Iranian Futurist

چکيده
تغيير روند توجه سازمان‏ها از منابع مالي به سرمايه‏هاي انساني٬ فراهم آمدن زمينه‏هاي تراكم و حتي انفجار اطلاعات از طريق فناوري اطلاعات و ارتباطات در سازمان‏ها٬ الزام و اهميت مديرت دانش را بيش از گذشته به رخ كشيده است. استخراج اطلاعات مناسب از ميان انبوه داده‏ها و تبديل آنها به دانش مورد نياز سازمان، بويژه در تصميم‌گيري‏هاي سازماني٬ نيازمند استفاده از روش‏هاي نوين در اين حوزه است. داده كاوي يكي از اين ابزار و رويكردهاست كه در فضاي مديريت دانش سازمان‏ها به كشف دانش از پايگاه داده‏ها كمك مي‏كند.

مديريت دانش

امروزه در عصر يادگيري٬ كاركنان را ارزشمندترين منبع سازمان به حساب مي‏آورند. كاركنان٬ حجم عظيم داده‏ها٬ اطلاعات و دانش سازمان را توليد مي‏كنند و به‏كار مي‏بندند.از اين‏رو٬ مديريت دانش در كنار مديريت منابع انساني در سازمان‏هاي نوين٬ ضرورت يافته است. مديريت دانش٬ رويكردي سيستمي و يكپارچه است كه براي تمامي دارائي‏هاي اطلاعاتي سازمان اعم از: مستندات٬ پايگاه داده‏ها٬ خط‏مشي‏ها٬ رويه‏ها و تجربيات كاركنان و سازمان را دربر مي‏گيرد و به اشتراك مي‏گذارد. مديريت دانش، سكوي تسهيل كننده استخراج٬ ذخيره‏سازي٬ يكپارچه‏سازي٬ انتقال٬ مشاهده٬ تجزيه و تحليل و استفاده از دانش در سازمان است. مديريت دانش درجهت 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) .

نسبت مديريت دانش و داده‏كاوي

ابزار متفاوتي براي به‏كارگيري مديريت دانش در سازمان٬ استفاده مي‏شود. يكي از مهم‌ترين آنها٬ داده‏كاوي است. هنگامي كه طراحي مجدد فرايندهاي كسب و كار (BRP) مورد نظر است٬ داده‏كاوي به‏عنوان تكنيك٬ درخدمت مديريت دانش قرار مي‏گيرد. درهربنگاه صنعتي٬ اقتصادي و تجاري نيز دانش با ارزش در مورد مشتري٬ محصول و بازار را مي‏توان از طريق داده‏كاوي به‏دست آورد. با بزرگ‏ترشدن حجم داده‏ها و اطلاعات سازمان‏ها٬ اهميت اين مسئله روزبه‏روز بيشتر مي‏شود. وقتي حجم داده‏ها زياد است٬ از سيستم‏هاي پايگاه داده‏ها (DBS/DBMS) براي مديريت آنها استفاده مي‏شود. در حالت زيادبودن حجم داده‏ها٬ داده‏كاوي براي استخراج و به‏دست آوردن دانش به‏كار مي‏آيد. وقتي حجم دانش زياد است از سيستم مديريت دانش (KMS) استفاده مي‏شود.
داده كاوي
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 به‏عنوان داده‏كاوي مورد توجه قرار گرفت. به اين شكل بود كه فرايند داده‏كاوي به عنوان فرايند آماري و تجزيه و تحليل درفرايند كشف دانش در پايگاه داده‏ها (KDD) 1 پررنگ شد٬ به حدي كه گاه٬ داده‏كاوي (DM) به‏عنوان 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 برموضوعاتي نظير: استخراج دانش كلان٬ كاوش در داده‏ها٬ تجزيه و تحليل داده‏ها و يافتن روابط و الگوهاي مطمئن بين داده‏ها تاكيد مي‏شود. هدف نهايي داده‏كاوي٬ ايجاد سيستم‏هاي پشتيباني تصميم‏گيري سازماني است. داده‏كاوي به استخراج اطلاعات مفيد و دانش از 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 از متغيرها براي پيش‏بيني ارزش‏هاي ناشناخته ساير متغيرها به‏كار روند. داده‏كاوي توصيفي، به‏دنبال يافتن اگرها در فعاليت‏ها يا اقدامات گذشته است و داده‏كاوي پيش‏بينانه با نگاه به سابقه٬ رفتار آينده را پيش‏بيني مي‏كند.
داده‏كاوي چه هست و چه 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 غيرمنتظره٬ 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 به كار 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 درهم 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 (شكل2).

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 درجهت كشف دانش در مراحل مختلف انجام مي‌شود (شكل 3) كه عبارت است از:
1. اولين گام در داده‏كاوي٬ شناسايي هدف و فهم حوزه كاربرد آن است و مشخص مي‏كند كه چه‏كاري٬ 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 به‏كارگيري الگوريتم
6. ارزيابي و اعتبارسنجي يافته‏ها
7. استفاده از نتايج و تثبيت و تحكيم دانش كشف شده
8. تصميم گيري 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 بود :
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 نهائي٬ 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 به‌دست 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 برالگوريتم‏ها
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.
حوزه‏هاي ديگر نظير: ورزش و سرگرمي٬ فضانوردي و ديگر حوزه‏هاي علم.

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.

Iranian Futurist		Ayandeh-Negar
Welcome To Future		Tomorow is built today

	در باره ما	تماس با ما	خبرهای علمی	احزاب مدرن	هنر و ادبیات	ستون آزاد	محیط زیست	حقوق بشر	اخبار روز	صفحه‌ی نخست
	آرشیو	اندیشمندان آینده‌نگر	تاریخ از دیدگاه نو	انسان گلوبال	دموکراسی دیجیتال	دانش نو	اقتصاد فراصنعتی	آینده‌نگری و سیاست	تکنولوژی	از سایت‌های دیگر