۳-۲-۱۶- سابقه­ نرم­افزار:
هر نرم­افزار، سابقه و پیشینه­ی خاص خود را دارد. با افزایش سن نرم­افزار، تجربه­ فروشندگان و مشتریان در تولید و به­ کارگیری آن بیشتر می­ شود. بسیاری از شرکت­ها و سازمان­های مختلف، از نرم­افزارهای جامع و یکپارچه تولید شده توسط برندهای مطرح استفاده می­ کنند، چراکه پیاده­سازی یک BPMS در سازمان مشمول صرف هزینه و زمان می­باشد. لذا، شرکت­های بزرگ و سازمان­هایی که تعداد پرسنل آن­ها بیش از ۵۰ نفر می­باشد، اکثراً از نرم­افزارهایی استفاده می­ کنند که سابقه­ شرکت­های تولیدکننده­ی این نوع نرم­افزار بیشتر باشد. بنابراین، ممکن است هزینه­ تهیه و اجرای اولیه این نوع نرم­افزارها به­خصوص در حوزه ­های مالی و اداری نسبتاً بالا و سنگین باشد، اما در دراز مدت، به دلیل عدم مواجهه با مشکلات نرم­افزاری یا از بین رفتن اطلاعات و داده ­ها و امکان تولید انواع گزارشات، فراخور نیاز روز ، این هزینه­ها نه­تنها زیاد نیستند ، بلکه بسیار معقول و متعادل می باشند و همان­گونه که قبلاً ذکر شد، در واقع یک سرمایه ­گذاری قوی می­باشد. همچنین پراکندگی جغرافیایی و میزان دسترسی به یک محصول از نکات مهم و کلیدی مورد توجه خریداران است.

جدول ۳-۱۶- شاخص­ های سابقه­ نرم­افزار

۱۶
سابقه­ نرم­افزار

۱۶-۱
سن نرم­افزار

۱۶-۲
گسترش جغرافیایی

۱۶-۳
شهرت تأمین کننده

۱۶-۴
در دسترس بودن منابع

۱۶-۵
حضور در بازار

۳-۳- شبکه عصبی مصنوعی:
امروزه روش­های فراابتکاری یکی از مؤثرترین راهکارها در جهت دستیابی به جواب­های بهینه در مسائل پیش روی سازمان­ها می­باشد. استفاده از روش­های فرا­­ابتکاری، مانند روش­های مبتنی بر هوش مصنوعی برای حل مسائل پیچیده، پژوهشگران را برای استفاده از این روش­ها در مدل­سازی فرایند تصمیم ­گیری ترغیب کرده است. یکی از این پیشرفت­ها در زمینه­ هوش مصنوعی، شبکه ­های عصبی مصنوعی هستند. شبکه عصبی مصنوعی از دهه ۱۹۷۰ میلادی مطرح شده است و یک ابزار پردازش اطلاعات با ساختار موازی است که قادر به انجام موفقیت­آمیز اعمالی مانند تخمین توابع غیرخطی، طبقه ­بندی الگوها، تشخیص الگوها، پیش ­بینی و غیره است. تعریفی که رامل­هارت^[۵۲] در سال ۱۹۸۶ از شبکه عصبی مصنوعی ارائه می­دهد، عبارت است از: “شبکه­ ای انبوه و به هم پیوسته با ساختاری موازی وعناصر ساده، برای تعامل با اشیاء دنیای واقعی با الگوبرداری از سیستم عصبی بیولوژیکی” ]۵۲[.
در واقع، بر اساس روابط منطقی مشابه، با دریافت یک سری اطلاعات، نتایج منطقی را عرضه کرده و به کاربر ارئه می­دهد. شبکه عصبی مصنوعی با تجزیه­وتحلیل داده­ههای ورودی و نتایج نظیر آ­ن­ها ارتباطی منطقی بین داد­ه­ها برقرار می­ کند که ممکن است غیر­خطی و نامشخص باشد، سپس با بهره گرفتن از این ارتباط منطقی، شبیه سازی را برای موارد احتمالی مشابه انجام می­دهد]۶[. استفاده از شبکه ­های عصبی مصنوعی برای تعیین میزان کارایی سیستم­های مدیریت فرایند کسب­وکار راهکاری بهینه ارائه می­دهد، چراکه، تلاش در جهت بهبود کارایی سیستم­های مدیریت فرایند کسب­وکار از ارکان رو به رشد سازمان­ها و صنایع بزرگ و کوچک است.
ساختار شبکه عصبی معمولاً، یک شبکه یا گراف چند لایه با ارتباطات ساده، بین لایه ­ها است. در هر لایه، یک یا چندین واحد محاسباتی به نام گره یا نرون عصبی 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 شبکه ­های عصبی مصنوعی، به وسیله­ یک پردازش­گر ریاضی که همان تابع فعال­سازی است؛ انجام می­ شود. یکی از معمول­ترین توابع فعال­سازی شبکه عصبی تابع سیگموئید می­باشد. شبکه عصبی، توسط الگوی ارتباطی بین لایه­ های مختلف شبکه، تعداد نرون­ها، تعداد لایه ­ها، الگوریتم یادگیری و تابع عملیاتی نرون، شناسایی و تعریف می­ شود ]۷،۵۳[.
ساختار الگوریتم­های شبکه عصبی دارای سه لایه اصلی می­باشد ]۵۴[:
لایه­ی ورودی: اطلاعات اولیه که به عنوان داده ­های خام به لایه­ های پنهان داده می­ شود.
لایه های پنهان: این لایه معرف توابع پیچیده­ای است که وظیفه­ی پردازش روی داده ­های ورودی به لایه اول را بر عهده دارند و می­توانند نتایج را پیش ­بینی کنند. پردازش توسط توابع ریاضی بر روی ورودی­ ها انجام می­گیرد.از این رو، لایه های پنهان جزء کلیدی از یک شبکه عصبی را شامل می­شوند، چراکه وظیفه­ی انجام محاسبات اصلی را بر عهده دارند.
لایه خروجی: نتیجه نهایی به دست آمده از جمع آوری پیش ­بینی­های ساخته شده در لایه­ های پنهان در این لایه حاصل می­ شود.
۳-۳-۱- مدل ارائه شده به کمک شبکه عصبی مصنوعی:
مدل­سازی به کار رفته در این طرح، مدل پرسپترون چندلایه^[۵۳] است؛ چرا که از یک لایه ورودی، چند لایه پنهان و یک لایه خروجی تشکیل یافته است. در این ساختار، تمام نرون­های یک لایه به تمام نرون­های لایه بعد متصل هستند]۷[. نرون­های لایه ورودی بنابر میزان اهمیتی که در شبکه دارند، در عددی که وزن آن نرون محسوب می­ شود، ضرب شده و قدرت سیگنال آن نرون در ایجاد خروجی­های شبکه را نشان می­دهد. شبکه عصبی، با یادگیری حل مسئله­ جواب نهایی و بهینه را پیدا می­ کند و در واقع، برنامه­ ریزی قبلی نمی­ شود.
یادگیری شبکه در جریان اصلاح مکرر وزن­ها، انجام می­ شود و شبکه از این طریق آموزش می­بیند. با تکرار فرایند یادگیری، شبکه مقادیر صحیح وزن­ها را شناسایی کرده و خطا را کاهش می­دهد. برای مجموعه مشخصی از ورودی­ ها، از تفاضل بین مقدار واقعی و خروجی شبکه، مقدار خطا محاسبه می­ شود]۷،۵۵[. بنابراین، شبکه با بهره گرفتن از قواعد و داده ­ها آموزش داده می­ شود و با بهره گرفتن از قابلیت یادگیری، الگوریتم­های متنوعی پیشنهاد می­گردد که همگی سعی در نزدیک کردن خروجی تولید شده توسط شبکه به خروجی ایده­آل و مورد انتظار دارند.
شاخص­ هایی که طی بررسی نرم­افزارهای مختلف و نیازهای یک سازمان از مدیریت فرایند کسب­وکار انتخاب شده ­اند؛ به عنوان اطلاعات ورودی به لایه ورودی در شبکه عصبی داده می­شوند. این شاخص ­ها که در ۱۶ گروه تدوین شده ­اند در وزن­هایی ضرب می شوند تا قدرت سیگنال را تعیین کنند. نهایتاً، یک عملگر ریاضی تصمیم ­گیری می­ کند که آیا نرون فعال شود یا خیر و اگر جواب مثبت باشد؛ میزان خروجی را مشخص می­سازد. در این مدل، لایه خروجی شبکه ۱۰ نرون دارد که نشان­دهنده­­ی نرم افزارهای مورد بررسی در این پژوهش می­باشد. ساختار شبکه عصبی مدل ارائه شده در جدول ۳-۱۷- نشان داده شده است: