یادگیری هوشمند و تحول مدیریت 3115-8900 در دست انتشار 1405 12 01 Predicting the Level of Fundamental Changes in the Digital Transformation Process Using Deep Learning Methods پیش‌بینی سطح تغییرات بنیادین در فرآیند تحول دیجیتال با بهره‌گیری از روش‌های یادگیری عمیق 1 32 FA ثمانه هدایتی گروه مدیریت فناوری اطلاعات، واحد بین المللی کیش، دانشگاه آزاد اسلامی،کیش، ایران سیدجواد ایرانبان فرد گروه مدیریت، واحد شیراز، دانشگاه آزاد اسلامی، شیراز، ایران سارا نجف زاده گروه کامپیوتر، واحد یادگار امام (ره) شهرری، دانشگاه آزاد اسلامی، تهران، ایران مصطفی کلاهدوزی گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران Journal Article 1404/11/30 <p>This study aims to develop a data-driven predictive framework to determine the level of fundamental organizational changes required for digital transformation using machine learning and deep learning techniques. The research employed a quantitative data-mining approach using a standardized corporate digital transformation dataset obtained from Kaggle. The dataset consisted of 2,000 samples and 23 features representing critical digital transformation indicators, including R&amp;D expenditure, technological intensity, managerial expertise, digital infrastructure, and customer interaction metrics. After data cleaning, normalization, and feature extraction, the dataset was processed using multiple classification algorithms including KNN, SVM, Naive Bayes, Decision Tree, and Deep Multilayer Perceptron (DMLP). Model performance was evaluated through inferential metrics such as Accuracy, Balanced Accuracy, Recall, Precision, F1-score, Specificity, Matthews Correlation Coefficient, Cohen’s Kappa, Log-Loss, AUROC, and AUPRC. All results were calculated based on the mean performance of twenty independent experimental runs to ensure statistical reliability. Inferential analysis demonstrated that the DMLP deep learning model significantly outperformed conventional classification approaches. The proposed model achieved an accuracy of 99.84%, balanced accuracy of 99.94%, F1-score of 99.91%, and AUROC of 99.95%, indicating superior predictive capability. The model also exhibited the lowest Log-Loss values and minimal standard deviation across evaluation metrics, confirming strong statistical stability and generalization ability on unseen data. Comparative results revealed that traditional algorithms, particularly KNN, showed limited effectiveness in capturing complex nonlinear relationships, whereas the deep multilayer architecture effectively extracted hidden patterns associated with organizational digital transformation readiness. The findings indicate that deep learning provides a reliable and high-precision mechanism for predicting organizational readiness and required structural changes in digital transformation initiatives. The proposed model functions not only as a predictive system but also as a strategic decision-support framework capable of guiding digital transformation planning, optimizing resource allocation, and assisting organizations in managing complex digital transition processes.</p> <p>هدف این پژوهش ارائه یک چارچوب پیش‌بینانه داده‌محور برای تعیین میزان تغییرات بنیادین موردنیاز سازمان‌ها در مسیر تحول دیجیتال با استفاده از الگوریتم‌های یادگیری ماشین و یادگیری عمیق است. این پژوهش با رویکرد کمی و مبتنی بر داده‌کاوی انجام شد و از مجموعه‌داده استاندارد تحول دیجیتال سازمانی استخراج‌شده از پلتفرم Kaggle استفاده گردید. داده‌ها شامل 2000 نمونه و 23 ویژگی مرتبط با شاخص‌های کلیدی تحول دیجیتال از جمله هزینه‌های تحقیق و توسعه، شدت فناوری، سطح مهارت مدیریتی، زیرساخت دیجیتال و تعامل مشتری بودند. پس از پاکسازی، نرمال‌سازی و استخراج ویژگی‌ها، داده‌ها به الگوریتم‌های طبقه‌بندی شامل KNN، SVM، Naive Bayes، Decision Tree و شبکه عصبی پرسپترون چندلایه عمیق (DMLP) وارد شدند. ارزیابی عملکرد مدل‌ها با استفاده از معیارهای استنباطی شامل Accuracy، Balanced Accuracy، Recall، Precision، F1، Specificity، MCC، Kappa، Log-Loss، AUROC و AUPRC انجام شد و نتایج بر اساس میانگین 20 بار اجرا گزارش گردید. نتایج تحلیل‌های استنباطی نشان داد مدل یادگیری عمیق DMLP به‌طور معناداری عملکرد برتری نسبت به سایر الگوریتم‌های طبقه‌بندی ارائه می‌دهد. این مدل با دستیابی به دقت 99.84 درصد، دقت متوازن 99.94 درصد، مقدار F1 برابر 99.91 درصد و AUROC معادل 99.95 درصد بالاترین سطح قدرت پیش‌بینی را نشان داد. همچنین کمترین مقدار Log-Loss و پایین‌ترین انحراف معیار معیارهای ارزیابی بیانگر پایداری آماری بالا و توان تعمیم مناسب مدل در مواجهه با داده‌های دیده‌نشده بود. نتایج مقایسه‌ای نشان داد روش‌های کلاسیک به‌ویژه KNN عملکرد ضعیف‌تری در تشخیص الگوهای پیچیده تحول دیجیتال داشته‌اند، در حالی‌که ساختار چندلایه شبکه عصبی قادر به استخراج روابط غیرخطی میان متغیرها بوده است. یافته‌های پژوهش نشان می‌دهد استفاده از یادگیری عمیق می‌تواند ابزاری قابل اعتماد برای پیش‌بینی سطح آمادگی دیجیتال و میزان تغییرات ساختاری موردنیاز سازمان‌ها فراهم سازد. مدل پیشنهادی علاوه بر دقت بسیار بالا، چارچوبی عملیاتی برای پشتیبانی از تصمیم‌گیری راهبردی، تخصیص منابع و برنامه‌ریزی تحول دیجیتال ارائه می‌کند و می‌تواند به‌عنوان یک سیستم هوشمند راهنما در مدیریت گذار دیجیتال سازمان‌ها مورد استفاده قرار گیرد.</p> https://jilmt.com/index.php/jilmt/article/download/158/184