知识管理系统架构

-3-
（四）智能资产管理系统
何谓智慧资产？ 除概指专利与商标之知识产权外， 创新能力、 组织生产力、 人力素质、 经营策略、 商誉等均可称之为「智慧资本」 。企业智慧资产定义范围如下图所示：
知识产权
创新能力
组织生产力
企业智慧资产
人力素质
经营策略
商誉
所以智慧资产亦称「智慧资本」 ，泛指无形的知识性资产。 智慧资产主要可分为三种类型： 1. 2. 3. 人力资本或能力：包括员工的经验、技能和能力。 结构性或内部资产：包括专利、商标权和版权，储存在数据库及客户名单内 的知识，以及信息系统的设计和性能。 以市场为中心或外部资产：包括顾客的获利性、忠诚度，以及商誉品牌、授
批注 [kfs1]: 支持知识蓄积机制的信 息技术有： 1.资料仓储 2.文件与内容管理系统 3.竞能管理系统 4.智能资产管理系统
（一）资料仓储
数据仓储的目的就是希望整合企业的内部数据，并综合各种外部数据，经由适 当的安排，组织成用户易于理解的存放方式。故其功能除了储存数据外，还更要 整合数据。 数据仓储对企业而言，是一种兼具效率与弹性的信息提供管道。 数据仓储的特性有四点 主题导向（Subject Oriented） 数据仓储是为了对不同的主题来作分析，因此数据的储存是以主题导向开发。 经过整合（Integrated） 数据仓储包含许多不同来源的数据，而这些数据在数据仓储中是经过整合的。 依时间性（Time-Variant） 数据仓储中的每笔数据皆是与某个时间点有关， 所以可适用于长时间的趋势预测 与比较。 不会改变（Non-Volatile） 数据一旦进入数据仓储后就不会轻易更动。
批注 [kfs7]: 混合型架构：当用户需 要看汇总资料时， 就运用多维度型在 线分析功能，使处理速度加快；而当 用户需要看明细数据时， 则运用关联 型在线分析的功能； 当前在线分析系 统的趋势， 都将朝混合型在线分析的 方向走。
-5-
（二）资料采矿
数据采矿工具即是运用数据来建立仿真真实世界的运作， 以建立数据中的范型 （Pattern）及关系等模式，此二模式可协助做为决策及预测之用。 数据采矿是将数据中隐藏的信息挖掘出来； 数据采矿是用来协助使用者做探索 的工作，也就是知识外显化的一种工具； 利用数据采矿常常可以发掘出超越所能 归纳范围的关系；数据采矿可以自动地找出一些没有怀疑到的数据范型与关系， 超越了人类经验、教育、以及想象力的限制；数据采矿工具会自行产生复杂的数 据库摘要。 1 关系型；○ 2 序列范型；○ 3 同质 IBM 科学家将目前采矿技术分为五种类型：○
（二）文件与内容管理系统
一套文件管理系统除了必须具备文件分享功能外，对于文件的整理、分类、查 询等功能也应该提供；正因为它除了管理文件之外，它还会对文件内容深入进行 基本分类及搜寻工作，所以这类技术也常被称为「内容管理」 。 文件管理系统也必须具备文件的版本控管功能， 也要能提供一些机制确保所有 人员所读到的文件都是最新版本。 文件分类整理， 需先适当地定义组织内每一种内容类及其相关的描述性摘要信 息称之为「后设数据」 （ Metadata） ，以此促进文件发布和搜寻功能的便利性； 这些后设数据通常会采用 XML 作为标准的标示语言， 使后设数据能描述出多样 化且结构化的信息。 市面上常见的文件/内容管理系统产品有微软公司的 Share Point、全录公司的 Docu Share、IBM 公司的 Lotus Domino 等。 （此类系统基本上都会提供文件储 存、搜寻、分享、远程访问浏览、权限保护等基本文件/内容管理机制） 。
-2-
规划数据仓储时必须注意的原则 整合性。 时效性（数据仓储强调的是「信息」而非「数据」 ） 。 永久性（数据一旦被新增进仓储后，便不再被更动，只会被查询，是具有累
批注 [kfs2]: 数据仓储是决策支持系 统的核心。 与传统数据库系统是有区 别的。其可视为是数据库系统的延 伸。
积性的） 。 除上述原则外，规划资料仓储时还必须注意下列几个重点： 将资料重整分析达到优化。 提供用户数据使用一览表，方便用户运用数据。 整合各式数据源。 保障资料的一致性。 避免用户以繁琐的过程撷取数据。 提供正确的版本。
批注 [kfs3]: 一个完整的文件分享机 制必须能至少帮助组织解决以下三 个问题： 1.如何能随时随地地存取文件，即便 人不在办公室里 2.工作小组该如何共享文件 3.怎样能够准确的找到最新版本的文 件。
（三）竞能管理系统
「文件管理系统」掌管组织的外显知识资产； 「竞能管理系统」则掌管内隐知 识资产，组织可藉由此系统来追踪管理拥有内隐知识的人才。竞能管理系统亦称 「职能管理系统」 ，常被建置于人力资源管理系统之下，其所提供的并不仅止于 记载职员的资历潜能而已，举凡客户、供货商、合伙商、项目企画及职位权责等 相关信息的详细记录皆透过工具集于竞能管理系统中， 之后还能利用搜寻或分析 功能建构起组织整体的知识地图。市面常见工具有 Skills cape 及 Knowledge-mail。前者提供具上万技能数据之「技能字典」 ；后者则藉由 E-mail 及支持 30 种文件格式的分析来解决个人竞能这内隐知识的外显化问题。
-4-
（一）在线分析处理ຫໍສະໝຸດ Baidu统（OLAP）
在线分析处理意指使用者在在线即能完成数据分析的作业， 其处理工具基本上 是将资料以多重维度方式观察，有点像电子表格的方式，只不过电子表格只有二 维而已，此类信息技术有下列四个主要特色： 1. 2. 存取大量的资料。 多重维度查询。 在线事务处理系统 为能达成事务处理优化而设计 多采用关系型设计方法 查询若包含多个数据表连结会使效能 降低 对象是操作人员，支持日常操作 用户需有信息人员协助才能顺利完成 工作 例：订单输入 3. 4. 提供合并的数据作分析。 采用汇整总结的数据。 在线分析处里系统 为提供报表制作与数据分析而设计 多采用星状或雪花架构设计方法 用户所需的数据已经事先定义并计算 完成，因此能提供较佳的查询效能 对象是决策人员，支持管理需求 用户可自行产生部分结果， 对信息人员 依赖较少 例：销售分析
批注 [kfs4]: 主要提供三大子系统： 单一专利商标管理子系统整体专利 商标管理子系统及全企业智能资产 管理子系统。 批注 [kfs5]: 此系统着重在数字内容 之管理，它提供了所谓「数字权利管 理」 确保发行者不被非授权盗用的情 况下，从事内容的贩卖与权利转让。 批注 [kfs6]: 支持知识转化与分析机 制的信息技术有： 1.在线分析处理（OLAP） 2.资料采矿 3.文字采矿
数据采矿工具为运用先进信息技术，如类神经网络、规则探索理论、基因规划 法等技术， 来导出其范型关系与关联模式。 对数据采矿效益的衡量则是建立在准 确度、速度及成本花费三方标准之上。 数据采矿技术流程： （13 个步骤） 1. 2. 3. 4. 5. 6. 7. 界定问题 数据选择（抽样规划） 取得资料 资料清洁 数据转换 （数据被处理单位-层级） 数据加上衍生变量 建立训练数据集 8. 选择模型建立方法
4 分类与回归；○ 5 群集等。 时间串行；○
批注 [kfs8]: 数据采矿是一种由大量 数据中找出范型及关系的过程， 以范 型来建立预测模型， 而后利用此模型 来预测未来可能发生的事并支持决 策的制订。 批注 [kfs9]: 进一步分析数据采矿的 技术则有「监督学习」和「非监督学 习」两大类。 监督学习是： 事先已经知道数据应被 如何分类， 学习的目的乃是为找出怎 样解读数据的各种属性以区隔不同 的数据类别。
在线事务处理系统（OLTP）与在线分析处里系统（OLAP）之比较
处理的多属原始、 细节性及当前的资料 处理的多属导出、 综合性及历史的资料
在线分析处理系统依产品架构来说，可分为三种，分别是：关联型在线分析处 理系统（RLOAP） 、多维度型在线分析处理系统（MLOAP）和混合型在线分析 处理系统（HLOAP） 。 关联型在线分析处理系统与多维度型在线分析处理系统之比较 关联型在线分析处理系统 特色 优点 数据存在关系数据库中 不事先作运算 可以处理大量数据 不必另外装一个数据库 可以利用数据库原本旧有的 功能 缺点 速度慢 受限于 SQL 的功能而无法提 供复杂运算功能 多维度型在线分析处理系统 数据存在多维度立方体中 事先作汇总运算并把结果写入 查询效率佳 能够处理复杂的运算 适合在整个企业或透过 Web 多人使用 能包含的资料量不大 多维度站体需要额外的投资 有些分析本身就不适合用多维度型在 线分析 分析的路径是定死的
非监督学习则是并不知道这些数据 集该被如何分类， 学习的目的是为找 出分类的方式以及不同数据所属的 类别。
9. 训练模型 10. 确认模型效率（利用错差矩阵、 回现率等评定指标） 11. 选取最佳模型回答问题 12. 依最佳模型答案做出实际行动 13. 收集实际行动所产生的数据
（三）文字采矿
文字采矿技术，主要目标为提供一个程序以发掘存在于文字与文件中，具有隐 性、有用及可行的知识。针对半结构或非结构化的文件数据进行分析，运用信息 技术的机制来发掘文件内容的珍贵知识，可降低因为文件的结构所受的限制。 文字采矿跟数据采矿最明显的不同是， 「文字采矿」处理的是储存在非结构化 文字文件中的信息。 （亦与一般网页搜索引擎不同） 使用文字采矿可以为组织带来的好处有： 1. 2. 3. 4. 提升组织信息的价值。 降低文件整合的成本。 提升知识工作者的生产力。 提升组织的竞争力。
权和加盟的实力。 智慧资产是以专利、商标、版权、营业秘密等四种权利方式存在，不仅有其独 占性更是技术领先者用以箝制竞争者之利器。 市面上智能资产管理系统常见的有 Dennemeyer Co 及 Xerox 的 Content Guard 系统。 有哪些信息技术能支持知识转化与分析？ 知识转化与分析的过程，就是如何经由知识与信息的标准化， 达成知识分享与回 馈机制之正规化标准，始能完成知识分享与扩散的最终目标。此知识转化与分析 机制定义分类结构，以及建立关键词与索引典的机制。 知识转化与分析机制之重点在于整合新旧知识内容使知识日益成长外， 也利用分 析能力以自动化方式将知识去芜存菁发挥了精华萃炼之功效， 使知识库中的内容 更加有价值。有关这方面之相关信息技术有在线分析处理（OLAP） 、资料采矿 （Data Mining）及文字采矿（Text Mining）等。
-1-
第 4 章知识管理系统架构 1 知识蓄积机制；○ 2 知识转化与分析机制；○ 3 知 知识管理的信息架构，分为：○
4 知识加值与创新机制，最后透过回馈与奖励机制建立组织 识分享与学习机制；○
知识管理的评量与绩效。 有哪些信息技术能支持知识蓄积？ 知识蓄积的知识来源是源自于组织内部或外部数据， 从信息外显呈现的形式上有 所谓结构性数据与非结构性数据，这分别可以透过数据仓储（Data Warehouse） 与文件/内容管理系统（Document/Content Management System）技术来支持这 些数据的取得与储存。 前面这两个技术所得的数据多是组织营运层面的产出， 这 些技术整合原有之信息系统、远程各式传统数据库系统及一般文件系统、网络信 息等， 经由完整数据转换程序，将数据分析及萃取后信息储存于知识蓄积之仓储 机制内，更进一步透过知识转化与分析机制中文字采矿（Text Mining）及在线 分析处理（On-line Analytical Processing；OLAP）技术，可提供用户所需动态 及非结构化信息。再将各式不同类型的信息系统整合，来自组织内部的信息系统 或已经 E 化的数据、组织外部的数据库、网络信息等，各式相关的信息以自动 的方式汇入，建立组织内不同领域的知识仓储。此仓储可以提供历史性的信息、 数量性的信息，建立多维度数据观点模式，提供组织不同时间、空间、历史等相 互参照因素的信息。