AD ALTA 

 

JOURNAL OF INTERDISCIPLINARY RESEARCH

 

 

 

data, 30% testing data. For the induction of the decision tree, the 
library rpart() has been loaded.  

For the advanced classifiers more packages have been required. 
The 10folds CV requires the e1071 and caret libarires, while the 
randomForest library has been loaded to investigate the random 
forest classification accuracy. The induced decision (Fig.12) tree 
as well as the random forest out of bag (OOB) error plots 
(Fig.13) are ilustrated. The OOB estimate relies on observations 
which are not considered in the bootstrap sample. The error plot 
(Fig. 13) shows that 500 trees were induced for enhancing the 
classification robustness. The prediction error is reduced and  
stabilized after  a specific number of induced trees (<200 trees). 

 

Fig. 12. The decision tree for predicting IVL criticality ranking 
of crucial business functions in a public university based on the 
full data set (Source: Author)

 

 

Fig. 13. The IVL classification out of bag (OOB) error plot 
based on the random forest based on the full data set (Source: 
Author) 

The accuracy of the decision tree, 10-Folds CV and the random 
forest algorithms is ilustrated on the following summarized table 
(Tab. 4).  

Tab.4 Comparison of the predictive accuracy of the three 
different classifiers with respect to the recovery priorities for the 
entire set of critical business functions in the public university. 

IVL Classifier 

Accuracy 

(based on the confusion matrix results) 

Decision tree (CART) 

75% 

10folds CV 

75% 

Random forest 

91.66% 

After considering the above illustrated results, it can be 
concluded that the proposed business intelligence tool can be 
considered as a rapid and effective software solution for business 
continity and safety management. So far, the research has been 
focused on the establishment of balanced recovery priorities for 
safety critical operations in public organization. However, a 
complete safety management policy should also rely on the 
robust availability measurement of these operations. 

4.4 Computing availability rates for safety-related operations 
via RTEmax input for an integrated safety management 
framework 

Another dimension that must be considered for more effective 
safety management policies in public organizations and units is 
the estimation of the availability of safety critical operations. An 
interesting recent study (Spang, 2017) highlights the importance 
of a safety management system in order to protect workers in all 
industries form electrical hazards, and defines it as a “formal and 
proven system for the safe execution of work activities”. 
Moreover seven core safety management principles are indicated 

including “balanced priorities” in terms of protecting the 
“workers, the public and the environment”. The business 
continuity points is proposed a mathematical method for setting 
balanced recovery priorities in the occasion of a failure of a 
safety critical system and the involved industrial functions. 

Additionally, a description of the Integrated Safety Management 
system as provided by the U.S. Department of Energy (2008), 
indicates, among others,  the “operational excellence” as an 
important safety management principle. The study relates 
operational excellence with high reliability achieved through 
“focus on operations, quality decision-making, open 
communications, deference to expertise, and systematic 
approaches to eliminate or mitigate error-likely situations”. 
According to the second principle, the business continuity points 
is also aimed to serve as an operational excellence tool for 
controlling the reliability and, more precisely the availability of a 
safety critical function and the corresponding systems. Based on 
the above, the business continuity points can serve as a crucial 
part of an integrated safety management under the below 
summarized framework (Fig.14) 

 

Fig. 14. Business Continuity Points as Part of an ISM – 
Proposed Framework (Source: Author) 

Due to the fact that the current version of the developed business 
intelligence solution exports business continuity spreadsheet 
reports, a visual basic for applications (VBA Excel) software 
interface has been utilized for estimating the availability rates for 
the selected safety – related business functions based on the 
RTEmax vaue that is used. The VBA application has been 
developed to estimate availability rates based on the formula (4) 
(Rance, 2013) : 

100%

ASTDT

Availability

AST

−

=

×

               

(4) 

where, AST = Agreed Service Time, DT=Downtime. DT value 
is also mentioned as Mean Time To Repair (MTTR) in other 
availability formulas (Garcia et al, 2016) 

Assuming that AST=22 hours/day/week (154 hours/week).The 
expected downtime will then be, DT=2 hours/day or 14 
hours/week.  

As a result, the weekly availability for this function is:  

A

WEEK

In the case that a maximum unplanned downtime interval of 8 
hours/week is permitted the availability rate is then estimated as  

= [(154-14)/154] * 100%= 90.9%.  

A= [(154-14-8)/154]*100% = 85.71% , which indicates the 
maximum tolerable eekly availability rate, so that an 
organization will not suffer significantly negative consequences. 

Based on the utilized case study, it has been attempted to 
estimate yearly availability rates based on the BCPTs proposed 
maximum recovery time, with respect to the same safety related 
business functions. The following facts have been assumed: 

- 363 -