论文部分内容阅读
摘要：文章对数据挖掘和知识管理系统进行简要的分析，探讨了在现代数据挖掘技术下的知识管理实行必要性。从系统动力学的角度和战略层次上构建了基于数据挖掘的知识管理系统规划模型。
关键词：数据挖掘；知识管理系统；战略
一、 引言
《IT经理世界》、计算机世界、《首席财务官》杂志、计算机世界网等媒体与深圳蓝凌公司共同发布的“2005中国知识管理调查报告”指出：“尽管知识管理在中国取得了更加快速的发展，但中国企业知识管理水平并不乐观”。在影响知识管理的三个主要因素“文化”、“管理”和“技术”中，“技术”处于最低的水平，这影响了知识管理的“文化”促成和“管理”机制贯彻。知识管理作为数据挖掘和知识发现（DMKD）的应用领域之一，有必要利用现代数据挖掘技术来夯实其薄弱的技术水平。同时，知识管理不仅是一种管理工具，更是建立学习型、知识型企业，创造企业核心价值竞争力的一种商业战略。
二、 数据挖掘
数据挖掘（Data Mining，DM）是从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则。这些规则蕴含了数据库中一组对象之间的特定关系，揭示出一些有用的信息，可以为经营决策、市场策划和金融预测等方面提供依据。图1给出DM的一般过程：
DM技术融合了人工智能、统计及数据库等多种学科的理论、方法和技术，可以直接应用在数据挖掘的过程中，例如决策树方法、模糊集合方法、遗传算法、模拟退火算法、进化式程序设计、基于事例的推理方法、覆盖正例排斥反例方法、证据理论、机器学习、人工神经、云理论、粗集方法、近似推理、小波分形、概念格、概念树提升、可视化方法等。
DM技术能够解决许多常规的数据分析方法不能解决的问题。一方面，DM技术可以同时考虑非常多的因素，远远超出人观察的纬度，如聚类分析，可以同时考虑非常多的因素，甚至达到几十上百个维度；又如图2中的联机分析处理（On Line Analytical Processing，OLAP）系统：通过对数据仓库的即席、多维、复杂查询和综合分析，得出隐藏在数据中的总体特征和发展趋势。目前，数据仓库和OLAP技术已相当成熟，出现了Business Object Power play等多维分析工具，并已经在企业决策中发挥着重要作用。在美国，几乎所有的大型企业都已经建立或规划建立自己的数据仓库。
三、 知识管理系统
知识管理系统是实现有效知识管理的平台，是协助人们获取知识、存储知识、分享知识、利用知识的一种技术体系。知识可分为隐性知识和显性知识。隐性知识具有高度个人化和难以沟通的特征，不易实现共享；而显性知识由于其易表达、可编码特征，则容易沟通和共享。两者的相互转化是知识管理系统的重要功能之一。知识管理则指管理组织智能资本之创造、保存、组织、分享，以增加响应与创新能力的策略、方法及技术，其目标就是力图将最恰当的知识在最恰当的时间传递给最恰当的人，以便作出最好的决策。在“信息爆炸”的现实背景下，以信息技术为核心的数据挖掘系统成为知识管理系统发展和应用的优先选择是一种必然趋势。
四、 基于数据挖掘的知识管理系统模型及战略分析
1． 建立基于数据挖掘的知识管理系统模型。现代数据挖掘技术，实现了以更自动化的方式对具有大量数据的商业活动进行分析和探索，知识发现能力大大增强。例如，OLAP工具的目标是满足决策支持或在多维环境下特定的查询和报表需求。另外，数据挖掘可以考察大数据量，并自动的进行分析，可帮助我们去学习新的潜在模式。如聚类分析可从众多维度对客户属性作综合考察，揭示一些我们的经验没有发现的关系，或者对经验给以数据证实，而这些往往会带来一些有价值的意外收获。我们利用系统动力学的原理，设计一个基于数据挖掘的知识管理系统规划模型（图2），从系统的视角揭示两者的有机结合。
2． 模型分析。（1）数据挖掘系统是整个系统的出发点，是知识的源头，提供技术支持和数据洗涤。（2）知识管理系统包含知识发现层和知识应用层。知识发现层与数据挖掘系统通过数据分析形成了信息回馈环路，这个环路具备系统动力学特性。在经过知识发现层的“过滤器”作用后，进入知识应用层。（3）组织核心文化系统体现企业的独特内在价值取向，同时制约和促进数据挖掘系统和知识管理系统的自我发展和相互联接。
模型具有以下特性：（1）整体性。它一方面指知识管理系统功能、内容上体现出的整体性；另一方面指开发和应用技术步骤上的整体性。突出IT人员、知识员工、知识专家、CEO—CKO的地位，体现了人和技术作为知识管理的两个主要维度的整体战略意图，目标是促进隐性知识与显性知识之间的转化，推动知识螺旋运动的发展，体现知识管理对增强知识创新能力和提升企业核心竞争力的更高要求。（2）信息技术为核心。系统集成人工神经网络、决策树、遗传算法、近邻算法、规则推导等常用的DMKD技术，通过Web将知识推送给知识用户；系统管理工具、知识检索引擎、工作流实时协同等信息技术工具充分支持知识的共享与交流及创新，形成企业的核心竞争力。（3）系统动力学特性。基于信息的传递与处理，数据挖掘系统和知识管理系统形成了封闭的环路，这反应了我们探索知识的行为本质。在正回馈环路上表现为不断自我增强的知识发现能力，加强诸如企业业务系统的数据收集，在外网支援下，形成企业独特的知识源和知识库；在负回馈环路上则表现为知识目标的纠正和追寻。由于信息的时间滞延特性，其环路也表现为系统具备自适应、自学习的能力。（4）柔性特征。模型强调企业知识管理战略应与环境柔性匹配，知识管理系统的建立并不是一劳永逸的事，需要在实际应用中不断地完善和更新。
模型面向分布协作环境，目前正实验于西安、宝鸡等地的大型企业的信息管理系统的建设中，其有效性正逐步显现。
3．模型战略分析。从企业战略管理看，DMKD系统是将知识员工、知识专家和IT人员的知识融合到一起的过程，这是有效分析市场状况、确定最终目标并制定行动计划以达到预期目标的行为或过程，是传统型企业向学习型企业转变的具体体现。因此，使用数据挖掘技术，首先应表现为思维导向、管理理念的转变，以科学决策过程代替以往简单凭借经验的决策过程，只有如此，数据挖掘才能在企业应用中逐步发挥其效用，不断为企业的发展积累经验。伴随DM的发展，应该加强知识管理的战略性研究，从而转变管理者，特别是高层领导的管理思维模式以适应技术社会的发展，唯有技术与人的完美结合，才能创造企业核心价值的竞争力。
参考文献：
1．深圳蓝凌管理咨询支持系统有限公司．知识管理标杆研究．中国2005调查报告简版．经济观察报，2005年11月．
2．陈安，陈宁，周龙骧等编著．数据挖掘技术及应用．北京：科学出版社，2006：11，12-16．
3．苏宁军．采用聚类分析的数据挖掘技术进行电信市场客户分群．计费
关键词：数据挖掘；知识管理系统；战略
一、 引言
《IT经理世界》、计算机世界、《首席财务官》杂志、计算机世界网等媒体与深圳蓝凌公司共同发布的“2005中国知识管理调查报告”指出：“尽管知识管理在中国取得了更加快速的发展，但中国企业知识管理水平并不乐观”。在影响知识管理的三个主要因素“文化”、“管理”和“技术”中，“技术”处于最低的水平，这影响了知识管理的“文化”促成和“管理”机制贯彻。知识管理作为数据挖掘和知识发现（DMKD）的应用领域之一，有必要利用现代数据挖掘技术来夯实其薄弱的技术水平。同时，知识管理不仅是一种管理工具，更是建立学习型、知识型企业，创造企业核心价值竞争力的一种商业战略。
二、 数据挖掘
数据挖掘（Data Mining，DM）是从大量的数据中挖掘出隐含的、未知的、用户可能感兴趣的和对决策有潜在价值的知识和规则。这些规则蕴含了数据库中一组对象之间的特定关系，揭示出一些有用的信息，可以为经营决策、市场策划和金融预测等方面提供依据。图1给出DM的一般过程：
DM技术融合了人工智能、统计及数据库等多种学科的理论、方法和技术，可以直接应用在数据挖掘的过程中，例如决策树方法、模糊集合方法、遗传算法、模拟退火算法、进化式程序设计、基于事例的推理方法、覆盖正例排斥反例方法、证据理论、机器学习、人工神经、云理论、粗集方法、近似推理、小波分形、概念格、概念树提升、可视化方法等。
DM技术能够解决许多常规的数据分析方法不能解决的问题。一方面，DM技术可以同时考虑非常多的因素，远远超出人观察的纬度，如聚类分析，可以同时考虑非常多的因素，甚至达到几十上百个维度；又如图2中的联机分析处理（On Line Analytical Processing，OLAP）系统：通过对数据仓库的即席、多维、复杂查询和综合分析，得出隐藏在数据中的总体特征和发展趋势。目前，数据仓库和OLAP技术已相当成熟，出现了Business Object Power play等多维分析工具，并已经在企业决策中发挥着重要作用。在美国，几乎所有的大型企业都已经建立或规划建立自己的数据仓库。
三、 知识管理系统
知识管理系统是实现有效知识管理的平台，是协助人们获取知识、存储知识、分享知识、利用知识的一种技术体系。知识可分为隐性知识和显性知识。隐性知识具有高度个人化和难以沟通的特征，不易实现共享；而显性知识由于其易表达、可编码特征，则容易沟通和共享。两者的相互转化是知识管理系统的重要功能之一。知识管理则指管理组织智能资本之创造、保存、组织、分享，以增加响应与创新能力的策略、方法及技术，其目标就是力图将最恰当的知识在最恰当的时间传递给最恰当的人，以便作出最好的决策。在“信息爆炸”的现实背景下，以信息技术为核心的数据挖掘系统成为知识管理系统发展和应用的优先选择是一种必然趋势。
四、 基于数据挖掘的知识管理系统模型及战略分析
1． 建立基于数据挖掘的知识管理系统模型。现代数据挖掘技术，实现了以更自动化的方式对具有大量数据的商业活动进行分析和探索，知识发现能力大大增强。例如，OLAP工具的目标是满足决策支持或在多维环境下特定的查询和报表需求。另外，数据挖掘可以考察大数据量，并自动的进行分析，可帮助我们去学习新的潜在模式。如聚类分析可从众多维度对客户属性作综合考察，揭示一些我们的经验没有发现的关系，或者对经验给以数据证实，而这些往往会带来一些有价值的意外收获。我们利用系统动力学的原理，设计一个基于数据挖掘的知识管理系统规划模型（图2），从系统的视角揭示两者的有机结合。
2． 模型分析。（1）数据挖掘系统是整个系统的出发点，是知识的源头，提供技术支持和数据洗涤。（2）知识管理系统包含知识发现层和知识应用层。知识发现层与数据挖掘系统通过数据分析形成了信息回馈环路，这个环路具备系统动力学特性。在经过知识发现层的“过滤器”作用后，进入知识应用层。（3）组织核心文化系统体现企业的独特内在价值取向，同时制约和促进数据挖掘系统和知识管理系统的自我发展和相互联接。
模型具有以下特性：（1）整体性。它一方面指知识管理系统功能、内容上体现出的整体性；另一方面指开发和应用技术步骤上的整体性。突出IT人员、知识员工、知识专家、CEO—CKO的地位，体现了人和技术作为知识管理的两个主要维度的整体战略意图，目标是促进隐性知识与显性知识之间的转化，推动知识螺旋运动的发展，体现知识管理对增强知识创新能力和提升企业核心竞争力的更高要求。（2）信息技术为核心。系统集成人工神经网络、决策树、遗传算法、近邻算法、规则推导等常用的DMKD技术，通过Web将知识推送给知识用户；系统管理工具、知识检索引擎、工作流实时协同等信息技术工具充分支持知识的共享与交流及创新，形成企业的核心竞争力。（3）系统动力学特性。基于信息的传递与处理，数据挖掘系统和知识管理系统形成了封闭的环路，这反应了我们探索知识的行为本质。在正回馈环路上表现为不断自我增强的知识发现能力，加强诸如企业业务系统的数据收集，在外网支援下，形成企业独特的知识源和知识库；在负回馈环路上则表现为知识目标的纠正和追寻。由于信息的时间滞延特性，其环路也表现为系统具备自适应、自学习的能力。（4）柔性特征。模型强调企业知识管理战略应与环境柔性匹配，知识管理系统的建立并不是一劳永逸的事，需要在实际应用中不断地完善和更新。
模型面向分布协作环境，目前正实验于西安、宝鸡等地的大型企业的信息管理系统的建设中，其有效性正逐步显现。
3．模型战略分析。从企业战略管理看，DMKD系统是将知识员工、知识专家和IT人员的知识融合到一起的过程，这是有效分析市场状况、确定最终目标并制定行动计划以达到预期目标的行为或过程，是传统型企业向学习型企业转变的具体体现。因此，使用数据挖掘技术，首先应表现为思维导向、管理理念的转变，以科学决策过程代替以往简单凭借经验的决策过程，只有如此，数据挖掘才能在企业应用中逐步发挥其效用，不断为企业的发展积累经验。伴随DM的发展，应该加强知识管理的战略性研究，从而转变管理者，特别是高层领导的管理思维模式以适应技术社会的发展，唯有技术与人的完美结合，才能创造企业核心价值的竞争力。
参考文献：
1．深圳蓝凌管理咨询支持系统有限公司．知识管理标杆研究．中国2005调查报告简版．经济观察报，2005年11月．
2．陈安，陈宁，周龙骧等编著．数据挖掘技术及应用．北京：科学出版社，2006：11，12-16．
3．苏宁军．采用聚类分析的数据挖掘技术进行电信市场客户分群．计费