Управление знаниями - Компоненты управления знаниями

Оглавление:

Любая компания, которая хочет преуспеть в глобальной информационной экономике, нуждается в интеллектуальной, комплексной и простой в использовании системе управления базой знаний, а также в системах доступа и приобретения новых знаний. С точки зрения целей общества, в котором доминируют информационные технологии, знания — это интеллект в работе.

Термин «экономика знаний» или «экономика знаний» получил широкое распространение около полувека назад для обозначения сектора экономики, ориентированного на производство знаний.

Организация экономического сотрудничества и развития (ОЭСР) разработала систему показателей для экономики знаний.

Мировая практика свидетельствует, что именно экономика знаний становится мощным стимулом для ускорения технологического развития, повышения наукоемкости и конкурентоспособности продукции, способствует диверсификации деятельности. Это порождает новые требования к менеджменту. Знания становятся все более доступными и узкоспециализированными. Ярким выражением этой тенденции является рост числа поисковых систем, позволяющих мгновенно находить нужную информацию.

За последние 20 лет доходы в наукоемком секторе развитых стран мира росли в 1,7 раза быстрее, чем в обрабатывающей промышленности. Из всех имеющихся у человечества знаний, измеряемых в физических единицах, 90% было получено за последние 30 лет. Скорость материализации и внедрения знаний неизмеримо возросла: время между изобретением и применением составило 100 лет для фотографии, 80 лет для парового двигателя, 50 лет для телефона, 20 лет для самолета, 15 лет для радара, шесть лет для атомной бомбы, два года для лазера и три месяца для факсимильного аппарата.

Формирование корпоративной стратегии основывается на новых функциях управления, которые включают накопление интеллектуального капитала, выявление и распространение имеющейся информации и опыта, создание условий для передачи и усвоения знаний. Процесс управления знаниями понимается как специфическая деятельность по выявлению, отбору, синтезу, хранению и распространению актуальных знаний в организации. Основой для этого является создание интерактивной учебной среды, которая обеспечивает постоянный обмен информацией и использование всех средств усвоения знаний. Организации, которые могут быстро и легко распространять свою информацию через существующую инфраструктуру, способны управлять своей базой знаний, содержащейся в бумажных или электронных документах, базах данных, электронных письмах, текстовых файлах, изображениях и видео, из любого источника информации.

Важно отметить различие между неявными и явными знаниями.

Явные знания выражаются в четких данных, сообщениях, словах и числах; они более систематизированы, закодированы и могут быть легко извлечены из локальных и глобальных баз данных, сообщений электронной почты, HTML-файлов, различных систем управления документами, систем класса рабочего процесса и других источников информации.

Неявные знания трудно выразить: они часто заключены в интуиции и в неанализированном опыте, навыках и привычках.

Неявные и явные знания являются важнейшими компонентами при разработке стратегии управления знаниями.

Управление знаниями (УЗ) — это распространение и поиск опыта и соответствующей информации в среде связанных между собой групп людей: Обмен идеями, решениями и соответствующей информацией для создания новых решений.

Информационная инфраструктура организации должна обеспечивать эффективную и многократно используемую инвентаризацию знаний.

Компоненты управления знаниями

Цель управления знаниями — помочь людям более конструктивно работать вместе в команде, используя и управляя постоянно растущими объемами информации. Ключом к управлению знаниями является предоставление нужных знаний нужным людям в группе людей и организации в целом в нужное время. Результатом успешной системы управления знаниями является знающая, самообучающаяся и развивающаяся организация.

Можно выделить три основных компонента управления знаниями: Люди (они предоставляют опыт для разработки новых идей), процессы (они должны обмениваться и распространять информацию) и технологии (они должны поддерживать людей и процессы быстрыми и эффективными).

Люди решают проблемы с помощью мозгового штурма, инноваций, творчества и опытных знаний. Люди, работающие вместе, умножают знания организации и улучшают условия для потенциального успеха. Организации необходимы хорошо продуманные и эффективные бизнес-процессы для создания среды совместной работы, поскольку даже самые лучшие решения не будут работать, если их не распределить для корректировки и исполнения. Работа происходит в созданных группах людей, которые пытаются решить общую проблему. Чтобы поддержать сотрудников в их инновационной деятельности, необходима технологическая инфраструктура, позволяющая успешно работать в команде, создавать корпоративные знания и быстро генерировать новые идеи и решения на практике.

Менеджеры информационных систем должны помогать сотрудникам сотрудничать с постоянно растущими объемами информации. Прежде чем кто-то начнет работу над проектом, он должен выяснить, кто еще в организации обладает ценной информацией, которая может способствовать успеху проекта, и как именно эта информация может принести пользу работе над новым проектом.

Поиск знаний — это высшая форма поиска информации, поскольку он предполагает интеллектуальный доступ к информации и делает любой тип данных, наиболее соответствующий запросу, доступным в любом месте через унифицированный пользовательский веб-интерфейс.

Существуют различия между информационным поиском и поиском знаний. При информационном поиске данные предоставляются пользователю в упорядоченном виде, но контекст запроса не учитывается (например, трудно отличить дверной замок от замка), что заставляет ищущего информацию пользователя путать неоднозначные результаты.

Поиск знаний осуществляется, когда поисковые системы высокого уровня предоставляют релевантную информацию на исходный запрос. Поэтому поисковая система знаний должна быть точной, масштабируемой, безопасной, расширяемой, прозрачной и простой в использовании. Исследование, проведенное агентством Reuters, показало, что многие менеджеры страдают от «синдрома информационной усталости» — избытка информации и недостатка знаний[3]. Этот синдром приводит к снижению производительности и нерациональному использованию имеющейся информации.

Процесс управления знаниями можно рассматривать с разных позиций — инновационного менеджмента, экономики, педагогики, психологии, социологии и т.д. Если посмотреть на эту проблему с позиций теории маркетинга и информационных систем, то в структуре интеллектуального капитала выделяют человеческий, организационный и потребительский капитал. Эти элементы могут быть соотнесены с индивидуальными компетенциями сотрудников, внутренними и внешними структурами компании и взаимосвязаны. В такой структуре стратегии управления знаниями должны быть направлены на повышение эффективности формирования и использования каждого из элементов интеллектуального капитала и поддерживаться современными информационными системами предприятия.

Основными функциями управления знаниями являются поиск источников знаний, накопление знаний, обучение организации, распространение знаний, запись и хранение знаний, овладение источниками знаний, использование и создание знаний.

Интеллектуальные технологии в менеджменте

Информационно-аналитические инструменты, использующие интеллектуальные технологии и обеспечивающие поддержку принятия решений на основе организационных баз данных, широко применяются в бизнесе и экономике.

Системы поддержки принятия решений (СППР) — интерактивные системы, используемые на стратегическом и тактическом уровнях управления. Они объединяют данные, аналитические модели и программное обеспечение, предоставляя пользователю инструмент для анализа и построения моделей, которые служат основой для принятия решений. Входные данные поступают в DSS из систем обработки оперативной информации, баз данных и других внешних источников.

В DSS можно выделить два основных уровня: хранилище данных и средства аналитической обработки, включая отчетность, средства OLAP и средства интеллектуального анализа данных. Давайте рассмотрим каждый из них немного подробнее.

Многомерные модели данных
Технология OLAP — это оперативная аналитическая обработка информации, которая использует методы и инструменты для хранения и анализа многомерных данных. В 1993 году Кодд дал ему формальное определение: многомерное концептуальное представление. Одновременный анализ в нескольких измерениях называется многомерным анализом. Например, измерение «сотрудник» состоит из сводных уровней «организация — отдел — сотрудник», а измерение «время» может содержать два направления консолидации: «год — квартал — месяц — день» и «неделя — день», что позволяет выбрать любой уровень детализации для каждого измерения в анализе.

Ломтик образует подмножество гиперкуба с одним или несколькими фиксированными размерами (например, товарными).

Вращение (транспонирование) изменяет порядок представления измерений для облегчения восприятия.
Консолидация (свертка) — это переход от детального представления данных к агрегированному представлению (например, ежедневные показания могут быть суммированы для получения показаний (квартальных или годовых)).

Детализация — это обратная сторона процесса консолидации.
Хранилища данных
Хранилище данных (ХД) — это тематически ориентированный, интегрированный, неизменяемый, хронологически поддерживаемый набор данных, организованный для поддержки принятия решений, который собирает и хранит данные организации в одном месте.

В основе создания хранилища данных лежат две основные идеи.

сбор (интеграция) детальных данных из оперативных баз данных, внешних источников, архивов организации в единое хранилище с их координацией и агрегированием.
разделение наборов данных и приложений, используемых для оперативной обработки, и тех, которые используются для решения аналитических задач.
Существует два типа DW: виртуальные и физические.

OLAP-технологии и отчетность

На основе этих хранилищ выполняются различные виды анализа и отчетов.

Инструменты отчетности позволяют формировать, генерировать и предоставлять любые виды регулируемых и нерегулируемых отчетов.

Системы On-Line Analytical Processing (OLAP) — это инструмент для анализа больших объемов данных в реальном времени на основе гибкого представления, которое получает произвольные срезы данных и выполняет аналитические операции, такие как детализация, свертка, сравнение во времени и т.д. Если системы регламентированной отчетности позволяют ответить на вопрос: «Каков доход компании за последний квартал?», то OLAP-системы дают ответ на вопрос: «Какой поставщик является прибыльным и почему?».

Требования к OLAP-системам сформулированы в тесте FASMI (Fast Analysis of Shared Multidimensional Information):

Быстро — предоставление результатов анализа за приемлемое время (обычно не более пяти секунд), даже в ущерб менее детальному анализу;
Анализ — это возможность выполнять любой логический и статистический анализ, специфичный для приложения, и сохранять его в форме, доступной конечному пользователю;
Общий доступ — многопользовательский доступ к данным, поддерживаемый соответствующими механизмами блокировки и средствами авторизации;
Многомерное — Многомерное концептуальное представление данных, включая полную поддержку иерархий и множественных иерархий;
Информация — Возможность доступа к любой нужной информации, независимо от ее размера или местонахождения.

В многомерных DW, помимо исходных данных, хранятся также агрегированные данные для сокращения времени выполнения сложных запросов, которые приводят к большим объемам вычислений на подробных данных.

Все OLAP-системы делятся на три класса в зависимости от типа исходной базы данных.

MOLAP (Multidimensional OLAP) — многомерный OLAP (используются многомерные базы данных). Его применение целесообразно при условии не слишком больших объемов исходных данных для анализа, стабильного набора информационных измерений, а также в случаях, когда время реакции системы на нерегламентированные запросы является наиболее критичным параметром.

ROLAP (Relational OLAP) — реляционный OLAP (с использованием реляционных баз данных). Широко используются две основные схемы реализации: схемы «звезда» и «снежинка». Преимущества: в большинстве корпоративных баз данных используются реляционные СУБД, и инструменты ROLAP работают непосредственно с ними; наличие больших возможностей для защиты данных и разграничения прав доступа пользователей. К недостаткам можно отнести более низкую производительность по сравнению с MOLAP.

HOLAP (Hybrid OLAP) — гибридный OLAP. Используются как многомерные, так и реляционные базы данных: наиболее востребованные агрегированные бизнес-показатели хранятся в многомерном пространстве, ресурсоемкие детальные данные — в реляционном. Недостатками являются: сложность синхронизации планов загрузки, изменение алгоритмов сверки и проверки моделей консолидации, распределение прав доступа к информационным ресурсам системы.
Преимуществами OLAP-систем являются:

Удобство использования и восприятие сводных таблиц;
полнота аналитических данных;
полная и легкая настройка отчета пользователем без привлечения программистов
Возможность детализации отчета в процессе анализа данных;
Быстрое создание отчетов;
Согласованность данных между отчетами;
консолидация информации из различных баз данных;
Улучшенная защита данных.

Большинство OLAP-систем используют собственное хранилище данных компании в качестве источника данных.

Интеллектуальный анализ данных

Тщательное изучение данных осуществляется с помощью специальных методов — методов интеллектуального анализа (IA) или интеллектуального анализа данных (data mining), которые предполагают поиск закономерностей и зависимостей между данными для нахождения паттернов (закономерностей). Особенность добычи данных заключается в необычной природе искомых закономерностей, скрытых знаний. По словам одного из основателей этого направления, Г. Пятецкого-Шапиро, «Data mining — это процесс обнаружения ранее неизвестных, нетривиальных, практически полезных и поддающихся интерпретации знаний в необработанных данных, необходимых для принятия решений в различных областях человеческой деятельности».

Добыча данных — это сочетание множества различных методов обнаружения знаний. Добыча данных основана на математическом аппарате, который возник и развивался на основе достижений прикладной статистики, распознавания образов, методов искусственного интеллекта, теории баз данных и т.д. Выбор метода часто зависит от типа имеющихся данных и искомой информации.

С точки зрения маркетинга, важно выявить закономерности типа ассоциаций. Например, исследование в супермаркете может быть использовано для того, чтобы показать, что 65% покупателей, приобретающих чипсы, также покупают «Кока-Колу» или пиво. Если существует цепочка событий, связанных по времени, то методы ИА выявляют закономерность типа последовательности (например, покупка новой кухни приводит к покупке новой посуды в 45% случаев). Выявление закономерностей классификации или типа кластера позволяет определить признаки, характеризующие группу и ее однородность, что важно при выборе и оценке целевой группы.

В некоторых отраслях (например, при выявлении характеристик рынка, предпочтений определенных категорий покупателей, реакции аудитории на специальные предложения) технологии добычи данных просто необходимы и ничем не ограничены.

Добыча данных имеет огромное значение для руководителей и аналитиков в их повседневной деятельности, поскольку обеспечивает ощутимое конкурентное преимущество. В некоторых сферах бизнеса крупные фирмы не могут конкурировать с мелкими фирмами, потому что они подстраиваются под заказ, основываясь на тщательно изученных предпочтениях. Для этого собирается вся информация о клиенте и от клиента в организации (OLTP-системы), затем данные выбираются из различных систем для хранения и анализа (технология DW), анализируются, и на основе этого анализа предпринимаются выгодные для бизнеса действия.

По мнению американских экспертов, в ближайшие 5-10 лет data mining будет оставаться одним из основных драйверов развития систем поддержки принятия решений.

На странице курсовые работы по менеджменту вы найдете много готовых тем для курсовых по предмету «Менеджмент».

Здесь темы рефератов по менеджменту

Читайте дополнительные лекции: