یکپارچه‌سازی تجزیه و تحلیل داده‌ها و مدیریت دانش

تجزیه و تحلیل داده‌ها ممکن است به فناوری‌ها و ابزارهایی مانند مدل‌های آماری، الگوریتم‌های یادگیری ماشین (Machin Learning)، داده‌های بزرگ (Big Data) و محاسبات ابری وابسته باشد. با این حال، نتیجه این تجزیه و تحلیل‌ها‌ تا حد زیادی به ویژگی‌های تحلیلگران مانند تجربه، شهود، ارزش و قدرت تصمیم‌گیری بستگی دارد.

دانش این افراد در هسته تجزیه و تحلیل داده‌ها قرار گرفته و به همین جهت مدیریت دانش نقش کلیدی در اجرای اثربخش فرآیند تجزیه و تحلیل داده‌ها بر عهده دارد.
در این مطلب از سلسله مراتب داده- اطلاعات- دانش- خرد (DIKW) به عنوان یک ساختار فراگیر برای بررسی فرآیند تجزیه و تحلیل داده‌ها و بیان یک مدل مفهومی با هدف اجرای فرآیند تجزیه و تحلیل داده در سه فاز اصلی استفاده شده است که کشف، ایجاد و کاربرد دانش را یکپارچه می‌کند. یکی از تئوری‌های تبدیل انواع دانش به یکدیگر، مدل Nonaka است که با تعریف فرآیندهای مشخصی، تعاملات بین افراد را که اغلب نادیده گرفته می‌شوند، با توجه به اهداف مدیریت دانش روشن می‌کند. همسویی و هم‌افزایی بین تجزیه و تحلیل داده‌ها و مدیریت دانش به تقویت همکاری، نوآوری‌های هدایت شده و در نهایت بهبود نتیجه کمک خواهد کرد.
Zeleny سلسله مراتب DIKW را به ساده‌ترین و در عین حال عمیق‌ترین روش تعریف کرد. بر اساس این تعریف، داده‌ها، اطلاعات، دانش و خرد بیانگر چهار نوع مختلف دانش و سطوح مختلف از درک مفاهیم هستند. دانش اطلاعاتی است که بیشتر توسط ذهن انسان پالایش می‌شود و چگونگی تحقق خروجی مدنظر با توجه به هدف مشخص شده را نشان می‌دهد.
دانشی که باعث خلق نتیجه بر اساس هدف می‌شود را عملی‌ترین و مفیدترین نوع دانش می‌نامند. خرد قوی‌ترین و حیاتی‌ترین نوع دانش است که باعث هدایت ناخودآگاه فعالیت‌های فرد در راستای اهداف از پیش تعیین شده می‌شود. همانطور که در مدل دایره طلایی «شروع با چرا» توسط سینک بیان شده، دانش در مسیر دستیابی به نتیجه در راستای تحقق اهداف تعیین می‌شود.
 

سه مرحله از فرآیند تجزیه و تحلیل داده‌ها

به دلیل پیشرفت‌های فناوری در موضوعاتی مانند کلان داده، محاسبات ابری و یادگیری ماشین، تبلیغات زیادی در مورد قابلیت‌های فنی تجزیه و تحلیل داده‌ها به وجود آمده است؛ در حالیکه تاثیر افراد و جنبه‌های سازمانی اغلب نادیده گرفته می‌شوند. فرآیند تجزیه و تحلیل داده‌ها مانند بالا رفتن از هرم DIKW است و می‌تواند در سه مرحله اصلی خلاصه شود. هر مرحله با یکی از سه بعد فناوری، افراد و سازمان مطابقت داشته و نشان‌دهنده یکی از سه پارادایم اثبات‌گرایی، ساخت‌گرایی و عمل‌گرایی است که در شکل زیر نشان داده شده است.

۱. مرحله کشف دانش (از داده به اطلاعات)

در طول این مرحله، داده‌های خام از منابع مختلف با استفاده از مدل‌های آماری و الگوریتم‌های محاسباتی برای استخراج اطلاعات مفید، پردازش می‌شوند. این موضوع نشان‌دهنده دانش صریح تازه کشف شده به کمک فناوری است.
باید توجه کرد که این مرحله شامل فعالیت‌های مهم انسانی مانند برنامه‌ریزی اولیه پروژه، درک نیازهای کسب‌وکار و اعتبارسنجی کیفیت داده‌ها می‌باشد که بیشتر مبتنی بر فناوری بوده و از ابزارهای آمار، یادگیری ماشین و مهندسی نرم‌افزار استفاده می‌کند. این مرحله نشان‌دهنده پارادایم اثبات‌گرایی است که در آن دانش خلق شده با استفاده از روش‌های علمی اثبات شده، قابل جستجو می‌باشد.

2. مرحله ایجاد دانش (از اطلاعات به دانش) 

در طول این مرحله، تجزیه و تحلیل‌های حاصل شده توسط ذهن انسان پردازش شده و نتیجه آن با استفاده از تجربه فردی، بینش و مجموعه دانش موجود تفسیر می‌شود. لازم به ذکر است که اطلاعات پس از پردازش در ذهن افراد، به دانش تبدیل می‌شود.
این مرحله همچنین شامل همکاری کارشناسان از رشته‌های مختلف برای ارزیابی دانش صریح کشف شده از مرحله قبل است و دانش جدید عمدتاً در قالب دانش ضمنی در طی این فرآیند به وجود می‌آید. این مرحله نشان‌دهنده پارادایم ساخت‌گرایی است که در آن حقیقت ذهنی دانش از طریق تعامل اجتماعی، همکاری بین افراد و اشتراک تجربیات، ایجاد یا ساخته می‌شود. 

3. مرحله کاربرد دانش (از دانش تا خرد)

در این مرحله تصمیم‌گیرندگان و ذینفعان، دانش ضمنی جدید ایجاد شده از مرحله قبل را در برابر ارزش‌های سازمانی و استراتژی‌های تجاری ارزیابی می‌کنند. استفاده از دانش منجر به تصمیم‌گیری آگاهانه و برنامه‌ریزی برای اقداماتی با هدف بهبود شرایط و حل مشکلات کنونی می‌شود. تصمیمات و اقدامات حاصل را می‌توان به عنوان دانش صریح ناشی از خرد جمعی کارشناسان، تصمیم‌گیرندگان، ذینفعان در نظر گرفت. این مرحله بیشتر سازمان‌محور بوده و بر ارزش‌های سازمانی و استراتژی‌های تجاری کلیدی متمرکز می‌باشد. 
این گام نشان‌دهنده پارادایم عمل‌گرایی است که بر کاربرد عملی دانش تأکید دارد. طی مرحله کاربرد، دانش صریح کشف شده از طریق پارادایم اثبات‌گرایی و دانش ضمنی ایجاد شده از طریق پارادایم ساخت‌گرایی یکپارچه شده و از آ‌ن‌ها در حل عملیاتی مسئله استفاده می‌شود. 

جمع‌بندی

تجزیه و تحلیل داده‌ها ابزاری ضروری برای کمک به افراد برای مدیریت حجم بالای اطلاعات، کمک به سازمان‌ها در بهبود عملکرد و کمک به جامعه برای مقابله با مشکلات اجتماعی است. برای دستیابی به نتایج بهتر و تأثیرات بالاتر، متخصصان و سازمان‌ها باید بر فناوری، نیاز به مشارکت و همکاری تأکید کنند و بر ارزش‌های اجتماعی و استراتژی‌های سازمانی به‌عنوان نیروهای حیاتی محرک جهت تحلیل داده‌ها و مدیریت دانش حاصل از آن‌ها توجه نمایند.
مفهوم سلسله مراتب DIKW، همراه با قدرت دانش ضمنی و نظریه تبدیل دانش، چارچوب نظری روشن‌تری را ارائه می‌کند که سه مرحله کشف، ایجاد و کاربرد دانش را با سه بعد فناوری، مردم و سازمان یکپارچه کرده و سه پارادایم اثبات‌گرایی، ساخت‌گرایی و عمل‌گرایی در تجزیه و تحلیل داده‌ها را به یک کل معنادار تبدیل می‌کند.