راههای مقابله با پدیده ویروس کرونا در سالن غذاخوری کارکنان

مادامی‌که هیچ‌گونه جایگزین عملی دیگری برای عرضة غذا به کارکنان فراهم نباشد، غذاخوری‌های محل کار در حوزة خدمات اساسی، همچون فرآوری و خرده‌فروشی غذا، باید همچنان باز بمانند. بالاترین استانداردهای اجرایی بهداشت عمومی در زمینة شستشوی دست و آداب تنفسی باید در غذاخوری‌های محل کار مراعات شوند. استانداردهای عملیاتی غذاخوری‌های کارکنان شامل موارد زیر خواهد بود:

• حفظ فاصلة فیزیکی حداقل 1 متری میان هر فرد با سایر کارگران، شامل چیدمان صندلی‌ها؛
• تنظیم متناوب نوبت‌های کار و استراحت کارکنان، به‌منظور کاهش تعداد کارکنان حاضر در غذاخوری، در هر زمان مشخص؛
• محدود‌سازی تماس‌های فیزیکی غیر‌‌ضروری تا حد ممکن؛
• نصب اعلامیه‌های قابل‌رویت برای کارکنان با‌ هدف ترویج رعایت بهداشت دست و فاصله‌گذاری اجتماعی؛
• تدوین و اجرای شیوه‌های نظافت و ضدعفونی‌سازی تجهیزات، محیط‌ها، سطوح تماس/ و نقاط پر‌تماس، به‌عنوان مثال پیشخوان‌ها، انبرها، ظروف مصرفی، کانترهای باز و سلف‌سرویس، و دستگیره‌های در.

امور ثبت و صدور گواهینامه های ایزو شرکت BRSM

تهران سعادت آباد خیابان سپیدار پلاک ۱۰

تلفن : [phone]

www.BRSCERTIFICATION.com

www.BRSM.ir

#ایزو #استاندارد #مدیریت #ممیزی #مشاوره #سیستم_کیفیت #ایزو۹۰۰۱ #ایزو۲۲۰۰۰ #ایزو۴۵۰۰۱ #ایزو۱۴۰۰۱#استاندارد 

منبع :http://brsm.ir/node/84

انواع سوالات داده‌کاوی

داده‌کاوی، طیف وسیعی از فعالیت‌ها را پوشش می‌دهد. و به دنبال ارائه جواب به سوالاتی از قبیل سوالات زیر است:

• چه چیزی در این داده‌ها هست؟
• چه نوع الگوهایی را می‌توان از هزارتوی داده‌ها تشخیص داد؟
• چطور می‌توان تمام این داده‌ها را برای منافع آتی، استفاده کرد؟

2-1-1- جمعیت و نمونه[1]

در داده‌کاوی، مجموعه‌داده‌ها می‌توانند کلان[2] باشند- ممکن است میلیون‌ها مورد وجود داشته باشد. با این‌حال، انواع صنایع متفاوت از لحاظ تعداد مواردی که از فرایندهای کسب و کار پدیدار می‌شوند تا حد زیادی با هم فرق می‌کنند. برای مثال، اپلیکیشن‌های وب می‌توانند داده‌ها را از میلیون‌ها کوکی[3] جمع‌آوری کند در حالیکه سایر اپلیکیشن‌ها مانند باشگاه طرفداران[4] یا برنامه‌های مدیریت ارتباط با مشتری[5]، ممکن است موارد محدودتری داشته باشند. قوانین محافظت از داده‌ها و بازار محلی و مشتریان صنعت فرق می‌کنند اما در بسیاری از کشورها، امکان خریداری یا اجاره اطلاعات هم در یک سطح پرجزئیات و هم خلاصه یا در سطح انبوه[6]، وجود دارد.

داده‌کاوی از روش علمی کاوش و کاربرد استفاده می‌کند. ما با حجم انبوهی از داده‌ها روبرو هستیم که در برخی موارد می‌توانیم آن را به عنوان یک جمعیت کل درنظر بگیریم. به عبارت دیگر، ما تمام اطلاعاتی موجود را داریم. در موارد دیگر، مجموعه‌داده ما ممکن است به عنوان یک نمونه بزرگ درنظر گرفته شود. اگر با مقادیر نسبتاً کم داده‌ها (بالغ بر 10هزارمورد) سروکار داشته باشیم، در آنصورت شاید ترجیح دهیم با کل مجموعه‌داده کار کنیم. اگر با مجموعه‌داده‌های بزرگ سروکار داشته باشیم، شاید برای سهولت در کار با داده‌ها، کار با یک زیرمجموعه را انتخاب کنیم. اگر این تجزیه و تحلیل روی یک نمونه اجرا شود، پیامد آن این است که نتایج، نمونه معرف کل جمعیت خواهند بود. به عبارت دیگر، نتایج این تجزیه و تحلیل روی نمونه را می‌توان طوری تعمیم داد که برای کل جمعیت، وارد باشد.

بنابراین این نمونه باید خوب باشد، در اینجا منظورمان از خوب بودن این است که باید نمونه معرف کل و بدون جانبداری (سوگیری)[7] باشد. خود نمونه‌گیری یک موضوع کلی است. با توجه به اینکه ما معمولاً با جمعیت‌های بزرگ سروکار داریم و می‌توانیم از پس نمونه‌های بزرگ بربیاییم، می‌توانیم یک نمونه تصادفی را بگیریم که در آن تمام اعضاء جمعیت، شانس برابری برای انتخاب‌شدن دارند. ما مباحث عملی پیرامون نمونه‌گیری در سایر بخش‌های این کتاب را بررسی خواهیم کرد. همچنین می‌توانیم مجموعه‌داده را به درون نمونه‌های متعدد قسمت‌بندی کنیم طوری که بتوانیم نتایج خود را آزمایش کنیم. اگر یک مجموعه‌داده کوچک داشته باشیم در آنصورت با گرفتن زیرمجموعه‌های تصادفی درون همان نمونه، که به عنوان خودراه‌اندازی[8] به آن اشاره می‌شود، مجدداً نمونه گیری می‌کنیم. سپس باید روش‌های بررسی اینکه آیا نمونه حاصل نمونه معرف هست یا خیر، را درنظر بگیریم.

گاهی اوقات ما تنها بخشی از این جمعیت را برای یک تجزیه و تحلیل خاص در نظر می‌گیریم، برای مثال، شاید تنها به رفتار خرید نزدیک کریسمس یا در ماه‌های تابستان علاقمند باشیم. در این مورد، این زیرمجموعه به عنوان یک چارچوب نمونه‌گیری یاد می‌شود چرا که نمونه‌های بیشتر دقیقاً از این زیرمجموعه انتخاب خواهد شد.

2-1-2 آماده‌سازی داده‌ها[9]

آماده‌سازی داده برای داده‌کاوی یک گام حیاتی است که گاهی اوقات نادیده گرفته می‌شود. ما از سال‌ها قبل می‌دانستیم که «دو به اضافه دو می‌شود چهار». اعداد عینی[10]، ملموس[11]، جامد[12]، رویدادنی[13] و فراتر از بحث و ابزاری دانسته می‌شوند که می‌توانند برای اندازه‌گیری همه‌چیز و هرچیز استفاده شوند. اما اعداد وردش (تنوع یا واریاسیون) ذاتی[14] دارند، برای مثال، دو محصول شاید طی یک روز معین فروخته شده باشند اما ممکن است قیمت فروش آنها متفاوت باشد؛ تفسیر بر اساس ارزش اسمی[15] شاید درست نباشد. برخی از کسب و کارها برای تصمیم‌گیری از داده‌ها استفاده می‌کنند بدون اینکه حتی مطمئن شوند داده‌ها بامعنی هستند و بدون اینکه در ابتدا داده‌ها را به دانش و درنهایت به آگاهی[16] تبدیل کنند. «آگاهی» از داده‌هایی ناشی می‌شود که اعتبار آنها از طریق استفاده از تجربیات گذشته سنجیده شده است و بر اساس ملاحظات زمینه آن، توصیف می‌شود.

2-1-3- روش‌های نظارت‌شده و نظارت‌نشده[17]

داده‌کاوی، فرایندی است که از انواع روش‌های تجزیه و تحلیل داده برای کشف الگوهای نامعلوم، غیرمنتظره، جالب و وارد و روابط میان داده‌ها استفاده می‌کند که ممکن است برای معتبرسازی و پیش‌بینی‌های دقیق استفاده شود. درکل، دو روش تجزیه و تحلیل داده وجود دارد: نظارت‌شده و نظارت نشده (شکل 2-1 و شکل 2-2 را ببینید). در هر دو مورد، نمونه‌ای از داده‌های مشاهده‌شده موردنیاز است. این داده‌ها شاید نمونه آموزشی[18] نامیده شوند. نمونه آموزشی توسط فعالیت‌های داده‌کاوی برای یادگیری الگوهای این داده‌ها استفاده می‌شود.

تجزیه و تحلیل داده‌های نظارت‌شده برای برآورد یک وابستگی مجهول بین داده‌های ورودی-خروجی معلوم استفاده می‌شود. متغیرهای ورودی ممکن است شامل کمیت‌هایی از اقلام متفاوت خریداری شده توسط یک مشتری خاص باشند، اطلاعاتی که در خرید اعلام کرده‌اند، موقعیت مکانی و قیمتی که پرداخت کرده‌اند. متغیرهای خروجی ممکن است شامل نشانه‌ای از این باشد که آیا مشتری به یک کمپین فروش (مثل کمپین حراج) واکنش نشان می‌دهد یا خیر. متغیرهای خروجی همچنین در داده‌کاوی به عنوان نشانه‌ها یا اهداف درنظر گرفته می‌شوند. در محیط نظارت‌شده، متغیرهای ورودی نمونه از طریق یک سیستم یادگیری پذیرفته می‌شوند و خروجی متعاقب از این سیستم یادگیری با خروجی از این نمونه مقایسه می‌شود. به عبارت دیگر، ما سعی می‌کنیم پیش‌بینی کنیم که چه کسی به یک کمپین فروش پاسخ خواهد داد. تفاوت میان خروجی سیستم یادگیری و خروجی نمونه را می توان مثلاً از یک سیگنال خطا[1] آموخت. سیگنال‌های خطا برای تنظیم سیستم یادگیری استفاده می‌شوند. این فرایند بارها با داده‌های این نمونه انجام می‌شود و سیستم یادگیری تا زمانی که خروجی به یک حد آستانه خطای کمینه برسد، تنظیم می‌شود. این همان فرایندی است که برای کوک دقیق یک پیانوی به تازگی خریداری شده انجام می‌شود. کوک دقیق باید توسط یک کارشناس یا با استفاده از برخی ابزارآلات الکترونیکی انجام داد. کارشناس، نت‌ها را برای نمونه آموزشی آماده می‌کند و پیانوی تازه خریداری‌شده، سیستم یادگیری است. این کوک کردن زمانی کامل می‌شود که ارتعاش نت‌های کلیدی پیانو با ارتعاش در گوش کارشناس، مطابقت داشته باشد.

تجزیه و تحلیل داده های نظارت‌نشده شامل هیچ کوک دقیقی نیست. الگوریتم‌های داده‌کاوی از میان داده‌ها جستجو می‌کنند تا الگوها را کشف کنند و هیچ متغیر هدف یا نشانه‌ای وجود ندارد. تنها مقادیر ورودی به سیستم یادگیری ارائه می‌شوند بدون اینکه نیاز به اعتبارسنجی در مقابل هر خروجی وجود داشته باشد. هدف از تجزیه و تحلیل داده‌های نظارت‌نشده، کشف ساختارهای «طبیعی» در داده‌های ورودی است. در سیستم‌های بیولوژیک، ادراک، کاری است که از طریق یک تکنیک نظارت‌نشده آموخته می‌شود.

2-1-4- تکنیک‌های کشف دانش[2]

یک تحلیل‌گر بسته به مشخصات مسائل کسب و کار و دسترس‌پذیری داده‌های «تمیز[3]» و مناسب برای تجزیه و تحلیل، باید درباره اینکه از کدام تکنیک‌ کشف دانش برای کسب بهترین خروجی استفاده کند، تصمیم بگیرد. از جمله تکنیک‌های موجود عبارتند از:

• روش‌های آماری[4]: رگرسیون چندگانه[5]، رگرسیون لجستیک[6]، تجزیه و تحلیل واریانس[7] و مدل‌های لگاریتم خطی[8] و استنباط بیزین[9].
• درخت‌های تصمیم[10] و قواعد تصمیم‌گیری[11]: الگوریتم‌های دسته بندی و درخت رگرسیون[12] (CART) و الگوریتم‌های هرس[13]
• تجزیه و تحلیل خوشه‌ای[14]: الگوریتم بخش‌پذیر[15]، الگوریتم‌های توده‌شو[16]، خوشه‌بندی سلسله‌مراتبی[17]، خوشه‌بندی تیغه‌ای[18] و خوشه‌بندی صعود تدریجی[19]
• قواعد مربوطه[20]: تجزیه و تحلیل سبد بازار[21]، الگوریتم قیاسی[22] و الگوهای زنجیروار (توالی)[23] و تجزیه و تحلیل شبکه اجتماعی[24]
• شبکه‌های عصبی مصنوعی[25]: پرسپترون‌های چندلایه با یادگیری انتشار به عقب[26]، شبکه‌های شعاعی[27]، نقشه‌های خودسازمان‌دهنده (SOM)[28] و شبکه‌های کوهونن[29]
• الگوریتم‌های ژنتیک[30]: که به عنوان یک روش‌شناسی برای حل مسائل بهینه‌سازی سخت استفاده می‌شوند
• سیستم‌های استنباط فازی[31]: براساس نظریه مجموعه‌ها[32] و منطق فازی[33] است
• روش‌های بصری‌سازی Nبعدی[34]: تکنیک‌های هندسی[35]، مبتنی بر آیکون[36]، پیکسل‌گرا[37] و سلسله‌مراتبی[38]
• استدلال مبتنی بر مورد (CBR)[39]: براساس مقایسه موارد جدید با موارد ذخیره‌شده، از اندازه‌گیری‌های تشابه استفاده می‌کند و می‌تواند هنگامی که تنها یک چند مورد معدود در اختیار هستند، استفاده شود

این فهرست دقیق و کامل نیست و ترتیب آن نشانه هیچ‌گونه الویت‌بندی در کاربرد این تکنیک‌ها نیست. این کتاب روی روش‌هایی تمرکز خواهد کرد که بطور گسترده که در طیف وسیعی از محصولات نرم‌افزاری داده‌کاوی استفاده و اجرا می‌شوند و روش‌هایی که برای ارائه نتایج خوب به سوالات کسب و کار در یک زمان نسبتاً کوتاه، معروف هستند. ما بیشتر روی نیاز کسب و کار تمرکز خواهیم کرد تا جنبه‌های علمی. کتاب‌شناسی شامل منابع ادبیاتی است که تمام این تکنیک‌ها را پوشش می‌دهد.

[1] error signal

[2] Knowledge-Discovery

[3] clean

[4] Statistical methods

[5] multiple regression

[6] logistic regression

[7] analysis of variance

[8] log-linear models

[9] Bayesian inference

[10] Decision trees

[11] decision rules

[12] Classification And Regression Tree algorithms

[13] pruning algorithms

[14] Cluster analysis

[15] divisible algorithm

[16] agglomerative algorithms

[17] Hierarchical clustering

[18] partitional clustering

[19] incremental clustering

[20] Association rule

[21] market basket analysis

[22] a priori algorithm

[23] Sequence patterns

[24] social network analysis

[25] Artificial neural networks

[26] multilayer perceptrons with back-propagation learning

[27] radial networks

[28] Self-Organising Maps (SOM)

[29] Kohonen

[30] Genetic algorithms

[31] Fuzzy inference systems

[32] fuzzy sets

[33] fuzzy logics

[34] N-dimensional visualisation methods

[35] geometric

[36] icon-based

[37] pixel-oriented

[38] hierarchical

[39] Case-Based Reasoning (CBR)

[1] Population and Sample

[2] enormous

[3] Cookies: کوکی یک فایل است که توسط یک وب سایت برای حفظ اطلاعات بر روی رایانه شما قرار می‌گیرد. یک کوکی می‌تواند شامل اطلاعاتی باشد که شما در آن لیست وارد کرده اید مانند ایمیل، نشانی، شماره تلفن و سایر اطلاعات شخصی.

[4] Loyalty clubs

[5] Customer Relationship Management

[6] summary or aggregate level

[7] unbiased

[8] bootstrapping

[9] Data Preparation

[10] concrete

[11] tangible

[12] solid

[13] inevitable

[14] inherent variation

[15] Face value

[16] intelligence

[17] Supervised and Unsupervised Methods

[18] training sample

امور ثبت و صدور گواهینامه های ایزو شرکت BRSM

تهران سعادت آباد خیابان سپیدار پلاک ۱۰

تلفن : [phone]

www.BRSCERTIFICATION.com

www.BRSM.ir

#ایزو #استاندارد #مدیریت #ممیزی #مشاوره #سیستم_کیفیت #ایزو۹۰۰۱ #ایزو۲۲۰۰۰ #ایزو۴۵۰۰۱ #ایزو۱۴۰۰۱#استاندارد 

منبع :https://brsm.ir/node/83

ممیزی شرکت مینو توسط شرکت BRSM

اخذ گواهینامه استاندارد ایزو 9001 از شرکت BRSM توسط شرکت مینو در خرداد 1399 محقق گردید.

ممیزی شرکت دارویی، آرایشی وبهداشتی مینو در خرداد ماه سال 1399 به اتمام رسید واین شرکت معظم موفق به اخذ گواهینامه ایزو 9001 از  شرکت بیکران راهکار سعادت BRSM گردید. شرکت مینو با بیش از 60 سال سابقه علی رغم محدودیت ها وتحریم ها هم اکنون با تولید قریب به شصت نوع محصول دارویی و مکمل های غذایی در اشکال مختلف نظیر قرص، قرص جوشان، شربت، پماد، آمپول و کپسول ژلاتینی نرم و همچنین طیف متنوعی از محصولات آرایشی و بهداشتی درحال کمک  به تامین نیازهای دارویی کشور می باشد. گواهینامه شرکت مینو پس از بررسی فرآیندهای اصلی تولید دارو وبازدید سایت های تولیدی این مجموعه وهمچنین بررسی مستندات واطلاعات مدون گردیده در فرآیندهای مدیریتی وپشتیبانی صادر گردیده است. گوهینامه شرکت مینو بعنوان اولین شرکت ایرانی مورد تائید BRSM در حوزه دارویی در سایت سازمان جهانی استاندارد IAF ثبت گردید.

برنامه آموزش سال 1399 آکادمی BRS

تیم مجرب آموزشی آکادمی BRS برگزار کننده دوره های داخلی و بین المللی استانداردها به همراه مدرک معتبر آماده همکاری با سازمانها ،علاقمندان ، مشاوران و مم یزان سیستمهای مدیریت کیفیت در سرفصلهای آموزشی متفاوت و به روز می باشد.

آکادمی آموزش BRS با بیش از دو دهه فعالیت رسمی، برنامه سالیانه خود را با در نظر گرفتن نیاز مخاطبان  استانداردهای سیستمی همانند ایزو ها ،  استانداردهای محصولی همانند CE مارک و سایر دانش های مدنظر مشاوران و ممیزان سیستمهای مدیریت کیفیت در سرفصلهای متنوع به شرح ذیل اعلام می دارد.

تمامی دوره های سرممیزی استانداردهای ایزو در آکادمی BRS با ارائه مدرک IRCA  است.

لینک دانلود برنامه آمورش آکادمی BRS : 

http://s13.picofile.com/file/8402090034/BRS_ACADEMY_1399.pdf.html

آکادمی آموزش BRS

تهران سعادت آباد خیابان سپیدار پلاک ۱۰

تلفن : [phone]

www.BRSACADEMY.com

www.BRS.ir

#ایزو #استاندارد #مدیریت #ممیزی #مشاوره #سیستم_کیفیت #ایزو۹۰۰۱ #ایزو۲۲۰۰۰ #ایزو۴۵۰۰۱ #ایزو۱۴۰۰۱#استاندارد #آموزش #دانش #آکادمی #ایرکا #IRCA

منبع :https://brs.ir/node/81

مشاوره کسب و کار و سرمایه فکری (1)

برای درک اینکه صنعت مشاوره در آینده چگونه توسعه پیدا خواهد کرد، باید اول به دو فاکتوری نگاه کنیم که سبب رشد آن در گذشتۀ نزدیک شده‌اند.

یکی از دلایل مهم، و بدون تغییر، برای اینکه چرا مشتریان برای مشاوره هزینه می‌پردازند کسب دانشی است که از آن بی‌بهره هستند. استانداردسازی یک ایدۀ جدید سخت است و می‌تواند بسیار ارزشمند باشد، اما به‌تدریج، با گذشت زمان، رویه‌های استاندارد عملیاتی ایجاد شده و آن ایده به محصولی تبدیل می‌شود که در اختیار همه است. این تجاری‌سازی دانش مانند مهندسی برای شرکت‌های مشاورۀ بزرگ‌تر و جنرالیست سودمند بوده و به آنها کمک کرده با تجمیع آنچه در یک شرکت آموخته شده و انتقال آن به دیگران به سرعت توسعه یابند. دلیل دوم پدیدۀ برون‌سپاری است. برون‌سپاری می‌تواند پاسخ منطقی برای هر سازمانی باشد که این سؤال را مطرح می‌کند: ”چطور می‌توانیم فرایندهای خود را به هوشمندانه‌ترین شکل مدیریت کنیم؟“ این پاسخ رویکردی را برای مواجهه با پیچیدگی یک موقعیت تجاری ارائه می‌دهد، فرایندهای مختلفی که به‌طور مداوم نیازمند فن‌آوری‌های متفاوت و افراد متفاوت هستند و یک فرهنگ کاری متفاوت دارند. در این مورد، برون‌سپاری با مثلاً یافتن کانال‌های جایگزین فروش و توزیع تفاوتی ندارد، و اینکه باید به‌عنوان مشاوره رده‌بندی شود یا خیر پرسشی بی‌پاسخ است.

مشاورۀ راهبردی تفاوت دارد. در اینجا ایده‌ها کمتر مستعد تجاری‌سازی هستند زیرا ذاتاً پیچیده‌تر هستند، کارکرد متقابل دارند و باید در جهت نیازهای هر مشتری به‌شدت اصلاح شوند. مشاوران راهبردی معمولاً در محیطی کار می‌کنند که هیچ راه‌حل استانداردی وجود ندارد، صرفاً به این دلیل که مشکلاتی که آنها و مشتریان‌شان با آنها روبه‌رو می‌شوند اغلب منحصربه‌فرد هستند. دوم، برون‌سپاری مشکل است زیرا باید بخشی اساس یک شرکت باشد. بنابراین، مشاورۀ راهبردی اگرچه درمقایسه با آی‌تی و مشاوره، تنها نمایندۀ بخش کوچکی از کار است، همچنان از همه سودمندتر است. همچنین حیطه‌ای است که احتمالاً در آینده اهمیت بیشتری خواهد یافت زیرا کاربرد مشاوره بیشتر به‌واسطۀ دستورکار راهبردی مشتریان هدایت خواهد شد تا به‌صورت واکنشی تاکتیکی به یک مشکل خاص. درنتیجه، ممکن است مشاوران راهبردی نقش فعالیت مشاورۀ واسطه و هماهنگی را در جانب مشتری برعهده بگیرند.

برآورد این گرایش‌ها در آینده می‌تواند نشان‌دهندۀ آن باشد که بازار مشاوره به رشد ادامه خواهد داد. ”خلاء دانش“ و مشاورۀ آی‌تی همچنان از تجاری‌سازی دانش سود خواهند برد، زیرا این فرایند، در آینده سرعت خواهد گرفت. تهدید اصلی در این مورد از سوی شرکت‌های نرم‌افزاری خواهد بود که نقش تأمین‌کنندگان دانش را به‌صورت محصول برعهده خواهند گرفت و تلاش می‌کنند از این جایگاه برای ارتقای زنجیرۀ ارزش استفاده کنند.

مشاورۀ راهبردی نیز رشد خواهد یافت، اما عمدتاً به این دلیل که سرمایۀ فکری آن نمی‌تواند به شیوۀ مشابهی به محصول تبدیل شود. همین‌طور باید انتظار داشته باشیم که شرکت‌های مشاوره در حیطه‌های بیشتر و با مؤسسات بیشتری کار کنند که نه پارادایم‌های جامعۀ سنتی و نه بخش خصوصی در آنها نقش مناسبی ندارد. کار گروه مشاورۀ بوستون در مدیریت بیماری، که تلاش دارد رابطه بین پزشک و بیمار را دوباره مهندسی کند، مثال خوبی از آن است که این اتفاق درحال رخ دادن است.

رشد در همۀ حیطه‌های مشاوره به این معناست که اندازه مهم نخواهد بود: سال‌هاست که نابودی شرکت‌های متوسط پیش‌بینی شده است، اما هیچ دلیلی وجود ندارد که تصور کنیم یک شرکت خلاق با این اندازه از لحاظ اقتصادی کمتر از شرکت‌های دیگر دوام خواهد آورد. موفقیت، و حتی دوام آوردن، در آینده از طریق میزان توانایی یک شرکت برای تمرکز فعالیت‌هایش بر آنچه که عقیده دارد بازارها و خدمات اصلی خواهند بود و می‌تواند خدمات منحصربه‌فرد یا برتری در آنها داشته باشد، مشخص خواهد شد. شرکت‌هایی که دوام می‌آورند و رشد می‌کنند این کار را انجام خواهند داد زیرا قادر هستند متمرکز باقی بمانند و موضوع تمرکز خود را با تکامل و ادغام بازارها تغییر دهند.

تفکر جدید در صنعت مشاوره به شناسایی الگوهای نوظهور برمی‌گردد: این فرایند تفسیر و تحلیل که مشاوران با داده‌ها انجام می‌دهند است که اهمیت دارد، نه خود داده‌های خام. وظیفۀ مشاور راهبردی توجه به اطلاعات در تجارت و بازارهای مشتری از دیدگاهی جدید است، تا بتواند راه‌حل‌های جدیدی خلق کند. اگر مشاوران اقتصادی خلاق نباشند، نقش آنها تفاوتی با مشاوران عملیاتی یا ارتقای فرایند نخواهد داشت که صرفاً خلاءهای شناخته‌شده را در مبنای دانش مشتریان خود پُر می‌کنند.

مسائلی که در مشاورۀ راهبردی مورد توجه قرار می‌گیرند آن‌قدر پیچیده هستند که بعید است کسی که مجموعۀ مشابهی از اطلاعات را بررسی می‌کند به نتیجۀ یکسانی برسد. بنابراین، آنچه در اینجا مطرح است، فرایندی است که از طریق آن تفسیر صورت می‌گیرد و افرادی که آن را انجام می‌دهند. مجموعه‌ای از مشاوران بسیار مستعد باید مجموعۀ اطلاعات را بررسی کرده و چیزی جدید در آن بیابند. می‌توان بخش‌هایی از این فرایند را آموزش داد، اما سهم بسیار بیشتری از موفقیت به این بستگی دارد که گونه‌ای از فرهنگ را در اختیار داشته باشیم که خلاقیت را پرورش داده و حفظ می‌کند. شرکت‌های مشاوره درحال حاضر مبالغ عظیمی را برای آموزش رسمی، و تحقیق و توسعه هزینه می‌کنند، اما جزء اصلی، تیمی از افراد است که مفهوم عملی را با شجاعت برای فراتر رفتن از خرد مرسوم ترکیب می‌کند.

تحقیق و توسعه شرکت BRS

تهران سعادت آباد خیابان سپیدار پلاک ۱۰

تلفن : [phone]

www.BRSMENA.com

www.BRS.ir

#ایزو #استاندارد #مدیریت #ممیزی #مشاوره #سیستم_کیفیت #ایزو۹۰۰۱ #ایزو۲۲۰۰۰ #ایزو۴۵۰۰۱ #ایزو۱۴۰۰۱#استاندارد 

منبع :https://brs.ir/node/80