M., & Mohamadkhni, K. (2023). A Model for Applying Green Management in State Universities of Tehran. Quarterly Journal of Research and Planning in Higher Education, 26(3), 77-95.
Seebacher, U. (2021). Predictive intelligence for data-driven managers. Springer International Publishing.
Shet, S. V., Poddar, T., Samuel, F. W., & Dwivedi, Y. K. (2021). Examining the determinants of successful adoption of data analytics in human resource management–A framework for implications. Journal of Business Research, 131, 311-326.
Strohmeier, S., & Piazza, F. (2013). Domain driven data mining in human resource management: A review of current research. Expert Systems with Applications, 40(7), 2410-2420.
Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2010). Predicting business unit performance using employee surveys: monitoring HRM‐related changes. Human resource management journal, 20(1), 44-63.
Van De Voorde, K., Paauwe, J., & Van Veldhoven, M. (2012). Employee well‐being and the HRM–organizational performance relationship: a review of quantitative studies. International Journal of Management Reviews, 14(4), 391-407.
van der Laken, P. A. (2018). Data-Driven Human Resource Management. The rise of people analytics and its application to.
van Veldhoven, M. (2005). Financial performance and the long‐term link with HR practices, work climate and job stress. Human Resource Management Journal, 15(4), 30-53.
Van Veldhoven, M. J. P. M. (2012). Over knipogen, badkuipen en kampeertenten: Arbeidsgedrag als fundament van strategisch human resource management. Prismaprint.
Varsha, P. S., & Shree, S. N. (2023). Embracing Data-Driven Analytics (DDA) in human resource management to measure the organization performance. Handbook of Big Data Research Methods: 0, 195.
Visvizi, A., Troisi, O., Grimaldi, M., & Loia, F. (2022). Think human, act digital: activating data-driven orientation in innovative start-ups. European Journal of Innovation Management, 25(6), 452-478.
Wang, Y., Wang, S., Yang, B., Zhu, L., & Liu, F. (2020). Big data driven Hierarchical Digital Twin Predictive Remanufacturing paradigm: Architecture, control mechanism, application scenario and benefits. Journal of cleaner production, 248, 119299.
Welbourne, T. M. (2015). Data‐Driven Storytelling: The Missing Link in HR Data Analytics. Employment Relations Today, 41(4), 27-33.
Wright, P. M., Gardner, T. M., Moynihan, L. M., & Allen, M. R. (2005). The relationship between HR practices and firm performance: Examining causal order. Personnel psychology, 58(2), 409-446.
Wu, D., Wang, H., & Seidu, R. (2020). Smart data driven quality prediction for urban water source management. Future Generation Computer Systems, 107, 418-432.
Yusof, R., Azizan, S., Zainal, S. R. M., & Supian, K. (2022). The Essential Role of Human Values and Technology Driven HRM Towards a Smart HRM Process. Global Business and Management Research, 14(3s), 256-265.
Zehir, C., Karaboğa, T., & Başar, D. (2020). The transformation of human resource management and its impact on overall business performance: big data analytics and AI technologies in strategic HRM. Digital Business Strategies in Blockchain Ecosystems: Transformational Design and Future of Global Business, 265-279.
Zhang, Y., Xu, S., Zhang, L., & Yang, M. (2021). Big data and human resource management research: An integrative review and new directions for future research. Journal of Business Research, 133, 34-50.
COPYRIGHTS © 2023 by the authors. Licensee Modern Management Engineering Journal. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution 4.0 International (CC BY 4.0) (http://creativecommons.org/licenses/by/4.0/).
|
[1] Sociometric Solutions