داده‌کاوی (Data Mining) و کاربرد آن در مدیریت دانش

فرآیند داده کاوی

1. فرآیند کشف دانش در پایگاه‌‌‌های دادهKDD Knowledge Discovery in Databases از روش‌‌‌های توالی تکرار شونده به شرح زیر تشکیل شده است:
2. انتخاب: انتخاب داده‌‌‌های مربوط به کار تجزیه و تحلیل از پایگاه داده
3. پیش پردازش: حذف  داده‌‌‌های اضافی و متناقض؛ ترکیب چندین منبع داده
4. تبدیل: تبدیل داده‌‌‌ها به اشکال مناسب برای انجام داده‌‌‌کاوی
5. داده‌‌‌کاوی: انتخاب الگوریتم داده‌‌‌کاوی متناسب با الگوی داده‌‌‌ها؛ استخراج الگوهای داده
6. تفسیر/ارزیابی: تفسیر الگوها به دانش با حذف الگوهای زائد یا نامربوط؛ ترجمه الگوهای مفید به عباراتی که برای انسان قابل درک باشد

کاربردهای داده کاوی

شش عملکرد اصلی داده‌‌‌کاوی عبارت است از:

1. طبقه‌‌‌بندی: یافتن مدل‌‌‌هایی که یک آیتم داده را به چندین کلاس از پیش تعریف شده تجزیه و تحلیل و طبقه بندی می‌‌‌کند
2. خوشه‌‌‌بندی: شناسایی مجموعه محدودی از دسته‌‌‌ها یا خوشه‌‌‌ها برای توصیف داده‌‌‌ها
3. رگرسیون: نگاشت یک آیتم داده به یک متغیر پیش‌‌‌بینی با ارزش واقعی
4. مدل سازی وابستگی (آموزش قواعد انجمنی): یافتن مدلی که وابستگی های مهم بین متغیرها را توصیف می‌‌‌کند.
5. تشخیص انحراف (تشخیص غیراستانداردها و غیرنرمال‌‌‌ها): کشف مهم‌‌‌ترین تغییرات در داده‌‌‌ها
6. خلاصه سازی: یافتن یک توصیف فشرده برای زیر مجموعه‌‌‌ای از داده‌‌‌ها

اهداف داده کاوی

1. چارچوب KM
2. سیستم‌‌‌های مبتنی بر دانش (KBS)
3. داده‌‌‌کاوی
4. فن‌‌‌آوری اطلاعات و ارتباطات
5. هوش مصنوعی (AI) / سیستم‌‌‌های خبره (ES)
6. فناوری پایگاه داده (DT)
7. مدل‌‌‌سازی

کاربرد داده کاوی در مدیریت دانش

راگلز و همکاران (1997) فناوری‌های KM را به عنوان ابزارهایی که دانش تولید می‌‌‌کنند (به عنوان مثال داده کاوی)، دانش کد و انتقال دانش دسته‌‌‌بندی می‌‌‌کند. دالکیر (2005) ابزارهای KM را بر اساس فاز چرخه KM طبقه‌‌‌بندی می‌‌‌کند. می‌توانیم مشاهده کنیم که داده‌کاوی بخشی از مرحله خلق و ضبط دانش را شامل می‌شود.
در این مطالعه، منابع دانش بررسی و به هشت گروه تقسیم شده است و ارتباط آن با داده‌‌‌کاوی مشخص شده است:

سازمان بهداشت و درمان

این حیطه استفاده از مطالعه موردی سیستم مدیریت دانش بیماری (KMS) بیمارستان بود. ابزار داده‌‌‌کاوی برای کشف بیماری‌‌‌ها، عملیات و روابط تومورها استفاده شد. این ابزار برای ساخت KMS برای حمایت از پزشکی بالینی به منظور بهبود کیفیت درمان استفاده می شود. (عملکرد مناسب داده‌‌‌کاوی: طبقه‌‌‌بندی، خوشه‌‌‌بندی، وابستگی و مدل‌‌‌سازی)

خرده فروشی

این دانش مشتری مربوط به مشتریان خانگی برای مسائل خط تولید و گسترش نام تجاری بود. داده‌‌‌کاوی می‌‌‌تواند به شرکت کمک کند و پیشنهادات و راه‌‌‌حل‌‌‌هایی را برای توسعه خط تولید و برند ارائه دهد. این فعالیت با استخراج دانش بازار از مشتریان، برندها، محصولات و داده‌های خرید برای شناسایی و ثبت رفتار و خواسته‌های مشتریان انجام می‌شود. (عملکرد مناسب داده‌‌‌کاوی: وابستگی،  مدل‌‌‌سازی و خوشه‌‌‌بندی) 

مالی/بانکی

دانش حوزه داده‌‌‌های مالی و اقتصادی را پوشش می‌‌‌دهد. داده‌‌‌کاوی می‌‌‌تواند به مؤسسات بانکی کمک کند تا فرآیندهای پشتیبانی تصمیم و اشتراک دانش را در طبقه‌‌‌بندی اوراق مشارکت سازمانی انجام دهند. (عملکرد مناسب داده‌‌‌کاوی: طبقه‌‌‌بندی و خوشه‌‌‌بندی)

کسب و کارهای کوچک و متوسط (شرکت مواد غذایی و زنجیره تامین مواد غذایی)

انواع دانش در کسب و کارهای کوچک و متوسط مانند شرکت مواد غذایی در قالب درخت دانش برای یافتن روابط به روش تعامل انسان و کامپیوتر و بهینه سازی فرآیند تصمیم گیری تقسیم‌‌‌بندی شده است. لی و همکاران برای حل مشکلات شبکه‌‌‌های زنجیره تامین مواد غذایی. (2010) نمونه اولیه EW&PC را ایجاد کردند که از اجزای اصلی تشکیل شده است: پایگاه دانش، طبقه‌بندی کار و رویکردهای الگو، کتابخانه روش‌های DM با سیستم خبره یاب برای انتخاب روش ‌‌‌بهینه، کاوشگر و پیش‌بینی‌کننده، و رابط کاربر. این سیستم مدل‌‌‌های پشتیبانی تصمیم را ساخت و به مدیران کمک کرد تا تصمیم گیری را انجام دهند. (عملکرد مناسب داده‌‌‌کاوی: طبقه‌‌‌بندی)

علم کارآفرینی

منبع دانش کارآفرینی، دارایی‌‌‌های تحقیقاتی در یک موسسه دانشی است. سه نوع از دارایی‌‌‌های تحقیقاتی وجود دارد: محصولات تحقیقاتی، سرمایه فکری و برنامه‌‌‌های تحقیقاتی. داده‌کاوی استخراج دانش را تسهیل کرد و به مدیران در تعیین استراتژی‌های رقابت سازمانی دانش‌محور کمک کرد. (عملکرد مناسب داده‌‌‌کاوی: طبقه‌‌‌بندی)

کسب و کار

داده‌‌‌های جمع آوری شده از پرسشنامه، بررسی ادبیات فشرده، و بحث با چهار متخصص KM. داده کاوی می تواند الگوهای پنهان بین KM و عملکرد آن را برای اجرای بهتر KM کشف کند (عملکرد مناسب داده‌‌‌کاوی: طبقه‌‌‌بندی)

همکاری و کار تیمی

گزارش و اسناد کارگر، رفتار ارجاع هر کارگر مورد تجزیه و تحلیل قرار گرفت و جریان دانش کارگر را ساخت. تکنیک‌های داده‌کاوی می‌توانند نمونه اولیه جریان‌های دانش مبتنی بر گروه (GKF) را برای گروه‌های مبتنی بر وظیفه استخراج و بسازند. (عملکرد مناسب داده‌‌‌کاوی: خوشه‌‌‌بندی)

صنعت ساخت و ساز

بخش بزرگی از این اطلاعات سازمانی در قالب فرمت‌‌‌های داده متنی در دسترس بود. این منجر به نفوذ تکنیک‌‌‌های متن کاوی برای مدیریت منبع اطلاعات متنی برای کشف دانش صنعتی و راه حل‌‌‌های مدیریت می‌‌‌شود. (عملکرد مناسب داده‌‌‌کاوی: خوشه‌‌‌بندی، وابستگی و مدل‌‌‌سازی)

تکنیک‌‌‌ها و کاربردهای مورد استفاده داده‌‌‌کاوی در مدیریت دانش

طبقه بندی

خوشه بندی

مدل‌سازی وابستگی

نتیجه‌‌‌گیری

• بر اساس نرخ انتشار، تحقیقات در مورد کاربرد داده‌‌‌کاوی در KM در آینده افزایش خواهد یافت و علاقه در زمینه‌‌‌های مختلف را پوشش می دهد.
• طبقه بندی وظایف داده‌‌‌کاوی معمولاً مدلی است که در سازمان برای توصیف و پیش بینی استفاده می شود. با این حال، تکنیک‌‌‌های هیبریداسیون را خواهیم دید، به عنوان مثال. قانون انجمن و خوشه بندی؛ طبقه‌‌‌بندی و خوشه‌‌‌بندی و غیره به منظور حل مسائل مختلف KM ر ا می‌‌‌توان در نظر گرفت. این روند در آینده افزایش خواهد یافت.
• در زمینه مراقبت‌‌‌های بهداشتی، یک مقاله از تکنیک تجسم به عنوان مکملی برای سایر وظایف داده‌‌‌کاوی استفاده کرد. این سیستم تجسم می‌تواند عملکرد بهتری را در تصمیم‌گیری بهبود بخشد و منجر شود.
• KM یک حوزه تحقیقاتی بین رشته‌‌‌ای است. بنابراین، در آینده، توسعه مدیریت دانش ممکن است نیاز به ادغام با فن‌آوری‌های مختلف داشته باشد و متدولوژی‌های بیشتری برای حل مشکلات مدیریت دانش نیاز داشته باشد.
• توسعه برنامه‌‌‌های کاربردی KM تمایل دارد از تصمیم‌‌‌گیری متخصص پشتیبانی کند و کاربرد یک دامنه مشکل خواهد بود.