نقش داده‌کاوی در مدیریت دانش چیست؟

استاندارد بین‌المللی مدیریت دانش ISO 30401:2018، فناوری را به‌عنوان یکی از فعال‌کننده‌های مدیریت دانش معرفی می‌کند (البته درحالی‌که به ما یادآوری می‌کند که یک سیستم فناوری به‌تنهایی برای مدیریت دانش کافی نخواهد بود). یکی از راه‌هایی که می‌توان فناوری را به‌عنوان یک کمک‌کننده مدیریت دانش به کار برد، استفاده از آن برای تسهیل داده‌کاوی است؛ چراکه داده‌های سازمان یکی از چهار منبع شواهد یک سازمان بوده و تأثیر بسزایی در عملکرد آن دارد.

مزایای داده‌کاوی در مدیریت دانش

1. پیشرفت در فناوری اطلاعات و ارتباطات، دسترسی به دانش و تغییر آن برای عملکرد بهتر را تسهیل می‌کند
   

فناوری اطلاعات و ارتباطات (ICT) امکان دسترسی بهتر به دانش را در یک سازمان فراهم می‌کند. فناوری اطلاعات و ارتباطات همچنین از ادغام سیستم‌های دیگر در یک سازمان پشتیبانی می‌کند و همکاری و تعامل بین آن سیستم‌ها را افزایش می‌دهد. سیستم‌های ICT سازمان‌دهی، رسمی‌سازی و توزیع اطلاعاتی را که ممکن است با استفاده از اجزای فعلی زیرساخت ICT سازمان مانند پایگاه‌های اطلاعاتی و فناوری‌های ارتباطی به دانش تبدیل شوند، تسهیل می‌کنند. به‌عنوان مثال، اینترنت، شبکه‌های خارجی شرکت‌ها و پورتال‌های شرکت در درجه اول از سهولت و استفاده مجدد از منابع دانش و تخصص پشتیبانی می‌کنند. حسگرها و تکنولوژی‌های تعبیه‌شده نیز در حال حاضر انتقال داده‌های در لحظه را از شبکه‌های بی‌سیم امکان‌پذیر می‌کنند که می‌تواند منجر به ایجاد دانش جدید مشترک و در لحظه[1] در بین مشتریان و فروشندگان شود.

1. پایگاه دانش و داده‌کاوی به‌عنوان ابزاری برای بهبود مزیت رقابتی و توسعه محصول و خدمات شناخته می‌شود
   

در دسترس بودن و دسترسی به پلتفرمی مانند پایگاه دانش، وضعیت کارکنان را برای حل مشکلات بهبود می‌بخشد؛ از توسعه بیشتر محصولات و خدمات حمایت می‌کند و مزیت رقابتی را برای سازمان فراهم می‌کند. یک سیستم پایگاه دانش از سفارشی‌سازی محصول و نوآوری سریع در توسعه و پیکربندی محصول پشتیبانی می‌کند. این امکان پردازش مؤثر و کارآمد، تراکنش‌های دانش را در طول تحقق محصول فراهم می‌کند.

1. تجزیه‌وتحلیل کلان داده[2] برای مدیریت ارتباط با مشتری (CRM) ظاهر می‌شود
   

مدیریت مناسب ارتباط با مشتری (CRM) به این معنی است:

• ارائه تصویری از اتحاد و یکپارچگی سازمان
• دانستن اینکه مشتریان شما چه کسانی هستند و ترجیحات و تمایلات آن‌ها چیست
• رفع نیازهای مشتریان، سبقت گرفتن از نیازهای مشتری و رسیدگی فعالانه به آن‌ها
• تائید نارضایتی مشتریان و اتخاذ اقدامات اصلاحی.

فناوری‌های نوظهور می‌توانند داده‌هایی در مورد رفتار مشتری، فروش و الگوهای خرید تولید کنند ازجمله داده‌هایی است که می‌توانند برای توسعه استراتژی‌های بازاریابی استفاده شوند. یکی از جنبه‌های این تقسیم‌بندی است که سازمان را قادر می‌سازد تا محصولات و خدمات شخصی‌سازی‌شده و جذاب‌تر را به گروه‌های مشتری ارائه دهد. معیارهای تقسیم‌بندی مشتریان شامل امتیاز سودآوری مشتری، امتیاز حفظ، امتیاز رضایت و وفاداری و پاسخ به ارتقاء است.

فناوری کلان داده را می‌توان برای تجزیه‌وتحلیل داده‌های رسانه‌های اجتماعی مرتبط با سازمان و رقبای آن و برای تجسم و مقایسه بین رقبا در بین رویدادها، محصولات و هر زمینه دیگری که ممکن است بر عملکرد تجاری تأثیر بگذارد استفاده کرد.

1. درک داده‌ها، اطلاعات و دارایی‌های دانش به‌عنوان قابلیت‌های به‌هم‌پیوسته برای پشتیبانی تصمیم
   

این مهم است که بدانیم چه دارایی‌های نامشهودی (به‌ویژه چه دارایی‌های دانشی) در سازمان در دسترس هستند. معیارها را می‌توان برای درک سهم دارایی‌های ناملموس مختلف (اطلاعات، کلان داده‌ها، دانش، خرد و …) برای رقابت در سازمان‌های خاص و در صنایع خاص استفاده کرد. این امر می‌تواند به تعیین اینکه چه چیزهای ناملموسی باید در چه موقعیتی اعمال شود، مانند تطبیق ابزارهای مناسب (مثلاً انجمن‌های خبرگی برای تبادل دانش پنهان)، کمک کند.

1. رویکرد دوگانه اتوماسیون و تخصص انسانی برای بهره‌وری ایجاد می‌شود
   

به‌جای تلاش برای پیشرفت فقط اتوماسیون یا فقط تخصص انسانی، یک دیدگاه قابل‌قبول‌تر، ادغام این دو رویکرد است. ترکیبی منحصربه‌فرد از مهارت‌ها و دانش برای تبدیل داده‌ها به تصمیمات عملی موردنیاز است. حتی پیچیده‌ترین نرم‌افزارهای داده‌کاوی نیز نمی‌توانند نیاز به مهارت و تجربه انسانی بالا در تجزیه‌وتحلیل و استفاده موفق از داده‌های تجاری را برطرف کنند. تقویت هوش توسط ماشین و ذهن، می‌تواند از یک سیستم هوش مصنوعیِ تقلیدکننده ذهن که به‌تنهایی کار می‌کند بهتر عمل کند. ترکیبی از دانش رسمی و آشکار در ماشین و دانش غیررسمی و پنهان کاربران، درنتیجه می‌تواند منجر به قابلیت‌های حل مسئله شود که به‌تنهایی از هر یک از این مؤلفه‌ها پیشی می‌گیرد.

درک عمیق چگونگی تولید و تبدیل داده‌ها تنها از تجربه حاصل می‌شود؛ بنابراین، با توجه به وظایف غیرمعمول داده‌کاوی و یا الگوریتم‌های داده‌کاوی ناشناخته، مهم است که تیم‌های پروژه داده‌کاوی اعضای تیم را با سوابق تحصیلی متفاوت و تجربه داده‌کاوی انتخاب کنند تا این تیم بتواند یک تصمیم بهینه برای انتخاب یک روش داده‌کاوی داشته باشد.

1. ویژگی یک پروژه مدیریت دانش، اثربخشی کاربرد تکنیک‌های داده‌کاوی را تعیین می‌کند.
   

برای کشف راه‌حل‌های ممکن برای چالش‌های خاص که یک سازمان با آن مواجه است، تکنیک‌های داده‌کاوی خاص باید برای انواع دانش خاص یا یک وظیفه مدیریت دانشیِ خاص اعمال شود. تکنیک‌های به‌کاررفته در مقالات بررسی‌شده، منطق فازی، تحلیل رگرسیون، طبقه‌بندی، شبکه عصبی مصنوعی، تجزیه‌وتحلیل خوشه‌ای، پیش‌بینی، الگوهای متوالی و قوانین ارتباط بودند. هیچ‌یک از الگوریتم‌های داده‌کاوی برای عملکرد بهتر از سایر الگوریتم‌ها در همه وظایف ثابت نشده است؛ بنابراین، در پروژه‌های داده‌کاوی دنیای واقعی، تیم‌های داده‌کاوی باید بیش از یک روش داده‌کاوی را با دقت مقایسه کنند و یکی را انتخاب کنند که بهترین عملکرد را برای پروژه مدیریت دانش در دست داشته باشد.

انتخاب الگوریتم‌های داده‌کاوی، شکل‌گیری فرضیه‌ها و ارزیابی و اصلاح مدل، اجزای کلیدی این فرآیند کشف هستند. از آنجایی که برای تولید تدریجی مفیدترین دانش از داده‌کاوی، چرخه‌های آزمون‌وخطا طول می‌کشد، رویکرد یادگیری از طریق آزمایش می‌تواند برای اطمینان از اینکه فرآیند در نهایت می‌تواند دانش موردنیاز را کشف کند مفید باشد.

[1]  real-time

[2] big data

لینک مطلب