طراحی مدلی جهت ارزیابی و انتخاب پروژه‌های بهبود شش سیگما با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشیار دانشکده اقتصاد، مدیریت و حسابداری دانشگاه یزد

2 دانشجوی کارشناسی ارشد مدیریت صنعتی دانشگاه یزد

3 دانشجوی دکتری مدیریت دانشگاه تهران

چکیده

شش سیگما یکی از مشهورترین نظام­ها برای حذف ضایعات، کاهش هزینه و بهبود کیفیت در سازمان­هاست. فرآیند ایجاد و ارزیابی پروژه­ها، از جمله فعالیت­های اولیه در اجرای شش سیگماست که بسیاری از محققان معتقدند به­کارگیری موفقیت­آمیز شش سیگما با اولویت­بندی و انتخاب مناسب پروژه­های شش سیگما ارتباط تنگاتنگی دارد. تحقیق حاضر با به­کارگیری شبکه‌های عصبی مصنوعی به­عنوان یک ابزار قدرتمند در پردازش اطلاعات غیرخطی، مدلی را جهت انتخاب این پروژه­ها معرفی نموده است. در این مدل، شش معیار هزینه پروژه، مدت زمان اجرای پروژه، تعداد افراد کمربند مشکی و سبز، افزایش رضایت مشتری، تأثیر بر استراتژی کسب­ وکار و میزان تأثیر مالی به عنوان عوامل ورودی در نظر گرفته شده و با استفاده از پرسپترون چندلایه، میزان بهره­وری و سطح سیگمای حاصل از هر پروژه بهبود پیش­بینی شده است. در پایان نیز با استفاده از تحلیل حساسیت تأثیر هر کدام از متغیرهای ورودی بر خروجی­های مدل ارزیابی شده است. نتایج حاصل نشانگر این است که عوامل "تأثیر بر استراتژی کسب و کار" و "میزان تأثیر مالی" به­ترتیب بیشترین و کمترین تأثیر را بر خروجی­های مدل شامل میزان بهره­وری و سطح سیگما داشته است.

کلیدواژه‌ها


عنوان مقاله [English]

ِDesigning an Integrative Model for Evaluation and Selection of Six Sigma Projects Using Artificial Neural Networks

نویسندگان [English]

  • Seyed Habib Allah Mirghafoori 1
  • Faezeh Asadian Ardakani 2
  • Zahra Sadeqi Arani 3
1 Associate Professor, Faculty of Economics, Management and Accounting, Yazd University
2 M.A. Student in Industrial Management, Yazd University
3 Ph.D. Student in Industrial Management, University of Tehran
چکیده [English]

Six Sigma is one of the most popular systems for eliminating waste, reducing cost and improving quality in organizations. The process of evaluation and selection of projects is the first step towards implementing Six Sigma and many researchers believe that these are important for the success of such projects. Respectively, in this paper, a model has been proposed based on artificial neural network (ANN) as an effective tool for non-linear information processing. In this model, six criteria of project cost, project duration, number of Black and Green Belts, improving customer satisfaction, impact on business strategy and financial impact have been identified as input factors; and productivity and sigma level of improvement projects have been estimated using multi-layer perception (MLP). Finally, sensitivity analysis has been used for evaluation of the influence of inputs on outputs. The findings imply that 'business strategy' and 'financial impact' have the most and the least influence on model's outputs, including productivity and Sigma level, respectively.

کلیدواژه‌ها [English]

  • Six Sigma
  • Improvement projects
  • Artificial Neural Network (ANN)
  • Multi-Layer Perceptron (MLP)
  • sensitivity analysis

مقدمه

امروزه محیط تولید و خدمت کاملاً رقابتی شده است. کارخانه­ها به­منظور دستیابی به مزیت رقابتی می‌کوشند تا بتوانند از سهم خود در بازار حمایت کنند؛ اما رسیدن به این هدف تنها با به­کارگیری مفاهیم مدیریت کیفیت جامع (TQM)[1] از قبیل رضایت مشتری، هزینه کیفیت پایین (COPQ)[2] و بهبود کیفیت امکان­پذیر است. تکنیک شش سیگما[3]، یکی از روش­های مؤثری است که به سازمان­ها برای به­کارگیری مفاهیم TQM کمک می­کند (سقایی و دیده­خانی[4]، 2011). این روش به­عنوان یکی از جدیدترین برنامه مدیریت کیفیت به سازمان در جهت افزایش رضایت مشتری و سودآوری مالی کمک کرده (زو[5] و همکاران، 2006) و با تمرکز بر نتایجی که از دیدگاه مشتریان دارای اهمیت است، به حذف عوامل خطا و اشتباه در فرآیندهای کسب­و­کار منجر می­شود (آنتونی[6] و همکاران، 2009). به عبارت دیگر، شش سیگما رویکردی منطقی و نظام­مند برای بهبود فرآیندهای استراتژیک و توسعه تولیدات و خدمات جدید است که با تکیه بر روش­های آماری و علمی، باعث کاهش چشم­گیری در نرخ خطاها می­شود (زو و همکاران، 2006).

پروژه شش سیگما عبارت است از برنامه­ریزی برای حل یک مشکل، که دارای مجموعه­ای از معیارهاست؛ به طوری که می­توانند به­عنوان اهداف پروژه استفاده شوند و در جهت پیشرفت پروژه تحلیل شوند. لذا اجرای پروژه­های شش سیگما می­تواند از جهات بسیاری در سازمان مثمر ثمر واقع شود. اگر پروژه­های شش سیگمای انتخاب شده در راستای اهداف و استراتژی­های سازمان نباشد، سودمندی آن­ها زیر سؤال می­رود.

انتخاب پروژه­ها، مهمترین و ابتدایی­ترین فعالیت در فرآیند اجرای شش سیگما و عامل اساسی در موفقیت اولیه و بلندمدت پذیرش این روش در سازمان است (سقایی و دیده­خانی، 2011). به زعم بسیاری از صاحبنظران، اولویت­بندی و انتخاب پروژه­های بهبود شش سیگما تأثیری سرنوشت­ساز در موفقیت اجرای آن دارد. تاکنون در فرآیند انتخاب پروژه­های بهبود شش سیگما از روش­های مختلفی استفاده شده ­است. کومر[7] و همکارانش (2007) با تعیین ورودی­ها و خروجی­های پروژه­های شش سیگما، از مدل DEA برای انتخاب بهترین پروژه شش سیگما بهره برده­اند. یانگ و حسیه[8] (2008) در مقاله خود از مدل AHP فازی و چائو و چیا[9] (2008) از ترکیب FMEA و AHP برای انتخاب پروژه­های شش سیگما استفاده کرده­اند. در مطالعه دیگری که توسط بویوکوزان[10] و همکار (2010) انجام شد، از ترکیب ANP و DEMATEL برای انتخاب پروژه­های شش سیگما استفاده شده است؛ هم­چنین سقایی و دیده­خانی از تکنیک ANP فازی برای انتخاب پروژه­های شش سیگما استفاده کرده­اند.

پیشرفت­های صورت گرفته در دیگر رشته­های دانشگاهی و استفاده از روش­های فراابتکاری مانند روش­های مبتنی بر هوش مصنوعی برای حل مسائل پیچیده، پژوهشگران را برای استفاده از این روش­ها در مدل­سازی فرآیند تصمیم­گیری ترغیب کرده است. یکی از این پیشرفت­ها در زمینه­ی هوش مصنوعی، شبکه­های عصبی مصنوعی(ANN) [11] هستند که به عنوان ابزار قدرتمندی در پردازش اطلاعات غیرخطی، قادر به انجام موفقیت­آمیز اعمالی مانند تقریب توابع غیرخطی، طبقه­بندی الگوها، تشخیص الگوها، پیش­بینی و غیره هستند (میرغفوری و همکاران، 1388). حجم بالای داده­ها و ناآگاهی از نوع رابطه بین متغیرهای ورودی و خروجی، نیاز به مدل مناسبی برای پیش­بینی موفقیت پروژه­های بهبود شش سیگما را الزامی می­سازد. لذا در این تحقیق هدف این است که با استفاده از خصوصیت تقریب توابع غیرخطی شبکه­های عصبی مصنوعی، مدلی برای پیش­بینی میزان موفقیت اجرای پروژه­های بهبود شش سیگما براساس میزان بهره­وری و سطح سیگمای آن­ها طراحی شود.

مبانی نظری تحقیق

شش سیگما

شش سیگما نخستین بار توسط بیل اسمیت[12] در شرکت موتورولا[13] پی­ریزی شد. سپس در همین شرکت مایکل هری[14] روش و ساختار آن را اصلاح کرد. پس از آن شرکت­های زیادی مانند جنرال­الکتریک، کداک، سونی، ای­بی­ام، زیراکس و فورد موفق به تحقق بخشیدن این روش شدند (شادمهر، 1384).

روش شش سیگما از طریق به­کارگیری بهبود فرآیند، روش­های آماری، تمرکز بر مشتری، توجه خاص به تک­تک فرآیندها و سیستم مدیریتی که به نتایج بلندمدت و منافع مالی عظیم پروژه­های بهبود توجه دارد، فرصت­هایی را برای ارزش­افزایی در سازمان ایجاد می­کند.

روش شش سیگما برای حل مشکلات ریشه­ای و مزمن استفاده می­شود. هرچه سطح شش سیگما بالاتر رود، یک افزایش نمایی در کاهش نقص­ها ایجاد می‌شود. رسیدن به سطح شش سیگما یک چشم­انداز است و هنوز شرکت­های مطرح در استفاده از این روش، قادر به دستیابی به سطح شش سیگما نبوده­اند (آذر و همکاران، 1387). شش سیگما در فلسفه و دیدگاه خود تفاوت اساسی با دیگر سیستم­های کیفیت سنتی و نوین دارد، چرا که بهبود کیفیت را موجب افزایش سرعت و کاهش هزینه می­داند، نه افزایش سرعت و کاهش هزینه را عامل بهبود کیفیت. هدف آماری از اجرای شش سیگما، رسیدن به سطح 4/3 خطا در یک میلیون فرصت برای اصلاح اشکالات است.

به طور کلی، می­توان گفت، امروزه شش سیگما به­عنوان مفیدترین و کاربردی­ترین رویکرد برای بهبود کیفیت محصولات و خدمات و همچنین دستیابی به برتری تجاری و مزیت رقابتی به وسیله حذف ضایعات مورد توجه قرار گرفته است (چائو و چیا، 2008).

 

روش­ها و معیارهای انتخاب پروژه­های شش سیگما

یکی از عناصر کلیدی در شش سیگما که تأثیر سرنوشت­ساز در موفقیت اجرای آن دارد، اولویت­بندی و انتخاب پروژه­های بهبود شش سیگماست. انتخاب پروژه، فرآیند ارزیابی یک یا گروهی از پروژه­ها و سپس انتخاب آن­ها به طوری که به اهداف سازمان برسیم (گوس­نیک و هان­جک[15]، 2009). امروزه انتخاب پروژه­های شش سیگما، یکی از دشوارترین و بحث­انگیزترین مسائل در ادبیات شش سیگماست (سقایی و دیده­خانی ، 2011). انتخاب مناسب پروژه، می­تواند مزایای بالقوه شش سیگما را افزایش دهد. هم­چنین اشتباه در انتخاب پروژه­ها به شکست در اجرای شش سیگما منجر می­شود. نویسندگان و مشاوران، مدل­ها، ابزارها و عناصر کلیدی متعدد و متفاوتی را در انتخاب پروژه­های شش سیگما پیشنهاد کرده­اند.

در انتخاب پروژه‌های بهبود شش سیگما، به همان‌ اندازه که انتخاب روش مهم و حیاتی است، انتخاب معیارهای مناسب به­منظور اجرای پروژه‌های بهبود نیز مهم و چالش­برانگیز هستند. به طور کلی، از معیارهایی مانند کاهش دوباره­کاری­ها و شکست­ها، بهبود رضایت مشتری و برتری تجاری به­منظور ارزیابی پروژه­های شش سیگما استفاده شده است.

پانده[16] و همکاران (2000)، معیارهای انتخاب پروژه­های شش سیگما را به سه گروه تقسیم کرده­اند: ۱- سودآوری کسب­و­کار؛ ۲- امکان اجرای پروژه؛ ۳- میزان تأثیر بر سازمان. معیار سودآوری کسب­و­کار شامل مواردی از قبیل میزان تأثیر بر رضایت مشتری، تأثیر بر استراتژی کسب­و­کار، تأثیر بر شایستگی­های مرکزی و میزان تأثیر مالی است. معیار امکان اجرای پروژه برای انتخاب پروژه­های شش سیگما، شامل معیارهایی، از قبیل نیازمندی منابع، متخصصان در دسترس، پیچیدگی و احتمال موفقیت پروژه­هاست (به نقل از کومر، 2007).

در مطالعه‌ هری و اسکرودر[17] (2000) تعداد خطا در یک میلیون فرصت خطا (DPMO)[18]، صرفه‌جویی در خالص هزینه­ها، هزینه کیفیت پایین، مدت زمان چرخه فرآیند، میزان تأثیر بر رضایت مشتری، ظرفیت و عملکرد داخلی را به‌عنوان معیارهای انتخاب پروژه­های شش سیگما پیشنهاد شده است.

به زعم بانولاس[19] و همکاران (2006) معیارهای ارزیابی برای شش سیگما شامل میزان تأثیر بر رضایت مشتری، میزان تأثیر مالی، تعهد مدیریت ارشد، قابلیت اندازه­گیری و در دسترس بودن، رشد و یادگیری، ارتباط با استراتژی سازمان و شایستگی­های مرکزی است. کومر و همکارانش (2007) در مقاله خود که از روش DEA برای انتخاب پروژه­های شش سیگما استفاده نموده­اند، معیارهای هزینه پروژه، مدت زمان اجرای پروژه، تعداد افراد کمربند مشکی و سبز، میزان تأثیر بر رضایت مشتری، استراتژی سازمان، میزان تأثیر مالی، میزان بهره­وری و سطح سیگما را معرفی نموده­اند. در ادامه و در جدول 1 به برخی از تحقیقاتی که در این حوزه انجام شده، اشاره می­گردد:


جدول1: روش­ها و معیارهای انتخاب پروژه­های شش سیگما

نویسنده (سال)

روش

معیار

آدامز[20] و همکاران (2003)

ماتریس رتبه­بندی پروژه

میزان تأثیر بر رضایت مشتری، میزان تأثیر مالی، فرآیند  کسب­و­کار، زمان تکمیل، یادگیری و رشد

کومر و همکاران (2007)

DEA

هزینه­ی پروژه، مدت زمان اجرای پروژه، تعداد افراد کمربند مشکی و سبز، میزان تأثیر بر رضایت مشتری، استراتژی سازمان، میزان تأثیر مالی، میزان بهره­وری و سطح سیگما

چائو و چیا (2008)

ترکیب FMEA و  AHP

خط­مشی­های استراتژی کسب و کار سازمان و صدای مشتری

یانگ و حسیه (۲۰۰۸)

AHP فازی

رهبری، مدیریت استراتژیک، پژوهش و نوآوری، توسعه مشتری/بازار، مدیریت منابع انسانی و مدیریت دانش، به­کارگیری و مدیریت استراتژی اطلاعات، مدیریت فرآیند، نتایج کسب و کار(معیارهای جایزه ملی تایوان)

یانگ و حسیه (2009)

روش تصمیم­گیری چند معیاره دلفی فازی

معیارهای جایزه ملی تایوان

گوس نیک و همکاران (2009)

طوفان مغزی، مصاحبه، QFD، مدل کانو، گروه‌های تمرکز

منافع مشتری، تأثیر بر استراتژی کسب­وکار، مزایای مالی، یادگیری و رشد، امکان پذیری، نتایج قابل انداره­گیری، تعهد مدیریت ارشد

بویوکوزان و همکار  (2010)

ترکیب ANP  و DEMATEL

برتری کسب­وکار(تجاری)، بهره­وری، رشد درآمد

زلنر[21] و همکاران(2010)

ترکیب QFD و AHP

شایستگی­های مرکزی، مشخصات مشتری، عوامل حیاتی موفقیت

سقایی و دیده­خانی (2010)

ANP فازی

معیار کسب­وکار ، معیار  فرآیند و معیار مالی

سقایی و دیده­خانی (2011)

ترکیب شبکه عصبی فازی و برنامه­ریزی آرمانی فازی

معیار کسب­وکار ، معیار  فرآیند و تکنولوژی و معیار مالی

پادهی[22] و ساهو (2011)

تحلیل گزینه واقعی و برنامه‌ریزی خطی عدد صحیح صفرویک

رضایت مشتری، بهبود بهره­وری/کاهش ضایعات، کاهش هزینه­، بهبود کیفیت، بهبود فرایند، بهبود قابلیت اطمینان.

 

 

 

 

 

 


شبکه­ های عصبی مصنوعی 

طی دهه گذشته، شبکه­های عصبی به­عنوان یک فناوری که الگوی داده­ها را شناسایی و مدل­سازی می­کند، شناخته شده است. تحقیقات مختلف نشان داده‌اند که شبکه‌های عصبی عملکرد بهتری از تکنیک‌های آماری سنتی نظیر رگرسیون چندمتغیره داشته و همانند بسیاری از تکنیک‌های یادگیری ماشین برای مجموعه‌ای بزرگ و متنوع از مسائل، مناسب هستند (راضی و آتاپیلی[23]، 2005). اصطلاح شبکه­های عصبی مصنوعی، خانواده­ای از مدل­ها را تشریح می­کند که بر ویژگی­های فیزیولوژیک سیستم‌های اعصاب حیوانات و انسان­ها مبتنی هستند (هاگان و همکاران، 1388). این شبکه­ها تا حد زیادی به­عنوان جعبه سیاهی دیده شده­اند که الگوی پیچیده در  داده­ها را مشخص می­کنند و یادگیری از طریق آموزش، از ویژگی­های اساسی آن­هاست (میرغفوری و همکاران، 1388).

ساختار شبکه عصبی معمولاً یک شبکه یا گراف چند لایه با ارتباطات ساده، بین لایه­ها است. در هر لایه یک یا چندین واحد محاسباتی به­نام گره یا نرون مصنوعی وجود دارد که در حقیقت الگویی ساده از نرون­های عصبی مغز انسان هستند. نقش نرون­ها در شبکه عصبی، پردازش اطلاعات است و این امر در شبکه­های عصبی مصنوعی به وسیله یک پردازشگر ریاضی که همان تابع فعال‌سازی است، انجام می­شود. شبکه عصبی توسط الگوی ارتباطی بین لایه­های مختلف شبکه، تعداد نرون­ها، تعداد لایه­ها، الگوریتم یادگیری و تابع عملیاتی نرون، شناسایی و تعریف می­شود و در جریان اصلاح مکرر وزن­ها، یک شبکه آموزش می­بیند. با تکرار فرآیند یادگیری، شبکه مقادیر صحیح وزن­ها را شناسایی کرده و خطا را کاهش می‌دهد (میرغفوری و همکاران، 1388). اگرچه شبکه­های عصبی مصنوعی محدودیت­های خاص خود را دارند، اما دارای محاسن ویژه­ای، هم­چون قدرت یادگیری، انعطاف­پذیری، انطباق و کشف دانش هستند (گوناتیلاک[24]، 1995).

شبکه­های عصبی در حوزه­های مختلفی، نظیر علوم شناختی، علوم کامپیوتر، مهندسی برق، مدیریت، حسابداری و مالی به کار گرفته شده­اند. در سال­های اخیر از این روش، به طور فزاینده در فرآیندهای مدیریت و تصمیم­گیری در سازمان استفاده شده است. نمونه­هایی از این کاربردها عبارتند از:

پیش­بینی پاسخ بازار(کاری و موتینهو[25]، 1993؛ هروسک[26]، 1993)، پیش­بینی انتخاب مصرف کننده؛ (دیویس و همکاران[27]، 1999؛ وست و همکاران[28]، 1997)، بازایابی توریسم (مازانک[29]،1990)، تجزیه و تحلیل ارتباط خریدار و فروشندگان (وری و همکاران[30]، 1994) و تجزیه و تحلیل بخش­بندی بازار (فیش و بارنز[31]، 1995؛ ناتر[32]، 1999).

مدل­های مختلفی از شبکه­های عصبی برحسب کاربرد و عملکرد آن­ها وجود دارد. یکی از انواع آن­ها شبکه­ی پرسپترون چند لایه [33](MLP) است که نرون­ها به­صورت موازی با هم قرارگرفته­اند و نرون­های موجود در یک لایه با نرون­های لایه­های دیگر در ارتباط هستند و میزان تأثیر این ارتباطات، توسط پارامتری به­نام وزن تعیین می­شود. شبکه­ی پرسپترون چند لایه به ترتیب شامل یک لایه­ی ورودی، یک یا چند لایه­ی پنهان و یک لایه­ی خروجی است (راکعی و همکاران، 1386). لایه ورودی محل ورود اطلاعات مورد نظر شبکه است. انتخاب نوع و تعداد ورودی­های شبکه در کیفیت عملکرد شبکه تأثیر زیادی دارد. لایه­های پنهان نقش سازماندهی عملکرد یک شبکه عصبی را دارند. تعداد لایه­های پنهان و سلول­های عصبی موجود در این لایه­ها تأثیر به­سزائی در عملکرد شبکه دارد. اگر تعداد لایه­های پنهان و تعداد نرون­های هر لایه کافی نباشد، شبکه نمی­تواند به­طور مناسب به یک جواب بهینه همگرا شود و اگر تعداد آن­ها بیش از حد لازم باشد، شبکه دچار بی ثباتی می­شود (هاگان و همکاران، 1388). ادبیات موضوع نشان می­دهد که به­ندرت شبکه­ای با بیش از سه لایه پنهان در مسائل پیش­بینی، بهبود نشان داده است (کاسترا و بوید[34]، 1996). لایه نهایی هر شبکه عبارت از لایه خروجی است که نتیجه عملکرد شبکه­های عصبی و پارامترهای مورد نظر را ارائه  می­دهد. در بسیاری از تحقیقات مشابه از قانون یادگیری پس انتشار خطا(EBP)  برای آموزش شبکه­های عصبی پرسپترون چند لایه استفاده می­شود.

 

مدل تحقیق

در این تحقیق، سعی شده است تا با استفاده از شبکه­های عصبی مصنوعی مدلی برای پیش­بینی میزان موفقیت اجرای پروژه­های بهبود شش سیگما طراحی شود. با توجه به این­که اولین گام در شبکه­های عصبی، مشخص کردن ورودی­ها است، لذا در این تحقیق با توجه به بررسی مطالعات گذشته و هم­چنین استفاده از نظرات خبرگان و صاحبنظران در شش سیگما، شش عامل به­عنوان عوامل مؤثر بر انتخاب پروژه­های شش سیگما انتخاب شد که عبارتند از:

 

1- هزینه پروژه

اجرای شش سیگما نیاز به سرمایه قابل­توجهی دارد. برای مثال، جنرال­الکتریک بین سال­های ۱۹۹۶ و ۱۹۹۹ حدود ۶.۱ بیلیون دلار برای اجرای شش سیگما سرمایه­گذاری کرد (وکسر[35]، 2007). بنابراین هزینه پروژه، یک ورودی مهم برای انتخاب پروژه‌های شش سیگما است.

 

2- مدت زمان اجرای پروژه

زمان طولانی برای اجرای پروژه­ها، به منابع بیشتر نیاز داشته و منافع حاصل از اجرای پروژه را به تأخیر می­اندازد. بنابراین مدت پروژه، در فرآیند اجرای شش سیگما نقش کلیدی ایفا می­کند.

3- تعداد افراد کمربند مشکی و سبز

کمربندهای مشکی و سبز منابع کلیدی مورد نیاز در اجرای شش سیگما هستند. اسنی و رودن باق[36] (2002) شناسایی و دسترسی به کمربند مشکی­ها و سبزها را به­عنوان یکی از فرآیندهای چهار مرحله­ای انتخاب پروژه شش سیگما معرفی کرده­اند (به نقل از کومر و همکاران، 2007). بنابراین دردسترس­بودن نیروهای کاری در قالب کمربندهای مشکی و سبز یک معیار مهم است.

 

4- میزان افزایش در سطح رضایت مشتری

موفقیت هر پروژه به­شدت بستگی به این دارد که چه­طور پروژه می­تواند رضایت مشتری را بهبود بخشد؛ بنابراین عامل مهم در موفقیت هر پروژه شش سیگما، بهبود رضایت مشتری است. در این مقاله، میزان افزایش در سطح رضایت مشتری، به­عنوان یکی از عوامل مهم در انتخاب پروژه­های شش سیگما در نظر گرفته­شده­است.

 

5- تأثیر بر استراتژی کسب­و­کار

هر پروژه­ی شش سیگما به سازمان برای بهبود موقعیت رقابتی و درک چشم­انداز سازمان کمک می‌کند. در این مقاله، از یک طیف نه­تایی برای مشخص کردن میزان تأثیر هر پروژه بر استراتژی سازمان استفاده شده است.

 

6- میزان تأثیر مالی- کاهش در هزینه­ی کیفیت پایین (COPQ)

معمولاً ازهزینه کیفیت پایین (COPQ) به­عنوان یک معیار کلیدی برای انتخاب و ارزیابی پروژه­های شش سیگما استفاده می­شود (بیسگارد و فریسلبن[37]، 2004). در کارخانه­های تولیدی، کاهش تعداد نقص، به­دلیل بهبود فرآیندهای تولید، موجب ایجاد منفعت می­شود. هر بهبودی در سطح سیگما مترادف با کاهش COPQ است. یکی از اهداف اصلی پروژه‌های شش سیگما، حداقل کردن COPQ است.

با توجه به این­که هدف غایی پروژه­های شش سیگما، افزایش در میزان بهره­وری سیستم و سطح سیگمای کیفیت است، لذا این دو عامل را به­عنوان خروجی­های پروژه شش سیگما در نظرگرفته شد:

 

1- افزایش در میزان بهره­وری

یکی از اهداف شش سیگما بهبود میزان بهره­وری در سیستم تولید است. بنابراین، افزایش میزان بهره‌وری به­عنوان یکی از نتایج اجرای شش سیگما، یک خروجی مهم است.

 

2- افزایش در سطح سیگمای کیفیت

سطح سیگمای بالاتر نشان­دهنده نقص کمتر در فرآیند و سطح سیگمای پایین­تر به معنی نرخ نقص بیشتر است. سطح سیگمای کیفیت، مقیاس نرخ نقص فرآیند است. سطح سیگمای کیفیت می­تواند برای هدف الگوبرداری و اندازه­گیری کیفیت فرآیند، استفاده شود.

بنابراین، تأثیر "افزایش در سطح سیگمای کیفیت" بر سودآوری، معیار اساسی برای انتخاب پروژه­های شش سیگما است.

در نمودار 1، ساختار شبکه عصبی مورد استفاده در این تحقیق نشان داده شده است.

 

 

 

 

نمودار1: ساختار شبکه عصبی مورد استفاده در این تحقیق

 


جمع‌آوری و تجزیه و تحلیل اطلاعات

در تحقیق حاضر برای انتخاب پروژه­های بهبود شش سیگما، دو مدل (شبکه) با رویکرد شبکه عصبی طراحی شده است. در این شبکه­ها شش معیار به عنوان ورودی، به شبکه عصبی داده­شده­است. لایه خروجی در هر دو شبکه، یک نرون داشت. در یک شبکه، میزان بهره­وری و در شبکه دیگر، سطح سیگما به­عنوان خروجی در نظرگرفته شده است.

با توجه به دشواری دسترسی به سازمانی که اطلاعات موردنیاز را به طور مدون داشته و در اختیار محقق قرار دهد، برای انجام فرایند تحقیق و آموزش مدل، از داده­های مورد استفاده در کار تحقیقی کومر و همکاران (2007) استفاده شده است.

برای طراحی این شبکه، ترکیب مدل‌های مختلف، با تغییر تعداد لایه‌های مختلف، تعداد نرون‌های هر لایه، توابع آموزش و انتقال هر لایه، تعداد تکرارهای مختلف، اندازه مجموعه آموزشی و آزمایشی، به صورت آزمون و خطا آزمایش شده است تا شبکه مناسب با حداقل میانگین مجذور خطا و حداکثر ضریب تعیین به دست آید. در تحقیق حاضر 60 درصد اطلاعات برای آموزش، 15درصد برای بازآزمایی و 25 درصد برای آزمون مورداستفاده قرارگرفت.

در مسائل از نوع تقریب تابع، تعداد لایه‌های ورودی برابر تعداد متغیرهای مستقل هستند. تعداد متغیرهای در این مسأله شامل 6 معیار به­منظور انتخاب پروژه­های شش سیگماست. بنابراین، در این تحقیق تعداد نرون‌های لایه‌ی ورودی 6 است. با توجه به این­که شبکه یک خروجی دارد، تعداد نرون لایه‌ی خروجی نیز یک است.

در طراحی شبکه اول برای پیش­بینی میزان بهره‌وری حاصل از اجرای پروژه­های شش سیگما، پس از تست مدل با استفاده از نرم­افزار 5 NeuroSolutions و بارها آزمون و خطا، شبکه با دو لایه پنهان دارای جواب بهتری بود. نتایج حاصل از 5 مدل از بهترین‌ مدل‌های شبکه‌ عصبی مصنوعی در جدول 2 آورده شده است.


 

جدول 2: نتایج حاصل از 5 مدل از بهترین‌ مدل‌های شبکه‌ عصبی مصنوعی

شبکه

تعداد لایه پنهان

توابع محرک

MSE

NMSE

MAE

2r

1

3

TAN

12.7472

0.3520

1.9011

0.7219

2

4

TAN

11.5314

0.3202

2.3933

0.7751

3

2

TAN

13.9717

0.3563

2.4129

0.7910

4

4

TAN

1.4671

0.0453

0.8273

0.9658

5

2

TAN

0.1015

0.0033

0.1634

0.9980

 

 

همان­طور که در جدول 2 مشخص است، در میان این 5 مورد، مدل شبکه‌های عصبی پرسپترون چندلایه (MLP) همراه باالگوریتم پس انتشار خطا (EBP) با دو لایه‌ی پنهان با تابع محرک تانژانت در لایه‌های پنهان و لایه‌ی خروجی، از وضعیت بهتری برخوردار است. میانگین توان دوم خطا (MSE) 1015/0، میانگین قدر مطلق خطا (MAE) 1634/0 و ضریب تعیین (2r) 9980/0 بوده است. تعداد لایه‌های این شبکه 4 لایه شامل یک لایه‌ ورودی با 6 نرون، یک لایه خروجی با یک نرون و دو لایه‌ی پنهان یا میانی است.

 

 

 

   نمودار 2: مقایسه خروجی واقعی و خروجی برآوردشده شبکه در پیش­بینی میزان بهره­وری         

 

 

 

برای پیش­بینی سطح سیگمای حاصل از پروژه­های شش سیگما، شبکه با سه لایه پنهان دارای جواب بهتری بود. نتایج حاصل از 5 مدل از بهترین‌ مدل‌های شبکه‌ عصبی مصنوعی در جدول 3 آورده شده است.


 

جدول 3: نتایج حاصل از 5 مدل از بهترین‌ مدل‌های شبکه‌ عصبی مصنوعی

شبکه

تعداد لایه پنهان

توابع محرک

MSE

NMSE

MAE

2r

1

1

TAN

0.0133

0.296

0.0851

0.7715

2

4

TAN

0.0096

0.179

0.0677

0.8266

3

2

TAN

0.0073

0.129

0.0450

0.8949

4

4

TAN

0.0104

0.181

0.0846

0.9175

5

3

TAN

0.0088

0.171

0.0708

0.9664

 

 

همان­طور که در جدول 3 مشخص است، در میان این 5 مورد، مدل شبکه‌های عصبی پرسپترون چندلایه (MLP) همراه باالگوریتم پس انتشار خطا (EBP) با سه لایه‌ پنهان با تابع محرک تانژانت در لایه‌های پنهان و لایه‌ی خروجی، از وضعیت بهتری برخوردار است. میانگین توان دوم خطا (MSE) 0088/0، میانگین قدر مطلق خطا (MAE) 0708/0 و ضریب تعیین (2r) 9664/0 بوده است. تعداد لایه‌های این شبکه 5 لایه شامل یک لایه ورودی با 6 نرون، یک لایه‌ خروجی با یک نرون و سه لایه‌ پنهان یا میانی طراحی شده است.

 

 

 

 

 

نمودار3: مقایسه خروجی واقعی و خروجی برآورد شده شبکه در پیش‌بینی سطح سیگما

 


تحلیل حساسیت شبکه‌های عصبی

تحلیل حساسیت در واقع روشی است که در آن با ایجاد تغییر در ورودی­ها میزان تغییر در خروجی مورد تحلیل قرار می­گیرد. این مسأله نشان­دهنده آن است که کدام ورودی بیشترین تأثیر را بر روی خروجی خواهد داشت (یاو و همکاران، 2003). در تحقیق حاضر نیز برای پاسخ به این سؤال که کدام یک از متغیرهای ورودی؛ یعنی معیارهای انتخاب پروژه­های شش سیگما، بیشترین تأثیر را بر روی خروجی­ها؛ یعنی میزان بهره­وری و سطح سیگمای حاصل از پروژه­های شش سیگما داشته، از تحلیل حساسیت در شبکه عصبی استفاده شده است. نتایج حاصل از تحلیل حساسیت در نمودارهای 4 و 5 نشان داده شده است. همان­گونه که از نمودارها مشخص است، عوامل "استراتژی کسب و کار" و "میزان تأثیر مالی" به ترتیب بیشترین و کمترین تأثیر را بر خروجی­های مدل شامل میزان بهره­وری و سطح سیگما داشته است.

 

 

 

نمودار4: تحلیل حساسیت شبکه عصبی با خروجی میزان بهره­وری

 

 

نمودار5: تحلیل حساسیت شبکه عصبی با خروجی سطح سیگما

 


بحث

در مقایسه با سایر روش­های استفاده شده در انتخاب پروژه­های بهبود شش سیگما، مدل شبکه عصبی مورد استفاده در این مقاله دارای توانمندی‌های بالاتری است. در روش‌های کلاسیک همانند AHP، TOPSIS و SAW نیاز به تعیین وزن برای هرمعیار است؛ به­خصوص زمانی که تعداد تصمیم­گیرندگان افزایش یابد، به دست آوردن وزن‌های معتبر برای هر معیار دشوار است. با استفاده از شبکه­های عصبی، نیازی نیست که ابتدا تحلیلی از مسئله و یا ساختار درونی سیستم داشته باشیم. با به کارگیری شبکه‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌ عصبی‌ امکان بررسی هم‌زمان تأثیر تعداد زیادی متغیر فراهم می‌شود؛ به عبارت دیگر، میزان اعتماد به نتایج تحقیق برای تصمیم‌گیری در شرایط واقعی بالاتر می‌رود. با توجه به قدرت شبکه‌های عصبی و قابلیت‌های آن، امکان تلفیق داده‌ها به وجود آمده، عمق و دقت تحلیل بیشتر می‌شود و لذا نتایج حاصل از تحلیل داده‌ها به واقعیت نزدیک‌تر شده و اعتبار تصمیم‌گیری افزایش می­یابد. بنابراین مدل­های شبکه عصبی نسبت به روش­های مرسوم، نیرومندتر و انعطاف­پذیرتر هستند. هم­چنین با انجام تحلیل حساسیت که در شبکه­های عصبی امکان­پذیر است و با آن میزان تأثیر ورودی­ها و خروجی­های شبکه سنجیده می­شود، می­توان پیش‌بینی­های دقیق­تری انجام داد و تحلیلی جامع بر اثرات ورودی­ها بر خروجی­های مدل انجام داد.

در مطالعات اندکی به بررسی میزان تأثیر عوامل مؤثر بر انتخاب پروژه­های بهبود شش سیگما پرداخته شده است (گوس نیک و هان­جک، 2009 و آنتونی، 2004). در این پژوهش علاوه بر ارائه مدلی برای انتخاب پروژه­های بهبود شش سیگما، میزان تأثیر عوامل مؤثر بر انتخاب پروژه­های بهبود نیز بررسی می­شود. همان­طور که از ادبیات تحقیق مشخص است، تحقیقات بسیاری از جمله پادهی و ساهو (2011)، یانگ و حسیه (2009) و بویوکوزان و همکار (2010) نیز عوامل مورد بررسی در این پژوهش مانند هزینه پروژه، سطح رضایت مشتری، تأثیر بر استراتژی کسب­و­کار و میزان تأثیر مالی را در انتخاب پروژه­های بهبود شش سیگما مؤثر دانسته­اند.

با توجه به تجزیه و تحلیل­های صورت گرفته، از میان عوامل تأثیرگذار بر سطح سیگما و هم­چنین میزان بهره‌وری حاصل از اجرای پروژه­های بهبود شش سیگما، "استراتژی کسب­و­کار" بیشترین تأثیر را بر هر دو خروجی داشته‌ است که این نتایج، یافته‌های گوس نیک و هان­جک (2009) و آنتونی (2004) را تأیید می‌کند.

هم­چنین نتایج حاکی از آن است که"میزان تأثیر مالی" و "هزینه پروژه" عواملی هستند که کمترین تأثیر را بر این سطح سیگما و میزان بهره‌وری دارند.

 

نتیجه­ گیری

امروزه سازمان­ها به­دنبال روشی به­منظور بهبود کیفیت فرآیندها و محصولات هستند، تا از این طریق رضایت مشتری و سودآوری را افزایش دهند. شش سیگما یکی از روش­هایی است که بدین منظور استفاده می­شود. در این میان، انتخاب پروژه­ها یکی از چالش­برانگیزترین مسائل در حوزه­ی شش سیگما است. به طوری که اشتباه در انتخاب پروژه­ها منجر به شکست در اجرای شش سیگما می­شود. حجم بالای داده­ها و عدم اطلاع از نوع رابطه بین متغیرهای ورودی و خروجی، نیاز به یک مدل مناسب برای پیش­بینی موفقیت پروژه­های بهبود شش سیگما را الزامی می­سازد. در این میان استفاده از تکنیک­های فراابتکاری و هوش مصنوعی از جمله شبکه­های عصبی، می­توانند راه گشا باشند. این مقاله با استفاده از تکنیک شبکه­های عصبی مصنوعی، مدلی مناسب برای پیش­بینی میزان بهره­وری و سطح سیگمای حاصل از پروژه­های بهبود شش سیگما ارائه داده است. کارایی این دو شبکه در مقایسه با شبکه‌های مشابه پس از آزمون­و­خطا و تغییرات متعدد تأیید شده است. در فرآیند توسعه­ی این مدل، با تغییر تعداد نرون­ها، لایه­ها و انواع الگوریتم­های یادگیری نتایج مدل بهبود، یافته و انواع شبکه­ها با انجام آزمایش­های متعدد بررسی شده است. نتایج این تحقیق ارائه دو شبکه پرسپترون 4 و 5 لایه، به عنوان بهترین شبکه­ها برای پیش­بینی موفقیت پروژه‌های بهبود شش سیگما در ایجاد بهره­وری و افزایش سطح سیگما می­باشد که می­تواند تصمیم‌گیرندگان را در این حوزه یاری رساند.

در این مقاله از توان شبکه عصبی در تحلیل حساسیت استفاده گردید که نتایج حاکی از آن است که عوامل "استراتژی کسب و کار" و "میزان تأثیر مالی" به ترتیب بیشترین و کمترین تأثیر را بر خروجی­های مدل شامل میزان بهره­وری و سطح سیگما داشته است.

همان­طور که بیان شد "استراتژی کسب و کار" به عنوان عاملی که بیشترین تأثیر را بر خروجی­های مدل شامل میزان بهره­وری و سطح سیگما دارد، شناخته شده است. دستیابی به اهداف استراتژیک و مأموریت سازمان، از مهمترین اهداف به­کارگیری شش سیگما است، به طوری که در تمام جوایز کیفیت، برنامه­های استراتژیک به عنوان معیاری مهم در ارزیابی فرایندها به شمار می‌رود. سازمان­ها به منظور بهره­برداری از منافع پروژه­های شش سیگما، باید به گونه­ای عمل نمایند که این پروژه­ها در راستای اهداف استراتژیک سازمان باشند. به عبارتی دیگر، سازمان­ها باید پروژه­هایی را برگزینند که نیازمندی‌های استراتژیک سازمان را برآورده نماید و با اهداف کلی شرکت که در استراتژی آن انعکاس می‌یابد، همخوانی داشته باشند. لذا پیشنهاد می‌شود در تدوین استراتژی کسب و کار سازمان سرمایه­گذاری و دقت­نظر بیشتری به عمل آید. هم­چنین با توجه به آن‌که در اجرای پروژه‌های بهبود، تمامی کارکنان سازمان مشارکت دارند، مدیران عالی سازمان باید در تدوین استراتژ‌های کسب و کار سازمان نیز از توانمندی و مشارکت آن‌ها بهره‌مند شوند تا ضامن اجرای برنامه‌های بهبود گردد.

با توجه به نتایج به دست آمده و تحلیل­های صورت گرفته، از آن­جایی که "تعداد افراد کمربند مشکی و سبز" به عنوان یکی از عواملی که بیشترین تأثیر را بر سطح سیگمای پروژه­های بهبود شش سیگما دارند، پیشنهاد می­شود به منظور افزایش این افراد در سازمان، دوره­های آموزشی برگزار شود.

از منظر روش‌شناسی نیز می‌توان گفت رویکرد شبکه عصبی فازی روشی قدرتمند در پیش­بینی پدیده­های مختلف مدیریتی است. بنابراین پیشنهاد می­شود در تحقیقات آتی روش ترکیبی شبکه عصبی مصنوعی و منطق فازی مورد استفاده قرار گیرد. در این تحقیق به علت محدودیت زمانی، شبکه­های عصبی مصنوعی قطعی مورد استفاده قرار گرفت تا ضمن تأئید روایی آن در مراحل بعدی با استفاده از رویکرد فازی این مدل توسعه یابد. هم­چنین استفاده از شبکه­های عصبی فازی و ترکیب آن با الگوریتم ژنتیک نیز در بهینه­یابی اوزان شبکه، می­تواند نتایج جالب توجهی را ارائه دهد.

در این پژوهش علاوه بر محدودیت­های موجود در کار میدانی و در مرحله جمع­آوری اطلاعات، رویکرد مورد استفاده نیز دارای محدودیت­هایی بوده است که از آن جمله می­توان به نیاز به حجم بالای اطلاعات برای آموزش و آزمایش شبکه، نیاز به زمان زیاد برای انتخاب ساختار مناسب شبکه از راه آزمایش­و­خطا و طبیعت مبهم شبکه­های عصبی در ارتباط با روابط داخلی بین لایه­ها که آن را با لفظ جعبه سیاه توصیف کرده­اند، اشاره کرد. هم­چنین در این پژوهش به دلیل عدم دسترسی به سایر معیارهای انتخاب پروژه­های شش سیگما، از شش معیار ذکر شده در تحقیق، به عنوان ورودی­های شبکه استفاده شده است. در پژوهش­های آتی در صورت در دسترس بودن سایر معیارها و با توجه به نظر خبرگان این حوزه، می­توان از دیگر معیارها  نیز به عنوان ورودی و خروجی شبکه استفاده کرد.



[1]. Total Quality Managemaent (TQM)

[2]. Cost Of Poor Quality (COPQ)

[3]. Six Sigma

[4] . Saghaei & Didehkhani

[5] .Zhu

[6] .Antony

[7]. Kumar

[8]. Yang and Hsieh

[9] . Chao & Chia

[10] . Buyukozkan

[11]. Artificial Neural Network (ANN)

[12]. Bill Smith

[13]. Motorola

[14]. Mikel Harry

[15] . Gosnik & Hohnjec

[16]. Pande

[17]. Harry and Schroeder

[18]. Defects Per Million Opportunities (DPMO)

[19]. Banuelas

[20] .Adams

[21] . Zellner

[22] . Padhy

[23] . Razi & Athappilly

[24] . Goonatilake

[25] . Curry & Mutinho

[26] . Hruschk

[27] . Davis

[28]. West

[29] . Mazanec

[30] . Wary

[31] . Fish & Barnes

[32] . Natter

[33]. Multi Layer Perceptron (MLP)

[34] . Kaastra & Boyd

[35] . Waxer

[36] . Snee and Rodenbaugh

[37] . Bisgaard & Freiesleben

آذر، عادل، میرفخرالدینی، سیدحیدر و انواری رستمی، علی­اصغر، (1387). بررسی مقایسه­ای تحلیل داده­ها در شش سیگما، با کمک ابزارهای آماری و فنون تصمیم­گیری چندشاخصه. پژوهش­های مدیریت در ایران، 12(4) (پیاپی 59 )، 35-1.

راکعی، بابک، خام­هچیان، ماشااله، عبدالملکی، پرویز و گیاهچی، پانته، (١٣٨۶). کاربرد سیستم شبکه­ی عصبی مصنوعی در پهنه­بندی خطر زمین لغزش، مطالعه­ی موردی: ناحیه سفیدار گله در استان سمنان. مجلهعلومدانشگاهتهران،  33 (1)، ۵۷-۶۴.

شادمهر، حسین، (1384). شش سیگما، نگهداری و تعمیرات. نشریهپیامایرانخودرو، 91 ، 1-7.

میرغفوری، سید حبیب اله، طاهری دمنه، محسن و زارع احمدآبادی، حبیب، (1388).  ارزیابی روش­های سنجش کیفیت خدمات به وسیله شبکه­های عصبی مصنوعی. چشماندازمدیریت، 31 ،63-79.

هاگان، مارتین تی، دیموث، هاروارد بی و بیل، مارک (1388). طراحی شبکه‌های عصبی. ترجمه: سید مصطفی کیا، تهران: انتشارات کیان رایانه‌ سبز.

Adams, C., Gupta, P. and Wilson, C. (2003). Six Sigma Deployment. Oxford: Butterworth-Heinemann.

Antony, J. (2004). Six Sigma in the UK service organisations: results from a pilot survey. Managerial Auditing Journal, 19 (8), 1006-1013.

Antony, J., Kumar, M. and Labib, A. (2009). Gearing Six Sigma in to UK manufacturing SMEs: results from a pilot study. Journal of the Operational Research Society, 59, 482-493.

Banuelas, R., Tennant, C., Tuersley, I. and Tang, S. (2006). Selection of six sigma projects in UK. The TQM Magazine, 18 (5), 514-527.

Bisgaard, S. and Freiesleben, J. (2004). Six sigma and the bottom line. Quality Progress, 37 (9), 57-62.

Büyüközkan, G. and Öztürkcan, D. (2010). An integrated analytic approach for Six Sigma project selection. Expert Systems with Applications, 37, 5835-5847.

Chao, T. S. and Chia, J. C. (2008). A systematic methodology for the creation of six sigma projects: A case study of semiconductor foundry. ExpertSystems withApplications, 34, 2693-2703.

Curry, B. and Mutinho, L. (1993). Neural Networks in inMarketing: Modeling Consumer Responses to Advertizing . European Journal of Marketing, 27, 5-20.

Davis, F., Geode, M. and Mazanec, J. (1999). Lisrel & Neural Network Modeling two Comparison Studies. journal of Retailing & Consumer Services, 6, 242-261.

Fish, K.E., Barnes, J,H.Aiken. (1995). Artificial Neural Networks: a New Methodology for Industrial Market Segmentation. IndustrialMarketingManagement, 24, 431-438.

Goonatilake, S. (1995). Intelligent Systems for Finance & Business: An Overview. Intelligent Systems for Finance and Business, Wiley, New York,  1-28.

Gošnik,D. and Hohnjec, M. (2009). Selection Criteria for Six Sigma Projects in Slovenian Manufacturing Companies. Organizacija, 42(4), 137-143.

Gosnik, D., Bertoncelj, A. & Kavcic, K. (2010). Six Sigma Project Identification And Selection - Comparison Study Between Slovenia And UK, Managerial Challenges of the Contemporary Society, 64-70. URL: http://conference. ubbcluj.ro/mccs/ RePEc/bbu/wpaper/64-70.pdf

Harry, M.J. and Schroeder, R. (2000), Six Sigma: The Breakthrough Management Strategy Revolutionising the World’s Top Corporations. Sydeny: Currency Publishers.

Hruschka, H., (1993). Determining Markets Response Functions by Neural Network Modeling: a Comparison to Econometric Techniques. EuropeanJournal of Operational Research, 66, 27-35.

Kaastra, I. and Boyd, M. (1996). Designing A Neural Network For Forecasting Financial and Economic Time Series.  Neurocomputing, 10, 215-236.

Kumar, U. D., Saranga, U., Ramirez-Marquez, J. E. and Nowicki, D. (2007). Six sigma project selection using data envelopment analysis. TQM magazine, 19(5), 419-441.

Mazanec, J.A. (1999). Simultaneous Positioning & Segmentation Analysis with Topologically Ordered Feature Map: a Tour Operator Example. Journalof Retailing & Consumer Services, 6, 212-235.

Natter, X. (1999). Conditional Market Segmentation by Neural Networks, A Monte Carlo Study. Journal Of Retailing & Consumer Services, 6, 237-248.

Padhy, R.K. , Sahu. S. (2011). A Real Option based Six Sigma project evaluation and selection model, International Journal of Project Management, 29 (8), 1091-1102.

Razi, M.A., Athappilly, K. (2005).  A comparative predictive analysis of neural networks (NNs), nonlinear regression and classification and regression tree (CART) models. Expert Systems with Applications, 29, 65 – 74.

Saghaei, A. and Didehkhani, H. (2010). Application of Analytic Network Process in Selection of Six Sigma Projects. International Journal of Industrial Engineering & Production Research, 20(4), 157- 164.

Saghaei, A. and Didehkhani, H. (2011). Developing an integrated model for the evaluation and selection of six sigma projects based on ANFIS and fuzzy goal programming. Expert Systems with Applications, 38, 721 – 728.

Wary, B. Palmer, A., Bejou, D. (1994). Using Neural Network Analysis to Evaluare Buyer- Seller Relationship. Euroup Journal of Marketing, 28(b), 32 - 48.

Waxer, C. (2007). Six sigma costs and savings: the financial benefit of implementing six sigma at your company can be significant. internet article available at: www.isixsigma.com.

West, P., Brocket, P.L., Golden, L. (1997). A Comparative Analysis of Neural Networks & Statistical Methods for Predicting Consumer Choice. Marketing Science, 16, 370 - 391.

Yang, T., and Hsieh, C. H. (2008). Six-sigma project selection using national quality award criteria and fuzzy multiple criteria decision-making method. In Proceeding of fourth international conference, IEEE.This paper appears in: Wireless Communications, Networking and Mobile Computing, 2008. WiCOM '08. 4th International Conference on.

Yang, T., and Hsieh, C. H. (2009). Six-Sigma project selection using national quality award criteria and Delphi fuzzy multiple criteria decision-making method. Expert Systems with Applications, 36, 7594 – 7603.

Yao, Y.Y., Zhao, Y., and Maguire, R.B. (2003). Explanation-oriented association mining using a combination of unsupervised and supervised learning algorithms. Proceedings of the Sixteenth Canadian society for computational studies of intelligence conference on Advances in artificial intelligence.

Zellner, G., Leist, S. and Johannsen, F.(2010). Selecting Critical Processes For A Six Sigma Project – Experiences From An Automotive Bank. 18th European Conference on Information Systems, 1-12.

Zu, X. Fredendall, LD. and Robbins, TL. (2006). Organizational Culture and Quality Practices in Six Sigma. The 2006 Annual Meeting of the Academy of Management; US Available from: URL: www.om.aomonline.org/.