هرم دانش: چگونه می توان از داده های پراکنده به تخصص و خرد رسید؟

هرم دانش: چگونه می توان از داده های پراکنده به تخصص و خرد رسید؟

ایکاف ارقامی را می‌دهد که باید به آن را چندین بار خواند و در موردش فکر کرد: «به طور متوسط ​​40% ذهن انسان از داده، 30% اطلاعات، 20% دانش و 10% فهم پر شده و عملاً هیچ‌گونه خردمندی وجود ندارد.». در حالیکه خرد یا بینش حاصل از آن محتوای اصلی تصمیم‌گیری‌های کسب و کار را تشکیل می‌دهد. به کرات شنیده‌ایم که گفته می‌شود داده‌ها ما را محصور کرده به طوری‌که تصمیم‌گیری‌های اشتباه نه از نبود اطلاعات، بلکه از ازدحام بیش از حد آن ناشی می‌شود. سوال اینجاست که در این شرایط چه می‌توان کرد؟ یکی از الگوهای معروف در زمینه اطلاعات، هرم دانش است. مطمئنماً یک دید کلی در مورد آن دارید. در اینجا ابعاد آن را تا جای ممکن تشریح کرده و نقش آن را در ایجاد بینش تجاری تبیین می‌کنیم.

 

هرم دانش 

Data-Information-Knowledge-Wisdom – DIKW pyramid

معمولاً به اطلاعات به صورت سلسله مراتبی نگاه می‌شود که بترتیب شامل داده-اطلاعات-دانش-خرد است و به آن الگوی DIKW نیز گفته می‌شود که یک الگوی مشهور در این زمینه محسوب می‌شود. 

 

هرم دانش - DIKW Model

این سلسله مراتب با عنوانهای مختلفی از قبیل «سلسله مراتب دانش»، «سلسله مراتب اطلاعات» و «هرم دانش» نامیده می‌شود که یکی از مدلهای شناخته شده در ادبیات علمی است. (رولی، 2007 ، 163) و اجزای آن شامل موارد زیر است: 

  1. داده‌. فرض بر این است که بسیاری از موضوعات جهان هستی دارای خواص قابل مشاهده است و داده‌ها نمایش نمادین این خصوصیات قابل مشاهده است. نمونه اصلی از اطلاعات و دستیابی به اطلاعات توسط سیستمهای اتوماسیون ارائه می‌شود. به عنوان مثال، ایستگاه اتوماسیون صنعتی یک کارخانه تولیدی به صورت خودکار کنترل‌های عملیاتی تولید را از طریق ابزار دقیق و ابزارهای برقی انجام می‌دهد. دما، فشار، جریان، ارتعاش و سایر پارامترهای سایت تولید را ثبت و مطابق با الگوهایی که راهبر سیستم به آن داده است، این پارمترها را در محدوده مجاز حفظ می‌کند. ایکاف می‌گوید: داده‌ها نمادهایی هستند که بیانگر خصوصیات اشیاء، رویدادها و محیط آنها هستند. آنها دستاورد «مشاهده» هستند. مشاهده‌ای که با هدف سنجش انجام می‌شود. البته فناوری‌های سنجش و ابزار دقیق، بسیار پیشرفته است. 
  2. اطلاعات. سطح بعدی اطلاعات است. داده‌های مرتبط و مهمی که پردازش و معنی‌دار شده و انتظار می‌رود قابل استفاده باشند. با پردازش داده و تبدیل آن به اطلاعات، به سوالاتی از قبیل «چه کسی»، «کجا»، «کِی» یا «چقدر» پاسخ داده می‌شود. در این هنگام، طبیعی است که داده به اطلاعات تبدیل می‌شود. داده به خودی خود تا زمانی که به یک شکل قابل استفاده تبدیل نشود، هیچ فایده‌ای ندارد. در نتیجه، تفاوت بین داده و اطلاعات در کاربردی بودن آن است نه ساختاری. به عبارت دیگر اطلاعات از نظر سازه‌ای همان داده‌ها هستند فقط می‌توانند به سوالات جواب روشنی بدهند. اگر اطلاعات را داده‌های تفسیر شده تلقی کنیم، ضرورتی ندارد که همان لحظه احصاء شوند. برای مثال در پاسخ به سوال مدیری که می‌پرسد میانگین تولید روزانه خرداد ماه چقدر بوده؟  می‌دانیم که مقدار تولید در هر روز به صورت جداگانه ثبت شده است. با پردازش داده‌های جداگانه می‌توانیم متوسط تولید روزانه در 31 روز خردادماه را به دست آوریم. می‌دانیم پردازش داده‌ها برای تولید اطلاعات باعث می‌شود که حجم آنها کاهش یابد. زیرا در مورد مثال خودمان، بخش زیادی از داده‌های تولید روزانه چون برای خرداد نیستند، کنار گذاشته می‌شوند و دیگر اینکه با میانگین حسابی ساده بین 31 مورد تنها به یک عدد مشخص می‌رسیم. از این رو می‌توان گفت که «اطلاعات، همان داده‌های ساده و فشرده شده هستند». کمک سیستم‌های اطلاعاتی به ما این است که داده‌ها را تولید، ذخیره، بازیابی و پردازش می‌کنند. اغلب اوقات پردازش آنها ریاضیاتی و آماری است.
  3. دانش. سطح بعدی دانش است. اغلب این سطح را با عناوینی چون «دانش فنی» یا «مهارت» می‌شناسند. ایکاف می‌گوید دانش، فرد را قادر می‌سازد اطلاعات را به نقش کنترل کننده ارتقا داده و آنها را به دستورالعمل و رویه‌های اجرایی تبدیل کند. دانش عبارت است از «آگاهی از چگونگی» یا همان فوت و فن. مثلاً آگاهی از چگونگی کار کردن یک سیستم یک فن یا دانش کاربردی است. این همان چیزی است که امکان تبدیل اطلاعات به دستورالعمل و رویه‌ها را فراهم می‌آورد و کنترل یک سیستم را امکان‌پذیر می‌کند. کنترل یک سیستم یعنی اینکه آن سیستم کارآمد باشد.
  4. خرد. در راس هرم، سطح خرد وجود دارد. مقوله‌ای که به نظر می‌رسد بحث محدودی در مورد آن وجود دارد. در حالی که به طور سنتی خرد به عنوان یک لایه در این هرم تلقی می‌شود، اما کمتر کسی به آن پرداخته است. شاید به این دلیل که برای رفع مشکلات کسب و کار کمتر به آن نیاز داریم! ایکاف بدون اینکه خرد را تعریف کند، نحوه کار کردن آن را توضیح می‌دهد: خرد، ارزش را افزایش می‌دهد، که به قضاوت ذهنی نیاز دارد. برآرود میزان ارزش یک چیز، مستقل از فرد نیست. ارزشهای اخلاقی و زیبایی‌شناختی، موضوعاتی منحصربفرد و شخصی هستند.
هرم دانش - DIKW Model

مکانیزم‌هایی که خرد را ایجاد می‌کنند، هرگز خودکار نمی‌شوند و مستقل نخواهند بود یعنی حتماً قضاوتها و ترجیحات فرد در آنها داخل می‌شود. چه بسا که این خرد، که برای دستیابی به آرمانها و پیگیری آرمانها ضروری است. این ویژگی باعث می‌شود که انسان را از ماشین متمایز شود. نکته مهم اینجاست که سه لایه پایین هرم، احتمال دارد که توسط کامپیوترها ضبط و دستکاری شود، اما در سطح خرد به یک بازیگر انسانی نیاز است. آن بازیگر خارج از سیستم DIKW و خارج از قلمرو عملیات محاسباتی و رایانه است. بنابراین، خرد که در راس هرم قرار دارد، بالاترین سطح ساختارهای منطقی و محاسباتی نیست، بلکه سطوح پایین سیستم‌های انسانی و ترجیحات آنها است.

 

نقش هوشمندی در هرم دانش 

یک استنباط که از این چارچوب به دست می‌توان داشت این است که در جهان هستی، داده‌ها بیشتر از اطلاعات، اطلاعات بیشتر از دانش و نهایتاً دانش بیشتری از خرد وجود دارد. سازوکارهایی از قبیل هوشمندی استراتژیک در ایجاد دانش کسب و کار و به دست آوردن بینش‌ و خرد سازمانی کمک می‌کنند. در نمودار زیر نقش هوشمندی استراتژیک در دستیابی به «بینش» کسب و کار نشان داده شده است. 

 

هرم دانش - DIKW Model

 هدف نهایی هر کسب و کار در استفاده از داده‌ها و اطلاعات، دستیابی به مزیت رقابتی است. مزیت رقابتی همان چیزی است که شما می‌توانید بهتر از بقیه انجام دهید و ارزش‌آفرین است. دستیابی به این چنین مزیتی بسیار دشوار است ولی در صورتی که این اتفاق بیفتد، به یک جایگاه مستحکم در بازار، محیط و بین رقبا دست خواهید یافت. بدیهی است هر گونه داده‌هایی که از کسب و کار می‌جوشد و موارد مرتبط و معتبر آن بر اساس میزان کمک کردن به مزیت رقابتی ارزیابی می‌شوند. با مدل‌سازی متغیرها و داده‌های سازمانی در قالب اطلاعات، به یک آگاهی و درک از محیط داخل و خارج می‌رسیم. این اطلاعات مبنایی می‌شود تا مدیران بر اساس آن سوالات مهم و مسائل استراتژیک را مشخص کرده و پاسخ دهند. همین پاسخ‌ها است که اصول کسب و کار و باورها را تعیین و تثبیت می‌کند. در این صورت است که می‌توان امیدوار بود مجموعه دریافت سیگنالها، سنجش، اصول، ادراک و باورها به اثربخشی استراتژیک منتهی بشود. 

 

 کشف دانش از پایگاه‌های داده (Knowledge discovery in DataBases-KDD)

فَیاد (Fayyad) با درک اهمیت داده‌های کسب و کار، فرآیندی را مطرح می‌کند که از آن می‌توان برای «کشف دانش از پایگاه‌های داده» استفاده کرد که یک روش معروف برای کشف دانش از داده‌ها محسوب می‌شود و بر بکارگیری تکنیک های داده کاوی اشاره دارد. این موضوع یک زمینه مورد علاقه برای اکثر محققان در زمینه‌های مختلف از جمله هوش مصنوعی، یادگیری ماشین، تشخیص الگو، کسب دانش برای سیستم‌های خبره و تجسم داده‌ها است.

هدف اصلی فرآیند کشف دانش از داده، استخراج اطلاعات از داده‌ها در زمینه پایگاه‌های داده بزرگ است. این کار را با استفاده از الگوریتم‌های داده کاوی برای شناسایی آنچه دانش تلقی می‌شود، انجام می‌دهد. این فرآیند، یک کار تعاملی و تکرار شونده است و شامل مراحل متعددی با تصمیمات زیادی است که توسط کاربر گرفته می‌شود. مراحلی را معرفی می‌کند که باید به صورت گام به گام برای رسیدن به دانش و استراتژی طی شود. در فضای کاری دوره فعلی که در دسترس بودن و فراوانی داده‌ها بسیار زیاد است، بر اهمیت کشف دانش و داده‌کاوی می‌افزاید. تعجب‌آور نیست که در توسعه اخیر این رشته، طیف گسترده ای از تکنیک‌های داده‌کاوی برای متخصصان قابل دسترسی است. از آنجاکه بینش حاصل شده از داده‌ها برای کسب و کار ارزش‌آفرین است، می‌توانیم از این فرآیند برای تصمیم‌گیری‌های کسب و کار نیز بهره گرفت. مطابق با آنچه که فیاد معرفی می‌کند، روند کشف دانش شامل نُه مرحله است. این مراحل به صورت تکرارپذیر و تعاملی است بدین معنی که ممکن است هر مرحله به دفعات تکرار شده و برای کسب اطلاعات با حد کفایت بالا به مراحل قبلی نیز برگشت شود.

 

  1. مرحله اول آگاهی از دامنه مربوطه است که در آن اهداف و نتایج داده‌کاوی تعیین می‌شود.
  2. مرحله دوم انتخاب و ایجاد یک مجموعه داده که در آن کشف انجام خواهد شد. پس از تعیین اهداف، داده‌های مورد استفاده برای فرآیند کشف دانش تعیین می‌شوند. این کار شامل به دست آوردن داده‌های مهم و پس از آن ادغام تمام داده‌ها برای کشف دانش در یک مجموعه است. این فرایند به دلیل یادگیری و کشف داده‌های قابل دسترسی مهم است. اینجا شواهدی برای ساخت مدلها به دست می‌آید. 
  3. مرحله سوم، پیش‌پردازش و پاکسازی داده است که در آن قابلیت اطمینان داده‌ها بهبود می‌یابد. این کار  شامل پاکسازی داده‌ها برای مثال  مقادیر مفقوده و حذف نویز یا داده‌های پرت است. این کار ممکن است با تکنیک‌های آماری پیچیده یا استفاده از الگوریتم‌های داده‌کاوی انجام شود.
  4. مرحله چهارم، تبدیل داده‌ها است. در این مرحله با تکنیکهایی مانند کاهش ابعاد و نمونه‌گیری و همچنین تغییر ویژگی به عنوان مثال گسسته‌سازی ویژگی‌های عددی داده‌های مورد نیاز تهیه می‌شود.
  5. مرحله پنجم، پیش‌بینی و توصیف است. در این مرحله روش داده‌کاوی مشخص می‌شود. برای مثال طبقه‌بندی، رگرسیون، خوشه‌بندی و غیره در این مرحله مشخص می‌شود.
  6. مرحله ششم، در این مرحله الگوریتم داده‌کاوی انتخاب می‌شود. 
  7. مرحله هفتم، استفاده از الگوریتم است که ممکن است لازم باشد چندین بار از الگوریتم استفاده کنیم تا نتیجه رضایت‌بخشی حاصل شود.
  8. مرحله هشتم، ارزیابی است. در این مرحله، ما الگوهای استخراج شده، قوانین و قابلیت اطمینان به هدف مشخص شده در مرحله اول را ارزیابی و تفسیر می‌کنیم.
  9. مرحله نهم، استفاده از دانش کشف شده و ایجاد تغییراتی در سیستم اجرایی و عملیاتی است. 

 

در این زمینه پروانه هوشمندی استراتژیک را در این صفحه بخوانید: هوشمندی استراتژیک و کاربردهای آن 

 

فرآیند استاندارد بین صنعتی برای داده‌کاوی (کریسپ-دی‌ام)

(Cross Industry Standard for Data Mining (CRISP-DM

علاوه بر کشف دانش از داده‌ها، مدل مرجع پرکاربرد دیگری نیز وجود دارد که به آن «فرآیند استاندارد بین صنعتی برای داده‌کاوی» یا به اختصار کریسپ-دی.ام است. است،  به طور معمول داده‌کاوی پنج مرحله دارد که از جمع‌آوری داده‌ها تا استقرار مدل ادامه می‌یابد.

 

فرآیند استاندارد بین‌صنعتی برای داده‌کاوی – کریسپ-دی‌ام

بر اساس مدل داده‌کاوی کریسپ که به عنوان یک فرآیند استاندارد برای داده‌کاوی معرفی شده است، باید گام‌های زیر برداشته شود:

  1. جمع‌آوری داده‌ها: به جمع‌آوری داده‌های اولیه و درک ویژگی‌های آنها مربوط می‌شود. همچنین به بررسی کیفیت داده‌ها و تشخیص زیرمجموعه‌های موردنظر برای بررسی بیشتر می‌پردازد.
  2. آماده‌سازی داده‌ها: شامل کلیه فعالیتها برای تهیه داده‌های منتخب برای انجام کاوش در داده‌هاست. مواردی از قبیل مقادیر از دست رفته، داده‌های دارای نویز و داده‌های پرت شناسایی و مرتفع می‌شوند. یکپارچه‌سازی داده‌ها انجام شده و تغییرات لازم اعمال می‌شود. بسیاری از الگوریتم‌های داده‌کاوی با داده‌های پیش‌پردازش شده، بهتر کار می‌کنند. همچنین وقتی ویژگی‌های جدیدی که در مجموعه داده اصلی وجود ندارد از قبل تعیین شده باشد یا به صورت خودکار با استفاده از دانش دامنه ایجاد شده باشد.
  3. مدل‌سازی: شامل انتخاب یک روش استخراج داده برای مسئله تعریف شده در مرحله اول است. انتخاب الگوریتم مناسب با توجه به ماهیت داده‌های موجود انجام می‌شود. پارامترهای مدلها بر اساس یادگیری ماشین برآورد می‌شوند. گاهی هم بیش از یک الگوریتم برای مسئله استفاده می‌شود.
  4. ارزیابی مدل: مدل ارائه شده از نظر کیفیت و اثربخشی ارزیابی می‌شود. بر این اساس مشخص می‌شود که آیا مدل به اهداف تعیین شده رسیده است یا خیر.
  5. استقرار: مدل آماده شده برای استفاده روزمره بکار گرفته می‌شود و به عنوان بخشی از سیستم خبره هوشمندی استراتژیک در آن گنجانده می‌شود.

 

نتیجه‌گیری 

بنظر می‌رسد آن‌طور که باید، هنوز از داده‌هایی که پایگاه‌های داده جمع می‌شوند و یا آنهایی که در قالب فایلهای اکسل وجود دارند، استفاده‌ای فراتر از حد یک گزارش روزانه داشته باشیم. یک دلیل ممکن است این باشد که داده‌های مختلف در واحدهای سازمانی مختلف تولید می‌شوند. ممکن است در نگاه اول ارتباطی بین داده‌های منابع انسانی از قبیل ساعات کاری، اضافه‌کاری و تاخیر‌ها با ضریب دسترسی کارخانه مشاهده نشود. دلیل دیگر دشواری کار کردن با آنها به دلیل بزرگ شدن بیش از حد داده‌ها است و سرانجام اینکه شاید تا قبل از این، هنوز بلوغ داده‌ای شرکتها آنقدر نبوده که بتوان به داده‌کاوی پرداخت. گفته شد که یک مرکز هوشمندی مبتنی بر مدیریت داده‌های استراتژیک لازم است که بتواند در هر لحظه با فراخواندن داده‌های مورد نیاز به تحلیل آنها پرداخته و با یک سازوکار منجسم تحت عنوان «قیف پردازش سیگنال»‌ بتواند هشدارهای مناسبی را به مدیران برای تغییر در تصمیم‌ها و رفتارهایشان ایجاد کند. این ابزار بر اساس سه کار رصد، فیلتر و پردازش شکل می‌گیرد.

 

قیف پردازش سیگنال چارچوبی است که توسط دکتر عباس خدادادی در زمینه مدیریت داده‌های استراتژیک معرفی شده و در کتاب «هوشمندی استراتژیک (اندیشه، الگو، کاربرد)» که به زودی منتشر خواهد شد، نحوه بکارگیری آن با مثال‌های کاربردی تبیین شده است. اگر می‌خواهید از چاپ کتاب اطلاع یافته و خلاصه کتاب را به همراه پاورپوینت آن دریافت کنید، در سایت عضو شوید. 

 

 

 

ادمین سایت

این مقاله در تاریخ 1399/04/24 توسط دکتر عباس خدادادی در سایت سایت تخصصی هوشمندی استراتژیک منتشر شده و در تاریخ 1399/12/05 بروزرسانی گردید.
لینک منبع: منبع مقاله در سایت

مواردی که کمک می کند در این مورد بیشتر بدانید:

داده های بزرگ (Big Data) و استراتژی 642 بازدید

داده های بزرگ (Big Data) و استراتژی

مدیریت استراتژیک در حال حاضر با تحولات عصر اطلاعات پیوند خورده است. تلاش زیادی از سوی صاحب‌نظران می‌شود تا «تحلیل داده‌های بزرگ» به عنوان ابزاری برای بهبود اثربخشی فرآیندهای تصمیم‌گیری و کنترل بکار گرفته شود. در این مقاله مجموعه‌ای از اصول کاربردی برای مشاوران، برنامه‌ریزان و معماران سازمانی فراهم شده است تا تغییرات سازمانی را مدیریت کنند.

دیدگاه کاربران ...

دیدگاه خود را بیان کنید

  • سازمان‌هایی که از طریق تحقیق و توسعه یا فرایندهای یادگیری غیررسمی‌تر در جهت تولید دانش جدید اقدام می‌کنند نسبت به سازمان‌هایی که بر مبنای دانش دیگران عمل‌ می‌کنند،برتری دارند

    • بله. دقیقاً، این موضوع می‌تونه محور خلق ارزش یا کسب مزیت رقابتی هم باشه. البته بستگی به شرایط کسب و کار و ماهیت صنعت هم داره.

      • 1399/09/24