معرفی استاندارد ایزو 22000 (ISO 22000)

در اوایل دهه 2000، چندین استاندارد توسط سازمان‌های خصوصی و ملی مختلف در سراسر جهان تدوین شد. این امر وقتی شرکتها با استفاده از کدهای داخلی خود برای ممیزی تأمین‌کنندگان‌شان اقدام به استفاده از آنها کردند پیچیدگی‌هائی را به وجود آورد. معیارهای مختلف ممیزی، تحقق کلیه الزامات موجود در بازار جهانی را برای تأمین‌کنندگان تقریبا غیرممکن کرد.

در سال 2001، سازمان بین المللی استاندارد سازی (ISO) شروع به کار بر روی استانداردی قابل ممیزی برای سیستم مدیریت ایمنی مواد غذایی (FSMS) کرد. این استاندارد بین المللیFSMS ، معروف به ISO 22000، سرانجام در تاریخ 1 سپتامبر 2005 منتشر شد. این استاندارد چارچوبی است که ترکیبی از برنامه های پیش نیاز، اصول HACCP و مراحل کاربردی را که توسط کمیسیون Codex Alimentarius شرح داده شده است و عناصر استاندارد ISO 9001:2000 را ترکیب می‌کند.

طی دو سال، این استاندارد در بیش از 20 کشور توسط سازمان‌ها به عنوان گزینه‌ای برای بیش از 20 طرح ایمنی مواد غذایی که شرکت‌های جداگانه در این بخش برای ممیزی تأمین‌کنندگان خود تهیه کرده‌اند، به کار گرفته شده است.

ISO 22000 قصد دارد الزامات سیستم مدیریت ایمنی مواد غذایی را که شرکت‌ها برای رعایت مقررات ایمنی مواد غذایی در سراسر جهان باید رعایت کنند، تعریف کند.

ISO 22000:2005 در خصوص ایمنی مواد غذایی رویکرد زنجیره غذا را اتخاذ می‌کند. این استاندارد مجموعه‌ای از الزامات عمومی مدیریت ایمنی مواد غذایی را تعریف می‌کند که نه تنها برای تولید‌کنندگان و سازندگان مواد غذایی، بلکه برای کلیه سازمان‌هایی که در زنجیره تأمین مواد غذایی مشارکت دارند صادق است.

ISO 22000 الزامات مربوط به FSMS را مشخص می‌کند که عناصر اصلی زیر را برای اطمینان از ایمنی مواد غذایی در طول زنجیره غذایی ترکیب می‌کند:

-        ارتباط تعاملی. ارتباطات در طول زنجیره غذایی برای اطمینان از شناسایی همه خطرات مربوط به ایمنی مواد غذایی و کنترل کافی در هر مرحله در زنجیره غذایی ضروری است. این به معنای ارتباط بین سازمان‌ها در زنجیره غذایی، هم به بالادست و هم به پایین دست است.

-       سیستم مدیریت. ISO 22000 را می‌توان مستقل از سایر استانداردهای سیستم مدیریت استفاده کرد. اجرای آن می‌تواند مطابق با الزامات سیستم مدیریت مرتبط موجود باشد، در حالی که سازمان‌ها می‌توانند از سیستم‌(های) مدیریت موجود برای ایجاد سیستم مدیریت ایمنی مواد غذایی که مطابق با الزامات ISO 22000 باشد استفاده کنند.

-       اصول HACCP و برنامه‌های پیش نیاز.ISO 22000  اصول سیستم تجزیه و تحلیل خطرات و کنترل نقاط بحرانی (HACCP) را ادغام می‌کند و با استفاده از الزامات ممیزی، برنامه HACCP را با برنامه‌های پیش نیازی تولید(PRP)  ترکیب می‌کند. برنامه‌های پیش‌نیازی تولید شامل کلیه شرایط و فعالیت‌های اساسی برای حفظ محیط بهداشتی در سراسر زنجیره غذایی است که برای تولید، استفاده و تهیه محصولات نهایی ایمن مناسب است.

مدیریت کیفیت ، ایمنی غذا ، استاندارد brc ، شرکت BRS ، گواهینامه brc ، گواهینامه ایزو ، ایزو ۲۲۰۰۰ ، مدیریت ایمنی غذا ، صادرات غذا ، گواهینامه غذا ، استاندارد محصول ، شرکت BRSM ،شرکت معتبر ایزو ، استقرار brc ، مشاوره brc ، سیستم brc ، طرح brc ، طرح haccp ، سیستم haccp، استقرار hacp، مدیریت صنایع غذایی، سیستم صنایع غذا ، گواهینامه غذا

امور آموزش 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 #دادهکاوی

منبع : https://brs.ir/node/118

استاندارد ایزو 9001 در بخش مواد غذایی (ایزو 15161)

9001 یک استاندارد عمومی است [5]. بنابراین، این استاندارد می­تواند در هر بخشی، اعم از بخش موادغذایی بکارگرفته شود [9]. علاوه ­براین، ISO، ISO 15161 را به ­عنوان راهنمایی برای پیاده ­سازی پیش­نیازهای ISO 9001 در بخش موادغذایی را در اختیار گذاشته ­است.

اگرچه ISO 9001 موضوعی است که بطورگسترده در متون مدیریت کیفیت موردبحث قرار گرفته ­است [11]، پژوهشگران به ­اندازه­ ی کافی ISO 9001 را در بخش موادغذایی موردمطالعه قرار نداده ­اند [9]. فوتوپولوس و دیگران [9] بکارگیری ISO 9001 را در بخش موادغذایی یونان مورد مطالعه قرار دادند. آن­ها دلیل اصلی اینکه گواهینامه ­ی ISO 9001 با محیط داخلی کسب­وکار ارتباط دارد را دریافتند. آن­ها همچنین دریافتند که مزایای گواهینامه ­ی ISO 9001 بطورمثبتی تحت­تاثیر انگیزه ­ی شرکت­ها برای پیاده­سازی ISO 9001 است و بطورمنفی تحت ­تاثیر مشکلاتی است که پیش­نیازهای استاندارد با آن مواجه می­شود.

پوسماس و دیگران [7] ابزاری را توسعه دادند که اثربخشی سیستم مدیریت کیفیت (QMS) ISO 9001 را براساس مولفه­های آن، معنای اهداف ISO 9001 اندازه­ گیری می­کند و این ابزار را در بخش تولید موادغذایی تایید کردند. آن­ها دریافتند که اثربخشی پیاده­ سازی ISO 9001 در بخش تولید موادغذایی می­تواند با استفاده از ابعاد، به­ عبارت دیگر پیشرفت مداوم، جلوگیری از ناهمسازی و تمرکز بر رضایت مشتری اندازه­ گیری شود.

پوسماس و فوتوپولوس [3] بر روی 92 شرکت موادغذایی در یونان که گواهینامه­ ی ISO 9001 داشتند، مطالعه انجام دادند. آن­ها سه عامل/سازه ­ی بالقوه را در رابطه با نتایج پیاده ­سازی روش­های مدیریت کیفیت این شرکت­ها شناسایی کردند. نتایج شامل مزایای بازار، رضایت مشتری و توسعه­ ی کیفیت بود.

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 

ممیزی، شرکت ایزو، شرکت معتبر استاندارد، اداره استاندارد ، شرکت استاندارد ، شرکت معتبر ایزو، شرکت بیکران ، صدور گواهینامه ، ایزو ۲۲۰۰۰ ، ایزو ۴۵۰۰۱ ، ایزو ۱۴۰۰۱ ، ایزو ۹۰۰۱ ، صدور از مرجع ناسی ، صدور گواهینامه معتبر، ایزو ۲۲۰۰۰ ،مدیریت کیفیت ، استاندارد کیفی ، ایزو ۹۰۰۱ ، سیستم مدیریت ، گواهینامه ایزو ۹۰۰۱ ، گواهینامه استاندارد ، اخذ ایزو ۹۰۰۱ ، ایزو ۹۰۰۱ ویرایش ۲۰۱۵ ، ایزو 15161 ، ایزو15161، iso15161

منبع : https://brs.ir/node/104

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.