DOI: https://doi.org/10.32782/bsnau.d2026.2.3
تاريخ النشر: 2026-05-29
المؤلف: Tetiana Kmytiuk وآخرون
الموضوع الرئيسي: الاستثمار الرأسمالي وتحليل المخاطر
نظرة عامة
في سياق الاقتصاد الرقمي، تواجه المنظمات تحديات كبيرة في اختيار وترتيب أولويات مشاريع تكنولوجيا المعلومات بسبب قيود الموارد، والعوائد غير المؤكدة، وظروف السوق المتقلبة. تبحث هذه الدراسة في استخدام نماذج شجرة القرار المعززة بتقنيات التعلم الآلي لتحسين عملية اختيار مشاريع تكنولوجيا المعلومات. الهدف الرئيسي هو إنشاء إطار عمل تنبؤي وقابل للتفسير يساعد صانعي القرار في تقييم جدوى المشروع، وإمكانات التمويل، والتوافق الاستراتيجي. من خلال تحليل مجموعات البيانات المنظمة التي تشمل مؤشرات الأداء المالي والتكنولوجي والتنظيمي، تقوم الدراسة بتدريب خوارزمية شجرة القرار لتصنيف مشاريع تكنولوجيا المعلومات إلى فئات نتائج محددة مسبقًا، مما يسهل اتخاذ القرارات الشفافة المستندة إلى القواعد.
تظهر النموذج المطور قدرات تنبؤية قوية، حيث تحقق دقة تبلغ حوالي 81.1% في التمييز بين مشاريع تكنولوجيا المعلومات الناجحة وغير الناجحة. وهذا يشير إلى موثوقية النموذج ويبرز مزايا الأساليب المعتمدة على شجرة القرار، التي تحقق توازنًا بين القابلية للتفسير والأداء التنبؤي، مما يجعلها مناسبة تمامًا لأنظمة دعم القرار الإدارية. مقارنةً بالأساليب التقليدية، يعزز إطار التعلم الآلي الاتساق في تقييم المشاريع ويكشف الأنماط الخفية في نتائج الاستثمار. تشمل العوامل الرئيسية المحددة لنجاح مشاريع تكنولوجيا المعلومات التي حددها النموذج قطاع الصناعة، والتوجه التكنولوجي، ونموذج الإيرادات، وتاريخ التمويل، وخصائص المؤسسين، وملف المستثمر، مما يضع النموذج كأداة فعالة لدعم القرار لأصحاب المصلحة الذين يسعون إلى تحسين تخصيص الموارد في الاقتصاد الرقمي.
الطرق
تستخدم البحث منهجية قائمة على البيانات تركز على التعلم الآلي المراقب، باستخدام خوارزميات شجرة القرار، لتعزيز اختيار مشاريع تكنولوجيا المعلومات ضمن الاقتصاد الرقمي. يتم تحليل مجموعة بيانات منظمة تشمل المتغيرات المالية والتكنولوجية والتنظيمية. تشمل المنهجية عدة مراحل، بما في ذلك معالجة البيانات المسبقة، واختيار الميزات، وتدريب النموذج، مستفيدة من معايير مثل الانتروبيا، ومؤشر جيني، واكتساب المعلومات لتطوير نموذج تصنيف قابل للتفسير.
لتقييم أداء النموذج، يتم استخدام مقاييس قياسية مثل الدقة، والدقة، والاسترجاع، ودرجة F1، بالإضافة إلى مصفوفة الالتباس وتحليل ROC. تضمن هذه المقاربة الشاملة ليس فقط موثوقية تنبؤية ولكن أيضًا تعزز القابلية للتفسير، مما يجعل النتائج قابلة للتطبيق في سياقات اتخاذ القرار الإداري.
المناقشة
تؤكد قسم المناقشة في ورقة البحث على الحاجة الملحة لأساليب فعالة للتنبؤ بنتائج مشاريع تكنولوجيا المعلومات وتعزيز عمليات اتخاذ القرار في سياق الاقتصاد الرقمي. يبرز الإمكانات التي توفرها تقنيات التعلم الآلي، وخاصة نماذج شجرة القرار، لتحليل مجموعات البيانات المعقدة، وتحديد عوامل النجاح الرئيسية، وتقديم النتائج بطريقة قابلة للتفسير لصانعي القرار. التحديات التي تواجهها المنظمات، مثل تخصيص الموارد غير الفعال ومعدلات فشل المشاريع العالية، تؤكد على أهمية تطوير أدوات منظمة لاختيار مشاريع تكنولوجيا المعلومات.
تشير الأدبيات الحديثة إلى اهتمام متزايد في تطبيق التعلم الآلي على إدارة مشاريع تكنولوجيا المعلومات، حيث غالبًا ما تفتقر الأساليب التقليدية للاختيار إلى الدقة اللازمة في البيئات متعددة العوامل. تُلاحظ شجرات القرار لشفافيتها وقابليتها للتفسير، وهي أمور حاسمة لأصحاب المصلحة الذين يحتاجون إلى مبررات واضحة وراء التنبؤات. كما تحدد الورقة فجوة في الأبحاث الحالية بشأن التطبيق العملي للنماذج القابلة للتفسير في اختيار مشاريع تكنولوجيا المعلومات، مما يشير إلى أن المزيد من الاستكشاف لأساليب شجرة القرار يمكن أن يعزز بشكل كبير من كفاءة ودقة اتخاذ القرار في هذا المجال. بشكل عام، تدعو النتائج إلى دمج نماذج شجرة القرار في أنظمة دعم القرار لتحسين التخطيط الاستراتيجي وتخصيص الموارد في إدارة مشاريع تكنولوجيا المعلومات.
DOI: https://doi.org/10.32782/bsnau.d2026.2.3
Publication Date: 2026-05-29
Author(s): Tetiana Kmytiuk et al.
Primary Topic: Capital Investment and Risk Analysis
Overview
In the context of the digital economy, organizations encounter significant challenges in selecting and prioritizing IT projects due to resource constraints, uncertain returns, and fluctuating market conditions. This study investigates the use of decision tree models augmented with machine learning techniques to enhance the IT project selection process. The primary aim is to create a predictive and interpretable framework that aids decision-makers in assessing project feasibility, funding potential, and strategic alignment. By analyzing structured datasets that include financial, technological, and organizational performance indicators, the study trains a decision tree algorithm to classify IT projects into predefined outcome categories, facilitating transparent, rule-based decision-making.
The developed model demonstrates robust predictive capabilities, achieving an accuracy of approximately 81.1% in distinguishing between successful and unsuccessful IT projects. This indicates the model’s reliability and highlights the advantages of decision tree-based approaches, which strike a balance between interpretability and predictive performance, making them well-suited for managerial decision support systems. Compared to traditional heuristic methods, the machine learning framework enhances consistency in project evaluations and uncovers hidden patterns in investment outcomes. Key determinants of IT project success identified by the model include industry sector, technological orientation, revenue model, funding history, founder characteristics, and investor profile, positioning the model as an effective decision-support tool for stakeholders aiming to optimize resource allocation in the digital economy.
Methods
The research employs a data-driven methodology centered on supervised machine learning, specifically utilizing decision tree algorithms, to enhance IT project selection within the digital economy. A structured dataset encompassing financial, technological, and organizational variables is analyzed. The methodology encompasses several stages, including data preprocessing, feature selection, and model training, leveraging criteria such as entropy, Gini index, and information gain to develop an interpretable classification model.
To assess model performance, standard metrics such as accuracy, precision, recall, and F1-score are utilized, supplemented by confusion matrix and ROC analysis. This comprehensive approach not only ensures predictive reliability but also enhances interpretability, making the findings applicable in managerial decision-making contexts.
Discussion
The discussion section of the research paper emphasizes the critical need for effective methods to predict IT project outcomes and enhance decision-making processes in the context of the digital economy. It highlights the potential of machine learning techniques, particularly decision tree models, to analyze complex datasets, identify key success factors, and present results in an interpretable manner for decision-makers. The challenges faced by organizations, such as inefficient resource allocation and high project failure rates, underscore the relevance of developing structured tools for IT project selection.
Recent literature indicates a growing interest in applying machine learning to IT project management, as traditional selection methods often lack the accuracy needed in multifactorial environments. Decision trees are noted for their transparency and interpretability, which are crucial for stakeholders requiring clear rationale behind predictions. The paper also identifies a gap in existing research regarding the practical application of interpretable models in IT project selection, suggesting that further exploration of decision tree methodologies could significantly enhance decision-making efficiency and accuracy in this domain. Overall, the findings advocate for the integration of decision tree models into decision support systems to improve strategic planning and resource allocation in IT project management.