چکیده
هدف از این پیشنهاد پژوهشی، بررسی رابطه بین مدیریت دانش، هوش سازمانی و علم شبکه در زمینه یک سازمان است. با استفاده از رویکرد علم شبکه، این مطالعه با هدف روشن کردن چگونگی تولید، به اشتراک گذاری و استفاده از دانش در شبکه سازمانی و اینکه چگونه این شبکه دانش بر هوش کلی و سازگاری سازمان تأثیر می‌گذارد، می‌پردازد و تلاش می‌کند راهی بهینه برای یافتن گلوگاه‌های دانش و به اشتراک گذاری اطلاعات در یک سازمان بپردازد. این مطالعه با به کارگیری رویکرد علم شبکه، کشف چگونگی تولید، به اشتراک گذاری و استفاده از دانش در شبکه سازمانی است و اینکه چگونه این شبکه دانش بر هوش کلی و سازگاری شرکت تأثیر می گذارد.
مقدمه
تحلیل شبکه پیچیده ابزار ارزشمندی برای مدیریت دانش و هوش سازمانی است. سازمان ها را قادر می سازد تا روابط بین بازیگران مختلف، جریان اطلاعات و ساختار دانش در سازمان خود را درک کنند. با تجزیه و تحلیل ارتباطات بین افراد و بخش‌های مختلف، سازمان‌ها می‌توانند بازیگران کلیدی، تنگناهای بالقوه و حوزه‌هایی را که دانش ممکن است در آنها محو شده یا کمتر مورد استفاده قرار گیرد، شناسایی کنند. نکته حائز اهمیت دیگر این است که ما نمی‌توانیم سیستم‌های پیچیده را درک کنیم مگر اینکه درک عمیقی از شبکه‌های پشت آنها ایجاد کنیم. به طور سنتی، پیوندهای بین افراد به عنوان کانال‌هایی تلقی می‌شوند که از طریق آنها جریان منابع (اطلاعات، دانش، یا مواد) تسهیل یا محدود می‌شود. Barabási(2016).
در اقتصاد دانش محور امروزی، شرکت‌ها در مدیریت موثر منابع دانش و بهره‌گیری از هوش جمعی نیروی کار خود با چالش های مهمی روبرو هستند. در حالی که سازمان ها اهمیت مدیریت دانش و هوش سازمانی را درک می کنند، اغلب به دلیل عوامل مختلفی مانند پیچیدگی جریان دانش، درک ناکافی از شبکه های دانش و مشکلات در اندازه‌گیری و ارزیابی هوش سازمانی، برای طراحی و اجرای استراتژی‌های موثر تلاش می‌کنند.
علاوه بر این، رویکردهای سنتی مدیریت دانش اغلب بر دانش صریح تمرکز می‌کنند و نقش حیاتی دانش ضمنی و تعاملات اجتماعی در ایجاد و انتشار دانش را نادیده می‌گیرند. این دیدگاه محدود، سازمان ها را از سرمایه گذاری کامل بر دارایی های دانش خود باز می دارد و مانع از توسعه فرهنگ یادگیری لازم برای تقویت نوآوری و سازگاری می شود. وجود شکاف در درک شبکه‌های دانش و رابطه آنها با هوش سازمانی را یکی از عوامل مهم در شناخت سازمان دانشته و محدودیت های رویکردهای مدیریت دانش موجود و نیاز به دیدگاه علم شبکه برای تجزیه و تحلیل و بهینه سازی جریان های دانش را شناسایی می کنید.
برای مقابله با این چالش ها و پیشبرد حوزه مدیریت دانش، پذیرش یک رویکرد کل نگر و شبکه محور ضروری است. علم شبکه، به عنوان یک حوزه بین رشته ای، مجموعه ای از ابزارها و روش های تحلیلی را برای کشف روابط پیچیده و پویایی در شبکه‌های دانش سازمانی ارائه می‌دهد. هدف این مطالعه با اتخاذ دیدگاه علم شبکه، کشف الگوها، ساختارها و فرآیندهای اساسی است که بر تبادل دانش، همکاری و هوش سازمانی تأثیر می‌گذارد و همچنین یافتن سیلوهای دانش، نودهای با ریسک بالا و یافتن شبکه ارتباطات خاص و معایب و مزیت‌های ساختارهای شبکه‌های همکاری ست.
در رابطه با زمینه و بستر تحقیق به اطلاعات پس زمینه و محیطی را که تحقیق در آن قرار دارد، می‌پردازیم. سازمان مدنظر در این تحقیق هر سازمانی خواهد بود که کارمندان به شیوه‌های مختلف به ارتباط گرفتن با یکدیگر و مبادله اطلاعات می‌پردازند. طبعا در این شرایط و برای ساخت گراف تعداد کارمندان باید از کسب و کارهای کوچک و سنتی چشم پوشی کرد و هدف این تحقیق چنین کسب و کارهایی نخواهند بود، سازمان مدنظر باید دارایه چندین بخش و لایه ساختاری باشد تا پژوهش قابل اعمال بر آن باشد. برای مثال یک سازمان با حدود 100-200 عضو و یا یک دانشگاه مثال‌های مناسبی برای تحلیل خواهند بود که امکان ساخت گراف همکاری، خوشه بندی و تحلیل‌های مربوط به هوش سازمانی را فراهم می‌نماید.
اهمیت موضوع
این تحقیق پیامدهای قابل توجهی هم برای تئوری و هم برای عمل دارد. یافته‌ها با ادغام حوزه‌های مدیریت دانش، هوش سازمانی و علوم شبکه به مجموعه دانش موجود کمک خواهد کرد. با بررسی رابطه بین شبکه‌های دانش و هوش سازمانی، این مطالعه درک ما را از اینکه چگونه سازمان‌ها می‌توانند جریان دانش خود را بهینه کنند و فرآیندهای تصمیم‌گیری را بهبود بخشند، افزایش می‌دهد.
از منظر عملی، نتایج این چنین تحقیقاتی بینش‌ها و توصیه‌های ارزشمندی را برای مدیران و تصمیم گیرندگان در شرکت ها ارائه خواهد کرد و روند تصمیم‌گیری برای آنان را تسهیل خواهد کرد. درک پویایی شبکه های دانش و تأثیر آنها بر هوش سازمانی، سازمان‌ها را قادر می‌سازد تا استراتژی‌های مدیریت دانش مؤثرتری را توسعه دهند، همکاری و نوآوری را تقویت کنند و در نهایت مزیت رقابتی خود را افزایش دهند. مزیت دیگر این مطالعه شناسایی نقاط ضعف سازمان در تبادل دانش و نقاط حساس و گلوگاه‌های جریان دانش و داده و نمایش آنها به عوامل تصمیم‌گیرنده به صورت عینی (از طریق مدلسازی و شبیه سازی شبکه‌ها) خواهد بود که برای بهبود و تقویت این موارد برنامه‌ای طرح‌ریزی کند.
ادبیات موضوع
در این قسمت تلاش خواهد شد که به توضیح اجمالی از مفاهیم اولیه که در ادامه پژوهش تکرار خواهد شد پرداخته شود.
مدیریت دانش: مدیریت دانش به فرآیندها، فعالیت ها و شیوه های سیستماتیک و استراتژیک با هدف ایجاد، جذب، سازماندهی، به اشتراک گذاری و استفاده از دانش در یک سازمان اطلاق می‌شود. این شامل شناسایی، اکتساب، ذخیره، بازیابی و کاربرد دانش صریح (رسمی و مدون) و ضمنی (شخصی و تجربی) برای افزایش یادگیری سازمانی، تصمیم‌گیری، نوآوری و عملکرد کلی است.
هوش سازمانی: هوش سازمانی به توانایی جمعی یک سازمان برای جمع‌آوری، پردازش، تفسیر و استفاده از اطلاعات و دانش برای تصمیم‌گیری آگاهانه، انطباق با شرایط متغیر و دستیابی به اهدافش اشاره دارد. این ظرفیت سازمان برای یادگیری، تجزیه و تحلیل داده‌ها، شناسایی الگوها و روندها، و ایجاد بینش عملی است که به مزیت رقابتی و موفقیت سازمانی کمک می‌کند.
علوم شبکه: علم شبکه یک رشته بین رشته‌ای است که بر مطالعه شبکه‌های پیچیده و ویژگی‌های آنها تمرکز دارد. در زمینه این تحقیق، علم شبکه به کاربرد نظریه شبکه، نظریه گراف و روش‌های مرتبط برای تحلیل و درک روابط، تعاملات و جریان‌های دانش، چگونگی تشخیص خوشه‌های همکاری در یک شبکه سازمانی اشاره دارد. این شامل تجسم و مدلسازی ارتباطات بین افراد، تیم‌ها، بخش‌ها و سایر نهادها برای به دست آوردن بینش در مورد ساختار، پویایی، و اثربخشی تبادل دانش و همکاری است.
شبکه های دانش: شبکه‌های دانش، روابط و تعاملات به هم پیوسته بین افراد، گروه‌ها یا نهادهای درون یک سازمان هستند که از طریق آن دانش به اشتراک گذاشته می‌شود، انتشار می‌یابد و مورد استفاده قرار می‌گیرد. این شبکه‌ها می‌توانند شامل کانال‌های ارتباطی رسمی (به عنوان مثال، ساختارهای گزارش‌دهی رسمی) و همچنین ارتباطات غیررسمی (به عنوان مثال، روابط شخصی، ارتباط از طریق ایمیل سازمانی و یا شخصی و حتی تبادل اطلاعات رو در رو باشد(2)) باشند که جریان دانش، ایده‌ها، تخصص و بهترین شیوه‌ها را تسهیل می‌کنند.
جریان های دانش: جریان های دانش به حرکت و تبادل دانش در درون و بین افراد، تیم‌ها و بخش‌های درون یک سازمان اشاره دارد. این جریان‌ها هم می‌توانند صریح باشند، مانند اسناد رسمی، گزارش‌ها یا پایگاه‌های اطلاعاتی و هم ضمنی که از طریق تعاملات اجتماعی، گفتگوها، راهنمایی‌ها و مشاهده‌ها اتفاق می‌افتد. درک جریان های دانش برای شناسایی تنگناها، شکاف ها و فرصت ها در شبکه سازمانی ضروری است(2).
تجزیه و تحلیل شبکه های اجتماعی: تجزیه و تحلیل شبکه های اجتماعی روشی است که برای تجزیه و تحلیل و تجسم روابط اجتماعی و تعاملات درون یک شبکه استفاده می‌شود. در زمینه مدیریت دانش و هوش سازمانی، SNA[1]را می توان برای درک الگوهای ارتباط، همکاری و تبادل اطلاعات بین افراد یا گروه ها به کار برد. این به شناسایی افراد با نفوذ، کارگزاران کلیدی دانش و پویایی‌های اشتراک دانش در شبکه کمک می‌کند. در این مورد باید توجه داشت که روابط افراد در یک سازمان نیز در دسته رفتار و ارتباطات اجتماعی دسته بندی می‌شود از این رو مهم است که به این جنبه توجه داشت.
مرکزیت: مرکزیت معیاری است که در علم شبکه برای تعیین اهمیت یا تأثیر یک گره (فرد، تیم، بخش) در یک شبکه استفاده می‌شود. معیارهای مرکزیت، مانند مرکزیت درجه[2]، مرکزیت نزدیکی[3]، و مرکزیت میانی[4]، می‌توانند گره‌هایی را که به خوبی متصل، تأثیرگذار هستند یا به عنوان واسطه در شبکه دانش عمل می‌کنند، آشکار کنند.
نقشه برداری دانش: نگاشت دانش شامل نمایش و تحلیل بصری دارایی‌ها، جریان‌ها و روابط دانش در یک سازمان است. این یک تصویر گرافیکی از شبکه دانش را ارائه می‌دهد و ارتباطات، تخصص و شکاف‌های دانش را در بین افراد، تیم‌ها و بخش‌ها برجسته می‌کند. نقشه‌برداری دانش به شناسایی منابع دانش، زمینه‌های تخصص و فرصت‌های همکاری و اشتراک دانش کمک می‌کند.
تقریباً هر کتاب یا مقاله ای که با موضوع مدیریت دانش در سازمان ها منتشر می‌شود، تعریف متفاوتی از مدیریت دانش دارد. بنابراین بسیاری از نویسندگان بر عدم توافق در مورد چگونگی تعریف و مفهوم سازی مدیریت دانش تأکید می‌کنند (لوریا 2008؛ مهریزی و بونتیس 2009). یکی از تمایزات کلی که می توان از نظر نحوه مدیریت دانش ایجاد کرد، بین رویکردهای فناوری و مردم محور است. بنابراین، در حالی که برخی پیشنهاد می‌کنند که مدیریت دانش را می‌توان با پیاده‌سازی و استفاده از انواع خاصی از فناوری‌های اطلاعات و ارتباطات (ICTs) برابر دانست، برخی دیگر بر موارد بیشتری تمرکز می‌کنند. روش‌های غیرمستقیم مدیریت دانش، از طریق مدیریت افرادی که دانش را در اختیار دارند و از آن استفاده می‌کنند. هولسپل (2005) ادعا می‌کند که این دو رویکرد قابل تفکیک نیستند و مدیریت دانش مدرن از فناوری جدایی ناپذیر است، به این معنی که اجرای واقعی مدیریت دانش در سازمان ها همیشه ترکیبی از این دو است.در این بخش مروری با توجه به بر مدیریت دانش و اهمیت آن در سازمان‌ها، درک جامعی از مفهوم و اهمیت آن در چارچوب عملکرد و موفقیت سازمانی ارائه می‌دهد.
همانطور که قبل‌تر نیز اشاره شد، مدیریت دانش شامل فرآیندها، شیوه‌ها و فعالیت‌های سیستماتیک و استراتژیک است که سازمان‌ها برای ایجاد، جمع‌آوری، ذخیره، سازماندهی، اشتراک‌گذاری و بکارگیری دانش برای دستیابی به اهداف خود به کار می‌گیرند. هم دانش صریح (اطلاعات رسمی و مدون) و هم دانش ضمنی (بینش های شخصی، تجربیات و تخصص) را در بر می گیرد. با مدیریت مؤثر دانش، سازمان ها می توانند قابلیت های یادگیری خود را افزایش دهند، تصمیم گیری را بهبود بخشند، نوآوری را تقویت کنند و مزیت رقابتی به دست آورند. مدیریت دانش در سازمان‌ها به فرآیند سیستماتیک شناسایی، جذب، سازماندهی و استفاده از دانش برای ارتقای عملکرد سازمانی و دستیابی به اهداف استراتژیک اشاره دارد. این شامل ایجاد محیطی است که به اشتراک گذاری دانش، همکاری و یادگیری در بین کارکنان را ترویج می کند.
اولین تعاریف مدیریت دانش را می توان در کتاب اصلی Working Knowledge توسطDavenport و Prusak (1998) یافت: مدیریت دانش به بهره برداری و توسعه دارایی های دانش یک سازمان با هدف پیشبرد اهداف سازمان مربوط می شود. دانشی که باید مدیریت شود شامل دانش صریح و مستند و دانش ضمنی و ذهنی است. مدیریت مستلزم تمام آن فرآیندهای مرتبط با شناسایی، اشتراک و ایجاد دانش است. این امر مستلزم سیستم هایی برای ایجاد و نگهداری مخازن دانش، و پرورش و تسهیل اشتراک دانش و یادگیری سازمانی است. سازمان‌هایی که در مدیریت دانش موفق می‌شوند، احتمالاً دانش را به عنوان یک دارایی می‌بینند و هنجارها و ارزش‌های سازمانی را توسعه می‌دهند که از ایجاد و اشتراک دانش حمایت می‌کند.
تعریف بعدی مدیریت دانش بیان می‌کند(Dalkir 2005): مدیریت دانش عبارت است از هماهنگی سنجیده و سیستماتیک افراد، فناوری، فرآیندها و ساختار سازمانی یک سازمان به منظور ایجاد ارزش از طریق استفاده مجدد و نوآوری. این هماهنگی از طریق ایجاد، به اشتراک گذاری و به کارگیری دانش و همچنین از طریق تغذیه درس های ارزشمند آموخته شده و بهترین شیوه ها در حافظه شرکت به منظور تقویت یادگیری سازمانی مستمر حاصل می شود.
اما تعریف گسترده مدیریت دانش همچنان بسته به دیدگاهی که انتخاب می‌شود، فضایی را برای تفسیرهای مختلف از مدیریت دانش باقی می‌گذارد. در این کتاب ما از دو دیدگاه پرکاربرد برای مدیریت دانش استفاده می‌کنیم: دیدگاه عینیت‌گرا و دیدگاه مبتنی بر عمل (که مشابه دیدگاه «دانش به‌عنوان یک شی» و «دانش به‌عنوان یک فرآیند» از علوی و لیدنر 2001 هستند. . دیدگاه عینی گرایی دانش را به عنوان یک موجودیت مجزا در نظر می گیرد که می تواند جمع آوری و در مخازن ذخیره شود که به کارکنان اجازه می دهد به این دانش دسترسی پیدا کرده و جستجو کنند. از این رو، این یک رویکرد بسیار فنی است و بر انتخاب و استقرار فناوری های مدیریت دانش مناسب تمرکز دارد. دیدگاه مبتنی بر عمل، دانش را به عنوان تجسم در انسان ها در نظر می گیرد و بنابراین بر تسهیل فرآیندها و به اشتراک گذاری دانش بین فردی تمرکز می کند. این امر مستلزم یک رویکرد سازمانی است و شامل ایجاد فرهنگی است که در آن دانش به اشتراک گذاشته می‌شود و مدیران کارکنان خود را بر اساس سهم آنها در مدیریت دانش و نه تنها در بهره‌وری مالی ارزیابی می‌کنند.(1)
هدف مدیریت دانش این است که اطمینان حاصل شود که دانش و تخصص با ارزش به طور موثر در سازمان مورد استفاده قرار می‌گیرد و در سراسر سازمان به اشتراک گذاشته می‌شود، نه اینکه در هنگام خروج کارکنان از بین برود. این شامل اجرای استراتژی‌ها، فرآیندها و فناوری‌ها برای تسهیل ایجاد، ذخیره سازی، بازیابی و انتشار دانش است.
مدیریت دانش مؤثر می‌تواند به چندین مزیت برای سازمان‌ها منجر شود، از جمله افزایش نوآوری، بهبود تصمیم‌گیری، افزایش بهره‌وری، خدمات بهتر به مشتریان و توانایی سازگاری با محیط‌های متغیر. همچنین فرهنگ یادگیری مستمر و به اشتراک گذاری دانش را تقویت می کند که می‌تواند به موفقیت بلندمدت سازمان کمک کند.(3)
در اینجا باید اشاره کرد که مدیریت دانش به این شیوه فعالیت‌های مختلفی را در برمی‌گیرد. مثل ایجاد، جمع‌آوری، ساماندهی و سازماندهی، اشتراک گذاری، استفاده و نگهداری و حفظ دانش.
1. ایجاد دانش: تشویق کارکنان به تولید دانش جدید از طریق تحقیق، نوآوری و حل مسئله.
2. جمع‌آوری دانش: شناسایی و به دست آوردن دانش صریح (مانند اسناد، گزارش ها) و دانش ضمنی (مانند تخصص، تجربیات) از افراد درون سازمان.
3. سازماندهی دانش: ساختار و دسته بندی دانش برای سهولت در دسترس و قابل فهم کردن آن. این ممکن است شامل ایجاد مخازن دانش، پایگاه های داده یا استفاده از سیستم‌های مدیریت دانش باشد.
4. به اشتراک گذاری دانش: تسهیل تبادل دانش بین کارکنان از طریق پلتفرم های همکاری، جوامع عملی، برنامه های مربیگری و سایر کانال های ارتباطی.
5. استفاده از دانش: بکارگیری دانش برای بهبود تصمیم گیری، حل مسئله و نوآوری در سازمان.
6. حفظ دانش: حصول اطمینان از حفظ و دسترسی به دانش مهم حتی زمانی که کارکنان سازمان را ترک می کنند. این ممکن است شامل ایجاد فرآیندهای انتقال دانش یا اجرای برنامه ریزی جانشین پروری باشد.(2).(3)
تحلیل داده و جریان داده در سازمان
تجزیه و تحلیل داده ها شامل بررسی، تبدیل و تفسیر داده های خام برای کشف الگوها، استخراج بینش های معنادار و حمایت از تصمیم‌گیری است. این شامل تکنیک‌های مختلف، مانند تجزیه و تحلیل آماری، داده‌کاوی، یادگیری ماشینی، و تجسم، برای درک داده‌های موجود و استخراج اطلاعات عملی است.
از طرفی جریان داده که شامل جمع آوری، ذخیره سازی، پردازش، به اشتراک گذاری و استفاده از آن در عملکردها و بخش های مختلف می شود. این شامل جریان داده های داخلی تولید شده در سازمان و داده های خارجی به دست آمده از منابع مختلف است.
فرآیند شناسایی داده ها چگونه به جمع آوری داده ها کمک می کند؟
باید توجه داشت که فرآیند شناسایی داده ها نقش مهمی در استراتژی کلی حفاظت از داده ایفا می‌کند. با شناسایی و طبقه بندی انواع مختلف داده‌ها در یک سازمان، شرکت ها می‌توانند درک جامعی از چشم انداز داده‌های خود به دست آورند. این فرآیند به تعیین حساسیت و بحرانی بودن داده ها کمک می‌کند و به سازمان ها اجازه می‌دهد تلاش‌های حفاظتی خود را بر این اساس اولویت بندی کنند.
شناسایی داده‌ها شرکت ها را قادر می سازد تا خطرات و آسیب پذیری های بالقوه مرتبط با انواع مختلف داده‌ها را شناسایی کنند. این به شناسایی عناصر داده حساس (SDEs) مانند اطلاعات تماس مشتری، شماره های امنیتی یا بررسی پیشینه کارمندان کمک می‌کند. با درک اینکه کدام عناصر داده حساس هستند، سازمان‌ها می‌توانند اقدامات امنیتی مناسب را برای محافظت از آنها در برابر دسترسی، افشا یا از دست دادن غیرمجاز اجرا کنند. علاوه بر این، شناسایی داده‌ها انطباق با الزامات قانونی را تسهیل می‌کند. این به سازمان‌ها اجازه می‌دهد تا جریان داده‌های شخصی را شناسایی و ردیابی کنند و اطمینان حاصل کنند که مطابق با قوانین و مقررات مربوط به حفاظت از داده‌ها مدیریت می‌شود. این فرآیند همچنین به برآورده شدن الزامات قانونی کسب رضایت از مشتریان برای پردازش داده ها کمک می‌کند.
به طور کلی، فرآیند شناسایی داده‌ها، پایه‌ای برای حفاظت موثر از داده‌ها فراهم می‌کند. این سازمان‌ها را قادر می‌سازد تا دارایی‌های داده خود را درک کنند، خطرات را ارزیابی کنند و اقدامات امنیتی مناسب را برای حفاظت از اطلاعات حساس اجرا کنند. با داشتن درک روشنی از چشم انداز داده های خود، سازمان ها می‌توانند تصمیمات آگاهانه در مورد جمع آوری، ذخیره سازی و پردازش داده‌ها اتخاذ کنند و از حفاظت کلی از داده‌های خود اطمینان حاصل کنند.(4)
مدیریت دانش به کمک شبکه پیچیده
رابطه بین علم شبکه و مدیریت دانش در سازمان قابل توجه است و می تواند مزایای ارزشمندی چون درک شبکه های دانش را فراهم آورد علم شبکه یک چارچوب سیستماتیک برای درک ساختار، پویایی و تعاملات درون شبکه های دانش ارائه می‌دهد. این به شرکت ها اجازه می دهد تا روابط بین افراد، تیم ها، بخش ها و مخازن دانش را نقشه‌برداری کرده و تجزیه و تحلیل کنند. با به کارگیری اصول علم شبکه، سازمان‌ها می‌توانند بینشی در مورد چگونگی جریان دانش، کارگزاران کلیدی دانش و نحوه اشتراک گذاری اطلاعات و تخصص کسب کنند.
یکی دیگر از امکانات استثنائی علم شبکه در مدیریت دانش و هوش سازمانی شناسایی گره های دانش کلیدی است با تکنیک‌های علوم شبکه می توانند به شناسایی تأثیرگذارترین و مرکزی ترین گرهها در شبکه‌های دانش کمک کنند. این گرهها می‌توانند افراد یا تیم‌هایی باشند که نقش مهمی در ایجاد، انتشار و استفاده از دانش دارند. با شناسایی این گره‌های کلیدی دانش، شرکت‌ها می‌توانند از تخصص خود استفاده کنند و به اشتراک گذاری دانش را تشویق کنند و همکاری بین کارکنان را ارتقا دهند.
همچنین مزیت دیگر این روش این است که انتقال دانش تسهیل می‌گردد، علم شبکه می‌تواند انتقال کارآمد دانش را در یک شرکت تسهیل کند. با تجزیه و تحلیل ساختار و پویایی شبکه‌های دانش، سازمان‌ها می‌توانند الگوهای ارتباطی و همکاری را که از انتقال موثر دانش پشتیبانی می‌کنند، شناسایی کنند. به علاوه مداخلات و استراتژی‌هایی را برای تقویت ارتباطات بین منابع دانش و گیرندگان طراحی کنند و فرهنگ به اشتراک گذاری دانش و یادگیری را تقویت کنند.
تکنیک های علم شبکه می‌توانند به افزایش نوآوری و قابلیت‌های حل مسئله در یک شرکت کمک کنند. با ترسیم شبکه‌های دانش، سازمان‌ها می‌توانند شکاف‌های دانش، حوزه‌های تخصص و همکاران بالقوه را برای پروژه‌ها یا چالش‌های خاص شناسایی کنند. این امکان همکاری هدفمند و بسیج کارآمد منابع دانش را فراهم می کند که منجر به بهبود نوآوری و نتایج حل مسئله می‌شود. به کارگیری اصول علم شبکه می تواند به بهینه سازی جریان دانش در یک سازمان کمک کند. با درک مسیرها، تنگناها و موانع در انتشار دانش، سازمان ها می‌توانند فرصت‌هایی را برای ساده سازی فرآیندهای انتقال دانش شناسایی کنند. آنها می‌توانند استراتژی‌هایی را برای غلبه بر موانع ارتباطی، ترویج همکاری متقابل کارکردی، و اطمینان از اینکه دانش در زمان مناسب به افراد مناسب می‌رسد، اجرا کنند.
با تجزیه و تحلیل شبکه های دانش و تکامل آنها در طول زمان، سازمان‌ها می‌توانند بینشی در مورد اثربخشی ابتکارات به اشتراک‌گذاری دانش، تأثیر مداخلات، و پیدایش هاب‌های دانش جدید به دست آورند. این دانش می‌تواند راهبردهای یادگیری آینده، تلاش‌های بهبود مستمر و توسعه فرهنگ یادگیری در سازمان را اطلاع دهد.
ادغام علم شبکه و مدیریت دانش در سازمان مهم است زیرا به سازمان‌ها اجازه می‌دهد تا شبکه‌های دانش را درک و بهینه کنند، انتقال دانش را تسهیل کنند، نوآوری و حل مسئله را تقویت کنند، از تصمیم‌گیری حمایت کنند و یادگیری سازمانی را ارتقا دهند. با استفاده از قدرت علم شبکه، شرکت ها می‌توانند پتانسیل کامل دارایی‌های دانش خود را باز کنند و به مزیت رقابتی در چشم انداز تجاری که به سرعت در حال تغییر هستند دست یابند.
تحلیل شبکه پیچیده سازمان
تحلیل شبکه پیچیده در سازمان شامل به کارگیری اصول و تکنیک‌های علوم شبکه برای مطالعه و تجزیه و تحلیل ساختار، پویایی و رفتار شبکه‌های پیچیده در تنظیمات سازمانی است. تجزیه و تحلیل شبکه پیچیده می‌تواند برای تجزیه و تحلیل شبکه‌های اجتماعی موجود در یک سازمان استفاده شود. با ترسیم ارتباطات بین کارمندان، تیم ها، بخش ها و سایر نهادهای سازمانی بینشی در مورد الگوهای ارتباطی، پویایی همکاری و جریان اطلاعات ارائه دهد. این تجزیه و تحلیل به شناسایی تأثیرگذاران کلیدی، کارگزاران دانش و گلوگاه های اطلاعاتی کمک می‌کند و سازمان ها را قادر می‌سازد تا فرآیندهای ارتباطی و همکاری را بهینه کنند. تجزیه و تحلیل شبکه پیچیده را می توان برای درک جریان دانش در یک سازمان به کار برد. با نگاشت شبکه های دانش، سازمان ها می توانند منابع دانش، افراد تاثیرگذار در حوزه دانش سازمان و دریافت کنندگان دانش را شناسایی کنند. تجزیه و تحلیل ساختار و پویایی شبکه های دانش به بهینه سازی اشتراک دانش، شناسایی شکاف های دانش، و تسهیل مداخلات هدفمند برای ترویج انتقال دانش و همکاری کمک می‌کند.
پویایی و نوآوری در یک شرکت از دیگر مزایای استفاده از شبکه‌های پیچیده در تحلیل سازمان است با بررسی شبکه‌های همکاری و اشتراک ایده، سازمان‌ها می‌توانند بازیگران کلیدی در فرآیند نوآوری را شناسایی کنند، خوشه‌های نوآوری را شناسایی کنند و همکاری متقابل کارکردی را تقویت کنند. این تجزیه و تحلیل به بهینه سازی شبکه های نوآوری، تسهیل تبادل ایده ها و ترویج فرهنگ نوآوری کمک می‌کند و همچنین می‌تواند مدیران سازمان در جهت گسترش بهینه یاری نماید. در موارد مشابه به بهینه سازی عملیات زنجیره تامین، شناسایی آسیب پذیری‌ها و بهبود کارایی و پاسخگویی کلی کمک می‌کند.
با مدلسازی و تجزیه و تحلیل پیوستگی عناصر مختلف سازمانی مانند سیستم ها، فرآیندها و ذینفعان، سازمان ها می‌توان به ارزیابی و مدیریت ریسک در یک سازمان کمک کرد. با یافتن نقاط بالقوه شکست، آسیب پذیری‌ها و اثرات آبشاری را شناسایی کنند. این تجزیه و تحلیل مدیریت ریسک فعال، برنامه ریزی اضطراری و ایجاد انعطاف پذیری را امکان پذیر می‌کند. شبکه پیچیده بینش‌های ارزشمندی را برای پشتیبانی از فرآیندهای تصمیم گیری در سازمان ارائه می‌دهد. با تجزیه و تحلیل ساختارها و ویژگی‌های شبکه، سازمان‌ها می‌توانند سهامداران کلیدی، تأثیرگذاران و رهبران افکار را شناسایی کنند. این دانش می‌تواند به تصمیم گیری استراتژیک، مشارکت ذینفعان و تلاش‌های مدیریت تغییر، کمک کند.
همچنین تجزیه و تحلیل شبکه پیچیده را می توان برای ارزیابی و ارزیابی عملکرد شرکت مورد استفاده قرار داد. با تجزیه و تحلیل ویژگی‌های شبکه، مانند مرکزیت، اتصال، و ضرایب خوشه بندی، سازمان‌ها می‌توانند اثربخشی ارتباطات، همکاری و جریان دانش را اندازه گیری کنند. این تجزیه و تحلیل به شناسایی زمینه های بهبود، بهینه‌سازی ساختارهای سازمانی و افزایش عملکرد کلی کمک می‌کند.
تجزیه و تحلیل شبکه پیچیده در سازمان یک چارچوب قدرتمند برای درک روابط پیچیده و پویایی که سیستم های سازمانی را شکل می‌دهد.
هوش سازمانی
هوش سازمانی به دانش جمعی، قابلیت ها و ظرفیت یادگیری یک سازمان به عنوان یک کل اشاره دارد. این شامل توانایی یک سازمان برای به دست آوردن، پردازش، تفسیر و به کارگیری موثر اطلاعات و دانش برای دستیابی به اهداف خود و سازگاری با محیط‌های در حال تغییر است. هوش سازمانی فراتر از هوش فردی است و بر هوشی تمرکز دارد که از تعاملات و همکاری بین افراد، تیم ها و سیستم‌های درون یک سازمان پدید می‌آید.
در اینجا جنبه ها و ویژگی های کلیدی هوش سازمانی آورده شده است:
در واقع هوش سازمانی در محیطی امکان رشد دارد که برای یادگیری و بهبود مستمر ارزش قائلند. سازمان‌هایی که فرهنگ یادگیری دارند، کنجکاوی، آزمایش و اشتراک دانش را تشویق می‌کنند. آنها فضای باز و حمایتی را ایجاد می‌کنند که در آن افراد تشویق شوند تا به دنبال ایجاد ارتباط و کسب دانش جدید باشند، بینش‌های خود را به اشتراک بگذارند، و از موفقیت ها و شکست‌ها درس بگیرند و از تجارب موجود استفاده کنند.
هوش سازمانی بر شیوه‌های مؤثر مدیریت اطلاعات متکی است. این شامل جمع آوری، سازماندهی، ذخیره سازی و بازیابی داده‌ها و اطلاعات مربوطه است. سیستم‌های اطلاعاتی، پایگاه‌های داده و پلتفرم‌های مدیریت دانش برای جمع آوری و انتشار اطلاعات در سراسر سازمان استفاده می‌شوند. همچنین از طریق ایجاد و به اشتراک گذاری، دانش افزایش می یابد و غنی‌تر می‌شود این شامل گرفتن دانش ضمنی از افراد و تبدیل آن به دانش صریح است که می تواند توسط دیگران به اشتراک گذاشته شود و مورد استفاده قرار گیرد. مکانیسم‌های به اشتراک گذاری دانش، مانند پلتفرم های مشارکتی، و برنامه های آموزشی انتقال دانش را در بین کارکنان تسهیل می کند.
هوش سازمانی شامل توانایی درک اطلاعات پیچیده و تصمیم گیری آگاهانه است. این مستلزم توانایی تجزیه و تحلیل داده‌ها، شناسایی الگوها، اتصال اطلاعات متفاوت، و استخراج بینش‌های عملی است. فرآیندهای تصمیم‌گیری مؤثر، که با رویکردهای داده‌محور و هوش جمعی پشتیبانی می‌شوند، مؤلفه‌های کلیدی هوش سازمانی هستند. همچنین هوش سازمانی سازمان ها را قادر می‌سازد تا با تغییرات محیط داخلی و خارجی خود سازگار شوند و به آنها پاسخ دهند. این شامل توانایی جمع‌آوری و پردازش سریع اطلاعات، شناسایی روندهای نوظهور، و ایجاد تنظیمات به موقع برای استراتژی ها و عملیات است. هوش سازمانی از چابکی پشتیبانی می‌کند و به سازمان‌ها اجازه می‌دهد تا فرصت‌ها را غنیمت بشمارند، ریسک‌ها را مدیریت کنند و به طور موثری عدم قطعیت‌ها را مدیریت کنند. به علاوه هوش سازمانی از طریق همکاری و کانال‌های ارتباطی موثر پرورش می‌یابد. این شامل ایجاد شبکه‌ها و روابطی است که تبادل ایده‌ها، تخصص و اطلاعات را در سطوح و عملکردهای مختلف سازمان تسهیل می‌کند. پلتفرم‌های همکاری، ساختارهای تیمی و ابتکارات متقابل عملکردی، هوش جمعی و اشتراک دانش را ارتقا می‌دهند.
یکی از تکیه‌گاه‌های هوش سازمانی بر فرهنگ و بهبود مستمر تاکید دارد. این شامل استفاده از مکانیسم‌های بازخورد، معیارهای عملکردی برای هدایت نوآوری و افزایش اثربخشی سازمانی است. ابتکارات بهبود مستمر، مانند بهینه سازی فرآیند، پروژه‌های نوآورانه، و ارزیابی عملکرد، از رشد و توسعه هوش سازمانی حمایت می‌کند.
هوش سازمانی سازمان ها را قادر می‌سازد تا از دانش جمعی خود استفاده کنند، از منابع خود به طور موثر استفاده کنند و تصمیمات آگاهانه بگیرند. فرهنگ یادگیری محور را ترویج کنند، توانایی سازمان را برای انطباق و پیشرفت در یک محیط تجاری پویا افزایش دهد. با پرورش هوش سازمانی، سازمان‌ها می‌توانند به موفقیت پایدار دست یابند و مزیت رقابتی را در صنایع مربوطه خود حفظ کنند.
نمونه‌های انجام شده (مطالعه موردی)
یکی از مطالعات نسبتا کامل و مشابه به این مبحث مقاله Complex Network Analysis for Knowledge Management and Organizational Intelligence است در این مقاله مروری بر مفهوم مدیریت دانش و تکامل آن در 40 سال گذشته ارائه می‌کند. این نشان می دهد که چگونه انتقال دانش به منبع مهمی از مزیت رقابتی برای شرکت ها در دستیابی به موفقیت تبدیل شده است. این مقاله همچنین چگونگی تغییر مدیریت دانش در طول زمان را با چالش‌ها، دیدگاه‌ها، نظریه‌ها و ابزارهای جدید برای حمایت و افزایش رشد و عملکرد شرکت‌ها مورد بحث قرار می‌دهد.
این مقاله همچنین به بررسی مفهوم هوش سازمانی و ارتباط آن با مدیریت دانش می پردازد. هوش سازمانی به توانایی سازمان برای کسب، پردازش و استفاده از اطلاعات برای انطباق با محیط و دستیابی به اهدافش اشاره دارد. این مقاله پیشنهاد می‌کند که هوش سازمانی یک جنبه کلیدی مدیریت دانش است و پیامدهای آن را برای تحقیقات آینده مورد بحث قرار می‌دهد.
علاوه بر این، این مقاله بینش هایی را در مورد منابع بالقوه داده برای مطالعه تعاملات کارکنان در یک سازمان ارائه می‌دهد. این منابع شامل ارتباط حضوری، ایمیل، پیام فوری، تماس های صوتی و شرکت در جلسات و بحث‌های آنلاین است. این مقاله پیشنهاد می‌کند که انتخاب روش گردآوری داده‌ها به طرح تحقیق و اهداف خاص مطالعه بستگی دارد.
سپس روش ساخت گراف در این تحقیق را بیان می‌کند و روش‌های عمومی محاسبات درجات و میزان سایر پارامترهای پایه‌ای علم شبکه را محاسبه می‌نماید.(2)
به طور کلی، این مقاله یک نمای کلی از مدیریت دانش، اهمیت آن در موفقیت سازمانی، و راه های بالقوه برای تحقیقات آینده ارائه می دهد. اهمیت انتقال دانش، هوش سازمانی و روش‌های جمع‌آوری داده‌ها در درک تعاملات کارکنان در یک سازمان را برجسته می‌کند.(2)
به صورت کلی در مقاله درباره یافتن گلوگاه در یک سازمان بحث نمی کند. در عوض، اهمیت ایجاد یک محیط حمایتی برای توسعه روابط رسمی و غیررسمی در تمام سطوح سلسله مراتب شرکت را مورد بحث قرار می دهد. این می تواند به ایجاد یک شبکه "جهان کوچک"، کاهش هزینه های مدیریت دانش و افزایش انتقال دانش کمک کند. این مقاله همچنین مفهوم هوش سازمانی و ارتباط آن با مدیریت دانش را مورد بحث قرار می دهد. هوش سازمانی به توانایی یک سازمان برای کسب، پردازش و استفاده از اطلاعات برای انطباق با محیط و دستیابی به اهدافش اشاره دارد. در حالی که این مقاله اطلاعاتی در مورد یافتن گلوگاه ها ارائه نمی‌شود.(2)
مقاله بعدی در به کاربرد تحلیل شبکه دانش برای شناسایی تنگناهای اشتراک دانش در یک شرکت مهندسی(3) می‌پردازد در این مقاله استفاده از تکنیک تحلیل شبکه دانش را برای تجزیه و تحلیل شبکه های‌دانش در یک حوزه دانش خاص توصیف می‌کند. این تکنیک مبتنی بر تجزیه و تحلیل شبکه‌های اجتماعی که یک مفهوم عمومی در علم شبکه است و تکنیک پژوهشی پذیرفته شده در علوم اجتماعی است. برای اینکه تحلیل شبکه های اجتماعی برای تحلیل شبکه‌های دانش مناسب‌تر باشد، نویسندگان مفاهیم زیر را به این تکنیک اضافه کردند: نقش های مدیریت دانش، سطوح تخصص، سرعت دانش، و چسبناکی[5]دانش.
این مقاله نتایج یک مطالعه موردی اکتشافی انجام شده در یک شرکت مشاوره و مهندسی دانش محور را ارائه می‌کند. هدف مطالعه موردی بررسی میزان توانایی این تکنیک برای شناسایی تنگناهای اشتراک دانش بود. نویسندگان یک حوزه دانش را برای انجام تحلیل شبکه دانش شناسایی کردند: مهندسی عمران. تعداد افراد شاغل در این حوزه دانش 31 نفر بود که 28 نفر از آنها توانستند در پژوهش شرکت کنند.
نویسندگان داده‌ها را با استفاده از تحلیل شبکه دانش تجزیه و تحلیل کردند و چندین گلوگاه اشتراک دانش را در شبکه دانش شناسایی کردند. آنها دریافتند که شبکه دانش بسیار متمرکز است و تعداد کمی از افراد دارای درجه بالایی از قدرت و نفوذ هستند. آنها همچنین دریافتند که جریان دانش محدود است و بیشتر افراد دانش را تنها با چند نفر از همکاران مبادله می‌کنند.
بر اساس نتایج تجزیه و تحلیل، نویسندگان توصیه‌هایی را برای بهبود اشتراک دانش در سازمان مورد مطالعه فرموله کردند. این توصیه‌ها شامل تشویق کارکنان به تبادل دانش با تعداد بیشتری از همکاران، استفاده از فناوری اطلاعات و ارتباطات برای غلبه بر موانع تبادل دانش و ایجاد فرهنگ اشتراک دانش و همکاری بود.(3)
به طور خلاصه، نویسندگان از تجزیه و تحلیل شبکه دانش، تکنیکی مبتنی بر تجزیه و تحلیل شبکه‌های اجتماعی، برای تجزیه و تحلیل شبکه‌های دانش در یک حوزه دانش خاص استفاده کردند. آنها داده ها را از طریق یک نظرسنجی جمع آوری کردند و از NetMiner برای تجزیه و تحلیل بصری و کمی شبکه‌های دانش استفاده کردند. نتایج تجزیه و تحلیل برای شناسایی تنگناهای اشتراک دانش و تدوین توصیه هایی برای بهبود اشتراک دانش در سازمان مورد مطالعه استفاده شد.
در مقاله دیگر بعدی تعریف خاصی از «مرکزیت» و «اتصال» در شبکه‌های سازمانی ارائه نشده است با این حال، نویسندگان اشاره می‌کنند که شاخص‌های مرکزیت و اتصال در سه سازمان مورد تجزیه و تحلیل اندازه گیری شده است و این شاخص‌ها احتمالاً برای تعیین کمیت اهمیت و تأثیر افراد در شبکه سازمانی استفاده می‌شوند. علاوه بر این، محققان بیان می‌کنند که بر اساس شاخص‌های مرکزیت و اتصال، تفاوت‌های آماری معناداری بین افراد در سطوح سلسله مراتبی مختلف وجود دارد. این نشان می دهد که مرکزیت و اتصال برای ارزیابی موقعیت و نفوذ افراد در شبکه بر اساس سطح سلسله مراتبی آنها استفاده می شود.(5)
در حالی که روش های اندازه گیری دقیق برای مرکزیت و اتصال در متون داده شده ارائه نشده است، معیارهای رایج مورد استفاده در تحلیل شبکه شامل مرکزیت درجه، مرکزیت بینابینی، مرکزیت نزدیکی و مرکزیت بردار ویژه برای ارزیابی مرکزیت است. قابلیت اتصال را می‌توان با بررسی تعداد و قدرت اتصالات بین افراد یا گره ها در شبکه اندازه گیری کرد که توضیح تقریبا گنگی را ارائه داده‌اند.
از نظر یافته‌های غیرمنتظره، محققان در این پژوهش دریافتند که در دو سازمان از سه سازمان مورد بررسی، تفاوت معنی‌داری در مرکزیت و ارتباط بین مدیران میانی و مدیران ارشد وجود ندارد. این نشان می‌دهد که سطح سلسله مراتبی در سازمان تأثیر قابل توجهی بر موقعیت یک فرد در شبکه ندارد. این یافته این فرض را به چالش می‌کشد که موقعیت‌های سلسله مراتبی بالاتر به طور خودکار مرکزیت و اتصال بیشتری را در شبکه سازمانی ایجاد می‌کنند. همچنین در مورد محدودیت‌ها، مطالعه تصدیق می‌کند که نمونه بزرگ‌تری از سازمان‌ها برای گسترش نتیجه‌گیری فراتر از زمینه خاص مورد مطالعه مفید خواهد بود. علاوه بر این، محققان برای مقایسه نتایج به‌دست‌آمده، استفاده از شبکه‌های بیشتر، به‌ویژه شبکه‌های غیررسمی را توصیه می‌کنند. این امر نیاز به تحقیقات آینده را برای کشف نقش رهبران غیررسمی و شبکه های غیررسمی در تحلیل شبکه سازمانی برجسته می کند.
علاوه بر این، این مطالعه بر اهمیت انجام مطالعات تطبیقی برای شناسایی الگوها در زمینه‌های مختلف و توسعه نظریه‌هایی که رفتار روابط درون شبکه‌ها را توضیح می‌دهند. این نشان می دهد که تحقیقات آینده باید بر مطالعات بین فرهنگی متمرکز شود و باید پیامدهای آن را به صورت خاص مورد مطالعه قرار دهد.(5)
ابزارهای مربوط در علم داده و شبکه
ابزارها و نر‌م‌افزارهای مختلفی وجود دارد که معمولاً در زمینه‌های دانش و علم داده و همچنین علوم شبکه استفاده می‌شود. در اینجا چند ابزار محبوب در هر حوزه آورده شده است.
دانش و علم داده:
Python پایتون یک زبان برنامه نویسی همه کاره است که به طور گسترده در علم داده استفاده می‌شود. دارای کتابخانه‌هایی مانند NumPy، Pandas و Scikit-learnاست که قابلیت‌های دستکاری، تجزیه و تحلیل و یادگیری ماشینی قدرتمندی را ارائه می‌دهند.
R یک زبان برنامه نویسی است که به طور خاص برای محاسبات آماری و تجزیه و تحلیل داده‌ها طراحی شده است. این مجموعه گسترده‌ای از بسته‌ها، از جمله dplyr، ggplot2، و caretدارد که دستکاری، تجسم و مدلسازی داده‌ها را تسهیل می‌کند.
SQL یک زبان استاندارد برای مدیریت و پرس و جو پایگاه داده های رابطه‌ای است. برای استخراج، دستکاری و تجزیه و تحلیل داده های ذخیره شده در پایگاه‌های داده استفاده می شود.
Tableau ابزاری محبوب برای تجسم و توصیف داده‌ها است که به کاربران اجازه می‌دهد داشبوردها و گزارش‌های تعاملی و از نظر بصری جذاب ایجاد کنند. از منابع داده‌های مختلف پشتیبانی می‌کند و یک رابط کاربر پسند برای کاوش داده‌ها و داستان سرایی فراهم می‌کند.
Apache Hadoop چارچوبی است که پردازش توزیع شده مجموعه داده‌های بزرگ را در میان خوشه‌های کامپیوتری امکان پذیر می‌کند. برای ذخیره و تجزیه و تحلیل داده‌های بزرگ استفاده می‌شود و ابزارهایی مانند سیستم فایل توزیع شده Hadoop (HDFS) و MapReduceرا برای پردازش داده ارائه می‌دهد.
علم شبکه:
NetworkX یک کتابخانه پایتون برای ایجاد، دستکاری و مطالعه ساختار، دینامیک و عملکرد شبکه های پیچیده است. طیف گسترده‌ای از الگوریتم ها و توابع را برای تجزیه و تحلیل شبکه، تجسم و مدل سازی فراهم می‌کند و یکی از ابزارهای پایه در این علم و این پژوهش در کنار Matplot خواهد بود.
Gephi یک نرم افزار متن باز برای کاوش و تجسم شبکه‌ها است. این یک رابط کاربر پسند با قابلیت تجسم قدرتمند ارائه می‌دهد و از الگوریتم های مختلف تجزیه و تحلیل شبکه پشتیبانی می‌کند.
Cytoscape یک پلت فرم همه کاره برای تجسم و تجزیه و تحلیل شبکه‌های پیچیده است. از طیف گسترده ای از انواع شبکه پشتیبانی می‌کند و قابلیت‌های تحلیل و مدلسازی شبکه گسترده‌ای را ارائه می‌دهد.
Pajek یک بسته نرم‌افزاری برای تحلیل و تجسم شبکه‌های بزرگ است. این نرم‌افزار الگوریتم‌ها و ابزارهای پیشرفته تجزیه و تحلیل شبکه را برای تجزیه و تحلیل شبکه‌های اجتماعی، تشخیص جامعه و تجسم شبکه ارائه می‌دهد.
igraph کتابخانه‌ای است که در چندین زبان برنامه نویسی از جمله R و Pythonموجود است. مجموعه ای جامع از توابع را برای تجزیه و تحلیل شبکه، تشخیص جامعه، معیارهای مرکزیت و تجسم فراهم می‌کند.
هر کدام از ابزارهای معرفی شده با توجه به خروجی مدنظر و محدودیت‌های موجود قابل بحث و استفاده هستند.
ابزارهای تحلیل
تجزیه و تحلیل داده ها در تمام ابعاد در یک سازمان مستلزم ترکیبی از ابزارها و تکنیک ها است. در اینجا چند ابزار متداول استفاده می شود که می تواند به تجزیه و تحلیل داده ها در ابعاد مختلف کمک کند.
ابزارهای هوش تجاری مجموعه ای جامع از ویژگی‌ها را برای تجزیه و تحلیل داده‌ها، گزارش‌دهی و تجسم ارائه می‌دهند. آنها به کاربران اجازه می‌دهند داده‌ها را از زوایای مختلف و ابعاد مختلف کاوش کنند، داشبوردهای تعاملی ایجاد کنند و از طریق تجزیه و تحلیل‌های پیشرفته بینش ایجاد کنند. ابزارهای محبوب BI عبارتند از Tableau، Power BI، QlikViewو Looker.
ابزارهای تجسم داده ها به نمایش مجموعه داده‌های پیچیده به صورت بصری کمک می‌کند و شناسایی الگوها، روندها و موارد پرت را آسان‌تر می‌کند. این ابزارها کاربران را قادر می‌سازد تا نمودارها، نمودارها، نقشه‌های حرارتی و سایر نمایش‌های بصری ایجاد کنند که کاوش و درک داده‌ها را تسهیل می‌کند. نمونه‌هایی از ابزارهای تجسم داده‌ها عبارتند از D3.js، Plotlyو Google Data Studio.
ابزارهای تجزیه و تحلیل آماری برای انجام تحلیل‌های آماری پیشرفته بر روی داده های سازمانی استفاده می شود. این ابزارها کاربران را قادر می سازد تا مدل های آماری را اعمال کنند، آزمایش فرضیه ها را انجام دهند، تحلیل رگرسیون را انجام دهند و بینش‌هایی را از داده به دست آورند. ابزارهای رایج تجزیه و تحلیل آماری شامل کتابخانه‌های آماری R، SPSS، SASو Python (به عنوان مثال، NumPy، SciPy و StatsModels) است.
یکپارچه سازی داده و ابزارهای ETL (Extract, Transform, Load) یکپارچه سازی داده‌ها و ابزارهای ETL شرکت‌ها را قادر می‌سازد تا داده را از منابع مختلف استخراج کنند، آن را تبدیل و پاکسازی کنند و در یک سیستم هدف برای تجزیه و تحلیل بارگذاری کنند. این ابزارها فرآیند آماده سازی داده را ساده کرده و کیفیت داده را تضمین می‌کنند. یکپارچه سازی داده‌ها و ابزارهای ETLرایج عبارتند از Informatica PowerCenter، Talendو Microsoft SSIS (SQL Server Integration Services).
انتخاب ابزارها به نیازهای خاص و ماهیت داده‌های مورد تجزیه و تحلیل و تکنیک‌های تحلیلی به کار گرفته شده بستگی دارد. توجه به عواملی مانند مقیاس پذیری، سهولت استفاده، سازگاری با سیستم‌های موجود و تخصص تیم تجزیه و تحلیل داده‌ها هنگام انتخاب ابزارهای مناسب برای تجزیه و تحلیل داده‌ها در همه ابعاد در یک سازمان مهم است.
تشخیص ساختار شبکه و آنتولوژی
یکی از وجوب مهم انجام تحلیل در هر زمینه و سازمانی شناخت ویژگی‌های پایه‌ای و مرتبط با موجودیت آن سازمان است. برای شناسایی هستی شناسی یک سازمان، می‌توان از روش‌های متفاوتی به پاسخ دست یافت، انجام مصاحبه با ذینفعان کلیدی در سازمان، مانند کارشناسان موضوع، مدیران و کارمندان مصاحبه کنید. از آنها در مورد دامنه، فرآیندها و مفاهیم مرتبط با شرکت بپرسید. بینش و دیدگاه‌های آنها را در مورد نحوه عملکرد شرکت و عناصر کلیدی که ساختار و عملکرد آن را تعریف می‌کنند جمع آوری شود.
راه دیگر بازنگری اسناد موجود در سازمان، مانند نمودارهای سازمانی، اسناد فرآیند، خط مشی ها و رویه ها را بررسی کنید. این اسناد اغلب حاوی اطلاعات ارزشمندی در مورد ساختار، نقش ها و روابط درون سازمانی هستند. اصطلاحات و مفاهیم مورد استفاده در مستندات را برای به دست آوردن بینشی در مورد هستی شناسی شرکت تجزیه و تحلیل کنید.
مطالعه فرآیندهای کسب و کار در شرکت. نقشه برداری و تحلیل فرآیند می‌تواند به کشف جریان اطلاعات، منابع و فعالیت‌ها و شناسایی موجودیت‌ها و روابط درگیر کمک کند. این تجزیه و تحلیل می‌تواند مفاهیم و نهادهای کلیدی را که برای عملیات شرکت حیاتی هستند، آشکار کند.
کارگاه های مشترک یا جلسات طوفان فکری را با ذینفعان مرتبط سازماندهی کنید. شرکت کنندگان را تشویق کنید تا درک خود را از شرکت و حوزه آن به اشتراک بگذارند. تسهیل بحث برای شناسایی و تعریف مفاهیم کلیدی، موجودیت‌ها و روابطی که هستی شناسی شرکت را تشکیل می‌دهند. به علاوه تجزیه و تحلیل داده ها و سیستم های اطلاعاتی مورد استفاده در سازمان. به دنبال مدل‌های داده، طرح‌واره‌های پایگاه داده و ابرداده‌هایی باشید که بینش‌هایی درباره موجودیت‌ها، ویژگی‌ها و روابط ثبت‌شده در سیستم‌های شرکت ارائه می‌دهند. این تحلیل می تواند به شناسایی و اعتبارسنجی مفاهیم کلیدی و ارتباطات متقابل آنها کمک کند.
برای بررسی تحقیقات موجود یا چارچوب‌ها و هستی‌شناسی‌های خاص صنعت مرتبط با حوزه شرکت، مروری بر ادبیات انجام دهید. این می‌تواند بینش‌هایی را در مورد مفاهیم و روابط تثبیت شده‌ای که معمولاً در زمینه‌های مشابه استفاده می‌شود، ارائه دهد.
یکی دیگر از روش‌های پی بردن به هستی‌شناسی در یک سازمان این است که با جمع آوری اطلاعات و بینش از مراحل بالا، به طور مکرر هستی شناسی شناسایی شده را اصلاح و اعتبار سنجی کرد. با این حال همچنان باید به دنبال بازخورد از ذینفعان و کارشناسان موضوع بود تا مطمئن شد که هستی شناسی به طور دقیق ساختار و حوزه دانش شرکت را نشان می‌دهد. همچنین باید هستی‌شناسی شناسایی‌شده را مستند کرده و مفاهیم کلیدی، موجودیت‌ها، روابط، و تعاریف آنها را به تصویر کشید. با استفاده از نمادها یا ابزارهای مناسب، یک نمایش واضح و مختصر از هستی شناسی ایجاد کرد. به طور منظم هستی شناسی را بررسی و به روز نمود تا مطمئن شد که هر گونه تغییر یا پیشرفت در شرکت را منعکس می‌کند. توجه به این نکته مهم است که شناسایی هستی شناسی یک سازمان یک فرآیند تکراری و مشارکتی است. این امر مستلزم مشارکت فعال و ورودی ذینفعان مختلف برای اطمینان از نمایش جامع و دقیق از ساختار و حوزه دانش شرکت است.
روش‌های مدلسازی شبکه
ایجاد یک شبکه مبتنی بر داده‌ها و جریان دانش در سازمان شامل چندین مرحله است. در اینجا یک نمای کلی از روند را بیان می‌کنیم، ابتدا باید محدوده تحلیل شبکه را به وضوح تعریف کرد، مانند داده‌ها و جریان‌های دانش خاص که باید تجزیه و تحلیل شوند و اهدافی که باید به آنها دست یافت. همچنین حوزه‌های تمرکز، مانند شبکه‌های ارتباطی، شبکه‌های اشتراک دانش، یا شبکه‌های همکاری را بر اساس اهداف تجزیه و تحلیل معین نمود. سپس به جمع آوری داده‌های مرتبط پرداخت در مورد داده‌ها و جریان‌های دانش در سازمان این می‌تواند شامل داده‌هایی از منابع مختلف مانند گزارش‌های ارتباطی، پلت فرم‌های همکاری، سیستم‌های مدیریت دانش و مستندات پروژه باشد. باید هم داده‌های کمی (مانند تبادل ایمیل، فراوانی اشتراک‌گذاری اسناد) و هم داده‌های کیفی (مانند مصاحبه‌ها، نظرسنجی‌ها) را جمع‌آوری نمود تا بررسی کرد و دیدی جامع از شبکه به دست آورد.
سپس گره ها یا موجودیت‌های درون سازمانی را که در جریان داده‌ها و دانش مشارکت دارند، شناسایی کردد. این گرهها می‌توانند شامل افراد، تیم ها، بخش ها، سیستم ها یا سایر واحدهای سازمانی باشند. روابط یا ارتباطات بین این گره ها را بر اساس ماهیت داده‌ها و جریان دانش، مانند روابط فرستنده و گیرنده یا مشارکت و همکاری تعیین کرد.
در مرحله بعد داده‌های جمع آوری شده را در قالبی مناسب برای تحلیل شبکه نمایش می‌دهیم. این کار را می‌توان با استفاده از ابزارهای مدل سازی شبکه یا بسته‌های نرم افزاری که از تحلیل شبکه پشتیبانی می‌کنند انجام داد. گرهها را به عنوان نقاط (راس) و روابط را به عنوان اتصالات (لبه ها) در شبکه نمایش داد و در مرحله بعد به تجزیه و تحلیل آن پرداخت و از تکنیک‌های تحلیل شبکه برای مطالعه شبکه ایجاد شده استفاده کرد. این می‌تواند شامل تجزیه و تحلیل ویژگی‌های مختلف شبکه مانند معیارهای مرکزیت (به عنوان مثال، مرکزیت درجه، مرکزیت بینابینی)، ضرایب خوشه بندی، تراکم شبکه، یا الگوریتم های تشخیص جوامع و خوشه‌ها باشد. این تحلیل‌ها بینشی را در مورد ساختار، پویایی و رفتار شبکه، مانند شناسایی گره های کلیدی، هاب های دانش، گلوگاه های اطلاعاتی، یا الگوهای همکاری فراهم می‌کند که به درک بهتر ساختار و الگوهای شبکه کمک می‌کند. ابزارهای تجسم شبکه می‌توانند گرهها را به صورت دایره یا نماد، و لبه‌ها را به‌عنوان خطوط یا فلش‌ها با رنگ‌ها یا اندازه‌های مختلف نشان‌دهنده ویژگی‌ها یا معیارهای شبکه نشان دهند. همچنین امکان تعلق وزن باتوجه به میزان اهمیت آن نود یا لینک وجود خواهد داشت.
تفسیر نتایج تجزیه و تحلیل شبکه باید به صورت دقیق تفسیر شوند تا بتوانند منجر به یافتن بینش‌های معنادار، الگوها، روندها و روابط باشند و این موارد ذکر شده را در شبکه شناسایی کرد که نهایتا می‌توانند تصمیم‌گیری، بهینه‌سازی فرآیند یا استراتژی‌های مدیریت دانش را تعیین کنند.
قدم بعدی این است که مدیران و مسئولین وضع موجود باید بر اساس بینش‌های به‌دست‌آمده، توصیه‌ها و گام‌های عملی را برای بهبود جریان داده و دانش در سازمان توسعه دهند. این توصیه‌ها می‌تواند شامل مداخلاتی برای تقویت کانال‌های ارتباطی، ترویج اشتراک دانش، تقویت همکاری یا بهینه سازی ساختارهای سازمانی باشد و اقدامات توصیه شده برای افزایش داده‌ها و جریان دانش در سازمان را اجرا کند. احتمال دارد که با دنبال کردن این مراحل، یک شرکت می تواند شبکه ای مبتنی بر داده ها و جریان دانش ایجاد کند، تجزیه و تحلیل معنادار انجام دهد و از بینش های به دست آمده برای بهبود ارتباطات، همکاری و شیوه‌های مدیریت دانش بهره ببرد.
تکنیک‌ها و اصول تحلیل شبکه:
تشخيص جامعه فرايند شناسايي گروهي از گره هاست كه به طور متراكم در يك شبكه به هم متصل شده‌اند. در یک شرکت، تشخیص جامعه می‌تواند بخش‌ها، تیم‌ها یا واحدهای عملکردی را نشان دهد که همکاری و اشتراک دانش قوی را نشان می‌دهند. با درک این جوامع، سازمان ها می‌توانند همکاری بین بخشی را تقویت کنند، تأثیرگذاران کلیدی را شناسایی کنند و جریان دانش را در داخل و بین جوامع بهینه کنند.
معیارهای مرکزیت، گره‌هایی را که در یک شبکه تأثیرگذار یا مهم هستند، شناسایی می‌کند. برخی از معیارهای مرکزی که معمولاً مورد استفاده قرار می‌گیرند عبارتند از مرکزیت درجه، که تعداد اتصالات یک گره را می‌شمارد، و مرکزیت بین‌المللی، که میزان قرار گرفتن یک گره در کوتاه‌ترین مسیر بین گره‌های دیگر را کمیت می‌دهد. در یک شرکت، تجزیه و تحلیل مرکزیت می‌تواند به شناسایی افراد یا بخش‌های کلیدی که به عنوان دروازه بان یا کارگزار دانش عمل کند، کمک کند و مداخلات هدفمند را برای افزایش انتشار دانش و همکاری ممکن سازد.
انعطاف پذیری شبکه[6]به توانایی یک شبکه برای مقاومت و بازیابی از خرابی‌ها یا اختلالات اشاره دارد. ارزیابی انعطاف‌پذیری یک شبکه سازمانی شامل تجزیه و تحلیل آسیب‌پذیری آن در برابر خرابی‌های گره یا پیوند، درک تأثیر چنین شکست‌هایی بر جریان اطلاعات و اشتراک‌گذاری دانش، و توسعه استراتژی‌هایی برای افزایش انعطاف‌پذیری شبکه است. این تجزیه و تحلیل می‌تواند اجرای سیستم‌های پشتیبان، اقدامات افزونگی یا کانال‌های ارتباطی جایگزین را برای اطمینان از جریان بی‌وقفه دانش در سازمان راهنمایی کند.
مدل سازی و شبیه سازی شبکه:
امروزه مدل‌های شبکه نمایش‌های ریاضی یا محاسباتی شبکه‌های دنیای واقعی هستند. آنها به شبیه سازی رفتار و پویایی شبکه‌ها کمک می‌کنند و بینش‌هایی را در مورد جریان اطلاعات، انتشار دانش یا الگوهای همکاری ارائه می‌دهند. در یک شرکت، مدل‌های شبکه می‌توانند روابط و تعاملات بین افراد، تیم‌ها یا سیستم‌ها را به تصویر بکشند و امکان ارزیابی سناریوها و مداخلات مختلف را فراهم کنند.
همچنین مدل‌های انتشار، گسترش اطلاعات، دانش یا نفوذ در یک شبکه را شبیه‌سازی می‌کنند. این مدل‌ها می‌توانند به تجزیه و تحلیل چگونگی انتشار ایده‌ها یا نوآوری‌ها در یک سازمان، شناسایی گره‌های کلیدی که انتشار را تسهیل یا مهار می‌کنند، و ارزیابی استراتژی‌ها برای افزایش انتشار دانش کمک کنند. مدل‌های انتشار می‌توانند فرآیندهای تصمیم‌گیری مرتبط با مدیریت تغییر، ابتکارات به اشتراک گذاری دانش، یا یادگیری سازمانی را اطلاع دهند.
راه دیگر مدلسازی مبتنی بر عامل، شامل شبیه‌سازی رفتار عامل‌های فردی در یک شبکه و تجزیه و تحلیل ویژگی‌های نوظهور در سطح جمعی است. که امکان مطالعه تعاملات پیچیده، فرآیندهای تصمیم گیری و پویایی تبادل دانش در یک شرکت را فراهم می کند. این می تواند بینش‌هایی را در مورد تأثیر رفتارهای فردی بر عملکرد کلی سازمان ارائه دهد و به طراحی استراتژی‌های مدیریت دانش مؤثر کمک کند.
با استفاده از تکنیک‌های تحلیل شبکه و مدلسازی و شبیه‌سازی شبکه، شرکت‌ها می‌توانند درک عمیق‌تری از شبکه‌های دانش خود به دست آورند، تنگناها را شناسایی کنند، همکاری را تقویت کنند و استراتژی‌هایی را برای بهینه‌سازی جریان دانش و هوش سازمانی توسعه دهند. این رویکردها تصمیم گیری مبتنی بر شواهد را امکان پذیر می‌کند و طراحی مداخلاتی را تسهیل می‌کند که مدیریت دانش مؤثر را ارتقا می‌دهد و فرهنگ یادگیری را در سازمان پرورش می‌دهد.
به روش‌های مدلسازی سازمان
تاکنون روش‌های مدلسازی شبکه در سازمان را بررسی کردیم ولی یافتن بهترین روش برای تحلیل مستلزم این است که بتوانیم به‌روش‌ها را شناسایی و براساس آنها اقدام نمائیم. برای این مهم باید در ابتدا سوال تحقیق یا هدف مطالعه مدل سازی و شبیه سازی شبکه را به وضوح تعریف کرد و تعیین کرد که چه جنبه خاصی از مدیریت دانش یا هوش سازمانی مورد بررسی ست. و سپس از طریق شبیه سازی به بررسی یا بهبود روندها پرداخت. این وضوح به توسعه مدل و طراحی شبیه‌سازی بهترکمک می‌کند. در مرحله بعد باید متغیرهای کلیدی مرتبط با سوال تحقیق خود را شناسایی کرد، این متغیرها ممکن است شامل رفتار اشتراک دانش، الگوهای همکاری، ساختار شبکه یا معیارهای عملکرد سازمانی باشد. باید تعیین کرد که چگونه این متغیرها در مدل نمایش داده شده و کمی سازی می‌شوند.
در فاز جمع آوری داده‌های مربوطه برای اطلاع از روند توسعه مدل که ممکن است شامل داده‌هایی در مورد الگوهای ارتباطی، تبادل دانش، سلسله مراتب سازمانی یا شاخص‌های عملکرد باشد، کیفیت و دقت داده‌ها به طور قابل توجهی بر اعتبار و قابلیت اطمینان نتایج شبیه سازی تأثیر گذار است.
همچنین انتخاب رویکرد مدلسازی که با سؤال تحقیق و داده‌های موجود همسو باشد حائز اهمیت است. مدلسازی مبتنی بر عامل، مدل‌های انتشار شبکه یا مدل‌های نمودار ریاضی می‌توانند بسته به مشکل خاصی که به آن می‌پردازید مناسب باشند. هر رویکرد مدل سازی نقاط قوت و محدودیت های خود را دارد، بنابراین ماهیت سؤال تحقیق خود و سطح جزئیات مورد نیاز را باید در نظر گرفت.
مورد بعدی اعتبار و کالیبره کردن مدل با مقایسه رفتار و خروجی‌های آن با مشاهدات دنیای واقعی یا داده‌های تاریخی ست. باید از داده‌های موجود برای تنظیم پارامترهای مدل استفاده کرد و اطمینان حاصل نمود که مدل به طور دقیق پویایی شبکه سازمانی را نشان می‌دهد و نتایج قابل قبولی تولید می‌کند. اعتبارسنجی مدل، قابلیت اطمینان شبیه سازی‌های شما را افزایش می‌دهد و اعتبار آن را افزایش می‌دهد. همچنین باید تجزیه و تحلیل حساسیت را برای ارزیابی استحکام مدل خود و تأثیر پارامترها یا مفروضات مختلف انجام داد. مثلا پارامترهای ورودی کلیدی را در یک محدوده معقول تغییر داد و نحوه تغییر خروجی‌های مدل را مشاهده کرد. این تجزیه و تحلیل به شناسایی عوامل حیاتی موثر بر نتایج کمک می‌کند و بینشی در مورد حساسیت سیستم به تغییرات در آن عوامل ارائه می‌دهد.
مورد بعدی در یافتن بهترین روش‌های مدلسازی تست سناریوهای مختلف است می‌توان از مدل برای شبیه سازی و آزمایش سناریوهای مختلف مرتبط با مدیریت دانش و هوش سازمانی استفاده کرد. برای مثال، تأثیر پیاده‌سازی یک پلتفرم ارتباطی جدید، تغییر الگوهای همکاری، یا معرفی طرح‌های به اشتراک گذاری دانش را شبیه‌سازی کرده و نتایج این سناریوها را برای درک اثرات بالقوه آنها بر جریان دانش و عملکرد سازمانی مقایسه نمود.
در این حالت نیز باید توجه داشت که مدل سازی و شبیه سازی شبکه یک فرآیند تکراری و مداوم است باید با به دست آوردن بینش و دریافت بازخورد، مدل را اصلاح و دقت و سودمندی آن را بهبود بخشید. داده های جدید را ترکیب، مفروضات را به روز کرد یا دامنه مدل را در صورت لزوم گسترش داد تا به سؤالات تحقیقاتی پیچیده تر بپردازد یا مداخلات مختلف را شبیه سازی کند. با این روش اخختمالا می‌توان به طور موثر از مدل سازی و شبیه سازی شبکه برای کشف مدیریت دانش و هوش سازمانی در تحقیقات خود استفاده کرد. این شیوه‌ها اعتبار و قابلیت اطمینان یافته‌های را افزایش می‌دهند، تصمیم‌گیری مبتنی بر شواهد را امکان‌پذیر می‌سازند و به توسعه استراتژی‌های مؤثر برای افزایش دانش در سازمان کمک می‌کنند.
چگونگی یافتن گلوگاه‌های دانش و داده سازمان
یافتن گلوگاه‌ها از اهداف اصلی این پژوهش است در این قسمت سعی به بررسی چگونگی شناسایی این گلوگاه‌های داده و دانش در یک شرکت با استفاده از علم شبکه داریم. مهم‌ترین فعل در ابتدا تعریف محدوده تجزیه و تحلیل خود است، نمونه گیری از داده‌ها و جریان‌های دانش خاص، سیستم‌ها و فرآیندهایی که قصد بررسی آن را داریم باعث می‌شود که کار تحلیل ساده‌تر شود. این می‌تواند شامل شبکه‌های ارتباطی، سیستم‌های اطلاعاتی، پلتفرم‌های اشتراک‌گذاری دانش، یا بخش‌های خاص در سازمان باشد. پس از تعیین محدوده بهترین شیوه ترسیم جریان داده و دانش در سازمان است. لازم است منابع داده‌ها و دانش، کانال‌هایی که از طریق آنها منتقل می‌شوند و گیرندگان یا کاربران را شناسایی شود. نقشه برداری کمک می‌کند تا شبکه‌ای از تعاملات و وابستگی‌ها را بین افراد، تیم‌ها و سیستم‌های مختلف تجسم کرد.
تجزیه و تحلیل شبکه دانش با مطالعه شبکه های روابط بین کارکنان در یک سازمان به شناسایی تنگناهای اشتراک دانش کمک می‌کند. این مبتنی بر تجزیه و تحلیل شبکه های اجتماعی است و از تحلیل بصری و کمی شبکه های دانش پشتیبانی می‌کند. با تجزیه و تحلیل این شبکه‌ها، هدف این تکنیک شناسایی مناطقی است که اشتراک دانش مانع یا محدود شده است، بنابراین تنگناها را مشخص می‌کند. این تجزیه و تحلیل عواملی مانند نقش های مدیریت دانش، سطوح تخصص، سرعت دانش و ویسکوزیته دانش را در نظر می گیرد. هدف، ارائه بینشی در مورد ساختار و پویایی به اشتراک گذاری دانش در سازمان است که امکان مداخلات هدفمند برای بهبود جریان دانش و غلبه بر تنگناها را فراهم می کند.(3)
همانطور که گفته شد تجزیه و تحلیل داده‌ها و شبکه جریان دانش کمک می‌کند که بتوانیم به شناسایی گره‌های کلیدی (افراد، بخش‌ها یا سیستم‌ها) که نقش مهمی در جریان داده‌ها و دانش بازی می‌کنند بپردازیم. و باید از معیارهای علم شبکه، مانند معیارهای مرکزیت (به عنوان مثال، مرکزیت درجه، مرکزیت بین‌المللی) و ضرایب خوشه‌بندی استفاده کرد. این معیارها می‌توانند به شناسایی تنگناها، افراد تأثیرگذار و مناطقی با اتصال بالا یا پایین در شبکه کمک کنند.
در مورد شناسایی گره های گلوگاه باید گفت که امکان دارد گره‌های گلوگاه افراد، تیم‌ها یا سیستم‌هایی باشند که به طور قابل توجهی بر جریان داده‌ها و دانش تأثیر می‌گذارند. آنها اغلب به دلیل مرکزیت یا عدم اتصال به اندازه کافی با سایر نودهای شبکه به عنوان گلوگاه عمل کنند. از نتایج تحلیل شبکه برای شناسایی گره‌هایی با مرکزیت بالا اما اتصال محدود یا گره‌هایی که به عنوان واسطه های حیاتی عمل می‌کنند، استفاده خواهد شد. این گره‌های تنگنا مناطق بالقوه‌ای هستند که جریان داده و دانش ممکن است مانع یا محدود شود و نقاط ضعف سازمان خواهند بود. در واقع در این بخش به دنبال یافتن الگوهای تبادل اطلاعات، فراوانی تعاملات و ماهیت اشتراک دانش هستیم به دنبال مواردی که اطلاعات ممکن است به دلیل همکاری محدود، ساختارهای سلسله مراتبی یا شکاف های ارتباطی درست عمل نکرده و باعث کند یا به تاخیر افتادن جریان می‌شود.
همچنین برای به دست آوردن بینش عمیق‌تر بهتر است به صورت دوره‌ای نظرسنجی یا مصاحبه با کارمندان، مدیران یا سایر ذینفعان انجام شود و جمع آوری بازخورد در مورد تجربیات افراد در مورد داده‌ها و جریان دانش، شناسایی چالش‌هایی که با آن مواجه هستند، و جمع آوری پیشنهادات برای بهبود و... پرداخت. این اطلاعات کیفی می‌تواند تجزیه و تحلیل شبکه را تکمیل کند و درک جامع تری از تنگناها ارائه دهد.
در نهایت براساس یافته‌های حاصل از تجزیه و تحلیل شبکه، تجزیه و تحلیل ارتباطات، و ورودی ذینفعان، راه حل‌های هدفمند برای رفع تنگناهای شناسایی شده پیشنهاد می‌شود. این ممکن است شامل پیاده‌سازی کانال‌های ارتباطی جدید، تقویت پلتفرم‌های همکاری، ایجاد تیم‌های متقابل یا ترویج ابتکارات اشتراک‌گذاری دانش باشد یا این احتمال وجود دارد که توصیه ها شامل تشویق کارکنان به تبادل دانش با تعداد بیشتری از همکاران و استفاده از فناوری اطلاعات و ارتباطات برای غلبه بر موانع تبادل دانش، به ویژه در زمینه مکان های مختلف در سازمان باشد(3). باید در نظر گرفت که چگونه بینش علوم شبکه می‌تواند طراحی و اجرای این راه حل ها را راهنمایی و راهنمایی کند. برای آخرین قدم نیز باید راه حل‌های پیشنهادی را پیاده سازی کرد و اثربخشی آنها را به طور مستمر پایش کرد. ردیابی تغییرات در ساختار شبکه، جریان داده‌ها و دانش، و رضایت کارکنان. ارزیابی تأثیر مداخلات بر کاهش تنگناها، بهبود تبادل اطلاعات و افزایش اشتراک دانش در سازمان خواهد بود.
[1]. Social Network Analysis
[2]. Degree centrality
[3]. Closeness centrality
[4]. Betweenness centrality
[5]. viscosity
[6]. Robustness
1. Hislop D. Knowledge Management in Organizations: A Critical Introduction. OUP Oxford; 2013. 305 p.
2. Daňa J, Caputo F, Ráček J. Complex Network Analysis for Knowledge Management and Organizational Intelligence. J Knowl Econ. 2020 Jun;11(2):405–24.
3. Helms R, Buijsrogge K. Application of knowledge network analysis to identify knowledge sharing bottlenecks at an engineering firm. 2006;
4. G DK, Mahesh B. An Analysis about Different Steps that Play an Indispensable Role in Developing Enterprise Data Protection Framework. TechnoareteTransactions Intell Data Min Knowl Discov [Internet]. 2022 May 15 [cited 2023 Jun 22];2(2). Available from: https://technoaretepublication.org/intelligent-data-mining/analysis-different-steps.php
5. Ramos V, Pazmiño P, Franco-Crespo A, Ramos-Galarza C, Tejera E. Comparative organizational network analysis considering formal power-based networks and organizational hierarchies. Heliyon. 2022 Jan;8(1):e08661.
6. Helms R, Ignacio R, Brinkkemper S. Limitations of Network Analysis for Studying Efficiency and Effectiveness of Knowledge Sharing. 2010;8(1).
7. Sharma R, Mithas S, Kankanhalli A. Transforming decision-making processes: a research agenda for understanding the impact of business analytics on organisations. Eur J Inf Syst. 2014 Jul;23(4):433–41.
8. Albrecht K. Organizational Intelligence & Knowledge Management: Thinking Outside the Silos.2010.
