Instrumente si procese de

management al cunostintelor

Prof. Indrumator; Lect. Dr. Studenti; Constantin Bianca

Dana Lupșa Tătaru Firca Andreea
Ion Marinela
Nan Claudiu
Aldea Daniel
 Ce este ’’ Managementul cunostintelor’’ ?

 Managementul cunoştinţelor înseamnă procesul managerial prin care se

realizează crearea, achiziţionarea, memorarea şi regăsirea, transferul,
diseminarea şi împărtăşirea, transformarea şi folosirea cunoştinţelor, precum şi
învăţarea organizaţională.
 Dacă introducem conceptul de dinamică pentru a desemna procesele de
mai sus, atunci putem spune că managementul cunoştinţelor înseamnă
procesul managerial prin care se stimulează crearea cunoştinţelor şi se
realizează dinamica lor organizaţională în concordanţă cu obiectivele
organizaţiei
Chiar dacă s-au făcut multe
studii despre gestiunea
cunoaşterii nu există până
acum o definiţie general
acceptată. Gestiunea
cunoaşterii „nu este altceva
decât gestionarea fluxurilor de
informaţii, de a duce
informaţia corectă persoanelor
care au nevoie de ea” (Gates,
2000) sau poate fi văzută ca
„arta de a crea valoare din
activele necorporale” (Sveiby,
1996).
Managementul cunoaşterii poate fi definit ca un demers, orientat
strategic, de motivare şi facilitare a angajării membrilor
organizaţiei în dezvoltarea şi utilizarea capacităţilor lor cognitive,
prin valorizarea, subordonată obiectivelor ei de ansamblu, a
surselor de informaţii, experienţei şi abilităţilor fiecăruia dintre ei
(Uit, 1999, p. 94).
Cunoaşterea s-a gestionat mereu, dar nu în modul în care se face astăzi şi probabil gestionarea
acestuia se va îmbunătăţi în viitorul apropiat, dar nu trebuie să se facă la nivel individual, ci la
nivel corporativ. Nici cunoaşterea şi nici gestiunea nu reprezintă concepte noi, însă această
alăturare „gestiunea cunoaşterii” sau (Barreiro et al., 2000, p. 617) „gestiunea cunoaşterii
corporative” poate fi considerată un concept nou
Adăugarea termenului Managementul cunoaşterii – resursa cheie în noua economie
„corporativă” este, în viziunea lui Barreiro, fundamentală – este vorba de gestionarea
cunoaşterii individuale, dar care tinde să se transforme în cunoaştere colectivă.
Pentru a fi eficientă, firma trebuie să gestioneze de o manieră eficientă
cunoaşterea care se poate găsi în „muncitorii şi conducerea acesteia, în
furnizorii săi, în relaţiile cu alte firme din sector, în propriile sisteme
informaţionale ale acesteia, în clienţi etc.” (Sánchez et al., 1999, p. 188).
Indiferent de denumirea lui, cel care se află în vârful piramidei manageriale ale
managementului cunoştinţelor are următoarele responsabilităţi de bază.

Să fie un bun avocat al managementului cunoştinţelor

şi să contribuie la conştientizarea importanţei acestui
proces pentru toţi angajaţii companiei

Să proiecteze şi să implementeze o structură

funcţională şi o infrastructură de tip suport pentru
managementul cunoştinţelor.

Să contribuie la realizarea unei viziuni pentru

companie privind rolul şi importanţa resurselor
intangibile în competiţia de afaceri.
Pe baza acestei viziuni să elaboreze strategii privind exploatarea
cunoştinţelor, achiziţionarea de noi cunoştinţe sau crearea de noi
cunoştinţe.

Să gândească soluţii pentru stimularea evaluării proceselor

intelectuale din companie, astfel încât să poată obţine corelaţii
semnificative între eforturile făcute pentru dezvoltarea
managementului cunoştinţelor şi performanţele companiei.

Să contribuie la dezvoltarea proceselor de învăţare organizaţională şi să

orienteze strategiile companiei spre transformarea ei într-o organizaţie
care învaţă.
 Cunoasterea

Cunoaşterea într-o organizaţie are loc atunci când o persoană face

uz de ceea ce ştie şi de informaţiile pe care le are la dispoziţie
pentru rezolvarea unei probleme sau pentru dezvoltarea unui
proiect.

Cunoaşterea reprezintă tot ceea ce oamenii ştiu şi poate exista de

asemenea în procesele organizaţionale, produse, servicii, facilităţi şi
sisteme dar se poate obţine valoare doar cu ajutorul persoanelor.
Proprietatea cea mai importantă a cunoaşterii o reprezintă faptul că este
regenerabilă – nu se epuizează odată cu utilizarea şi valoarea sa rezultă din
transmiterea şi gestionarea acesteia.

Un punct de vedere tradiţional este punerea cunoaşterii într-o structură ierarhică:

date, informaţii, cunoaştere şi înţelepciune.
 Datele reprezintă prima formă de informaţii şi nu au nicio semnificaţie. Pot exista
în orice formă şi pot fi utile sau nu. Datele pot fi transformate în informaţii prin
cinci tipuri de procese (Davenport et. al, 1998):

Condensarea
• Datele sunt sintetizate intr-o forma mai concisa, iar amanuntele sunt eliminate.

Contextualizarea
• Scopul sau motivul colectării datelor este cunoscut şi înţeles de la început;

Calculul
• Datele sunt procesate şi agregate pentru a oferi informaţii utile;

Categorizarea
• Este un proces care presupune repartizarea datelor pe tipuri sau categorii; este un
proces care presupune repartizarea datelor pe tipuri sau categorii;

Corectarea
• Este un proces al cărui scop este îndepărtarea erorilor. Informaţia reprezintă datele
grupate, sortate şi clasificate cărora li s-a dat o semnificaţie prin conexiunile
relaţionale.
Informaţia devine cunoaştere individuală când este acceptată şi reţinută ca
o comprimare apropiată a adevărului şi o interpretare validă a realităţii.
Cunoaşterea apare şi se aplică în mintea oamenilor. În organizaţii,
cunoaşterea este încastrată nu doar în documente şi în depozite, ci şi în
procesele, practicile şi normele organizaţionale (Davenport et al., 1998).
Cunoaşterea organizaţiei sau socială există când este acceptată prin
consens de un grup de persoane
Între cei mai apreciaţi autori din acest domeniu sunt japonezii Ikujiro Nonaka şi
Hirotaka Takeuchi, creatori al modelului SECI (Nonaka şi Takeuchi, 1995). Acest
model reprezintă o descriere a creării dinamice a cunoştinţelor în organizaţii şi a
utilizării practice a acestora. Modelul creat iniţial de Nonaka şi Takeuchi a fost
completat împreună cu Toyama şi Konno pentru a putea fi mai uşor aplicat de
companii descrie sintetic acest model.
 •Reprezintă procesul prin care sunt împărtăşite cunoştinţe tacite prin intermediul unor experienţe
comune. Întrucât cunoştinţele tacite sunt dependente de context, cheia achiziţionării lor este
trăirea aceloraşi experienţe şi realizarea de activităţi împreună cu cei care deţin aceste
cunoştinţe. Cel mai bun exemplu este tradiţionala relaţie maestru-învăţăcel. Învăţăcelul învaţă
meseria prin imitarea directă a acţiunilor maestrului, ameliorându-şi cunoştinţele prin practică şi
nu prin cuvinte sau scrieri. Calitatea relaţiei dintre cei care împărtăşesc experienţe comune, fie
Socializarea că este vorba despre învăţăcel şi maestru, angajat şi client sau şef şi subordonat, este un factor
fundamental în potenţarea creării de cunoştinţe în organizaţie

• Externalizarea este procesul de exprimare a cunoştinţelor tacite sub forma cunoştinţelor

explicite. Dintre cei patru paşi, acesta este cel mai important în crearea de cunoştinţe,
întrucât el duce la apariţia de noi cunoştinţe şi concepte. Atunci când cunoştinţele tacite
sunt explicitate ele se cristalizează în forme care pot fi comunicate şi altora, devenind
baze pentru apariţia altor cunoştinţe. Un exemplu de externalizare îl reprezintă reuniunile
de ameliorare în care angajaţii încearcă în primul rând să identifice, deci să numească,
Externalizarea problemele cu care se confruntă. Rezultă astfel cunoştinţe noi asupra situaţiei cu care ei
se confruntă. Succesul conversiei depinde de utilizarea unor metode de verbalizare a
experienţelor trăite de membrii unei comunităţi sau ai unui mic grup. Sunt adesea folosite
metafore, analogii sau scheme pentru a ajuta la cristalizarea noilor idei şi concepte.
 •Combinarea reprezintă procesul de conectare a diferitelor fragmente de cunoştinţe
explicite pentru obţinerea unor cunoştinţe explicite mai sistematice, mai complexe sau mai
profunde. Schimbul de cunoştinţe se realizează prin diverse mijloace între care se numără
documentele, întâlnirile, convorbirile telefonice şi reţelele informatice. Reconfigurarea
cunoştinţelor existente prin sortare, adunare, combinare şi clasificare conduce la apariţia de
noi cunoştinţe. Un exemplu clar este acela al unui analist care colectează date financiare şi
Combinarea realizează un raport asupra finanţelor companiei. Sintezele din raport reprezintă pentru
decidenţi cunoştinţe noi pentru a fi utilizate în procesele decizionale.

•Internalizarea reprezintă procesul de transformare a cunoştinţelor explicite în cunoştinţe

tacite. Ea se realizează prin înglobarea cunoştinţelor explicite în acţiuni, practici sau simulări
ale unor situaţii concrete. În acest fel se produce procesul numit „learning-by-doing”. Prin
internalizare se produce răspândirea în întreaga organizaţie a cunoştinţelor explicite, care
amorsează crearea unui nou set de cunoştinţe tacite care conduc la reluarea întregului
ciclu de producere a cunoştinţelor. Din acest motiv în centrul modelului este reprezentată o
Internalizarea spirală care sugerează reluarea continuă a ciclului SECI, având ca efect creşterea continuă
a cunoştinţelor deţinute de organizaţie
 Pe baza informațiilor anterior prezentate, am facut legatura cu o problemă din cadrul companiei
Grup Gobal DMS.

Această problemă se referă la instrumente și procese de management din cadrul

departamentului de achiziții.

În încercarea de a găsi o soluție la această problemă, am apelat la limbajul de programare în R.

• Grup Global DMS este o societate care desfășoară activități cu jocuri de noroc.
• Aceasta deține lanțurile de casinouri ”Las Vegas” din țară.
• Brașov reprezintă orașul sediu datorită faptului că este deținătorul pieții din această zonă
Grup Global DMS (Sibiu-sediul Baum),aici localizându-se cele mai multe săli.
•Pricipalele orașe unde sunt deschise săli proprii: Brasov-13 săli ; Iași-10 săli ; Cluj- 4 săli;
Constanța-5 săli; Botoșani-3 săli; Huși-2 săli,Bacău-4 săli ,Buzău-4 săli ,București-10 săli
,Pașcani-1 sală,Suceava-6 săli etc.
•Firma deține și parteneriate-francize și baruri în orașele menționate dar și în
Sibiu,Arad,Vaslui, jud.Brașov (Ghimbav,Predeal,Zărnești,Noua) etc.
 • În cadrul companiei ne confruntăm cu un flux de date nesortat și
neinterpretat.Acest flux de date se referă la frecvența cu care o băutură
se cere pe o locație, pe un aparat de către un client sau mai mulți.
• Sistemul de POS existent emite o bază de date în funcție de înregistrările
angajaților, la cererea angajatorului.
• Un astfel de raport se scoate constant ( la fiecare final de tură) Pe baza
interpretării acestor date se iau diverse decizii , precum: negociere-
furnizorul de răcoritoare,furnizorul de cafea, cantitatea de aprovizionare

Flux de date
de la un anumit furnizor.
• În momentul de față interpretarea acestor date se face de către
departamentul de achiziții prin metode clasice(excel, pix și foaie),

nesortat
metode care nu oferă rezultate concrete.
• În speranța îmbunătățirii timpului de analiză și eficientizarea rezultatelor
am realizat un program de data mining în R, folosind diverși algoritmi
care să ne ajute să ajungem la rezultate precise.
 R este un limbaj de programare făcut în primul rând pentru a face calcule
statistice și pentru a le vizualiza. Are aproape 20 de ani (1993) și este cel mai
folosit limbaj pentru data mining

 Extragerea de cunoștințe din date,

 Limbajul R permite utilizatorului, spre
în engleză: data mining (în traducere
exemplu, să programeze grupurile de
liberă: minerit din date), este un
instructiuni pentru analiza succesivă a
proces de analiză a unor cantități mari
seturilor de date.
de date și de extragere
a informațiilor relevante din acestea
folosind metode matematice și
statistice.

Avand în vedere că acest cod de program este un prototip, am utilizat o bază de date mică
folosind datele firmei Grup Global DMS, un raport realizat pe 12 h, echivalentul unei ture.

Obiectivul pe care îl urmărim este descoperirea regulilor de asociere în baza de date

tranzacțională, pentru eficientizarea proceselor din cadrul departamentului de achiziții.

În continuare vă prezentăm limbajul de programare folosit:

library("arules")

library("Matrix")

fp.df <- read.csv("C:/Users/Admin/Desktop/DateR/Faceplate.csv")

fp.df

fp.mat <- as.matrix(fp.df[, -1])

fp.mat

fp.trans <- as(fp.mat, "transactions")

inspect(fp.trans)

rules <- apriori(fp.trans, parameter = list(supp = 0.2, conf = 0.5, target =

"rules"))

inspect(head(sort(rules, by = "lift"), n = 6))

rules.tbl <- inspect(rules)

rules.tbl[rules.tbl$support >= 0.04 & rules.tbl$confidence >= 0.7,]

Sistemul POS generează un tabel în excel cu numărul de aparate existente în locație și băuturile
înregistrate la acele aparate, inclusiv tipul de băutură consumat.
Pentru a testa acest cod de programare în R, am utilizat datele de pe o locație X din Brașov cu un
număr de 10 aparate.
Vom genera regulile de asociere în R prin transformarea excel-ului într-o bază de date
tranzacțională.

Utilizăm fișierul Faceplate.csv (excel generat).

Pentru a vedea ce ce date lucrăm, îl afișăm:

Legendă:
1= Adevărat=1 buc
0=Fals= 0 buc
Pentru a putea asocia datele cu valorile de tip diferit, transformăm numărul aparatului
într-o matrice,spațiu vectorial unde putem asocia valorile de tip caracter și datele logice.

Eliminăm prima coloană și convertim datele în matrice, cu funcția as.matrix()

Convertim matricea într-o bază de date tranzacțională, cu funcția as(x, "transactions")

Din baza de date tranzacțională

reies următoarele:

-La aparatul 1 s-a consumat pe

parcursul unei ture 1 buc :pepsi,
1 buc: mirinda și 1 buc:cafea
-La aparatul 2 s-a consumat pe
parcursul unei ture 1 buc: mirinda
și 1 buc : Cola
-Etc.
Principiul cheie al algoritmului Apriori este de a ne ajuta să găsim mulțimile frecvente de articole
pe un aparat.
Dacă o băutură atribuită aparatului este frecvent găsită intr-un grup de băuturi atribuite aceluiași
aparat, atunci orice băutură din grupul respectiv are potențialul de a se regăsi la același aparat,
dar în formație diferită, prosibilitatea fiind accea de a fi același client.
Spunem acest lucru deoarece pe baza altor statistici am observat că clienții preferă să joace la
același aparat, pe premiza câștigului.
Pentru obținerea regulilor cu algoritmul Apriori, utilizăm funcția apriori(), cu argumentele
minimum support (probabilitatea (estimată) ca o tranzacție selectată aleatoriu din baza de date
să conțină toate elementele din antecedent și succedent), minimum confidence (este o măsură
care exprimă gradul de incertitudine )și target

0.1 % din aparate au o frecvență

de TRUE TRUE FALSE TRUE= 3
produse identice și unul diferit

Grupare de 2 aparate au
frecvență de TRUE=2 produse
identice la aparate diferite

Algoritmu a identificat în total18

variante /combinații pe aparat.
 Inspectăm primele 6 variante, ordonate descrescător după ascensiune(lift)
Interpretăm datele, ce combinație de produse (lhs) este cea mai favorabil consumată
în asociere cu alte produse (rhs) în funcție de probabilitate și gradul de incertitudine.

Partea dreaptă a regulii (RHS = Right-Hand Side) se numește succedent și partea stângă a regulii
(LHS = Left-Hand Side) se numește antecedent.
Se estimează că în combinația
pepsi și mirinda, la aparatul 1 se
va consuma și cafea.Aceasta
combinație se regăsește de mai
multe ori.

Etc.

Probabilitatea combinațiilor este de 0,2 pe

aparat iar gradul de icertitudine este de 0,5
pentru aparatul 1 si 1.0 pentru celelalte
aparate din sală.
Inspectăm tabelul regulilor obtinute, pentru toate aparatele:

Putem a interpreta fiecare dintre

variantelor obținute, pe baza
informațiilor rezultate.

-De exemplu, putem citi varianta nr.

[4] după cum urmează:
„Dacă se consumă Cola, atunci cu o
încredere de 100% se cumpără și
Mirinda; această variantă are un
raport de ascensiune de 1,428

Raportul de ascensiune indică

eficiența variantei alese în găsirea
succedenților, comparativ cu o
selecție aleatorie.
Cu cât variantele se bazează pe mai
multe înregistrări, cu atât poate fi
mai solidă concluzia.
Se dorește ca acest raport să identifice variantele cu probabilitate minimă 4% si incertitudine
minimă de 70 % pentru combinațiile de produse pe aparat.

Selectăm regulile cu Minim Support: 4% și Minim Confidence: 70%

Pentru varianta 3 nu s-a consumat

nimic timp de 7 clienți, cu
posibilitatea de a se consuma
mirinda de 7 ori la acel aparat.

Probabilitatea de consumare
trebuie să fie mai mică pentru
a nu estima greșit comenzile,
stocurile tampon și furnizorii
preferați de clienți.

Incertitudinea minimă trebuie

sa fie cât mai mare pentru a
avea un rezultat cât mai
concret .
Concluzii:
•Dacă am implementa acest cod de program și am folosii mineritul
datelor în R, considerăm că am îmbunătății modul de lucru al
departamentului de achiziții si calitatea datelor obținute.

•Dacă știm ce produse se doresc majoritar, știm cu ce furnizor să

negociem mai mult și pe care să îl implementăm pe toate județele
unde firma își desfășoară activitatea.

•Astfel am eficientiza procesul de aprovizionare al produselor pe

fiecare sală în parte din cadrul firmei Grup Global DMS, acesta
devenind un proces personalizat pentru fiecare locație.
Vă mulțumim!