مدیریت، آموزش و توسعه در عصر دیجیتال 3 تابستان 1405 1405 04 30 Factors Affecting the Maturity of Intelligent Knowledge Management Based on Predictive Analytics in a Social Insurance Organization عوامل مؤثر بر بلوغ مدیریت دانش هوشمند مبتنی بر تحلیل‌های پیش‌بین در یک سازمان بیمه‌گر اجتماعی 1 25 10.61838/medda.532 FA مهدی سماواتی گروه مدیریت فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران محمدرضا ثنائی گروه مدیریت فناوری اطلاعات، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران دانیال صابر سمیعی گروه مدیریت دولتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران Journal Article 1404 12 02 <p>This study aimed to identify the factors affecting intelligent knowledge management maturity based on predictive analytics and to develop and validate a model for measuring and predicting maturity in the Social Insurance Fund for Farmers, Villagers, and Nomads. This applied and developmental study employed a sequential exploratory mixed-methods design. In the qualitative phase, a meta-synthesis of previous studies was conducted using the seven-stage Sandelowski and Barroso framework, followed by semi-structured interviews with experts. Qualitative data were analyzed through open, axial, and selective coding. In the quantitative phase, the extracted components were screened using fuzzy Delphi with 15 experts and weighted through the Best-Worst Method. The final questionnaire was administered to 120 managers and senior experts, and a weighted aggregate maturity score was calculated. XGBoost and Random Forest algorithms were used to predict maturity, and Monte Carlo simulation with 10,000 iterations was applied for future scenario analysis. Five dimensions were identified: strategic context and intelligent leadership, technology maturity and data integration, analytical maturity and predictability, human capital and knowledge-oriented culture, and performance evaluation and risk management. Analytical maturity and predictability received the highest weight (0.310). The overall maturity score was 2.636, indicating an intermediate maturity level, whereas analytical maturity had a mean score of 1.90 and remained at the aware level. XGBoost outperformed Random Forest, with RMSE=0.15, MAE=0.12, and R²=0.86. Monte Carlo simulation indicated that a 30% increase in analytical investment would raise the probability of reaching the advanced maturity level by 1407 to 82%. Intelligent knowledge management maturity in a social insurance organization depends on the integrated development of strategic leadership, data infrastructure, analytical capabilities, human capital, and performance evaluation, with predictive analytics and data integration representing the most critical levers for maturity advancement.</p> <p>هدف این پژوهش شناسایی عوامل مؤثر بر بلوغ مدیریت دانش هوشمند مبتنی بر تحلیل‌های پیش‌بین و طراحی و اعتبارسنجی مدلی برای سنجش و پیش‌بینی سطح بلوغ در صندوق بیمه اجتماعی کشاورزان، روستائیان و عشایر بود. این پژوهش از نظر هدف کاربردی و توسعه‌ای و از نظر روش، آمیخته اکتشافی متوالی بود. در بخش کیفی، ابتدا فراترکیب مطالعات پیشین بر اساس الگوی هفت‌مرحله‌ای ساندلوسکی و باروسو انجام شد و سپس یافته‌ها با استفاده از مصاحبه‌های نیمه‌ساختاریافته با خبرگان تکمیل گردید. داده‌های کیفی با کدگذاری باز، محوری و انتخابی تحلیل شدند. در بخش کمی، مؤلفه‌های استخراج‌شده با دلفی فازی و مشارکت 15 خبره پالایش شدند و سپس با روش بهترین–بدترین وزن‌دهی شدند. پرسشنامه نهایی در میان 120 مدیر و کارشناس ارشد صندوق توزیع و شاخص ترکیبی بلوغ محاسبه شد. همچنین، برای پیش‌بینی سطح بلوغ از الگوریتم‌های XGBoost و Random Forest و برای سناریوسازی آینده از شبیه‌سازی مونت‌کارلو با 10,000 تکرار استفاده شد. پنج بعد اصلی شامل بستر راهبردی و رهبری هوشمند، بلوغ فناوری و یکپارچگی داده، بلوغ تحلیلی و پیش‌بینی‌پذیری، سرمایه انسانی و فرهنگ دانش‌محور و ارزیابی عملکرد و مدیریت ریسک شناسایی شدند. بیشترین وزن مربوط به بلوغ تحلیلی و پیش‌بینی‌پذیری بود (0.310). شاخص کلی بلوغ برابر با 2.636 به دست آمد که بیانگر سطح میانی بلوغ بود، درحالی‌که بعد تحلیلی با میانگین 1.90 در سطح آگاهانه قرار داشت. XGBoost با RMSE=0.15، MAE=0.12 و R²=0.86 عملکرد بهتری نسبت به Random Forest نشان داد. همچنین، شبیه‌سازی مونت‌کارلو نشان داد افزایش 30 درصدی سرمایه‌گذاری تحلیلی، احتمال دستیابی به سطح پیشرفته بلوغ تا سال 1407 را به 82 درصد افزایش می‌دهد. بلوغ مدیریت دانش هوشمند در سازمان بیمه‌گر اجتماعی حاصل تعامل هم‌زمان رهبری راهبردی، زیرساخت یکپارچه داده، قابلیت‌های تحلیلی، سرمایه انسانی و نظام ارزیابی عملکرد است و تقویت تحلیل‌های پیش‌بین و یکپارچگی داده می‌تواند مهم‌ترین مسیر ارتقای بلوغ سازمان باشد.</p> https://jmedda.com/jmedda/article/download/532/364