Лабоцкий В.В. Управление знаниями

Подождите немного. Документ загружается.

В.В. Лабоцкий

УПРАВЛЕНИЕ ЗНАНИЯМИ

(технологии, методы и средства

представления, извлечения и измерения знаний)

УДК 658.1.681.3(07)

ББК 65.290-2фя73

Л12

Лабоцкий В.В.

Л12 УПРАВЛЕНИЕ ЗНАНИЯМИ (технологии, методы и

средства представления, извлечения и измерения знаний). – Мн.: Соврем.

шк., 2006, - 392 с.

ISBN 985-6807-13-1

Для студентов и аспирантов, преподавателей, научных работников,

менеджеров-аналитиков, руководителей организаций, а также всех, кто в

своей практической деятельности ощущает необходимость использования

знаний –

как экономического ресурса, интересуется проблемами

организации и управления знаниями, использованием технологий, методов

и средств создания знаний, их оценки, получения к ним доступа,

накопления, измерения, хранения, анализа, обработки и их использования.

УДК 658.1.681.3(07)

ББК 65.290-2фя73

Содержание

ОТ АВТОРА 5

ВВЕДЕНИЕ 7

1. АНАЛИЗ ДАННЫХ В СИСТЕМЕ STATISTICA 11

1.1. ПОЧЕМУ ИМЕННО STATISTICA?....................................................... 11

1.2. ОСНОВНЫЕ ЭЛЕМЕНТЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ И

МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ

........................................................................ 12

2. КОРРЕЛЯЦИОННЫЙ АНАЛИЗ 22

2.1. ОБЩИЕ СВЕДЕНИЯ ........................................................................... 22

2.2. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

BASIC STATISTICS ............................................................................. 22

2.3. СОЗДАНИЕ ОТЧЕТА .......................................................................... 31

3. РЕГРЕССИОННЫЙ АНАЛИЗ 33

3.1. ОБЩИЕ СВЕДЕНИЯ. ПРОСТАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ ..................... 33

3.1.1. Функция регрессии ................................................................. 33

3.2. ПОСЛЕДОВАТЕЛЬНОСТЬ РЕГРЕССИОННОГО АНАЛИЗА..................... 33

3.3. МНОЖЕСТВЕННАЯ ЛИНЕЙНАЯ РЕГРЕССИЯ ...................................... 37

3.4. НЕЛИНЕЙНЫЕ МОДЕЛИ, СВОДЯЩИЕСЯ К ЛИНЕЙНЫМ...................... 38

3.5. ПРОВЕРКА ПРЕДПОСЫЛОК РЕГРЕССИОННОГО АНАЛИЗА ................. 39

3.5.1. Проверка нормальности закона распределения ошибок .... 39

3.5.2. Проверка на однородность случайных ошибок................... 39

3.5.3. Проверка на автокорреляцию случайных ошибок.............. 40

3.6. ОПИСАНИЕ ТИПОВОГО ПРИМЕРА..................................................... 40

3.7. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

MULTIPLE REGRESSION ..................................................................... 43

4. ДИСПЕРСИОННЫЙ АНАЛИЗ 55

4.1. ОДНОФАКТОРНЫЙ ДИСПЕРСИОННЫЙ АНАЛИЗ................................ 55

4.2. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

ANOVA............................................................................................ 57

4.3. МНОГОФАКТОРНЫЙ ДИСПЕРСИОННЫЙ АНАЛИЗ ............................. 61

5. КЛАСТЕРНЫЙ АНАЛИЗ 65

5.1. ОБЩИЕ СВЕДЕНИЯ ........................................................................... 65

5.2. СТАНДАРТИЗАЦИЯ ДАННЫХ ............................................................ 67

5.3. МЕТОДЫ КЛАСТЕРНОГО АНАЛИЗА................................................... 67

5.4. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

CLUSTER ANALYSIS........................................................................... 68

6. ДИСКРИМИНАНТНЫЙ АНАЛИЗ 74

6.1. ОБЩИЕ СВЕДЕНИЯ ........................................................................... 74

6.2. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

DISCRIMINANT ANALYSIS.................................................................. 74

6.3. ВЫВОД РЕЗУЛЬТАТОВ И ИХ АНАЛИЗ ................................................ 79

7. ФАКТОРНЫЙ АНАЛИЗ 85

7.1. ОБЩИЕ СВЕДЕНИЯ ........................................................................... 85

7.2.

STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

FACTOR ANALYSIS ............................................................................ 85

8. "ДЕРЕВЬЯ РЕШЕНИЙ" 99

8.1. ОБЩИЕ СВЕДЕНИЯ ........................................................................... 99

8.2. ТЕРМИНОЛОГИЯ .............................................................................. 99

8.3. ЧТО ТАКОЕ "ДЕРЕВО РЕШЕНИЙ" И ТИПЫ РЕШАЕМЫХ ЗАДАЧ? ........ 99

8.4. КАК ПОСТРОИТЬ "ДЕРЕВО РЕШЕНИЙ" ? ......................................... 100

8.5. STATISTICA. ПРОВЕРКА РЕЗУЛЬТАТОВ КОНТРОЛЬНОГО

ПРИМЕРА В

CLASSIFICATION TREE..................................................................... 103

9. НЕЙРОННЫЕ СЕТИ 110

9.1. ОБЩИЕ СВЕДЕНИЯ ......................................................................... 110

9.2. МОДЕЛЬ ТЕХНИЧЕСКОГО НЕЙРОНА ............................................... 111

9.3. КАКИЕ ЗАДАЧИ РЕШАЮТ НЕЙРОСЕТИ ........................................... 115

9.4. НЕЙРОННЫЕ СЕТИ В ПАКЕТЕ STATISTICA ...................................... 116

9.4.1. Аппроксимация ..................................................................... 116

9.4.2. Классификация...................................................................... 127

9.4.3. Прогнозирование .................................................................. 131

ПРИЛОЖЕНИЯ 137

ОТ АВТОРА

Эта пособие для всех тех, кто в своей практической деятельности

ощущает необходимость использования знаний – как экономического

ресурса, знания и информация добавляют и создают новые стоимости

продуктов и услуг.

Управление знаниями (Knowledge Management, KM) – новая и быстро

развивающаяся область практической деятельности, целью которой

является систематизация работы с интеллектуальными ресурсами

(активами) и накопленным опытом.

В силу своей нематериальности интеллектуальные ресурсы (имя

компании - имидж, торговые марки - бренды, клиентская база,

корпоративная культура, интеллектуальный капитал - знания и т.д.) могут

показаться невесомыми, однако именно они являются новыми рычагами,

обеспечивающих конкурентные преимущества предприятия перед

другими.

Корпоративные знания невозможно поставить на баланс. Однако

конкурентные преимущества и прибыль, которые предприятия получают

при правильном использовании этих невидимых, но весьма ценных

активов, вполне осязаемы. В центре кажущегося хаоса состоящего из

субподрядчиков, соисполнителей и временных сотрудников обязательно

должен находиться мозг организации, который на корпоративном уровне

должен управлять этими, на самом деле бесценными, активами.

Превратить накопленный интеллектуальный багаж в коммерческую

выгоду помогают концепции управления знаниями.

Можно ли управлять знаниями, которые находятся в головах

сотрудников? Специалист по технологиям управления знаниями Ларри

Прусак считает, что "управлять знаниями невозможно, можно управлять

лишь той средой, в которой создаются и используются знания". Трудно

согласиться с этим заключением. Если обратиться к английскому словарю,

то Knowledge Management это не просто "управление знаниями", это

умение

владеть, умение справляться со знаниями. Управление знаниями

происходит как на индивидуальном, так и на организационном уровнях.

Знания индивидуумов можно расширять и углублять, т.е. управлять ими,

например, с помощью целенаправленного обучения с преподавателями,

тьюторами или целенаправленного самообучения. Управление

организационными знаниями происходит с применением технологий,

методов и средств создания знаний, их

оценки, получения к ним доступа,

накопления, измерения, хранения, анализа, обработки и их использования.

В сущности, речь идет о концепции объединения технологий

с корпоративной культурой и бизнес-процессами и использовании

ее в качестве механизма управления потенциалом знаний сотрудников

и бизнес-информацией.

"Управление знаниями" является высшей формой развития компании

с точки зрения трансформации бизнеса. В трансформации бизнеса можно

выделить пять фаз развития компании:

1. управления реализацией бизнес-идеи;

2. управления функциями;

3. управления процессами;

4. управления сетями;

5. управления знаниями.

Данное учебное пособие отражает результаты научных

исследований, аналитических обзоров из открыто опубликованных

источников

и интернет, а также накопленного автором опыта при чтении

лекций по дисциплине "Управление знаниями" для студентов

специализации "Экономическая информатика" Белорусского

государственного экономического университета.

Автор выражает признательность студентам специальности

экономической информатики БГЭУ принимавших участие в программной

реализации контрольных примеров в Statistica 6.0: Макас А.С.;

Раввинскому Ю.А.; Рудницкому И.С.; Федоринову П.

В., а также

ассистенту кафедры ЭИ БГЭУ Гулиной О.В. за ценные замечания по

улучшению качества рукописи. Все необходимые для работы файлы с

данными можно скачать с сайта (

http://cdo.bseu.by/stat1/default.htm).

ВВЕДЕНИЕ

 "Огромное и все возрастающее богатство знаний

разбросано сегодня по всему миру. Этих знаний,

вероятно, было бы достаточно для решения всего

громадного количества трудностей наших дней – но они

рассеяны и неорганизованны. Нам необходима очистка

мышления в своеобразной мастерской, где можно

получать, сортировать, суммировать, усваивать,

разъяснять и сравнивать знания и идеи"

. Уэллс, 1940

К основным концепциям управления, поддерживающим

современные тенденции развития бизнеса, можно отнести "процессный

подход", методологии Balanced Scorecard, EVA, ABC, электронную

коммерцию, информационные порталы и управление знаниями, которая, в

ближайшее время станет пропуском в лидеры, технологией mainstream, т.е.

ключевой технологией, определяющий парадигму менеджмента в целом.

Л. Тероу утверждает, что технология управления знаниями делает их

единственным

источником стойкого конкурентного преимущества. Все

остальное выпадает из уравнения конкуренции.

Несмотря на то, что тема управления знаниями уже активно

эксплуатируется наиболее продвинутыми компаниями – ясность в ответе

на вопросы "что же скрывается под этим понятием и в чем состоит польза

от его применения" пока отсутствует.

В мировой экономике успешность бизнеса начала

определяться

нематериальными факторами – их принято обозначать термином "знания".

Если раньше стоимость компаний составляли финансовый капитал, здания,

оборудование и другие материальные ценности, то в новой,

постиндустриальной эпохе главным источником богатства становится

интеллектуальный капитал (систематизированные и уникальные знания).

Знание – единственный вид ресурса, существенно отличающий один

бизнес от другого, ресурс который не поддается быстрому

воспроизводству конкурентами, что позволяет компаниям, умеющим им

управлять, получить уникальные и устойчивые преимущества.

Понимание того, что отличает компанию от ее конкурентов и

последующее применение этой информации является ключом к созданию

успешной бизнес-политики. Прежде всего, данные должны быть

превращены в пригодную для использования информацию, в случае

необходимости объединенную с информацией,

взятой из различных

неструктурированных источников, таких как интернет, электронная почта,

документы и т.д. Стратегия предполагает максимальную объективизацию

знаний, извлечение их из традиционных источников, каковыми являются

отдельные сотрудники компании, с соответствующей системой мотивации.

Нужные знания должны быть извлечены и предоставлены нужным

сотрудникам, в нужное время и в нужном месте, таким образом

, должно

быть организовано совместное использование знаний, их защита и

интеграция в цепочку бизнес-процессов. Только тогда могут быть

достигнуты эффективные преимущества перед конкурентами и

минимизированы затраты. Подобная технология известна как управление

знаниями (Knowledge Management, KM).

Собственно технология управления знаниями включает:

• управление знаниями как организационную функцию,

регулирующую порядок движения, накопления, навигации

использования внутрикорпоративной информации и знаний;

• управление знаниями как технобазис, обеспечивающий процессы

организационной функции.

Если подробно детализировать структуру технического обеспечения

технологии управления знаниями, то можно выделить несколько основных

блоков, которые призваны обеспечивать полный цикл работы со знаниями

в компании. Это:

• электронная почта, корпоративные сети и Интернет-сервисы;

• базы

и хранилища данных (Data Warehousing – DW);

• системы управления документооборотом (Document Management);

• средства для организации совместной работы (Collaboratuion) –

сети Intranet, технологии групповой работы, синхронные и асинхронные

конференции;

• системы бизнес аналитики, специализированные программы

обработки данных и поиска скрытых закономерностей (Data Mining –DM);

• средства поддержки принятия решений (Decision Support);

• экспертные системы и базы знаний.

Фундаментом для этой системы (системы управления знаниями

)

служит комплекс мощных баз данных (хранилища данных) с хорошо

продуманной структурой. Кроме того, в арсенале средств анализа

информации содержатся программы подготовки отчетов,

специализированные средства формирования нерегламентированных

запросов, реализованных на основе технологии OLAP (OnLine Analytical

Processing) и технологии Data Mining.

Выделяют следующие основные типы закономерностей, которые

позволяют выявлять методы Data Mining: ассоциация,

последовательность, классификация, кластеризация и прогнозирование.

Ассоциация (association,

иногда используют термин affinity,

означающий сходство, структурную близость) — выделение структур,

повторяющихся во временной последовательности. Обнаруживает

правила, по которым присутствие одного набора элементов коррелирует с

другим. Этот метод часто применяется для анализа рыночной корзины

пакетов продуктов, при разработке каталогов, перекрестном маркетинге.

Цель — найти закономерности среди большого числа транзакций. Эта

информация может использоваться для модификации расположения полок

и последовательности товаров в торговом зале.

Анализ временных рядов (последовательные ассоциации)

(sequence-based analysis, другое название — sequential association) —

позволяет найти временные закономерности между транзакциями.

Например, можно ответить на вопрос, покупки каких товаров

предшествуют покупке данного вида продукции. Используется при

анализе целевых рынков, управлении гибкостью цен, управлении

циклом

работы с заказчиком (Customer Lifecycle Management).

Классификация (classification) — отнесение записи к одному из

заранее определенных классов. Используется, например, при оценке

рисков при выдаче кредита.

Кластеризация (clustering) — группировка записей, имеющих

одинаковые характеристики, например, по близости значений полей.

Используется для сегментации рынка и сегментации заказчиков.

Кластеризация часто рассматривается как первый необходимый шаг для

дальнейшего анализа данных.

Прогнозирование (forecasting) позволяет предсказать поведение

системы в будущем. Основой служит историческая информация,

хранящаяся в БД в виде временных рядов. Если удается построить или

найти шаблоны, адекватно отражающие динамику поведения целевых

показателей, есть вероятность, что с их помощью можно предсказать и

поведение системы.

Интеллектуальные средства анализа данных используют следующие

основные методы: нейронные сети

, деревья решений, системы

рассуждения на основе аналогичных случаев, генетические алгоритмы,

эволюционное программирование, логическую регрессию, нечеткую

логику, алгоритмы ограниченного перебора, визуализация данных. Иногда

применяется комбинация перечисленных методов.

Для современного специалиста в области информационных

технологий знание статистических методов обработки информации

абсолютно необходимо. Социологические и маркетинговые исследования,

политический анализ, прогнозирование, управление качеством, решение

различных экономических задач невозможно без хорошего знания

математической и экономической статистики и использования

современных статистических пакетов. В качестве базовой была выбрана

система STATISTICA 6.0 по следующим причинам:

• наличие русскоязычной версии пакета, что существенно облегчает

освоение сложных методов статистического анализа;

• наличие качественной литературы на русском языке;

• высокое качество пакета

и высокая репутация производящей его

фирмы, полноценный набор статистических методов, необходимых для

менеджера, социолога, политолога, экономиста.

Эксперты предсказывают значительное увеличение объемов продаж

компьютерных программ в области управления знаниями. Это связано с

тем, что все большее количество компаний прибегает к использованию

программ по управлению знаниями с целью увеличения эффективности их

работы. Ожидается, что к 2006 г. товарооборот на рынке управления

знаниями достигнет 4,2 млрд. евро, т.е. ежегодный

прирост (2001-2006 гг.)

составит 24%. Растущая заинтересованность компаний в появлении новых

технологий способствует привлечению огромных инвестиций на

разработку различных видов программного обеспечения, а также

расширению спектра услуг на рынке управления знаниями

(http://www.kmmag.co.uk).