ابزارهای چند رسانهای پیشرفتهای چون AMORE نیز جهت پشتیبانی از استخراج نیازمندیها و ذینفعان پراکنده توسعه داده شدهاند. در آخر نیز میتوان به ابزارهای گروهی اشاره کرد. این ابزارها در مهندسی نیازمندیها گاهاً مورد استفاده قرار میگیرند که از جملهی این ابزارها میتوان به تالارهای گفتگو و کنفرانسهای ویدئویی اشاره کرد که محیطی مجازی را جهت انجام این کار فراهم میکنند.
۲-۱۱-۳ روشهای نوین
همانطور که توضیح داده شد مسائل و مشکلات اجتناب ناپذیری چون پراکندگی جغرافیایی ذینفعان، عدم دسترسی به برخی ذینفعان، هزینه، زمان طولانی، عدم اولویت بندی و پیش بینی نیازها و دیگر موارد ناتوانی بکار گیری روشهای سنتی استخراج نیازمندیها و ابزارها را در سازمانها و یا سامانههای بزرگ مقیاس به اثبات رسانیده و در دهه اخیر تمرکز محققان بر ابداع و بکار گیری روشهای نوین دیگری همچون داده کاوی، سیستمهای توصیهگر و یادگیری ماشین و شبکههای اجتماعی بوده تا از این طریق بتوان در این گونه سازمانها و سامانهها در فاز استخراج نیازها مثمر ثمر واقع شده و حتیالامکان از زیانهای وارده در فازهای بعد جلوگیری کرد. بر این اساس تاکنون رهیافتهای زیر ارائه شده میباشد که بررسی آنها میپردازیم:
در [۲] مینایی و آخوندزاده مدلی برای کشف نیازهای مشتریان بر اساس تئوری [۴۵]RFM و استفاده از تکنیکهای داده کاوی ارائه کردهاند. هدف این مقاله بررسی کاربرد تکنیکهای داده کاوی در مدیریت ارتباط شهروندان در حوزه خدمات شهری و مدیریت ارتباط با مشتری در حوزه خدمات عمومی میباشد. در این مقاله با رویکرد RFM و استفاده از تکنیکهای خوشه بندی و قوانین انجمنی، مدلی تحت عنوان FTiS برای شناسایی نیازهای شهروندان ارائه گردیده که میتواند در شناسایی نیازهای مشتریان در حوزه خدمات عمومی مورد استفاده قرار بگیرد. نتیجه این تحقیق استخراج هرم نیازهای شهروندان میباشد.
( اینجا فقط تکه ای از متن پایان نامه درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. )
نقطه ضعف اساسی این روش این است که خوشه بندی نیازمندیها با توجه به فرکانس تکرار و میزان رضایتمندی شهروندان از نحوه ارضای نیاز میباشد که درست نیست. مثالهای نقض بسیاری میتوان برای این کار آورد. به عنوان مثال فرض کنید درخواستهای زیادی از سمت شهروندان منوط بر نظافت معابر در محلهای صورت گرفته است و از سوی دیگر تعداد درخواست کمی در ارتباط با ترمیم یک چاله در سطح شهر که ممکن است در اثر تصادف با جان آدمی درگیر باشد صورت گرفته است. پر واضح است که ارضای نیاز دوم شهروندان یعنی ترمیم آن چاله از فوریت و اهمیت بسیار بالاتری نسبت به نیاز اول برخوردار است. اما در تحقیق ارائه شده نیاز اول با توجه به نسبت فرکانس تکرار درخواست و رضایت شهروندان از اولویت بیشتری برخوردار میباشد.
همچنین در [۱۳] احمدوند و همکارانش با بهره گرفتن از برنامه ریزی ریاضی و داده کاوی سعی بر افزایش رضایتمندی شهروندان دارند. در این تحقیق نویسندگان ابتدا با بهره گرفتن از اصل پارتو مشکلاتی را که از نظر شهروندان در اولویت قرار دارند مشخص میکنند. سپس با بهره گرفتن از یک مدل برنامه ریزی عدد صحیح و قوانین انجمنی، روشی برای اولویت بندی رفع نیازمندیها ارائه میکنند.
مطالعه موردی این تحقیق نیز سامانه مدیریت شهری ۱۳۷ شهرداری تهران میباشد. مشکل اساسی این روش است که از جدول بازخورد پیام در خوشه بندی استفاده گردیده که بیش از نیمی از این جدول دارای مقادیر مفقوده بوده که گمراهی بزرگی در نتایج بدست آمده ایجاد میکند. ضمناً به دلیل استفاده از محاسبات پیچیده ریاضی، پیچیدگی محاسباتی بالا از نقطه ضعفهای این تحقیق میباشد. مشکل آخر این تحقیق این است که از نظر شهرداری ارضای همه نیازهای شهروندان از اهمیت بالایی برخوردار است و به هیچ عنوان از هیچ نیازی نباید چشم پوشی شود. اما در این تحقیق با بهره گرفتن از اصل پارتو نیازهایی که در اولویت قرار دارند اولویت بندی شده و این امر ممکن است مانند [۲] مثالهای نقضی بسیاری داشته و در داده کاوی موجب گمراهی نتایج بدست آمده شود.
تکنیک استفاده از داده کاوی و سیستم توصیهگر[۴۶]: در [۵] کارلوس کاسترو[۴۷] و همکارانش سعی به بهرهگیری از تکنیکهای داده کاوی و سیستمهای توصیهگر در استخراج نیازمندیها دارند. در این تکنیک ابتدا یک ابزار تحت وب جهت جمع آوری اطلاعات کلی از نیازها بکار گرفته میشود. سپس از تکنیکهای داده کاوی در راستای تحلیل این نیازها و تعیین عناوین برتر و همچنین ایجاد مجامعی که بیشتر مورد توجه قرار گرفتهاند استفاده میشوند. لازم به ذکر است جهت مدیریت ورود ذینفعان به مجامع در زمانهای متفاوت، یک فرم که علایق و سلایق کاربر را ثبت میکند ایجاد میشود. این فرم خواستهها و نظرات ذینفعان را جمع آوری کرده و سپس با توجه به نظر همسایگان ذینفعان از نظر شباهت میزان علایق، توصیههایی نیز میکند. در آخر یک محیط گروهی ذینفعان پراکنده را دور هم جمع کرده تا در ارتباط با نیازها بحث و گفتگو کرده و آنها را به نیازمندیهای فرمالتر و همچنین دارای اولویتی تبدیل کنند.
شکل۲-۲ این تکنیک را به تصویر میکشد:
شکل۲-۲: استفاده از داده کاوی در استخراج نیازمندیها [۴]
معماری کلی چارچوب پیشنهادی به این صورت میباشد که مدل توصیهگر دارای یک مؤلفه خوشه بندی جهت ایجاد مجامع میباشد، یک مؤلفه کلاس بندی جهت جایگذاری ذینفعان در مجامع اولیه، یک مؤلفه کار گروهی برخط جهت برقراری مجامع و یک توصیهگر مشترک برای جایگذاری ذینفعان در مجامع اضافه شده استفاده میشود. هر یک از این مؤلفهها در زیر تشریح گردیده است:
ایجاد مجمع: در این تکنیک از الگوریتمهای خوشه بندی جهت تعیین الگوها و یک مجموعه از مجامع مرتبط استفاده میشود. در واقع نیازهای مرتبط در یک خوشه قرار میگیرند.
کلاس بندی: جهت پیش بینی اینکه ذینفعان در چه خوشههایی باید قرار گیرند از این مؤلفه استفاده میگردد.
توصیهگر مشترک: این سیستمها توصیهها را بر مبنای میزان شباهت علاقمندی همسایگان انجام میدهند. در این بخش از الگوریتم k- نزدیکترین همسایه در راستای پیش بینی علایق استفاده شده است. علایق پیش بینی شدهی کاربر u در مجمع f به صورت زیر محاسبه میگردد:
که u ɛ nbr(u) نشان میدهد n همسایهای از u میباشد. در اکثر توصیهگرها، امتیازهای کاربر از بازخورد مستقیم یا غیر مستقیم کاربر همانند امتیاز دهی کاربران به برخی بخشها و یا با تحلیل اینکه کاربر چه بخشهایی را کلیک کرده است بدست میآید. اما در این چارچوب پیشنهادی از نمره عضویت کاربران در مجامع، امتیاز کاربران تخمین زده میشود. نمره عضویت بوسیله یک ماتریس M:=(mi,j)S*F بدست میآید که s تعداد ذینفعان و f تعداد مجامع میباشد. این ماتریس از A:=(ai,j)S*N بار B:=(bi,j)N*F که A ماتریس ذینفعان بوسیله نیازها و B ماتریس نیازها بوسیله مجامع بوده و N تعداد نیازها میباشد. هر ai,j نمایانگر این است که ذینفع i در نیاز j علاقمندی نشان داده است و هر bi,j نمایانگر این است که نیاز i در مجمع j جایگذاری شده است و مقدار ورودی فاصلهی نیاز از مرکز مجمع میباشد. سپس نتیجهی A*B برای بدست آوردن ماتریس M نرمال سازی میشود.
میزان شباهت کاربران نیز توسط فرمول زیر محاسبه میگردد:
که در آن CRu,n به مجموعه بخشهای corated بین u و n دلالت دارد. این فرمول عددی بین ۱ و ۱- تولید میکند که کاربران در موافقت کامل عدد ۱ و در مخالفت کامل عدد ۱- تولید میکند.
تکنیک استفاده از شبکه اجتماعی و پایش مشترک[۴۸]: این تکنیک به چهار قسمت تقسیم شده است: ۱٫ انتخاب یک پروژه نرمافزاری و مطالعه پروژه جهت تعیین لیستی از ذینفعان و نیازمندیها ۲٫ ساخت یک شبکه اجتماعی که کمک بزرگی به تعیین و اولویتبندی ذینفعان میکند ۳٫ توسعهی یک روش که از پایش مشترک جهت تعیین و اولویتبندی نیازها استفاده میکند ۴٫ توسعهی یک ابزار نرمافزاری که فعالیتهای فوق را پشتیبانی میکند [۱۴].
در این تکنیک از ذینفعان خواسته میشود تا ذینفعان دیگر را توصیه کنند و در نهایت یک شبکه اجتماعی ساخته میشود که گرههای آن نمایانگر ذینفعان و ارتباط بین آنها نمایانگر توصیهی آنها میباشد. روشهای متعددی را میتوان جهت اولویتبندی ذینفعان بکار گرفت. تحلیل شبکههای اجتماعی روشی جهت درک روابط بین بازیگرها و الگوهای بین آنها میباشد. شبکههای اجتماعی را معمولاً با گرافها نشان میدهند که شکل ۲-۳ این شبکه را به تصویر میکشد:
شکل ۲-۳: شبکه اجتماعی [۱۴]
پایش مشترک نوعی از سیستمهای توصیه گر میباشند که بر اساس رفتارهای گذشته کار میکنند. به عنوان مثال سایت آمازون در توصیهی کتابها به مشتریان از این نوع سیستم استفاده میکند. مراحل مدل توصیهگر ذینفعان به این صورت میباشد: ۱٫ تعیین یک پروژه بزرگ مقیاس ۲٫ تعیین و اولویتبندی ذینفعان ۳٫ پیش بینی نیازها ۴٫ اولویتبندی نیازها
در مرحله اول تعیین بزرگی پروژه از نظر تعداد ذینفعان انجام میشود. در مرحله دوم همانطور که توضیح داده شد یک شبکه اجتماعی از ذینفعان ایجاد گردیده و از روشهایی چون اندازه گیری ارتباطات و یا نقش ذینفعان میتوان آنها را اولویتبندی کرد. در مرحله سوم با بهره گرفتن از الگوریتم K- نزدیکترین همسایه به پیش بینی نیازهای ذینفعان پرداخته و در مرحله آخر با روشهای متعددی چون AHP، درخت پوشای کمینه، درخت جستجوی دودویی میتوان به اولویتبندی نیازها پرداخت که البته پیشنهاد این تکنیک استفاده از داده کاوی و روشهای یاد گیری ماشین میباشد.
در [۱۵] پژوهشگران معتقدند مسائلی چون عدم ارتباط دقیق بین کاربران و تحلیلگران و همچنین ارتباط زبانی متفاوت بین آنها باعث بروز مشکلاتی در استخراج صحیح نیازمندیها میگردد. از این رو سعی دارند با ارائه روشی این مشکلات را مرتفع سازند. در این مقاله روشی ارائه شده است که شامل سه مرحله میباشد. در مرحله اول خواستهها و تمایلات ذینفعان در قالب داستانهایی مکتوب میگردد و در انتها این داستانها به داستان واحدی مبدل میگردد. در مرحله دوم این داستان واحد از طریق تحلیلگران به سناریوهایی تبدیل شده و در مرحله آخر این سناریوها به موردهای کاربرد[۴۹] تبدیل میشوند. در هر سه مرحله حضور تحلیلگران ضروری بوده و کیفیت نیازهای مستخرج به توانایی آنها بستگی دارد. روند کار این روش را در شکل ۲-۴ میبینید:
شکل ۲-۴ روش مبتنی بر سناریو [۱۲]
نویسندگان مقاله معتقدند در با ارائه روش مذکور محیط مدیریت دانشی جهت کشف و تبادل اطلاعات در طول فاز استخراج نیازمندیها را فراهم کردهاند. اما قابل ذکر است روش مذکور برخورداری از نیروی انسانی حرفهای اعم از تحلیلگران و برنامهنویسان را در اجرای هر چه بهتر روش میطلبد.
پس از آن در [۱۶] نوشین صباحت و همکارانش در سال ۲۰۱۰ پس از مروری بر چالشها و مشکلات بکار گیری روشها سنتی در توسعه نرمافزارهای جامع و سراسری، چارچوبی تکرار پذیر در مهندسی نیازمندیها پیشنهاد کردهاند. نویسندگان مدعی هستند با شواهد موجود، روش مطروحه در ارضای نیازهای مشتریان مؤثرتر از روشهای موجود میباشد. روش پیشنهادی با مرحله استخراج نیازمندیها شروع شده و به مراحل بعد یعنی مذاکره و تحلیل نیازها، تعیین نیازها و در آخر اعتبار سنجی نیازها هدایت میشود. در این روش فازهای استخراج و تحلیل از مهندسی نیازمندیها به صورت مکرر به استخراج مهندسی نیازمندیها به صورت مکرر به استخراج نیازهای مشتریان پرداخته تا یک خروجی مورد قبول بدست آید. در فاز مذاکره و تحلیل وقتی مهندسان هرگونه ابهام و یا نقصی در نیازها مییابند، میتوانند همراه با مشتری به فاز قبل برگشت داشته باشند و یا دادههای جمع آوری شده از مشتریان را با بهره گرفتن از روشهای مختلفی بازنگری کنند. در استخراج نیازهای جامع، مصاحبه و نمونه سازی از مهمترین روشها شمرده شده و همچنین پرسشنامه و سناریو نویسی به عنوان روشهای جایگزین و پشتیبان محسوب میشوند. در نتیجه در روش پیشنهادی از این چهار روش به صورت ترکیبی در مرحله مذاکره و تحلیل استفاده شده است. شکل ۲-۵ نمایانگر روش مذکور میباشد:
۲-۱۱-۳-۱ مقایسه روشهای نوین
شکل۲-۵ مدل تکرار پذیر استخراج نیازهای جامع [۱۶]
در [۲] با بکار گیری داده کاوی جهت استخراج هرم نیازها روش مناسبی را ارائه نکردند. مثالهای نقض آن پیشتر توضیح داده شد.
در تکنیک استفاده از داده کاوی و سیستم توصیهگر [۴] نقطه ضعف بزرگی نمیباشد. در این روش مسائل و مشکلاتی چون توانایی بکار گیری آن در پروژهها و سازمانهای بزرگ مقیاس، اولویت بندی نیازها، جمع آوری نیازها در زمانها و مکانهای جغرافیایی متفاوت ذینفعان، تشخیص و توصیه نیازهای مشابه و پیش بینی نیازها و … به خوبی درک و دیده شده است. قابل ذکر است این روش در انجام یک پروژه نرمافزاری بکار گرفته شده و دارای معایبی همچون پیچیدگی زیاد نیز میباشد.
روش دیگر یعنی استفاده از شبکه اجتماعی و نوعی سیستم توصیهگر یعنی پایش مشترک نیز در بکار گیری در مقیاسهای بزرگ به اثبات رسیده است. این روش نیز دارای نقاط قوتی چون تعیین ذینفعان در مقیاسهای بزرگ، اولویت بندی نیازها، پیش بینی نیازها و … میباشد.
اما در روش بعدی که در آن تبدیل داستانها به سناریو و تبدیل آن سناریو به موردهای کاربرد و تحلیل آنها در هر مرحله توسط تحلیلگران صورت میگیرد، میتوان گفت این روش توانایی بکار گیری در مقیاسهای بزرگ را ندارد. نمیتوان در گسترهای که ممکن است هزاران ذینفع را در بر گرفته شوند از این روش استفاده کرد.
در روش آخر هم که نوشین صباحت و همکارانش در سال ۲۰۱۰ ارائه کردهاند میتوان گفت این روش، روشی ترکیبی از روشهای سنتی استخراج نیازمندیها بوده و تکنیک و روش جدیدی ارائه نگردیده و آنها با این ترکیب فقط سعی به پوشش مشکلات روشهای سنتی در همان مقیاسهای کوچک و متوسط را دارند.
۲-۱۲ تکنیکهایی در افزایش سطح بهبود رضایت ذینفعان در فاز استخراج نیازمندیها
در کنار تلاشهایی که برای ارائه روشهایی در فاز استخراج نیازمندیها میشود، برخی به سمت ارائه تکنیکهایی در افزایش سطح بهبود رضایتمندی ذینفعان جهت گیری نمودهاند. در واقع این تکنیکها در فاز استخراج نیازمندیها سعی به انجام هرچه صحیحتر و کاملتر این فاز داشته که در تبعات خود، افزایش رضایتمندی ذینفعان را که هدف این فاز میباشد به همراه دارند. نمونههای این تکنیکها به شرح زیر میباشند:
در سال ۲۰۱۰ بی بی چوآ[۵۰] و همکارانش در [۱۷] سعی به ارائه بینشی در ارتباط با روش مصاحبه و ارزیابی روشهایی موثر بر جمع آوری نیازهای کامل و سازگار دارند. آنها اظهار دارند برخی روشها برای اعتبار سنجی، برخی برای تعیین صحت و درستی و برخی دیگر برای کامل کردن نیازمندیها مورد استفاده قرار میگیرند.
در این مقاله با استناد به جدولی در [۱۸] نتایج حاصل از مسائل و مشکلات پیش روی نیازمندیها بحث گردیده است. به جدول ۲-۲ توجه کنید:
جدول ۲-۲ مسائلی در ارتباط با نیازمندیهای تطبیق شده [۱۸]
معلول |
علت |
نیازمندیهای ناقص |
فهم ناقص از خواستهها |