خلق ارزش یک عامل اصلی در پایداری و تعالی سازمان‌ها است که علاوه بر حداکثر سازی سود، حفظ مشتری، دستیابی به اهداف کسب‌وکار و ایجاد درآمد را به دنبال دارد. ایجاد ارزش یک فرآیند پیچیده است، به‌خصوص هنگامی‌که شامل عوامل بیرونی و درونی سازمان می‌شود. زمانی که این فرآیند بر روی سناریوهای کلان‌داده اعمال می‌شود، خلق ارزش باید در یک مقیاس پیچیدگی وسیع‌تری درک و شناخته شود. سؤالی که در اینجا مطرح می‌شود این است که سازمان‌ها از این حجم عظیم داده چگونه می‌توانند استفاده کنند و برای خود ارزش ایجاد کنند؟ پژوهش حاضر با هدف ارائه مدلی برای خلق ارزش سازمانی با تجزیه‌وتحلیل کلان‌داده طراحی و ارائه شده است. برای این منظور، با بررسی پیشینه تحقیق و مصاحبه با افراد متخصص و خبره، مدل خلق ارزش برای سازمان با تجزیه‌و‌تحلیل کلان‌داده طراحی و بر اساس آن، پنج فرضیه تعریف و برای آزمون آن‌ها پرسشنامه‌ای طراحی و در اختیار جامعه آماری تحقیق (مدیران و کارشناسان فناوری اطلاعات (به‌خصوص کارشناسان و مدیران تحلیل داده) قرار داده شد. با استفاده از مدل‌یابی معادلات ساختاری (مدل‌های اندازه‌گیری و ساختاری) روابط بین متغیرهای مدل بررسی شدند. نتایج نشان‌دهنده آن است که برای خلق ارزش سازمانی از تجزیه‌وتحلیل کلان‌داده لازم است ابتدا زیرساخت‌های تجزیه‌وتحلیل کلان‌داده و قابلیت‌های تجزیه‌وتحلیل کلان‌داده و سازمان بررسی شده و بر اساس آن راهبرد تجزیه‌وتحلیل کلان‌داده تدوین و در نهایت خلق ارزش سازمانی شکل‌دهی شود. Manuscript profile

خرابی ساکت داده (SDC) به طور جدی قابلیت اطمینان یک سیستم را به مخاطره می‌اندازد. رویکردهای فعلی با استفاده از یادگیری ماشین نرخ رخداد SDC برای هر دستورالعمل‌ را پیش بینی می‌کنند. در حالی‌که اکثر آنها فاقد دقت مناسب و نیازمند مجموعه داده برای آموزش هستند و به دلیل مصرف منابع زیاد دستیابی به آنها دشوار است. از سوی دیگر نرخ رخداد اشکالات چندبیتی در قطعات نیمه هادی افزایش چشمگیری داشتهاند. لذا تشخیص دستورات آسیب پذیر در حضور اشکال اهمیت یافته است. اما خلاء تحقیقات موجود عدم وجود یک روش نرم افزاری با دقت بالا بدون نیاز به تزریق اشکال است؛ به طوریکه تشخیص اشکال در SDC با منشاء داده و دستورالعمل مورد بررسی قرار بگیرد. بدین منظور، در این پژوهش با محاسبه نرخ رخداد SDC برای هر دستورالعمل‌ها، مدل درخت تصمیم گیری M5rule پیشنهاد گردیده است. سپس از روش تشخیص خطا، با کپی کردن دستورالعملهای حیاتی بوسیله مرتبسازی استفاده شده و در نهایت مدل ارائه شده بر روی معیار Mibench با برنامه‌های آزمایشی متعدد ارزیابی گردیده است. نتایج ارزیابی نشان می‌دهد روش ارائه شده در مقایسه با سایر روش‌های پیشرفته به دقت تشخیص بهتری با سربار در حدود 99 درصد برای 58 درصد نرخ پوشش SDC رسیده است. Manuscript profile