توسعه چارچوب مبتنی بر الگوریتمهای یادگیری ماشین برای بهینهسازی پیشبینی هزینههای سازمانی
محورهای موضوعی : علم اطلاعات
1 - Department Management and Economics, Science and Research Branch, Islamic Azad University, Tehran, Iran
کلید واژه: : پیشبینی هزینههای سازمانی, یادگیری ماشین, مدل دادهمحور, بهینهسازی منابع, تحلیل دادهها, رگرسیون خطی, مدیریت مالی,
چکیده مقاله :
چکیده : در دنیای امروز، پیشبینی دقیق هزینههای سازمانی برای بهینهسازی تخصیص منابع و افزایش بهرهوری، یکی از چالشهای اصلی مدیران به شمار میرود. تغییرات سریع اقتصادی و پیچیدگی فزاینده فرآیندهای مالی، ضرورت استفاده از روشهای پیشبینی دادهمحور را بیش از پیش برجسته کرده است. این پژوهش چارچوبی مبتنی بر الگوریتمهای یادگیری ماشین ارائه میدهد که هدف آن بهبود دقت پیشبینی هزینههای سازمانی و تسهیل برنامهریزی مالی دقیقتر در سازمانها است. در این مطالعه، دادههای واقعی مالی و عملیاتی از سازمان بیمه سلامت در یک بازه زمانی پنجساله جمعآوری و پس از انجام مراحل پیشپردازش، برای آموزش مدلهای پیشبینی بهکار گرفته شد. مدل اصلی مورد استفاده در این پژوهش، رگرسیون خطی بوده و عملکرد آن با استفاده از معیارهایی نظیر ضریب تعیین، میانگین خطای مطلق و ریشه میانگین مربعات خطا ارزیابی شده است. نتایج این تحقیق نشان میدهد که مدل رگرسیون خطی توانسته است با دقت بالایی تغییرات هزینههای سازمانی را پیشبینی کرده و عوامل کلیدی مؤثر بر هزینهها را شناسایی کند. چارچوب پیشنهادی این مطالعه میتواند به سازمانها در بهبود برنامهریزی بودجه، مدیریت منابع مالی و کاهش خطاهای پیشبینی کمک کند. علاوه بر این، یافتههای تحقیق حاضر، پایهای علمی برای توسعه مدلهای پیشبینی در سایر حوزههای سازمانی فراهم میآورد و امکان ارتقای تصمیمگیریهای استراتژیک را برای مدیران تسهیل میکند.
Abstract:
In today's world, accurately predicting organizational costs to optimize resource allocation and enhance productivity is one of the key challenges faced by managers. Rapid economic changes and the increasing complexity of financial processes have further highlighted the necessity of data-driven forecasting methods. This study presents a machine learning-based framework aimed at improving the accuracy of organizational cost prediction and facilitating more precise financial planning in organizations.
In this research, real financial and operational data from the Health Insurance Organization over a five-year period were collected and, after preprocessing, used to train predictive models. The primary model employed in this study is linear regression, and its performance was evaluated using metrics such as the coefficient of determination (R²), mean absolute error (MAE), and root mean square error (RMSE).
The results demonstrate that the linear regression model can accurately predict variations in organizational costs and identify key factors influencing expenses. The proposed framework can assist organizations in improving budget planning, financial resource management, and reducing prediction errors. Furthermore, the findings of this research provide a scientific foundation for developing predictive models in other organizational domains, facilitating more informed strategic decision-making for managers
