جايگاه داده‌كاوي در مديريت دانش

مديريت دانش1
امروزه در عصر يادگيري، كاركنان را ارزشمندترين منبع سازمان به‌شمارمي‌آورند. كاركنان، حجم عظيم داده‌ها، اطلاعات و دانش سازمان را توليد كرده و به‌كار مي‌بندند. از اين‌رو در سازمان‌هاي نوين، هم‌كناري مديريت دانش و مديريت منابع انساني، به امري ضروري تبديل شده است. مديريت دانش، رويكردي سيستمي و يكپارچه است كه تمامي دارايي‌هاي اطلاعاتي سازمان، اعم از: مستندات، پايگاه داده‌ها، خطي‌مشي‌ها، رويه‌ها و تجربيات كاركنان و سازمان را در برمي‌گيرد و به اشتراك مي‌گذارد. مديريت دانش، سكوي تسهيل كننده استخراج، ذخيره‌سازي، يكپارچه سازي، انتقال، مشاهده، تجزيه و تحليل و استفاده از دانش در سازمان است. مديريت دانش به منظور حفظ، تجزيه و تحليل، سازماندهي، بهبود و تسهيم تجارب كسب و كار، به‏عنوان ابزار، روش و راهبرد در سازمان به‏كارمي‏رود. در واقع، مديريت دانش متدلوژي استخراج سيستمي و استفاده از دانش در سازمان است كه از طريق همين دانش و سرمايه فكري، ثروت و ارزش مي‏آفريند. در نگرش سيستمي به مديريت دانش، سه مؤلفه اصلي: منابع انساني، فرايندها و فناوري دخالت و با يكديگر همپوشاني دارند (شكل 1).

شكل 1

نسبت مديريت دانش و داده‌كاوي2
براي به‌كارگيري مديريت دانش در سازمان، از ابزار متفاوتي استفاده مي‌شود كه يكي از مهم‌ترين آنها، داده‌كاوي است. هنگامي كه طراحي مجدد فرايندهاي كسب و كار (BRP) مورد نظر است، داده‌كاوي به عنوان تكنيك، در خدمت مديريت دانش قرار مي‌گيرد. در هر بنگاه صنعتي، اقتصادي و تجاري نيز دانش با ارزش در مورد مشتري، محصول و بازار را مي‌توان از طريق داده‌كاوي به‌دست آورد. با بزرگ‌تر شدن حجم داده‌ها و اطلاعات سازمان‌ها، اهميت اين مسئله روزبه‌روز بيشتر مي‌شود. هنگامي كه حجم داده‌ها زياد است، براي مديريت آنها از سيستم‌هاي پايگاه داده‌ها (DBS/DBMS) استفاده مي‌شود. در حالت زياد بودن حجم داده‌ها، داده‌كاوي براي استخراج و به دست آوردن دانش به‌كار مي‌آيد. هنگامي كه حجم دانش زياد است، از سيستم مديريت دانش (KMS) استفاده مي‌شود.

داده‌كاوي
پيشينه طرح موضوع داده‌كاوي به دهه 1980 و به صورت جدي، به دهه 1990 برمي‌گردد. پيش از آن از سيستم‌هاي جمع‌آوري و مديريت داده‌ها و اصطلاحاً لايروبي داده‌ها استفاده مي‌شد، اما به مرور زمان، استخراج و كشف سريع و دقيق اطلاعات با ارزش و پنهان از پايگاه داده‌ها، به عنوان داده‌كاوي مورد توجه قرار گرفت. به اين شكل بود كه فرايند داده‌كاوي به عنوان فرايند آماري و تجزيه و تحليل در فرايند كشف دانش در پايگاه داده‌ها (KDD)3 پررنگ شد، به حدي كه گاه، داده‌كاوي (DM) به عنوان مترادف كشف دانش در پايگاه داده‌ها (KDD) مورد استفاده قرار مي‌گرفت.
امروزه فرايند استخراج اطلاعات معتبر، از پيش ناشناخته، قابل فهم و قابل اعتماد از پايگاه داده‌هاي بزرگ و استفاده از آن در تصميم‌گيري و در فعاليت‌هاي تجاري داده‌كاوي ناميده مي‌شود. در تعاريف متعدد و متنوع براي داده‌كاوي بر موضوعاتي نظير: استخراج دانش كلان، كاوش در داده‌ها، تجزيه و تحليل داده‌ها و يافتن روابط و الگوهاي مطمئن بين داده‌ها تأكيد مي‌شود. هدف نهايي داده‌كاوي، ايجاد سيستم‌هاي پشتيباني تصميم‌گيري سازماني است. داده‌كاوي، به استخراج اطلاعات مفيد و دانش ا ز حجم زياد داده‌ها مي‌پردازد. داده‌كاوي، الگوهاي حاوي اطلاعات را در داده‌هاي موجود جست‌وجو مي‌كند. اين الگوها و الگوريتم‌ها، مي‌توانند توصيفي باشند، يعني داده‌ها را توصيف كنند و يا جنبه پيش‌بيني داشته باشند، يعني متغيرها براي پيش‌بيني ارزش‌هاي ناشناخته ساير متغيرها به‌كار روند. داده‌كاوي توصيفي، به دنبال يافتن اگرها در فعاليت‌ها يا اقدامات گذشته است و داده‌كاوي پيش بينانه با نگاه به سابقه، رفتار آينده را پيش‌بيني مي‌كند.

داده‌كاوي چيست وچه نيست
موارد زير در حوزه داده‌كاوي قرار مي‌گيرند:
* استخراج يا كاوش دانش از ميان حجم عظيم داده‌ها
* استخراج اطلاعات و مدل كردن الگوهاي پنهاني در ميان انبوه داده‌ها
* استخراج اطلاعات غير منتظره، ناشناخته و بالقوه مفيد از داده‌ها
* استخراج اطلاعات يا الگوهاي مفيد و جالب از داده‌ها در پايگاه داده‌هاي بزرگ
موارد زير در محدوده داده‌كاوي قرار نمي‌گيرند:
* انبارش داده‌ها
* پردازش قياسي داده‌ها
* سيستم‌هاي خبره (ES)
* فرايند تجزيه و تحليل مستقيم
* ابزار تجزيه و تحليل آماري
* مشاهده‌گري داده‌ها

حوزه‌هاي داده‌كاوي
داده‌كاوي در سه حوزه مستقل به‌كار مي‌رود و در آنها ريشه دوانده است:
1. آمار كلاسيك و الگوهاي آماري
2. هوش مصنوعي
3. يادگيري خودكار و شبكه‌هاي عصبي
در داده‌كاوي، هوش مصنوعي، يادگيري خودكار، تئوري پايگاه داده‌ها و علم آمار در هم آميخته شده است. براي انجام داده‌كاوي از ابزار مختلف نظير: تفكيك كردن، دسته‌بندي، درخت تصميم‌گيري، تحليل قواعد وابستگي، تحليل خوشه‌ها و الگوريتم‌هاي عمومي استفاده مي‌شود (شكل 2).

شكل 2

مراحل فرايند
هدف داده‌كاوي، تجزيه و تحليل اكتشافي داده‌ها، كشف الگوها و قواعد و الگوريتم‌ها، مدل‌سازي پيش‌بينانه و جست‌وجوي انحرافات است. براي انجام اين هدف، فرايند داده‌كاوي در جهت كشف دانش در مراحل مختلف انجام مي‌شود (شكل3) كه عبارت است از:
1. اولين گام در داده‌كاوي، شناسايي هدف و فهم حوزه كاربرد آن است و مشخص مي‌كند كه چه كاري، در چه حوزه‌اي انجام خواهد شد.
2 . انتخاب داده‌ها يعني تعيين اهداف براي تجزيه و تحليل و كشف آن
3 . آماده‌سازي داده‌ها شامل تميز‌سازي داده‌ها
4 . اتخاذ بهترين روش داده‌كاوي براي دست‌يابي به اهداف
5 . اجراي داده‌كاوي يعني به كارگيري الگوريتم
6 . ارزيابي و اعتبارسنجي يافته‌ها
7 . استفاده از نتايج و تثبيت و تحكيم دانش كشف شده
8 . تصميم‌گيري براساس دانش كشف شده

شكل 3

طراحي سيستم داده‌كاوي
اگر از داده‌كاوي براي مهندسي مجدد كسب و كار استفاده شود، مراحلي كه ذكر شد به صورت زير قابل استفاده خواهند شد:
1. فهم و درك كسب و كار شامل تعيين اهداف كسب و كار، ارزيابي موقعيت، تعيين هدف داده‌كاوي و طرح پروژه.
2. فهم و درك داده شامل جمع‌آوري داده‌ها، توصيف داده‌ها، كيفيت داده و صحه‌گذاري، آناليز اكتشافي داده‌ها.
3. آماده‌سازي داده شامل انتخاب، ساخت و انتقال متغيرها، يكپارچه‌سازي و فرمت‌دهي داده‌ها
4. ساختن مدل و صحه‌گذاري شامل طرح اوليه، ساخت مدل و ارزيابي مدل
5 . ارزيابي و تغيير شامل ارزيابي نتايج، فرايند بازنگري و تعيين مراحل بعدي
6 . جاري‌سازي شامل اجراي طرح، تدوين گزارش نهايي، پايش و نگهداري طرح و بازنگري آن

موانع و چالش‌ها
با وجود مزاياي فراوان كه داده‌كاوي براي مديريت دانش سازمان‌ها و دست‌يابي به دانش براي تصميم‌گيري سازماني دارد، اين حوزه با موانع و چالش‌هايي روبه‌روست كه عبارتند از:
1. فقدان داده براي پشتيباني تجزيه و تحليل
2. قدرت محدود محاسبه براي به دست آوردن محاسبات رياضي مورد نياز الگوريتم‌هاي داده‌كاوي
3. عدم مطلوبيت و جذابيت بيشتر الگوها
4. خطر وجود داده‌هاي آلوده و كسب نتايج كاملاً غلط
5 . تمركز بيش از حد بر الگوريتم‌ها
6 . هزينه نسبتاً گران سرمايه‌گذاري در همه حوزه‌ها
7 . عدم پوشش كامل همه حوزه‌ها

كاربرد داده‌كاوي
امروزه داده‌كاوي در حوزه‌هاي بسيار متنوع و متفاوت استفاده مي‌شود:
حوزه علم: شيمي، فيزيك، داروسازي، تجزيه و تحليل تصاوير پزشكي، تعيين نوع رفتار با بيماران و پيشگويي ميزان موفقيت‌هاي اعمال پزشكي، تعيين ميزان موفقيت روش‌هاي درماني در برخورد با بيماري‌هاي سخت، بيوشيمي، حسگرهاي كنترل در اقمار مصنوعي، بيوعلم شامل توصيف ژن‌ها و تقسيم‌بندي گروه پروتئين‌ها و توسعه داروها.
خرده فروشي: تجزيه و تحليل سبد خريد بازار، تعيين الگوهاي خريد مشتريان
بانكداري: پيش‌بيني الگوهاي كلاهبرداري از طريق كارت‌هاي اعتباري، تعيين ميزان استفاده از كارت‌هاي اعتباري براساس گروه‌هاي اجتماعي
فروش و بازاريابي: تجزيه و تحليل سهام و سرمايه، تعيين مشتريان وفادار، مديريت ريسك و پيش‌بيني فروش
بيمه: تجزيه و تحليل دعاوي و پيشگويي ميزان جريمه بيمه نامه‌هاي جديد توسط مشتريان
ديگر حوزه‌ها: ورزش و سرگرمي، فضانوردي و ديگر حوزه‌هاي علم.

پانوشت‌ها:
1. Knowledge management
2. Data mining
3. Knowledge discovery in databases

منابع:
1. O. Folorunso, A. Ogunde; "The electronic journal of K.M.", vol. 2, 2004.
2. B. Fernandez/et. Al., "Knowledge management"; cho.12, 2004.
3. N. Balac; "Introduction to data mining", 2006.

جايگاه داده‌كاوي در مديريت دانش

مطالب مشابه :

آموزش نرم افزار داده کاوی وکا weka

انجام پروژه های داده کاوی با نرم افزار وکا weka

آشنایی با نرم افزار های داده کاوی

انجام پروژه های داده کاوی

داده کاوی ، مفهوم و کاربرد آن

آشنایی با داده کاوی

سیستم مدیریت پایگاه داده

داده‌كاوي در مديريت ارتباط با مشتري

جايگاه داده‌كاوي در مديريت دانش