🔳 #پیتر_دراکر (پدر علم مدیریت نوین) می‌گوید: "هیچ چیز در این دنیا بیهوده‌تر از، درست انجام دادنِ کاری که اساساً نباید انجام شود، نیست." ⭕️ در واقع منظورِ پیتر دراکر این است که؛ قبل از این که به درست انجام دادن کار فکر کنیم (#کارآیی) ، باید به پیدا کردن کارهای درست بیاندیشیم (#اثربخشی). 🔻 کانال تفکر سیستمی @samamsystem

◀️ #کارآیی و #اثربخشی به چه معنی است؟ @samamsystem ✏️ معمولا دو عبارت *اثربخشی* و *کارآیی* را زیاد می شنویم. در این مطلب به تعریف دقیق این دو عبارت می پردازیم. ✏️ تعریف اثربخشی (Effectiveness): ميزاني كه فعاليتهاي برنامه ريزي شده تحقق يافته و نتايج برنامه ريزي شده بدست آمده است. مطابق تعریف فوق، هرگاه صحبت از برنامه ریزی و یا زمان شد، باید بدنبال تعریف اثربخشی باشیم. بعنوان مثال شاخص برنامه تولید، تحویل به موقع و ... 📍تعریف عامیانه تر اثربخشی: "کار را به درستی تعریف کنیم." ✏️ تعریف کارآیی (Efficiency): "رابطه ميان نتايج بدست آمده با منابع استفاده شده." براساس این تعریف زمانی که صحبت از منابع مانند پول یا منابع انسانی می آید، صحبت از کارآیی است، بعنوان مثال شاخص سود، کاهش هزینه های تولید، نسبت نیروی انسانی به تولید و .... 📍 تعریف عامیانه تر کارآیی : *کار را به درستی انجام دهیم.* ✏️اما سوال اینجاست که کدام یک بهتر هستند، "آیا باید بدنبال کارآیی بود یا اثربخشی؟" سازمان‌های پیشرو همواره توجه ویژه ای به هر دو شاخص اثربخشی و کارآیی دارند و سعی می کنند در سازمان هر دوشاخص اندازه‌گیری شود. "زمانی می توانیم بگوییم بهره‌وری سازمانی در حد مطلوبی است که هر دو شاخص اثربخشی و کارآیی در حد مطلوب باشد." ✏️همانطور که در تعاریف عامیانه گفتیم "زمانی کاری صحیح است که هم درست تعریف شود و هم درست انجام شود." شاید شما هم شنیده باشید که فردی که بصورت حرفه ای دزدی می کند کارآیی بالایی دارد چرا که کارش را بدرستی انجام می‌دهد اما چون کار را بدرستی تعریف نکرده است، اثربخشی مناسبی ندارد. کانال تفکر سیستمی @samamsystem

🎥 وقتی راهمان اشتباه باشد، مهم نیست چقدر تلاش می‌کنیم ... 💥 توجه به #اثربخشی در عین تلاش برای ارتقاء #کارآیی یکی از اصول #تفکر_سیستمی است ... @samamsystem

✅ ترکیب پویایی شناسی سیستم ها و Big Data 🔶 ظهور علم #تحلیل #داده و داده های بزرگ (#Big_Data) توانسته است قدرت بیشتری را در اختیار #پویایی_شناسی_سیستم_ها قرار دهد، زیرا باعث #گسترش #کارایی این روش شده است. 🔷 همچنین مدل های #سیستم #دینامیک می توانند تفسیر بیشتری را برای تحلیل داده های بزرگ از طریق #ساختار #علیت آن، ارائه دهند. 🔶 ظهور علم تحلیل داده ها یک اثر قوی #هم_افزایی بر توسعه مدل های سیستم دینامیک داشته است. 🔷 هر #مدل #شبیه سازی کامپیوتری نیاز به منبع اطلاعات یا پایگاه داده مناسب دارد. 🔶 #فارستر اظهار داشت که مدل های سیستم دینامیک باید تمام انواع اطلاعات موجود و #پایگاه_های #داده (ذهنی، نوشته و عددی) را در نظر بگیرند. 🌐 شرح کامل مطلب در سایت موسسه سمام : yon.ir/1qaOn 📌 منبع: www.johnsnowlabs.com