知识管理与商务智能整合的可行性分析

作者：

欢迎访问e展厅 展厅 3 CIO信息化管理展厅 电子商务/企业门户, IT运维管理, 制造执行系统MES, 流程管理BPR/BPM, SOA/SaaS/云计算, ... 到目前为止，商务智能和知识管理一直被视为两件事。很久以来，BI通常被定义为结构化数据的分析与提炼。它合并了一些过去的概念，如：决策支持、经理信息系统、数据仓库和数据挖掘——但其中没有KM。它的关注重点一直是技术；BI的学术界充满了对技术的讨论，如为统计分析、结果报告和记分卡格式化，还有服务的数据提取、转化和下载技术。而KM的历史较短，它出现在组织的图书馆、竞争情报、经验分享最优化、知识传递等。它的主要关注点在：非结构化的文本和图形信息的获取、分享和分配——与结构化、数量化取向的BI相反。KM向来也关注技术(特别是网络、存储和协同合作技术)，但是，知识管理者也强烈关注于知识共享所需的人员和文化交流。 许多身处知识管理社区的人已经彻底地摆脱了一种习惯观点——任何事都必须基于数据和信息，而持有更为固执的观点：KM只与知识有关，与数据和信息无关。在KM早期形成中的几年里，KM的大师定义数据、信息和知识的等级，并讨论数据如何变成信息和信息如何变成知识。KM的实践者更趋向于认为他们用知识工作，而不是数据或信息。当然，这也让他们与BI脱离了关系。 知识管理与商务智能的关系 由上所述，我们知道现代企业和组织中，知识管理和商务智能频频相遇，那么它们会有怎样的关系呢? 一、知识管理与商务智能的不同点 这两者存在许多不同之处，例如：它们产生的历史不同、运动规律不同、对象不同、关键技术不同、技术与管理关注的侧重点不同...... 概括地讲：商务智能通常被认定义为技术、过程和策略(重点是BI工具)，它用于整理交易和操作数据，分析这些数据中的模型，挖掘并输出绩效趋向化的有用模块，把这一信息报告给尽量大范围的经理们，并支持他们采取适合的商务行动。知识管理被定义为文化、方法、工具、过程和能力(重点关注管理模式与系统建设)，它用于创造、控制和利用知识块和知识流，它的应用环境是员工社区和他们经常形成的“非结构化”社区(如：电子邮件)和文本文件(如：说明性文字)等。现在的KM由于融入了网络技术和内容管理等，所以在商业领域起到的作用更大了。 以下主要从三个主要方面说明二者的差异： (一)产生的背景与概念不同 它们的发展历程不同。商务智能的出现是一个渐进、复杂的演进过程，而且仍处在发展中，其演进过程经历了事务处理系统(TPS)、EIS、MIS、DSS等阶段，最终演变成了今天的商务智能。知识管理的历史有些短，起源于公司图书馆、竞争智能、质量管理中的最佳实践共享、知识转移的努力中。它最早的焦点是捕捉、共享、分发非结构的文本和图形信息，与BI关注的结构的、定量的信息相反。二者定义与内含不同。不同的专家和咨询机构从不同角度对商务智能做了定义，简单地说BI是指将企业的各种数据及时地转换为管理者需要的信息(或知识)，通过显示结果来帮助管理者进行科学决策，以提高企业的竞争力。这里的数据不仅仅指企业内部的各种数据，而且包括企业外部的数据。知识管理目前也无标准定义。一般简单认为KM就是对一个企业集体的知识与技能的捕获，然后充分利用这些知识与技能，帮助企业创造最大价值的过程和技术。 (二)运作流程(或模式)不同 它们的运作过程是不同的。商务智能的运作过程可以概括为：从不同的数据源中提取有用的数据，再对数据进行清理以保证数据的正确性，经提取、转换后将数据加载入数据仓库(这时数据变为信息)，然后利用联机分析处理、数据挖掘等工具，加上决策规划人员的专业知识和经验，对信息进行加工(这时信息变为辅助决策的知识)，最后将知识呈现于各级用户面前，用于改善决策。 知识管理的运作过程包括：知识集约过程、知识应用过程、知识交流过程和知识创新过程。对于KM过程，那四步不是相互独立的，而是相互关联的。知识创新是KM的目的，实现这一目的的关键在于隐性知识显性化和显性知识内部化(本文不讨论知识分为隐性和显性的合理与否)。而知识集约促进隐性知识显性化，知识运用和知识交流促进显性知识内部化。因此，知识集约、知识运用和知识交流是实现知识创新所不可缺少的重要步骤。 (三)关键技术不同 商务智能核心技术主要有四个：数据仓库(DW)技术、联机分析处理(OLAP)技术、数据挖掘(DM)技术和企业信息门户(EIP)技术。知识管理的主要核心技术基础包括：分布式存储管理、群集系统、因特网／内联网、数据库、字处理、电子表格以及群件等。KM技术是现有技术的重新组合，其中最重要的是文档管理技术、群件技术、文本挖掘与检索技术、企业知识门户技术等。KM的技术焦点是基于Web、知识库、协同技术等。从技术角度来看，KM重视管理和分发知识的技术。 知识管理与商务智能的相同点 知识管理与商务智能有许多相同点(包括形式上的和本质上的)，比如它们都生产和利用知识；主要目标都是通过知识来增强企业的经营与决策能力；都与业务流程密切相关；都与组织内的其它系统相联系；都主张扩大知识来源范围等等。以下从几方面讲解二者的相同或相似之处： (一)知识层面 二者最大的相似处是它们最终处理的都是知识，都要生产知识来供给企业的运作需要。在一个KM文档中的知识是明显的，并且通常是直接从人员中取得。BI中的知识取自于数据，但是那是分析过后的确定无疑的知识。如果一个公司总结它BI上的产出，那些成果都是可以被获取、存储、分配和使用的一串知识，就像其它知识一样。在这时，BI是一个过程：将数据转化为知识——之后在运用那些知识。实际上，许多公司都存在一个问题：有一定类型的BI创造的知识(特别是在市场调研领域)，而缺少对这些类型知识的KM趋向的行动。它们从广泛的数据分析中产生大量的调查结果，但是常常没有获取和反复重用知识的结构或程序——缺少对这些知识的管理。 再有，KM的知识共享机制(包括知识学习与奉献)与BI的信息民主有着潜移默化的关系，前者是KM的核心内容之一(并与学习型组织密切相关)，是整个KM过程的关键一环，是知识应用与生产之间的桥梁固；后者是BI带来的管理理念的一种革新，对组织中信息和知识流的处理与控制有较大影响，对组织形成回路反馈学习有建设性意义。知识共享和信息民主都是想通过对信息和知识的最大范围和最大程度的传递，以将企业或组织内部的资源高效利用。 (二)技术层面 尽管BI和KM的大部分技术是不同的，但是我们仍然可以发现一些局部的相同点或者共同的技术趋向。目前核心技术都包括数据仓库(KM发展为知识仓库)，这是目前存放和管理数据、信息的最主要工具。两者都需要呈现或可视化技术的支持，以使得知识便于被理解与应用。虽然BI来源于技术应用——关注点也在于此，但是它与人、组织、流程等要素密切联系，逐步发展成为一套集技术与理论方法为一体的体系，在这一角度上和KM一样。另外，内容分析的统一化趋势也促进这两者的技术融合。 知识管理与商务智能的密切联系 通过上述的KM与BI的异同，我们可以概括、总结出二者的密切联系： 产业分析发现BI与KM整合的重要性已有几年了，并印证了大量的两者协作和相依存的例子。BI需要来系统性联系知识发现和决策制定过程。没有KM，BI会令多数人处于苦恼中——有大量的数据，但是能用这些数据干什么呢?KM需要BI来为公司信息工厂提供原始材料，并把KM的输出结果传递给(应用到)市场。没有BI，KM就像一个图书馆——有大量的知识，但是如何应用它们呢?从历史的角度看，这种相依存状态一直被认为或者需要整合技术，或者需要改变进程(即决策制定过程)。我认为两者都要——并且这两者要整合，以创造BI和KM各方双赢的局面。 二者不仅有着相似的理论因素，在企业组织的各个方面都展现着知识管理与商务智能的密切联系。下面将从三个主要视角来说明二者的密切联系： (一)在业务角度上的联系 二者都与企业或机构的组织、运营和决策环节息息相关，因此它们必然在业务上存在一定的联系。我们了解到许多企业把知识管理与ERP集成起来，或者把商务智能与ERP整合了，这是为什么?这正说明了，KM与BI都与企业的业务密切相关。我们知道许多知识来源于业务过程中，或者在业务流程中传递，或者在业务工作中应用；我们也知道业务流程中产生大量数据和信息资源，这些也正是BI的主要数据源，同时，许多BI工作都是围绕着业务内容展开的，最后产生的结论、成果也是作用于业务运转与决策的。二者都与业务的内容相关联，因此它们在运营方面的联系是显然的，它们都对企业运营的智能化提供保障。 (二)在人员角度上的联系 二者都很关注人员这一方面，因为人是KM与BI不可忽视的主角——人参与信息(或知识)生产、处理、传播、共享等等各个方面。尽管在BI的相关文献中很少讨论这个。 众所周知，成功的知识管理紧紧依靠于人——造和分享知识的人：管理知识的人：与人相关的文化和行为。BI主要的焦点是技术和数据，然而，事实说明，那些有较强BI能力的企业拥有较高的人员技术水平。通常，参与到BI中的人包括几种角色类型：分析员——有定量方法和商务问题解决经验：经理——制定有事实依据的决策，并在他们的组织中建立适合他们的文化，还要建立分析员与决策制定者之间的信任关系；业务员工(易被忽视)——他们提供的高质量数据是知识产出的根本保障。 (三)在用户角度上的联系 BI与KM的相互融合是个问题，信息(知识)用户的态度是关键。而用户通常不关心BI与KM的不同。过去，KM用户只关注知识的供给，而BI用户只关注分析内容和源自数据的知识的供给。而现在，我们能做得更加深入了。在多数案例中，内容(信息、知识)用户根本不关心BI与KM的差异。简单地讲，他们只是想要充分挖掘与利用企业的知识资源，具体工作包括借助于对数据、信息和知识的分级化管理来改善商业流程的绩效。同时，他们也对另一件事有点兴趣，就是对保存各类所需内容的几种存储装置进行访问——其最终目标当然是在适合的时间将适合的知识传递给适合的人(这当然依靠知识的有序积累和可重复性利用)。 在这种条件下，许多组织开始尝试整合(如在门户中提供个性化的内容服务)——把所有与员工的工作任务相关的所需信息整合起来，这样可以为知识的快速地、有效地传递和应用打下基础——进而提高组织智商和快速反应能力。 (四)在技术角度上的联系 虽然二者在技术上不太一样，但是它们还是拥有一些相同或相似的技术——甚至是核心技术。知识管理所涉及技术的范围较广，包括办公自动化，网络网页技术，数据库技术，信息管理技术等等，现代的KM更加注重文档和网络的相关技术的研究与应用。而商务智能是从传统的几项核心技术(数据仓库、数据挖掘、OLAP等)出发，结合信息管理相关技术，力图使用各种技术与方法从数据和信息中汲取“营养”。在核心技术方面，数据仓库与网络技术是二者都需要，DW用于解决大量数据或信息的组织、管理与规划，网络或、web技术用于解决信息和知识的及时、准确传递工作。 由以上所述，我们知道了，BI和KM可以“看作”是自为一体的两个独立系统(实际上两者独立存在时，它们也不是毫无瓜葛的)，同时它们又存在着密切的联系。它们不是简单的谁包含谁的关系(即使一些将BI系统作为KM子系统的做法不错)，它们局部和外延相互交叉，又相互依赖。需要指出的是，在本文的后面将不区分两者陈述的先后。因为两者都围绕着当代无形资源(数据、信息和知识)而存在和作用，所以有关KM与BI的技术和应用必将越来越和谐地发展——从而使有关各方得到最大收益。 知识管理与商务智能整合的基础 无论如何，是时候考虑将BI和KM进行融合，甚至是完全合并。尽管它们的历史不同，但是有许多相关点——它们的运作相关，并且在相互交融趋势背后存在强大的逻辑关系。在此文中，我们将通过描述逻辑关系和一些相关例子来说明整合BI和KM的趋势。 BI与KM整合的前提条件主要是，所需的技术和理论是否已经成熟，这就要根据具体需要具体分析。本文认为二者整合可以分为两大类：局部整合和全面整合。前者针对具体问题或者系统中的特定功能，因此较容易实现，并且见效快，国外已经出现的整合尝试主要是此类：而后者是把BI和KM放到一起，兼顾组织的各个要素，设计与实施一整套方案，结果是一个工具与方法的集合，又是一个需要人员和文化配合的系统。显然，全面整合较难实现，有待于技术理论的迸一步发展。 一、知识管理与商务智能的分隔状态产生的问题 实际上，KM与BI的分隔状态产生了许多或明显或隐蔽的麻烦，其中，有一些问题可以成为二者整合的契机。下面我们将描述近期的一些需要同时分析文本和数据的商务难题(KM与BI分离导致的最明显的问题)，还有这些难题带来的一些技术挑战。 要理解BI与KM整合系统(简称BIKM)的重要性，最好来看一些真实的商业问题，并决定整合的投资回报(ROI)如何。通常，好的ROI有两种实现途径：减少花费和提高生产效率；论证收入机会和增长。具体在一些情况下，商务分析需要数据和文本的整合。 以下是几个实例：1，对销售效果的理解。某个超市有年收入“数据立方”，但很不幸，这些成功销售范例所使用的特别销售技术没有被大容量的OLAP工具(数据处理工具)捕获，而这些销售数据流被频繁记录并转入了文本，这就需要实现文本的分析；2，改进服务与保障分析。在商务应用中，短文本被频繁应用，如客户上诉——这些可分析的编码常作为商务分析的基础；3，让客户关系管理创造利润。用于理解年收入的“数据立方"只关注集体客户，而常常忽略了个体客户。在一些行业，这些被忽略的信息大大减少了收益。这就需要得到一幅客户可盈利度的完整画面；4，Intel TMG知识实现项目。DaShboard解决方案实际上是一种生产加强工具。它的应用首要的是避免资源浪费——工程师和金融交易专家花费大量时间来搜寻分散的数据，并找出需要他们特别关注的问题。结果，流程用户需要花费额外的时间来找出解决问题的方法。Intel TMG环境是一个清晰结构，它在一个整合的版本中，为客户和使用者提供BI和KM。它是一个精彩的实例，生产和表现收益都来自以前两个相互独立方法的整合。它们的分隔也许有历史原因，但是面向未来，继续分隔是不合理的。 由以上讨论，我们知道BI和KM存在着密切的联系，在实际工作当中，二者需要协同作用的时候很多，这就需要两个领域的人员进行主动或被动的合作，在这一过程中，实际浪费了大量的企业资源，包括人力、物力、时间、精力等等。这就使我们不由得想到，特定工具或方法的集成，是不是可以带来明显的便捷或高效化的工作，或者带来明显的市场收益。 二、整合的明显收益(与BI/KM整合应用有关的几种主要趋势) 本文找出几种市场趋势，它们能促进未来整合应用(这里简称为BIKM)解决方案的更多应用，它们同时蕴含着BIKM的发展趋向： (一)商务智能和知识管理的发展与成熟 一方面，传统商务智能得到了不断成熟。另一方面，在知识管理上的持续投资不断地增加。许多组织已经达到了实施BIKM进程的成熟度。如果没有更好的办法来管理持续增长的BI内容(方法、工具、文化等)，对KM解决方案的持续需求是一定的。BI为商务决策提供基础信息。没有来自于BI的结果，KM将没有行动的基础。KM需要BI正如BI需要KM一样。它们不能单独地存在。 (二)决策管理(一种BI研究科目)更被认同 随着决策管理被认为是从信息和分析中创造价值的一种方法，BI市场正在向普遍化发展。有证据表明，与其它未以决策为导向的项目对比，以决策为导向的BI工程可以取得更好的投资汇报。像BIKM一样，决策管理是用于影响组织化知识，并部署这些知识来支持决策制定过程。这些应用方法能显著改善一个组织中决策制定的相容性和质量。BIKM足够深入地交互BI与KM的工作内容，支持这种二者的联合应用，在决策过程中带来明显的优势。 (三)垂直化BI和水平化BI的出现、发展 有一种越来越普遍的情况，BI提供商正在不断研究能适用于特定产业(垂直化)的工具，和能解决各领域(水平化)问题的工具。BI垂直化和水平化现象的出现，对BIKM既是机会也是挑战。机会方面来自于社区的建立，社区是协作的自然环境。相关的挑战是，这些公司社区能够变得偏隘，导致思想在纵横的“隐藏管道”里自由流淌，而几乎不经过公司进行交流。BIKM方案能同时实现了两个方面的目标，力图解决跨领域的问题。 (四)协作技术的快速革新与一致化 在BI和KM市场变化中幸存下来的技术标准是HTTP(用于用户界面和传递)和SMTP(用于合作和通知报告)。BI已经大量使用了这些标准，协同企业报告工具来提供网页界面，并用e-mail来传递报告。同时，KM系统特别地把HTTP作为一个主要的信息源，并用SMTP来沟通和通报。现在，BI和KM讲同一种语言，随BIKM解决方案而存的机遇让两者相互沟通。圆无论是结构化还是非结构化内容，都需要深入共享才能实现高效的利用，因此BIKM中的协作技术十分重要。 三、解决各种相关问题的条件分析 一些具体情况已经摆在我们的面前，包括一些难题和一些机遇。难题是指：依靠BI或KM中的一种来解决具体实际问题时，遇到的一些困难。机遇是指：通过系统化的特定集成工具或方法，可以明显改进现有的运作效率效果。 然而，不是今天才有人发现BI和KM需要整合这一问题，以往的整合设想没能在更广范围里实现，是因为还不具备一些整合的条件——技术、理论和应用状况的不成熟。但是，随着各种条件的成熟，各种解决实际问题的整合尝试正不断地增加着。下面简要介绍一下几种需要用于解决具体问题的整合条件： (一)技术条件 各种文本信息源是非常广泛的，包括：商务文档、e-mail、新闻、印刷文献、技术期刊、专利、会议议程、商务合同、政府报告、调整资料、讨论组、问题报告数据库、销售和服务日志、和网页。知识管理和内容管理技术用于从以上的各种信息源中搜索、组织和提取价值，也是重要研究和发展的关注窗口。这些技术包括聚合、分类构建、分类技术，信息抽取和概括。有些种得到了快速发展的应用，如专业知识定位、知识门户、客户关系管理、分类信息科学，它们需要将非结构信息技术与结构化商务数据分析相结合。 我相信将来BI和KM的相关技术会结合起来。目前独立的两种系统将会使用彼此的技术，到时就会引发一些新技术的产生——最明显的是紧密结合数据和文本分析。 将BI应用的功能范围扩大到包含文本信息——数据分析和文本分析的整合，这种想法已经存在很久了。主要的两个阻力包括：数据分隔在不同的数据管理系统中，特别是跨越不同的组织；从大量文本中获取商业价值的自配文本分析技术不成熟。最近，许多企业越来越关注信息整合，所以第一种阻力减少了，并且机器学习、信息检索和统计自然语言程序的优势正在减小第二种阻力。 (二)运营管理条件 随着理论的发展，人们越来越认识到，把数据、信息、知识和情报统一起来的重要性，还加强了它们与业务流、决策过程之间的联系，并且不断地推动着新理念的产生，同时从实践中不断获利。以往BI工作者单单看重数据，随后他们也开始重视其它信息资源，并更加重视人员和组织因素。而KM人员也从当初的绝对化观念中解放出来，这使得企业信息管理与知识管理迈上了新台阶。这些改进无不为了更加规范、合理地管理当代组织中意义重大的无形资源。 这些方面的进展，使得BI与KM的整合变得更加容易。人员对整合系统的认识更为清楚且深刻，文化更深入人心，每一部门的职责分明，组织协调有序，流程高效运转。 然而，一些棘手的问题仍然存在：组织共享与学习的机制还不够健全或不合理；信息民主理念还未得到全面实现；人员的跨领域知识还需扩展，能力还需加强；流程管理与信息管理的紧密度还不足...... 只有解决好这些问题，BI与KM才能在某一局部或某一范围内做到合理、高效的整合。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (12/21/2011)