Machine Translated by Google

Tạp chí Quản lý tri thức

Thông tin và cải cách trong các hệ thống KM: dữ liệu lớn và ra quyết định chiến lược
Ali Intezari, Simone Gressel,

Thông tin bài viết:

Để trích dẫn tài liệu này:

Ali Intezari, Simone Gressel, (2017) "Thông tin và cải cách trong các hệ thống KM: dữ liệu lớn và ra quyết định chiến lược", Tạp chí Quản lý Tri
thức, Tập. 21 Số phát hành: 1, tr.71-91, https://doi.org/10.1108/JKM-07-2015-0293 Liên kết vĩnh viễn đến tài liệu này: https://
doi.org/10.1108/JKM-07-2015-0293

Tải về: 03/08/2017, Lúc: 09:14 (PT)

Tài liệu tham khảo: tài liệu này chứa các tham chiếu đến 102 tài liệu khác.

Để sao chép tài liệu này: permissions@emeraldinsight.com Toàn văn của

tài liệu này đã được tải xuống 938 lần kể từ năm 2017*

Những người dùng đã tải xuống bài viết này cũng đã tải xuống:

(2017),"Dữ liệu lớn có nghĩa là kiến thức lớn? Quan điểm của KM về dữ liệu lớn và phân tích", Tạp chí Quản lý Tri thức, Tập. 21 Iss 1 tr.
1-6 <a href="https://doi.org/10.1108/JKM-08-2016-0339">https://doi.org/10.1108/ JKM-08-2016-0339< /a>

(2017),"Hệ thống dữ liệu lớn: chuyển giao tri thức hay hiểu biết sâu sắc về trí thông minh?", Tạp chí Quản lý Tri thức, Tập. 21 Iss 1 tr. 92-112 <a
href="https://doi.org/10.1108/JKM-07-2015-0300">https://doi.org/10.1108/JKM-07-2015-0300< /a>

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Quyền truy cập vào tài liệu này được cấp thông qua đăng ký Emerald do emerald-srm:425905 cung cấp []

Dành cho tác giả

Nếu bạn muốn viết cho ấn bản này hoặc bất kỳ ấn bản nào khác của Emerald, vui lòng sử dụng thông tin dịch vụ Emerald dành cho tác giả của chúng
tôi về cách chọn ấn phẩm để viết và hướng dẫn gửi có sẵn cho tất cả. Vui lòng truy cập www.emeraldinsight.com/authors để biết thêm thông tin.

Giới thiệu về Emerald www.emeraldinsight.com Emerald là nhà xuất

bản toàn cầu liên kết nghiên cứu và thực hành vì lợi ích của xã hội. Công ty quản lý một danh mục đầu tư gồm hơn 290 tạp chí và hơn 2.350 cuốn sách và
tập sách, cũng như cung cấp nhiều loại sản phẩm trực tuyến cũng như các tài nguyên và dịch vụ khách hàng bổ sung.

Ngọc lục bảo tuân thủ cả COUNTER 4 và CHUYỂN GIAO. Tổ chức này là đối tác của Ủy ban Đạo đức Xuất bản (COPE) và cũng làm việc với Portico và sáng
kiến LOCKSS để bảo quản kho lưu trữ kỹ thuật số.

*Nội dung liên quan và thông tin tải xuống chính xác tại thời điểm tải xuống.
 Machine Translated by Google

Thông tin và cải cách trong các hệ thống KM: dữ liệu lớn

và ra quyết định chiến lược

Ali Intezari và Simone Gressel

trừu tượng Ali Intezari có trụ sở tại

Mục đích – Mục đích của bài viết này là cung cấp một khung lý thuyết về cách các hệ thống quản lý tri thức (KM) có Trường Kinh doanh UQ,

thể tạo điều kiện thuận lợi cho việc kết hợp dữ liệu lớn vào các quyết định chiến lược. Đại học Queensland, Brisbane,
Phân tích nâng cao ngày càng trở nên quan trọng trong việc đưa ra các quyết định chiến lược trong bất kỳ tổ chức nào Australia.
từ khu vực tư nhân đến khu vực công và từ các công ty vì lợi nhuận đến các tổ chức phi lợi nhuận. Mặc dù tầm quan Simone Gressel dựa trên
trọng ngày càng tăng của việc nắm bắt, chia sẻ và triển khai kiến thức của mọi người trong các tổ chức, vẫn chưa rõ tại trường của
làm thế nào dữ liệu lớn và nhu cầu phân tích nâng cao có thể cung cấp thông tin và, nếu cần, cải cách thiết kế và
Quản lý, Đại học Massey,
triển khai các hệ thống KM.
Auckland, New Zealand.
Thiết kế/phương pháp/cách tiếp cận – Để giải quyết khoảng cách này, một cách tiếp cận kết hợp đã được áp dụng. Các
hệ thống KM và phân tích dữ liệu do các công ty triển khai đã được phân tích và phân tích được bổ sung bằng việc xem
xét các tài liệu hiện có.

Kết quả – Bốn loại quyết định dựa trên dữ liệu và một bộ quy tắc cơ bản được xác định để cho phép các hệ thống KM xử
lý dữ liệu lớn và phân tích nâng cao.
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Ý nghĩa thực tiễn – Bài báo đề xuất một khuôn khổ thực tế có tính đến sự kết hợp đa dạng của các quyết định dựa trên
dữ liệu. Các đề xuất được cung cấp về cách hệ thống KM có thể được cải tổ để tạo điều kiện thuận lợi cho việc kết
hợp dữ liệu lớn và phân tích nâng cao vào quá trình ra quyết định chiến lược của tổ chức.

Tính độc đáo/giá trị – Đây là kiểu đầu tiên của việc ra quyết định dựa trên dữ liệu khi xem xét các phân tích nâng cao.

Từ khóa Hệ thống quản lý tri thức, Dữ liệu lớn, Phân tích nâng cao, Quyết định dựa trên dữ liệu, Ra quyết định chiến
lược Loại tài liệu Tài liệu

khái niệm

Giới thiệu

Đối với Simon (1960), người đoạt giải Nobel và là một trong những người sáng lập ra lĩnh vực
khoa học về ra quyết định, “ra quyết định” đồng nghĩa với toàn bộ quá trình quản lý. Ra quyết
định là trung tâm của những gì các nhà quản lý làm (Hickson et al., 1989; Michel, 2007;
Stewart, 2006), và được tích hợp vào tất cả các loại chức năng quản lý (Harrison, 1999). Đưa
ra các quyết định chiến lược hiệu quả là một trong những khả năng quan trọng mà các nhà quản
lý cần phải có và phát triển để lãnh đạo tổ chức của họ trong thế giới kinh doanh ngày càng
biến động và cạnh tranh. Như Porter (1985) đã nhấn mạnh, sự thành công hay thất bại của một
công ty chủ yếu dựa vào khả năng cạnh tranh của các nhà quản lý trong việc đưa ra các quyết
định chiến lược.

Các quyết định chiến lược giải quyết các vấn đề mơ hồ và phức tạp, thu hút sự tham gia của
nhiều bộ phận khác nhau và liên quan đến nguồn lực tổ chức ở mức độ cao (Amason, 1996). Do
tính không chắc chắn, mơ hồ và rủi ro liên quan đến các quyết định chiến lược (McKenzie và Nhận ngày 30 tháng 7 năm 2015

Sửa đổi ngày 21 tháng 2 năm 2016

cộng sự, 2011), việc thu thập, phân tích và xem xét dữ liệu và thông tin đáng tin cậy là cực 13 Tháng ba 2016

kỳ quan trọng trong quá trình ra quyết định chiến lược (Nicolas, 2004). Trong một thế giới hỗn loạn và
Chấp nhận ngày 12 tháng 5 năm 2016

DOI 10.1108/JKM-07-2015-0293
VÒNG. 21 KHÔNG. 1 2017, trang 71-91, © Emerald Publishing Limited, ISSN 1367-3270 TẠP CHÍ QUẢN LÝ TRI THỨC TRANG 71
 Machine Translated by Google

bối cảnh kinh doanh không ổn định, các tổ chức cần liên kết khía cạnh chiến lược của họ với
tài sản tri thức của họ (Nonaka, 1988, 1994). Kiến thức bắt nguồn từ tâm trí của mọi người
(Davenport và Prusak, 2000) và nếu được quản lý hiệu quả có thể giúp các tổ chức tạo ra giá
trị. Quản lý tri thức (KM) thường được định nghĩa là một quy trình có hệ thống để tạo, chia
sẻ và triển khai tri thức. Một hệ thống KM là một hệ thống công nghệ thông tin (CNTT) được
phát triển để tạo thuận lợi và hỗ trợ việc tạo ra, phổ biến và triển khai tri thức trong các
tổ chức (Alavi và Leidner, 2001). Các hệ thống KM được coi là một loại hệ thống thông tin
được thiết kế và triển khai để quản lý tri thức của tổ chức. Các sáng kiến KM liên quan đến
các khía cạnh xã hội và văn hóa của tổ chức và dựa vào CNTT như một công cụ hỗ trợ (Alavi
và Leidner, 2001). Từ những phiên bản đầu tiên của hệ thống KM (chẳng hạn như diễn đàn thảo
luận, kho kiến thức, công việc hợp tác được máy tính hỗ trợ, cơ sở tri thức và công cụ suy
luận) đến các hệ thống KM được phát triển gần đây hơn (chẳng hạn như cổng thông tin KM mới
trong Microsoft Office 365 và Cổng thông tin SharePoint ), các hệ thống KM đã được sử dụng
rộng rãi để xác định, chia sẻ và sử dụng kiến thức, cũng như kết hợp kiến thức vào quá
trình tìm kiếm và giải quyết vấn đề.

Trong khi các hệ thống KM đang trở thành một phần tích hợp của quy trình kinh doanh bằng
cách cung cấp phân tích tài liệu văn bản trong nhiều tổ chức – ví dụ, Xerox (Cox, 2007) –
thì sự xuất hiện của dữ liệu lớn đang đặt ra những thách thức mới. Dữ liệu lớn được các học
giả và các nhà thực hành coi là cơ hội để tạo ra những hiểu biết có giá trị, cải thiện việc
ra quyết định và đạt được lợi thế cạnh tranh (Davenport, 2013; Delen và Demirkan, 2013).
Với sự hỗ trợ của công nghệ phù hợp và đủ kỹ năng, các tổ chức có thể hưởng lợi từ các đặc
điểm nổi bật nhất của dữ liệu lớn, tức là tốc độ, khối lượng và sự đa dạng của nó. Việc
phân tích luồng dữ liệu cho phép các tổ chức thực hiện các hành động ngay lập tức, điều
chỉnh quy trình kinh doanh và cải thiện trải nghiệm của khách hàng (Watson và Marjanovic,
2013). Khối lượng dữ liệu lớn có thể cung cấp kết quả mạnh mẽ và hợp lệ hơn. Điều quan trọng
nhất của các đặc điểm dữ liệu lớn trong bối cảnh của bài viết này là sự đa dạng của nó. Sự
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

đa dạng của dữ liệu lớn đề cập đến các loại và nguồn dữ liệu khác nhau có sẵn cho các tổ
chức. Những đặc điểm này của dữ liệu lớn thường vượt quá khả năng của các công cụ phân tích
truyền thống, dẫn đến nhu cầu phân tích nâng cao. “Phân tích nâng cao là một thuật ngữ chung
có nghĩa đơn giản là áp dụng các kỹ thuật phân tích nâng cao khác nhau cho dữ liệu để trả
lời câu hỏi hoặc giải quyết vấn đề” (Bose, 2009, trang 156).
Phân tích nâng cao còn được gọi là phân tích dự đoán và phân tích theo quy định và mô tả
một nhóm công cụ được kết hợp để trích xuất thông tin, hỗ trợ các nhà quản lý trong việc dự
đoán và tối ưu hóa kết quả (Barton và Court, 2012; Gartner, 2014).

Một trong những thách thức chính mà các tổ chức gặp phải khi làm việc với dữ liệu lớn là
việc quản lý các nguồn dữ liệu khác nhau này và tích hợp dữ liệu có cấu trúc và phi cấu trúc
mà một tổ chức có quyền truy cập. Dữ liệu có cấu trúc được coi là dữ liệu có ý nghĩa và
định dạng được mã hóa cố định, chủ yếu là số và thường được lưu trữ trong các trường cơ
sở dữ liệu. Ngược lại, dữ liệu phi cấu trúc không có định dạng cố định và chủ yếu bắt nguồn
từ các tương tác của con người (Kopenhagen và cộng sự, 2011). Dữ liệu có cấu trúc có thể
được xử lý trực tiếp bằng thiết bị máy tính, trong khi dữ liệu phi cấu trúc hầu hết không
phải là số và hiếm khi có thể được tính toán mà không có bất kỳ chuyển đổi nào trước đó.
Ví dụ về dữ liệu có cấu trúc là dữ liệu đơn đặt hàng, ID và số lượng sản phẩm, ID khách
hàng và luồng nhấp chuột. Ví dụ về dữ liệu phi cấu trúc là đánh giá của khách hàng, cuộc
gọi, trò chuyện, âm thanh, bản ghi, mạng xã hội, blog, diễn đàn, email, hình ảnh, màu sắc và
hình dạng. Những loại dữ liệu này không thể dễ dàng đặt trong các cột và hàng và do đó không
có chỗ trong cơ sở dữ liệu quan hệ.

Dữ liệu phi cấu trúc đặt ra một thách thức đối với các tổ chức có truyền thống xử lý dữ liệu
có cấu trúc được lưu trữ trong cơ sở dữ liệu quan hệ của họ, chẳng hạn như dữ liệu giao
dịch, hoạch định nguồn lực doanh nghiệp (ERP) hoặc dữ liệu quản lý quan hệ khách hàng (CRM).

TRANG 72 TẠP CHÍ QUẢN TRỊ TRI THỨC TẬP. 21 KHÔNG. 1 2017
 Machine Translated by Google

Nhiều công ty gần đây đã bắt đầu giải quyết thách thức tìm cách lưu trữ và phân tích dữ liệu
phi cấu trúc, với mục đích thu được nhiều thông tin chi tiết hơn từ các nguồn bổ sung này.
Thuật toán PageRank của Google [được sử dụng để xếp hạng các trang web trong kết quả của
công cụ tìm kiếm dựa trên tầm quan trọng của các trang web (Google.com, 2015)], Dự án Monk
[một môi trường kỹ thuật số nguồn mở được thiết kế để giúp các học giả khám phá và phân
tích các mẫu trong bài báo và văn bản mà họ nghiên cứu (Thư viện Monk, 2014)], SAS Text
Analytics, Topsy (công cụ tìm kiếm thời gian thực để tìm kiếm và phân tích Mạng xã hội
[http://about.topsy.com/support/search/], Kho lưu trữ báo chí Anh (một dự án số hóa khoảng
40 triệu trang báo từ bộ sưu tập của Thư viện Anh và cho phép độc giả tìm kiếm các bài báo,
thông báo gia đình, thư gửi biên tập viên, cáo phó và quảng cáo
[ www.britishnewspaperarchive.co.uk/help/ Về] và Factiva (một công cụ nghiên cứu văn bản cung
cấp quyền truy cập vào các nguồn thông tin và tin tức kinh doanh và ngành mới nhất [http://
new.dowjones.com/products/factiva/] là những ví dụ về các công cụ giúp thao tác, phân tích
và trực quan hóa văn bản.
Các công cụ phân tích hình ảnh, video và âm thanh vẫn còn kém phát triển so với các công cụ
phân tích dựa trên văn bản. Có thể kể đến Google Goggles là công cụ phân tích ảnh, là app
nhận diện hình ảnh. Vào tháng 12 năm 2011, Bảo tàng Nghệ thuật Thủ đô New York bắt đầu hợp
tác với Google để cung cấp thông tin về các tác phẩm nghệ thuật trong bảo tàng
(www.metmuseum.org). Mỗi phút, hàng triệu pixel được tạo ra, phổ biến và lưu trữ thông qua
các thiết bị ghi video và kỹ thuật số, camera giám sát và các trang web chia sẻ video như
YouTube.

Để trích xuất thông tin từ dữ liệu lớn có giá trị đối với một tổ chức, các kỹ thuật mới và
công cụ nâng cao phải được phát triển và áp dụng, chẳng hạn như khai thác dữ liệu nâng cao
hoặc các công cụ trí tuệ nhân tạo mới (O'Leary, 2013) . Điều này có thể là một thách thức,
đặc biệt là khi một tổ chức muốn tận dụng tối đa hệ thống KM đắt tiền hiện tại của mình bằng
cách mong đợi hệ thống KM của mình cũng xử lý dữ liệu lớn. Tài sản vô hình có giá trị tiềm
năng có thể được tìm thấy trong nhiều nguồn lực khác nhau bên trong và bên ngoài tổ chức,
nhiều trong số đó có thể phù hợp hoặc không phù hợp với các hệ thống và khuôn khổ KM truyền
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

thống (Erickson và Rothberg, 2014). Để sử dụng các tài nguyên này và đáp ứng các yêu cầu
nâng cao do đó, các hệ thống hiện có cần phải được nâng cấp thành “các hệ thống KM nâng
cao”, vì chúng sẽ được đề cập trong suốt bài báo này. Các hệ thống KM nâng cao đề cập đến
một loại hệ thống KM cụ thể có thể giúp một tổ chức tích hợp dữ liệu lớn vào kho kiến thức
và kiến thức của mình, đồng thời tạo ra nhiều giá trị hơn từ các hệ thống KM hiện có của tổ
chức. Tuy nhiên, các hệ thống KM nâng cao không chỉ là các cơ chế đơn giản để liên kết các
kho kiến thức với kho dữ liệu và siêu thị dữ liệu. Bài viết này cố gắng giải quyết câu hỏi:
dữ liệu lớn và nhu cầu phân tích nâng cao trong các quyết định chiến lược sẽ cung cấp thông
tin như thế nào và, nếu cần, cải cách (thiết kế và triển khai) các hệ thống KM? Chúng tôi
đề xuất một khung khái niệm về cách các hệ thống KM có thể kết hợp dữ liệu lớn vào các quyết
định chiến lược.

Cấu trúc của bài viết này được tổ chức như sau. Các giả định làm việc nằm dưới lập luận
cốt lõi của bài viết này sẽ được giải thích. Tiếp theo, dữ liệu lớn được thảo luận bằng
cách xác định các đặc điểm chính của nó, tiếp theo là thảo luận về hai loại hình ra quyết
định chính. Tiếp theo là phần tranh luận về cách kết hợp các loại dữ liệu lớn khác nhau và
quá trình ra quyết định dẫn đến bốn hình thức ra quyết định dựa trên dữ liệu chính. Bài báo
kết luận bằng cách đưa ra một số gợi ý về những khía cạnh mà các hệ thống KM tiên tiến phải
có để có thể hỗ trợ việc tích hợp dữ liệu lớn và kiến thức vào quá trình ra quyết định chiến
lược.

Các giả định làm việc

Bài viết này dựa trên ba giả định chính:

1. Dữ liệu không có nghĩa là kiến thức (Ackoff, 1989; Nonaka và Takeuchi, 1995).

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 73

 Machine Translated by Google

Dữ liệu là “sự biểu diễn của một đối tượng” (Miller et al., 2001, p. 365). Tuy nhiên, kiến thức được

Davenport và Prusak (2000) định nghĩa là “sự kết hợp trôi chảy giữa trải nghiệm, giá trị, thông tin theo

ngữ cảnh và hiểu biết sâu sắc của chuyên gia, cung cấp một khuôn khổ để đánh giá và kết hợp những trải

nghiệm và thông tin mới. Nó bắt nguồn và được áp dụng trong tâm trí của những người hiểu biết. Trong các

tổ chức, nó thường được đưa vào không chỉ trong các tài liệu hoặc kho lưu trữ mà còn trong các thói

quen, quy trình thực hành và chuẩn mực của tổ chức” (trang 5). Kiến thức nằm trong tâm trí con người

(Davenport và Prusak, 2000) và có các phẩm chất khác như kinh nghiệm, suy ngẫm, phán đoán và các thực

hành khác mang lại sự hiểu biết sâu sắc hơn (Erickson và Rothberg, 2014). Kiến thức bao gồm “những hiểu

biết mới dựa trên những thách thức trong công việc trước đây và kỳ vọng về những cơ hội và bối cảnh

mới” (Wiig, 2011, trang 239). Từ góc độ tổ chức, trong khi dữ liệu được tìm thấy trong hồ sơ, kiến thức

bắt nguồn từ tâm trí làm việc và phát triển theo thời gian thông qua kinh nghiệm (Davenport và Prusak,

1998). Kiến thức là vốn thiết yếu (Davenport và Prusak, 1998) và là “nguồn lực chiến lược nhất” (Roth,

2003, trang 32) cho phép các nhà quản lý thích ứng với thế giới kinh doanh đang thay đổi nhanh chóng bằng

cách đưa ra các quyết định hiệu quả (McKenzie và cộng sự, 2011 ).

2. Như với kiến thức, lợi nhuận từ dữ liệu lớn có liên quan đến việc đưa ra quyết định rẻ hơn,

nhanh hơn và tốt hơn trước (Davenport, 2014).

Khối lượng, sự đa dạng và tốc độ ngày càng tăng của dữ liệu lớn, cùng với việc giảm chi phí dữ liệu và cơ

sở dữ liệu, có thể cho phép các tổ chức và công ty đưa ra các quyết định chiến lược, chiến thuật và hoạt

động tốt hơn (Erickson và Rothberg, 2014).

3. Mặc dù dữ liệu lớn và phân tích nâng cao có tiềm năng gia tăng giá trị bằng cách cung cấp tính minh bạch

thông qua phản hồi hiệu suất ngay lập tức và đưa ra quyết định khách quan hơn (thuật toán chứ không phải

con người) (Manyika và cộng sự, 2011), việc xây dựng và thực hiện hiệu quả các quyết định chiến lược, nó

không chỉ là kết quả của việc có quyền truy cập vào dữ liệu lớn và cơ sở dữ liệu giá rẻ.

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Do sự không chắc chắn và mơ hồ xung quanh những người ra quyết định chiến lược, sự thành công của các quyết

định chiến lược phụ thuộc vào năng lực của cá nhân và tổ chức để học hỏi và liên tục cấu hình lại cơ sở tri

thức của tổ chức (McKenzie và cộng sự, 2011).

Vốn con người và xã hội – liên quan đến chuyên môn và kiến thức thu được thông qua kinh nghiệm làm việc, đào

tạo và giáo dục, cũng như khả năng bẩm sinh và học được – có tác động trực tiếp đến hiệu quả của các quyết

định chiến lược (Ahearne et al., 2014; Sundaramurthy et al . cộng sự, 2014).

Nhìn vào dữ liệu (lớn)

Mặc dù một số tổ chức coi dữ liệu lớn là một thách thức mới và hiện tượng phức tạp, khó sử dụng và khó quản lý,

nhưng các tổ chức và nhà nghiên cứu khác lại coi đó là cơ hội để đạt được lợi thế cạnh tranh và những hiểu

biết mới (Davenport, 2013; McAfee và Brynjolfsson, 2012 ) . Tuy nhiên, do sự liên kết của nó với các công nghệ

đã được thiết lập như kho dữ liệu và hệ thống quản lý cơ sở dữ liệu (Chen và cộng sự, 2012), dữ liệu lớn không

nên được coi là một thứ hoàn toàn mới (Agarwal và Dhar, 2014). Dữ liệu, ở dạng đơn giản hơn và có cấu trúc hơn,

đã được sử dụng từ những năm 1950 để hỗ trợ các quyết định và quy trình kinh doanh trong các chức năng truyền

thống hơn của kinh doanh thông minh (BI) và phân tích (Petter et al., 2012).

Được nhìn nhận trong bối cảnh của các loại dữ liệu và hệ thống thông tin trước đó, dữ liệu lớn chỉ là một

bước tiếp theo trong quá trình phát triển của dữ liệu và các ứng dụng của chúng.

Davenport (2013) mô tả sự phát triển của dữ liệu lớn tập trung vào phân tích. Analytics 1.0 là kỷ nguyên đầu

tiên của phân tích, kỷ nguyên của BI. Trong giai đoạn phân tích đầu tiên này, việc sử dụng dữ liệu cho các ứng

dụng kinh doanh đã được phát hiện và dữ liệu về khách hàng và sản xuất chủ yếu được sử dụng để tối ưu hóa và

hỗ trợ quá trình ra quyết định. Analytics 2.0 là kỷ nguyên của quy mô lớn

TRANG 74 TẠP CHÍ QUẢN LÝ TRI THỨC TẬP. 21 KHÔNG. 1 2017

 Machine Translated by Google

dữ liệu, giới hạn cho các công ty hoạt động trên internet hoặc kinh doanh mạng xã hội. Kỷ nguyên cuối

cùng là Analytics 3.0, kỷ nguyên của các dịch vụ làm giàu dữ liệu. Kỷ nguyên này đánh dấu sự chuyển

đổi từ dữ liệu lớn được sử dụng chủ yếu trong một ngành cụ thể sang dữ liệu lớn được hầu như tất cả

các ngành và công ty sử dụng, từ các công ty mới thành lập đến các tập đoàn đa quốc gia (Davenport,

2013).

Chen và cộng sự. (2012) đề xuất một khung tương tự kết hợp các quan điểm BI và Phân tích (BI&A). Trong

BI&A 1.0, bản chất của dữ liệu được thu thập chủ yếu là có cấu trúc và dữ liệu được lưu trữ trong

các hệ thống quản lý cơ sở dữ liệu quan hệ (DBMS). Trong BI&A 2.0, dữ liệu được thu thập dựa trên Web
và không có cấu trúc. Việc sử dụng dữ liệu chuyển từ các chức năng báo cáo kinh doanh đơn thuần sang

phân tích hành vi trực tuyến của khách hàng, tối ưu hóa sự hiện diện của Web và đề xuất sản phẩm.

Trong giai đoạn cuối cùng, BI&A 3.0, dữ liệu được di động và dựa trên cảm biến. Điều này cho phép các

hoạt động và giao dịch được nhắm mục tiêu vào các cá nhân và được điều chỉnh cho phù hợp với bối cảnh

hoặc địa điểm cụ thể (Chen và cộng sự, 2012).

Những khuôn khổ về sự phát triển dần dần của dữ liệu và tiềm năng của phân tích ngụ ý rằng dữ liệu lớn

mang đến những thách thức mới nhất định với nó nhưng cũng chứng tỏ rằng nó được xây dựng trên các

công nghệ và nguyên tắc quen thuộc.

ba chữ V

Ban đầu được định nghĩa bởi Doug Laney từ công ty tư vấn và nghiên cứu CNTT Gartner (Laney, 2001),

dữ liệu lớn hiện nay thường được chỉ định bởi ba chữ V, đóng vai trò phân biệt giữa dữ liệu lớn và

các tập dữ liệu truyền thống: khối lượng, tốc độ và sự đa dạng (Chen và cộng sự, 2012; Jagadish và

cộng sự, 2014; Kudyba, 2014; McAfee và Brynjolfsson, 2012; O'Leary, 2013; Watson và Marjanovic, 2013).

Các tài liệu gần đây cũng đề xuất việc bổ sung tính xác thực, như đã thấy trong Sathi (2012) và

Jagadish et al. (2014).

Khối lượng dữ liệu lớn vượt xa kích thước của các tập dữ liệu thông thường và tạo ra những thách

thức đối với DBMS và kho dữ liệu truyền thống về lưu trữ và phân tích dữ liệu (Kaisler và cộng sự,

2013; Katal và cộng sự, 2013; Provost và Fawcett, 2013 ; Watson và Marjanovic, 2013).
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Sự gia tăng khối lượng dữ liệu này là do sự tăng trưởng liên tục của dữ liệu được tạo ra mỗi giây

qua internet, cảm biến, giao dịch của khách hàng, v.v. (McAfee và Brynjolfsson, 2012; Watson và

Marjanovic, 2013). Do sự phát triển khác nhau trong lĩnh vực khả năng lưu trữ dữ liệu, các công ty có

thể tiếp cận nhiều không gian lưu trữ hơn với chi phí thấp hơn. Ví dụ, thị trường điện toán đám mây

đang phát triển (Gantz và Reinsel, 2012) cung cấp cho các tổ chức thuộc mọi quy mô các giải pháp và

năng lực phù hợp để lưu trữ dữ liệu của họ (Chen và cộng sự, 2012; Delen và Demirkan, 2013). Tùy chọn

phân tích dưới dạng dịch vụ cho phép người dùng không chỉ có khả năng truy cập thông tin của họ từ

các thiết bị từ xa mà còn sử dụng các công cụ phân tích cần thiết để xử lý dữ liệu theo yêu cầu tại

bất kỳ thời điểm nào (Delen và Demirkan, 2013; Hazen et cộng sự, 2014). Dịch vụ này hỗ trợ đặc biệt

trong việc bao gồm hai thành phần khác của dữ liệu lớn, đó là tốc độ và sự đa dạng.

Vận tốc của dữ liệu được đặc trưng bởi tốc độ tạo và phân tích dữ liệu. Về tốc độ, một tập dữ liệu

chỉ có thể được phân loại là dữ liệu lớn nếu dữ liệu được xử lý theo thời gian thực hoặc gần thời

gian thực (Hazen và cộng sự, 2014; McAfee và Brynjolfsson, 2012). Dữ liệu không được phân tích trong

nhận thức muộn, mà trong “các quy trình và dòng chảy liên tục” (Davenport và cộng sự, 2013, trang 23),

mang lại sự linh hoạt hơn và phản ứng nhanh hơn. Thay vì phân tích truyền thống hơn về dữ liệu lịch sử

được thu thập từ các sự kiện trong quá khứ, có một sự chuyển hướng sang phân tích dữ liệu truyền trực

tuyến, cung cấp thông tin về các sự kiện trực tiếp (Davenport, 2014). Điều này đặc biệt cho phép các

quyết định ảnh hưởng đến dữ liệu được thu thập và phân tích đồng thời (Chen và cộng sự, 2012; O'Leary,

2013).

Sự đa dạng của dữ liệu lớn đề cập đến các nguồn và loại dữ liệu khác nhau được lưu trữ (Davenport,

2013; Hazen và cộng sự, 2014; McAfee và Brynjolfsson, 2012). Dữ liệu không còn giới hạn ở dữ liệu có

cấu trúc, số nữa; dữ liệu được thu thập ở dạng phi cấu trúc từ mạng xã hội, văn bản, tệp âm thanh

hoặc video, dữ liệu cảm biến, tín hiệu GPS, v.v. (O'Leary, 2013),

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 75

 Machine Translated by Google

từ cả bên trong và bên ngoài công ty (Erickson và Rothberg, 2014). Sự đa dạng của dữ liệu này cung cấp một loạt

các khả năng mới nhưng cũng là những thách thức nằm ngoài khả năng của DBMS truyền thống, đề cập đến việc

phân tích dữ liệu phi cấu trúc và sự tích hợp của chúng với dữ liệu có cấu trúc (McAfee và Brynjolfsson, 2012).

Có thể tìm thấy phần mở rộng của các tiêu chí này trong yếu tố xác thực được đề xuất trong tài liệu gần đây

(Jagadish và cộng sự, 2014; Sathi, 2012). Độ chính xác đánh giá mức độ đáng tin cậy của nguồn dữ liệu và mức

độ phù hợp của dữ liệu với đối tượng của tổ chức. Để mang lại lợi ích cho việc ra quyết định và phân tích nói

chung, các nguồn dữ liệu phải đáng tin cậy để đảm bảo tính đúng đắn và chính xác của dữ liệu (Sathi, 2012).

Bước đầu tiên để quản lý đặc tính xác thực của dữ liệu lớn là “tạo kho lưu trữ các nguồn dữ liệu có sẵn và

siêu dữ liệu mô tả chất lượng của các nguồn đó về tính đầy đủ, hợp lệ, nhất quán, kịp thời và chính

xác” (Miller và Mork, 2013 , tr.57).

Dữ liệu có cấu trúc và phi cấu trúc

Như được xác định bởi đặc điểm đa dạng trong phần trước, dữ liệu lớn đề cập đến cả dữ liệu có cấu trúc (ví

dụ: luồng nhấp chuột) và dữ liệu phi cấu trúc (ví dụ: phản hồi bằng lời nói của khách hàng)

(Kudyba, 2014). Các công nghệ dữ liệu lớn cho phép các công ty hiểu rõ hơn từ các nguồn dữ liệu đa dạng vượt

trội so với dữ liệu nội bộ và có cấu trúc truyền thống mà các tổ chức dựa vào trong quá khứ. Theo truyền thống,

các tổ chức dựa vào dữ liệu được lưu trữ trong cơ sở dữ liệu quan hệ của họ và dễ dàng truy vấn. Do đó, nguồn

dữ liệu có cấu trúc thường là các hệ thống thông tin nội bộ, chẳng hạn như hệ thống CRM hoặc ERP. Do tính

chất có cấu trúc của chúng, các loại dữ liệu khác nhau, chẳng hạn như dữ liệu biểu đồ hoặc dữ liệu giao dịch,

có thể được tích hợp và sử dụng để hiểu rõ hơn. Sự gia tăng của các nguồn dữ liệu phi cấu trúc, chẳng hạn như

dữ liệu cảm biến, dữ liệu Web, blog, email, dữ liệu truyền thông xã hội, v.v. đặt ra những thách thức mới cho

việc tích hợp các loại dữ liệu khác nhau ( Kudyba, 2014; Lodha et al., 2014).

Dữ liệu phi cấu trúc, chẳng hạn như dữ liệu truyền thông xã hội, có thể cung cấp cái nhìn sâu sắc về hành vi

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

của con người, như có thể thấy trong ví dụ về dữ liệu Twitter. Twitter đã trở thành tâm điểm của nhiều tài

liệu nghiên cứu về khai thác ý kiến, phát hiện sự kiện và diễn ngôn chính trị, đồng thời cung cấp những hiểu

biết có giá trị cho các nhà nghiên cứu trong lĩnh vực tiếp thị, giáo dục, v.v.

(Goonetilleke và cộng sự, 2014). Tuy nhiên, độ tin cậy và chất lượng của dữ liệu truyền thông xã hội có thể

khác nhau rất nhiều. Trong ví dụ về Twitter, không phải tất cả các đóng góp đều do người dùng tạo; một số

được đăng bởi các chương trình tự động, do đó ảnh hưởng đến hiểu biết sâu sắc về hành vi của con người

(Edwards và cộng sự, 2014). Do đó, dữ liệu do người dùng tạo có thể đóng góp giá trị nhưng phải được tích

hợp với các nguồn đáng tin cậy hơn để cung cấp kết quả hợp lệ.

Một ví dụ nổi bật về sự phụ thuộc quá mức vào dữ liệu lớn và cụ thể là dữ liệu phi cấu trúc để phân tích dự

báo là Google Xu hướng dịch cúm (GFT): “Số lượng dữ liệu không có nghĩa là người ta có thể bỏ qua các vấn đề

cơ bản về đo lường và xây dựng tính hợp lệ, độ tin cậy và sự phụ thuộc giữa các dữ liệu” (Lazer và cộng sự,

2014, trang 1,203). Bằng cách sử dụng các cụm từ tìm kiếm và phương tiện truyền thông xã hội để dự đoán xu

hướng dịch cúm, GFT đã nhiều lần vượt qua các dự đoán từ Trung tâm Kiểm soát và Phòng ngừa Dịch bệnh.

Tuy nhiên, về lâu dài – bằng cách xem xét thông tin có thể đạt được bằng cách sử dụng các phương pháp thống

kê truyền thống – Google Xu hướng Dịch cúm đã tạo ra các dự đoán sai số lớn (Lazer et al., 2014).

Ra quyết định có cấu trúc và phi cấu trúc

Các quyết định tổ chức có thể được phân loại từ các góc độ khác nhau (Scherpereel, 2006).

Một loại hình được chấp nhận rộng rãi là các quyết định có cấu trúc và không có cấu trúc, phân loại các quyết

định dựa trên mức độ phức tạp của các vấn đề quyết định (nghĩa là các vấn đề đơn giản/có cấu trúc so với các

vấn đề phức tạp/không có cấu trúc) (Turban et al., 2005) . Tùy thuộc vào mức độ phức tạp của vấn đề, các quy

trình thông qua đó một tổ chức đưa ra quyết định có thể được cấu trúc hoặc không cấu trúc (Langley et al.,

1995).

TRANG 76 TẠP CHÍ QUẢN LÝ TRI THỨC TẬP. 21 KHÔNG. 1 2017

 Machine Translated by Google

Một cách tiếp cận khác để phân loại các loại quyết định là theo ngữ cảnh của chúng, được thể hiện
bằng khung Cynefin (Snowden và Boone, 2007). Khung xác định năm bối cảnh, cụ thể là đơn giản, phức

tạp, phức tạp, hỗn loạn và mất trật tự, nếu không có bối cảnh nào khác được áp dụng. Những bối cảnh

khác nhau này về cơ bản được xác định bởi (thiếu) mối quan hệ nhân quả. Trong khi bối cảnh đơn giản

và phức tạp thể hiện mối quan hệ nhân quả, bối cảnh phức tạp và hỗn loạn là chưa từng có và không

thể đoán trước. Do đó, các bối cảnh đơn giản và phức tạp có thể được so sánh với các quyết định có

cấu trúc yêu cầu các nhà quản lý phân loại vấn đề mà họ đang gặp phải và trong một số trường hợp

nhất định, yêu cầu sử dụng phân tích để tìm ra câu trả lời đúng.

Bối cảnh phức tạp và hỗn loạn có thể được so sánh với các quyết định phi cấu trúc đòi hỏi phải thăm

dò hoặc hành động, và chỉ cho phép đánh giá tính đúng đắn của câu trả lời trong nhận thức muộn màng.

Các quyết định có cấu trúc có thể được mô tả bằng các mô hình toán học cổ điển (ví dụ: phương pháp

thống kê và lập trình tuyến tính), trong khi không có phương pháp tiêu chuẩn và toàn cầu nào để có

được giải pháp tối ưu để giải quyết các vấn đề về quyết định phi cấu trúc (Zhang và cộng sự, 2015).

Việc ra quyết định có cấu trúc như một quy trình có trật tự hoặc tuần tự được minh họa rõ ràng bởi

Drucker (1967). Drucker lập luận rằng quyết định hiệu quả của một nhà điều hành được đưa ra thông
qua “một quy trình có hệ thống với các yếu tố được xác định rõ ràng và theo một trình tự các bước

riêng biệt” (trang 98). Quá trình có hệ thống thường bao gồm sáu bước chính:

1. phân loại vấn đề;

2. định nghĩa của vấn đề;

3. các thông số kỹ thuật mà câu trả lời cho vấn đề phải đáp ứng;

4. quyết định xem điều gì là đúng, thay vì điều gì có thể chấp nhận được, để đáp ứng ranh giới
điều kiện;

5. kế hoạch hành động được xây dựng trong quyết định; Và

6. phản hồi kiểm tra tính hợp lệ và hiệu quả của quyết định so với tiến trình thực tế của các sự
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

kiện (Drucker, 1967).

Các quyết định không có cấu trúc đề cập đến “các quá trình ra quyết định chưa từng gặp phải ở dạng

hoàn toàn giống nhau và không có tập hợp các phản hồi được sắp xếp rõ ràng và xác định trước tồn

tại trong tổ chức” (Mintzberg et al., 1976). Vì các vấn đề quyết định phi cấu trúc thường mơ hồ,

không chắc chắn và mờ nhạt, không tồn tại quy trình xác định trước và giải pháp tối ưu, trực giác,

kinh nghiệm và phán đoán của con người thường là cơ sở cho việc ra quyết định (Zhang và cộng sự,

2015) . Những người ủng hộ việc ra quyết định phi cấu trúc sẽ lập luận mạnh mẽ rằng các nhà quản lý

không nhất thiết phải đưa ra quyết định bằng cách tuân theo các giai đoạn được xác định trước và

có cấu trúc rõ ràng (Isenberg, 1984, 1986). Thay vào đó, họ đưa ra quyết định dựa trên sự kết hợp

của dữ liệu, kinh nghiệm và cảm giác. Các bước xác định và trình bày rõ ràng vấn đề và bối cảnh ra

quyết định, xác định, so sánh và đánh giá các phương án thay thế có thể trùng nhau. Thậm chí có thể
bỏ qua một số bước và có thể thực hiện theo một trình tự khác trong quá trình ra quyết định. Tùy

thuộc vào hoàn cảnh ra quyết định, chiến lược tổ chức, khung thời gian, mức độ tác động của hậu quả

quyết định đối với tổ chức hoặc các bên liên quan, v.v., tầm quan trọng của từng giai đoạn trong

toàn bộ quá trình ra quyết định có thể khác nhau. Mintzberg và Westley (2010) nhấn mạnh rằng việc ra

quyết định không nhất thiết phải luôn là quá trình “suy nghĩ trước”, một quá trình tuyến tính bắt

đầu bằng việc “làm sáng tỏ vấn đề”, sau đó đánh giá và lựa chọn từ các giải pháp thay thế.

Ra quyết định phi cấu trúc là “một chu trình năng động được thiết lập trong một môi trường phức tạp

và hỗn loạn, và bị ảnh hưởng bởi sự tương tác giữa những con người phức tạp”
(McKenna và Martin-Smith, 2005, trang 832).

Không có ranh giới rõ ràng giữa hai quy trình và không chắc rằng một tổ chức sẽ chỉ sử dụng một kiểu

ra quyết định. Sự đa dạng của các vấn đề cũng như sự tham gia của nhiều bên liên quan trong các

quyết định chiến lược đòi hỏi

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 77

 Machine Translated by Google

các tổ chức sử dụng kết hợp hai loại quy trình ra quyết định này, tùy thuộc vào bản chất của
vấn đề (McKenzie et al., 2009). Mặc dù một số quyết định có thể hoặc cần phải được đưa ra
thông qua các quy trình và thủ tục được xác định trước, nhưng đối với các quyết định khác, có
thể khó triển khai một bộ quy trình cụ thể. Mặc dù bản chất có cấu trúc hoặc không có cấu trúc
của các quyết định quản lý có thể được xác định bởi một số yếu tố như quy mô và cấu trúc của
tổ chức, các quyết định hoạt động và quyết định về các tình huống có thể dự đoán được thường
có thể được đưa ra thông qua các quy trình có cấu trúc. Các quyết định chiến lược hoặc quyết
định liên quan đến các tình huống quyết định độc nhất và không lường trước được có thể yêu
cầu các quy trình không có cấu trúc.

Góc phần tư dữ liệu quyết định

Hiện tại, hàng petabyte thông tin được cung cấp miễn phí và những suy luận có ý nghĩa từ thông
tin này có thể cải thiện các quyết định kinh doanh. Tuy nhiên, một báo cáo của The Economist
Intelligence Unit (2012) cho thấy rằng mặc dù các tổ chức thừa nhận rằng nhu cầu kết hợp dữ
liệu lớn vào các quyết định là rất quan trọng, nhưng nhiều tổ chức đang phải vật lộn với khối
lượng dữ liệu khổng lồ và chất lượng dữ liệu kém. Một lý do cho điều này có thể là sự thiếu
hiểu biết về mức độ liên quan giữa việc ra quyết định chiến lược và dữ liệu lớn. Như Hình 1
minh họa, tùy thuộc vào việc một tổ chức đưa ra các quyết định chiến lược của mình dựa trên
dữ liệu có cấu trúc hay phi cấu trúc và cũng tùy thuộc vào việc các quyết định đó được đưa ra
thông qua các quy trình có cấu trúc hay phi cấu trúc, có thể xác định bốn loại hình ra quyết
định chính: quyết định có cấu trúc dựa trên dữ liệu có cấu trúc (SD-SD), quyết định có cấu trúc
dựa trên dữ liệu phi cấu trúc (SD-UD), quyết định phi cấu trúc dựa trên dữ liệu có cấu trúc (UD-
SD) và quyết định phi cấu trúc dựa trên dữ liệu phi cấu trúc (UD-UD).

Đưa ra quyết định về việc tiếp tục hay ngừng sản phẩm dựa trên biến động thực tế của giá cổ
phiếu trong khoảng thời gian sáu tháng là một ví dụ về việc đưa ra quyết định dựa trên dữ liệu
có cấu trúc. Ngoài dữ liệu có cấu trúc, dữ liệu phi cấu trúc rất quan trọng trong việc cung cấp

thông tin cho các quyết định chiến lược. Quyết định tương tự có thể dựa trên dữ liệu phi cấu
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

trúc, chẳng hạn như nhận xét và phản hồi của khách hàng trên phương tiện truyền thông xã hội

trên nhiều mạng khác nhau, chẳng hạn như nhận xét tiêu cực/tích cực trên Twitter, bản ghi âm
hoặc video trên YouTube hoặc lượt thích/không thích trên ảnh và video trên Facebook

Hình 1 Các góc phần tư dữ liệu quyết định

Dữ liệu phi cấu trúc

SD-UD UD-UD

Quyết định có cấu trúc dựa trên Quyết định phi cấu trúc dựa trên dữ liệu

phi cấu trúc (Chủ yếu

về dữ liệu phi cấu trúc
dựa vào kiến thức, kinh nghiệm, diễn giải
(Có thể yêu cầu các kỹ thuật
của con người và hiểu biết sâu sắc
như khai thác văn bản và
của chuyên gia. Có thể yêu cầu
khám phá nội dung)
các kỹ thuật như khai thác văn bản và khám

phá nội dung)

có cấu trúc phi cấu trúc

DM DM

SD-SD UD-SD

Quyết định có cấu trúc dựa trên Quyết định phi cấu trúc dựa trên
Dữ liệu có cấu trúc
Dữ liệu có cấu trúc
(Có thể được xây dựng bằng cách
(Chủ yếu dựa vào kiến thức, kinh nghiệm,
sử dụng các phân tích nâng
diễn giải và cái nhìn sâu sắc của con người.
cao để ra quyết định tự động và
Có thể yêu cầu các kỹ thuật truy vấn và
được lập trình)

khai thác dữ liệu nâng cao để phân tích dữ

liệu đặc biệt)

Dữ liệu có cấu trúc

TRANG 78 TẠP CHÍ QUẢN LÝ TRI THỨC TẬP. 21 KHÔNG. 1 2017

 Machine Translated by Google

và như vậy. Trong cả hai trường hợp, những người ra quyết định trung tâm trong tổ chức có thể có hoặc không có

các thủ tục được xác định trước để tuân theo khi đưa ra quyết định.

Quyết định có cấu trúc dựa trên dữ liệu có cấu trúc

Một tổ chức có thể có các quy trình có cấu trúc và các thủ tục được xác định trước để đưa ra các quyết định

chiến lược dựa trên dữ liệu có cấu trúc. Làm theo hướng dẫn và quy trình được xác định trước là rất quan trọng

để đưa ra quyết định hiệu quả. Các quyết định có cấu trúc được đưa ra dựa trên dữ liệu có cấu trúc (SD-SD) có

thể được xây dựng bằng cách sử dụng mô hình toán học, biểu thị mối quan hệ toán học giữa các biến (ví dụ: mô hình

giải thích để dự báo hoặc mô hình đại số để tối ưu hóa). Hơn nữa, các phân tích nâng cao có thể được áp dụng để

đưa ra quyết định tự động dựa trên dữ liệu được thu thập và sắp xếp.

Quyết định hoạt động cung cấp ví dụ tốt cho điều này. Các ví dụ khác bao gồm các hệ thống quản lý quyết định

(Taylor, 2012) và các hệ thống hỗ trợ quyết định dựa trên mô hình và dữ liệu (Gachet, 2004). SD-SD có thể được sử

dụng để thu thập và trình bày dữ liệu và thông tin về hàng tồn kho, so sánh số liệu bán hàng giữa các khoảng thời

gian khác nhau và đưa ra số liệu doanh thu dự kiến. Các công ty có thể sử dụng các gói phần mềm như phần mềm lập

mô hình tài chính (ví dụ: Extensity và Trueblue Systems), phần mềm dự báo (ví dụ:

OpenForecast) và bảng tính (ví dụ: MS Excel và OpenOffice.org). Microsoft Azure Machine Learning có thể được đề

cập như một ví dụ khác có thể được sử dụng để phát triển mô hình dự đoán, chẳng hạn như rủi ro tín dụng của một

cá nhân hoặc thất bại trong quy trình sản xuất (https://azure.microsoft.com/) .

Quyết định có cấu trúc dựa trên dữ liệu phi cấu trúc

“Tín hiệu yếu” từ phương tiện truyền thông xã hội và các nguồn khác chứa đựng những hiểu biết sâu sắc và nên là

một phần của quá trình tạo dữ liệu và ra quyết định (Harrysson và cộng sự, 2014). Các quyết định được đưa ra dựa

trên dữ liệu phi cấu trúc nhưng thông qua các thủ tục được xác định trước thuộc loại này. Ví dụ, một công ty có

thể đặt ra các quy trình về cách thức và tần suất các cảnh quay video về dây chuyền lắp ráp phải được phân tích
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

và báo cáo cho các nhà quản lý tương ứng. Công ty cũng có thể muốn sử dụng các quy tắc được xác định trước về

việc phân tích các cuộc gọi (âm thanh) và phản hồi bằng văn bản của khách hàng để tinh chỉnh hỗ trợ khách hàng

của mình. BNY Mellon liên kết dữ liệu phi cấu trúc về tương tác của khách hàng với hệ thống dữ liệu toàn doanh

nghiệp để có được bức tranh rõ ràng hơn về nhu cầu ngân hàng của khách hàng và tạo ra sự hợp tác tốt hơn với

khách hàng (BNY Mellon, 2013). Một ví dụ điển hình của SD-UD là kỹ thuật ra quyết định Delphi, đây là một kỹ thuật

có hệ thống để thu hút quan điểm tập thể của một nhóm chuyên gia liên quan đến một chủ đề (Custer et al., 1999).

Cơ sở dữ liệu phản hồi là những ví dụ về SD-UD. Các thành viên của tổ chức có thể nhập phản hồi vào cơ sở dữ liệu.

Sau đó, thông tin, thường ở dạng văn bản, sẽ được kiểm tra thông qua cách tiếp cận tích hợp để trích xuất các

mẫu và hiểu thông tin được chia sẻ.

Mặc dù việc áp dụng các mô hình để tận dụng các mẫu và cấu trúc vốn có trong dữ liệu phi cấu trúc có thể là một

thách thức, nhưng các kỹ thuật như mô hình hóa toán học có thể được sử dụng trong SD-UD.

So với SD-SD, SD-UD có thể yêu cầu các bước bổ sung để biến dữ liệu phi cấu trúc thành dữ liệu có cấu trúc. Máy

học Microsoft Azure (https://azure.microsoft.com/) cung cấp tính năng phân tích văn bản – API phân tích văn bản –

có thể hỗ trợ kiểu ra quyết định này.

API phân tích văn bản là một dịch vụ Web sử dụng các kỹ thuật xử lý ngôn ngữ tự nhiên nâng cao để phân tích các

văn bản phi cấu trúc cho các tác vụ như phân tích cảm tính và trích xuất cụm từ khóa.

Quyết định phi cấu trúc dựa trên dữ liệu có cấu trúc

Ra quyết định như một quá trình không có cấu trúc cho thấy rằng các bước ra quyết định không nhất thiết phải

tuân theo một thứ tự nhiệm vụ đã định (Galotti, 2002). Các quyết định phi cấu trúc phụ thuộc nhiều hơn vào phán

đoán, kinh nghiệm, kiến thức trước đó của con người và cách diễn giải quyết định

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ QUẢN LÝ TRI THỨC TRANG 79

 Machine Translated by Google

bối cảnh và các lựa chọn thay thế (Zhang và cộng sự, 2015). UD-SD là khi người ra quyết định cá nhân hoặc tổ chức

có quyền truy cập vào dữ liệu có cấu trúc, nhưng có rất ít hoặc không có quy trình ra quyết định rõ ràng và được

xác định trước để tuân theo nhằm tích hợp dữ liệu vào quyết định.

Quyết định của CEO Facebook về việc mua lại WhatsApp trị giá 19 tỷ USD là một ví dụ về kiểu ra quyết định này.

Việc mua lại đã được thực hiện tại nhà của Mark Zuckerberg qua một cuộc trò chuyện (Olson, 2014). Dữ liệu có cấu

trúc có sẵn tại thời điểm đưa ra quyết định có thể bao gồm số lượng người đăng ký hiện có và đang hoạt động (hơn

450 triệu người dùng đang hoạt động vào tháng 12 năm 2013) và số lượng người dùng tham gia mạng ngày càng tăng

(thêm 1 triệu người dùng mới mỗi ngày). ngày) (Donald, 2014).

Đầu ra văn bản có cấu trúc và tổ chức của một hệ chuyên gia, cũng như các công cụ BI với hệ thống báo cáo nhanh

và đáng tin cậy, rất quan trọng và có thể rất hữu ích trong việc tạo UD-SD. Các công cụ BI&A 1.0, trong đó dữ liệu

chủ yếu được cấu trúc, xử lý phân tích trực tuyến (OLAP) và ngôn ngữ truy vấn cơ sở dữ liệu, được sử dụng để

khám phá dữ liệu quan trọng (Chen và cộng sự, 2012), là ví dụ về các hệ thống và kỹ thuật có thể hỗ trợ UD-SD .

Các cơ chế báo cáo kinh doanh được thiết lập tốt khác như phiếu ghi điểm trong quản lý hiệu suất kinh doanh được

sử dụng để trực quan hóa các chỉ số hiệu suất khác nhau cũng có thể được triển khai trong UD-SD. Các nhà cung

cấp CNTT chính như IBM, SAP và Oracle đã đưa hầu hết các kỹ thuật này vào nền tảng BI của họ (Sallam et al.,

2011).

Quyết định phi cấu trúc dựa trên dữ liệu phi cấu trúc

Việc kết hợp dữ liệu phi cấu trúc, chẳng hạn như dữ liệu truyền thông xã hội, vào các quyết định chiến lược có

thể rất khó khăn khi có rất ít hoặc không có quy trình hoặc cấu trúc quyết định rõ ràng. So với các góc phần tư

dữ liệu quyết định khác, UD-UD là quyết định dựa trên dữ liệu có cấu trúc ít nhất.

Một ví dụ về UD-UD là khi một công ty đưa ra quyết định phi cấu trúc dựa trên hệ thống quản lý tài liệu. Các hệ

thống quản lý tài liệu cung cấp chức năng tìm kiếm cho phép người dùng tìm kiếm các tài liệu như thủ tục và

chính sách, báo cáo, tài liệu đào tạo, v.v. để tìm các từ hoặc cụm từ khóa và truy xuất thông tin cần thiết. Công
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

ty cũng có thể muốn sử dụng các nguồn dữ liệu bên ngoài như Twitter và Facebook để thông báo và sao lưu quyết

định của họ.

Vì các quyết định phi cấu trúc thường được đưa ra để giải quyết các vấn đề phi cấu trúc và phức tạp, nên việc

phân tích bối cảnh là cực kỳ quan trọng (Bhidé, 2010; Macfadyen và Dawson, 2012; Shah và cộng sự, 2012). Các

tương tác xã hội đóng một vai trò quan trọng trong các kiểu ra quyết định của UD-SD và UD-UD; sự không chắc chắn

xung quanh các quyết định chiến lược và bản chất phi cấu trúc của dữ liệu có thể yêu cầu đàm phán và thảo luận

nhiều hơn giữa các nhà quản lý cấp cao.

Để có được đánh giá chính xác hơn về tình huống ra quyết định và các lựa chọn thay thế, các nhà quản lý tham gia

vào các quyết định chiến lược thu thập hầu hết thông tin của họ thông qua các mối quan hệ xã hội (Jansen et al.,

2011). Mặc dù các kỹ thuật hỗ trợ quyết định dựa trên dữ liệu có thể hữu ích trong cả bốn góc phần tư dữ liệu

quyết định, UD-UD chủ yếu dựa vào diễn giải và hiểu biết sâu sắc của con người, thay vì phân tích toán học.

Để hỗ trợ cả bốn loại quyết định dựa trên dữ liệu, các hệ thống KM cần hỗ trợ cả phân tích dữ liệu và hiểu biết

sâu sắc của con người. Chúng tôi đề xuất năm tính năng chính đặc trưng cho các hệ thống KM tiên tiến. Các tài

liệu còn tồn tại phản ánh một số tính năng này. Tuy nhiên, ít chú ý đến tính liên kết của tất cả các tính năng

này. Chúng tôi lập luận rằng không nên xem xét các tính năng này một cách cô lập mà được tích hợp vào các hệ

thống KM dưới dạng các tính năng tích hợp phù hợp với các quyết định chiến lược của tổ chức. Chúng tôi cũng nói

rõ cách các tính năng được liên kết với bốn loại quyết định dựa trên dữ liệu.

Thiết lập các quy tắc cơ bản cho các hệ thống quản lý tri thức tiên tiến

Chúng tôi mô tả các hệ thống KM tiên tiến là mang tính xã hội, đa ngôn ngữ, tích hợp, năng động và nhanh nhẹn,

cũng như đơn giản và dễ hiểu.

TRANG 80 TẠP CHÍ QUẢN TRỊ TRI THỨC TẬP. 21 KHÔNG. 1 2017
 Machine Translated by Google

Xã hội

Như các chuyên gia dữ liệu McKinsey và hiệu trưởng Pyle và San Jose (2015) lưu ý, mặc dù vai trò của dữ liệu

lớn và phân tích nâng cao trong việc nâng cao các quyết định kinh doanh là không thể phủ nhận, nhưng chỉ

những người quản lý con người (chứ không phải máy móc) mới có thể quyết định các vấn đề quan trọng, chẳng

hạn như vấn đề quan trọng nào. các vấn đề kinh doanh mà một công ty nên cố gắng giải quyết. Kiến thức được

xây dựng dựa trên bí quyết và phát triển dựa trên kinh nghiệm, nhận thức, sở thích, quan điểm, giá trị và niềm

tin của chính người đó. Theo đó, chia sẻ kiến thức đòi hỏi các cơ chế khác như mạng xã hội hơn là cơ sở dữ

liệu và thủ tục tiêu chuẩn (Wang và cộng sự, 2015). Bebensee và cộng sự. (2011) báo cáo rằng phương tiện

truyền thông xã hội thay đổi cơ bản cách nhân viên xử lý các quá trình tri thức như tạo ra, chia sẻ và thực

hiện tri thức. Bebensee và cộng sự. (2011) lập luận rằng Web 2.0 có ba lớp có thể hỗ trợ KM:

1. Web 2.0 được thành lập dựa trên các nguyên tắc xã hội, chẳng hạn như cộng tác không giới hạn và ngang hàng

sản xuất.

2. Web 2.0 cung cấp một loạt ứng dụng bao gồm blog, đánh dấu trang xã hội, chia sẻ phương tiện, kết hợp dữ

liệu và nền tảng chỉnh sửa, dễ sử dụng và trực quan để hiểu.

3. Web 2.0 dựa trên cơ sở hạ tầng chẳng hạn như nền tảng mở sử dụng mạng xã hội

phương tiện truyền thông không tốn kém đáng kể.

Nhiều nền tảng truyền thông xã hội thu hút người dùng với nhiều sở thích khác nhau và cung cấp các phương

tiện tìm kiếm dễ dàng cho phép người dùng tìm thấy kiến thức chuyên môn phù hợp nhất (Von Krogh, 2012).

Việc kết nối “con người với con người” phải là một phần của tất cả các hệ thống KM không phải là điều mới

(Anand et al., 2008, p. 22). Tuy nhiên, trong các hệ thống KM tiên tiến, mức độ tương tác xã hội được xác

định bởi loại quyết định dựa trên dữ liệu. Trong khi phân tích dữ liệu làm cơ sở cho SD-SD và SD-UD, các tương

tác xã hội đóng một vai trò quan trọng trong UD-SD và UD-UD bằng cách đánh giá và tích hợp dữ liệu lớn và hiểu
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

biết sâu sắc của con người. Vì các quyết định chiến lược thường được đưa ra bởi một nhóm người và thông

qua các quy trình ít cấu trúc hơn, nên sự tương tác giữa các nhà quản lý giữa các bộ phận và cấp tổ chức là

rất quan trọng trong việc đưa ra các chiến lược hiệu quả (Mintzberg, 1996). Dữ liệu và kiến thức được trao

đổi thông qua các kết nối xã hội có thể nâng cao việc xây dựng và thực hiện các chiến lược (Ahearne et al.,

2014). Theo đó, việc kết hợp dữ liệu lớn vào các quyết định chiến lược đòi hỏi sự hợp tác thuận lợi đáng tin

cậy giữa những người chịu trách nhiệm xây dựng chiến lược của tổ chức (tức là các nhà quản lý và nhà phân

tích chiến lược) và những người xử lý phân tích dữ liệu (tức là các nhà phân tích dữ liệu). Sự hợp tác này

rất quan trọng vì nó đảm bảo sự liên kết giữa phân tích dữ liệu lớn và định hướng chiến lược của tổ chức.

Các hệ thống KM tiên tiến không chỉ khuyến khích và tạo điều kiện thuận lợi cho các tương tác xã hội trong tổ

chức mà còn hỗ trợ các tương tác giữa tổ chức và các bên liên quan bên ngoài. Sự tương tác xã hội giữa các

cấp tổ chức và với các bên liên quan bên ngoài tổ chức là đặc biệt quan trọng, bởi vì mối quan hệ chặt chẽ

giữa các nhân viên quản lý cấp cao có thể khiến họ ngăn chặn một cách nhận thức những ý tưởng đến từ bên

ngoài nhóm (ví dụ như các nhà quản lý cấp trung) (Mintzberg, 1996) .

“Tiểu blog” là một ví dụ về các tính năng mà các hệ thống KM tiên tiến có thể cung cấp để tạo điều kiện chia

sẻ kiến thức thông qua các tương tác xã hội. Tiểu blog cho phép người dùng chia sẻ danh sách kinh nghiệm và

sở thích của họ với người khác và tham gia vào các cuộc thảo luận (Cleveland và Ellis, 2015). Các hệ thống KM

nên tạo điều kiện thảo luận và cung cấp dữ liệu cập nhật và đáng tin cậy cho các cuộc thảo luận. Mặt khác,

bằng cách cung cấp các tính năng phân tích dữ liệu và các phương tiện tương tác xã hội, các hệ thống KM tiên

tiến có thể kết nối các cơ sở phân tích cụ thể với các diễn giải và đàm phán diễn ra trong các tương tác và

hội thoại xã hội.

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 81

 Machine Translated by Google

Với xu hướng toàn cầu hóa và môi trường làm việc đa văn hóa và đa quốc gia ngày càng tăng
trong các doanh nghiệp hiện tại, tính năng “xã hội” của các hệ thống KM được tăng cường bởi
một tính năng khác hỗ trợ sự tương tác giữa những người có ngôn ngữ khác nhau: “đa ngôn ngữ”.

Đa ngôn ngữ: truy xuất kiến thức đa ngôn ngữ

Hơn 150 ngôn ngữ được sử dụng trên internet (Kornai, 2013). Mặc dù con số này là một phần
nhỏ (2 phần trăm) trong số khoảng 7.000 ngôn ngữ được sử dụng hiện nay, nhưng nó chỉ ra
rằng các hệ thống thông tin và đặc biệt hơn là các hệ thống KM cần có khả năng xử lý các
tương tác đa ngôn ngữ bằng cách cung cấp kiến thức đa ngôn ngữ hiệu quả. tính năng truy xuất
(CLKR). CLKR có thể được định nghĩa là các công cụ máy tính cho phép người dùng tìm kiếm
kiến thức và chuyên môn cần thiết trên một số nguồn, ban đầu được phân phối trên các ngôn
ngữ khác nhau. Khả năng tạo điều kiện giao tiếp giữa những người dùng nói các ngôn ngữ khác
nhau là một đặc điểm cố hữu và khác biệt của các hệ thống KM tiên tiến.

Truy xuất thông tin đa ngôn ngữ (CLIR) – còn được gọi là truy xuất thông tin đa ngôn ngữ,
chủ yếu liên quan đến dữ liệu và thông tin, sẽ bổ sung cho CLKR. Tính năng kết hợp CLKR-CLIR
cho phép các hệ thống KM tiên tiến có thể khám phá, lưu trữ và truy xuất dữ liệu, thông tin
và kiến thức. Các công cụ như English-Dutch CLIR (Vulic´ et al., 2015), Dark Web Forum
Portal, nơi thu thập nội dung do người dùng tạo bằng các ngôn ngữ khác nhau trên mạng xã hội
(Dang et al., 2011), Mulinex, Keizai, UCLIR, MIRACLE và MultiLexExplorer (Ahmed và Nurnberger,
2012; Talvensaari và cộng sự, 2007) là những ví dụ về CLIR. Tuy nhiên, những công cụ này
được thiết kế để xử lý dữ liệu và thông tin hơn là kiến thức. Hơn nữa, hầu hết các công cụ
này, như Baur et al. (2015) báo cáo, thiếu hoặc có các khả năng phân tích hạn chế như thu
thập, phân tích, tổng hợp và xuất dữ liệu trực quan.

Một hệ thống KM tiên tiến vượt xa khả năng tra cứu, dịch thuật và phân tích văn bản đa ngôn
ngữ, nội dung dữ liệu đơn giản (nghĩa là phát hiện ngôn ngữ mà tài liệu được viết và dịch nó
sang ngôn ngữ mong muốn). Các hệ thống KM nâng cao cũng có ngữ nghĩa và có thể hỗ trợ các
cuộc hội thoại bằng lời nói bằng cách cung cấp thông dịch bằng giọng nói. Các công ty như
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Apple, Samsung và Microsoft đã tích hợp công nghệ nhận dạng giọng nói vào các sản phẩm của
họ, bao gồm điện thoại di động, máy tính xách tay, máy tính bảng và máy chơi game. Tuy nhiên,
tính năng này bị thiếu đáng kể trong các hệ thống KM thông thường. Khía cạnh ngữ nghĩa của
CLKR có thể nâng cao đáng kể hiệu quả và hiệu quả của các hệ thống KM bằng cách tăng tốc độ
lưu trữ và truy xuất kiến thức, điều này sẽ tiêu tốn rất nhiều thời gian và tiền bạc. Một ví
dụ về tính năng tương tự là công cụ xử lý ngôn ngữ tự nhiên mà UnitedHealthcare sử dụng để
hiểu rõ hơn về mức độ hài lòng của khách hàng. Công cụ chuyển đổi các bản ghi cuộc gọi thoại
của khách hàng thành văn bản và sau đó tìm kiếm các dấu hiệu cho thấy (không) hài lòng của

khách hàng.

Tính năng CLKR-CLIR tăng cường tính toàn vẹn của các hệ thống KM tiên tiến bằng cách cung
cấp một môi trường năng động nhưng được liên kết chiến lược, nơi khám phá và nắm bắt kiến
thức và chuyên môn cần thiết, cũng như xác định những cá nhân hoặc bộ phận thiếu kiến thức
và chuyên môn, được hỗ trợ và tạo điều kiện thuận lợi một cách hiệu quả. Dựa trên tính năng
tích hợp của CLKR-CLIR, các hệ thống KM tiên tiến có thể hỗ trợ tất cả các loại quyết định
của SD-SD, UD-SD, SD-UD và UD-UD. CLKR tăng cường tích hợp các hệ thống KM tiên tiến.

tích hợp

CLKR cho phép một hệ thống KM tiên tiến cho phép người dùng tự do và theo cách có thể kiểm
soát mở ra kiến thức, chuyên môn, hiểu biết sâu sắc, kinh nghiệm, kỳ vọng, nhận thức, quan
điểm cá nhân và nghề nghiệp, giá trị và niềm tin nói chung hoặc về một vấn đề cụ thể. Người
dùng có thể đánh giá kiến thức không chỉ liên quan đến chủ đề hoặc bối cảnh ra quyết định mà
còn liên quan đến tính cách, nền tảng chuyên môn và chuyên môn của người tham gia. Bằng cách
này, người dùng có nhiều khả năng hơn

TRANG 82 TẠP CHÍ QUẢN LÝ TRI THỨC TẬP. 21 KHÔNG. 1 2017

 Machine Translated by Google

và có nhiều quyền kiểm soát hơn đối với việc chia sẻ và tiếp thu kiến thức qua mạng lưới người dùng bên

trong (ví dụ: người quản lý, đồng nghiệp và cấp dưới) và bên ngoài tổ chức (ví dụ: khách hàng, nhà cung cấp

và cổ đông). Việc đánh giá kiến thức đa chiều dẫn đến cái mà chúng ta gọi là “sự phù hợp về kiến thức”. Người

dùng có thể đưa ra quyết định sáng suốt hơn về việc liệu chuyên gia được tiếp cận cũng như kiến thức và

chuyên môn được tìm kiếm có phù hợp với người tìm kiếm kiến thức, chủ đề và quan trọng hơn là định hướng

chiến lược của bộ phận và tổ chức hay không.

Tính năng tích hợp của hệ thống KM tiên tiến không nhất thiết có nghĩa là tất cả dữ liệu phân tán và dữ liệu

được tạo bởi các nguồn khác nhau và ở các dạng khác nhau nhất thiết phải được lưu trữ trong một cơ sở dữ

liệu duy nhất và sau đó được xử lý từ đó. Tuy nhiên, hệ thống KM sẽ cho phép người dùng xử lý sự đa dạng

bằng cách vẽ ra mối liên kết có ý nghĩa giữa các nguồn và dạng dữ liệu và kiến thức khác nhau. Theo nghĩa này,

một hệ thống KM được đặc trưng là “tích hợp” hỗ trợ các yếu tố sau:

Thu thập và tổng hợp dữ liệu và kiến thức bị phân mảnh và rải rác trong tổ chức: Dữ liệu bị phân mảnh có

thể là kết quả của việc dữ liệu được tạo vào các thời điểm khác nhau, bởi các tác nhân/nhân viên khác

nhau, về các chủ đề khác nhau và trong các bối cảnh không giống nhau. Thường không có kết nối hoặc liên

kết rõ ràng giữa các dữ liệu bị phân mảnh.

Vẽ các kết nối có ý nghĩa giữa dữ liệu có cấu trúc và phi cấu trúc: Sự đa dạng của các nguồn dữ liệu (ví

dụ: các nguồn cung cấp dữ liệu có cấu trúc, chẳng hạn như dữ liệu giao dịch hoặc dữ liệu CRM và ERP,

cũng như các nguồn cung cấp dữ liệu phi cấu trúc, chẳng hạn như cảm biến, phản hồi của khách hàng qua

Twitter, email, hoặc đánh giá trên các trang web) có thể tạo cơ hội để xem xét nhiều quan điểm.

Hơn nữa, đầu ra của các hệ thống KM không nên bị giới hạn ở các đầu ra dạng văn bản: nó cũng nên hỗ trợ kiến

thức chuyên môn phi văn bản, ví dụ, suy luận trực quan (Carbonell và cộng sự, 1987), hoặc phân tích âm thanh

(Oxman, 1991).
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Năng động và nhanh nhẹn

Các khía cạnh xã hội, đa ngôn ngữ và tích hợp khiến các hệ thống KM tiên tiến trở nên năng động và nhanh nhẹn.

Để đưa ra các quyết định phù hợp và khả thi, sự năng động và nhanh nhẹn là rất quan trọng trong quá trình ra

quyết định (Shimizu và Hitt, 2004). Như Davenport (2014) nhấn mạnh, mục tiêu chính của việc khám phá dữ liệu

lớn là đưa ra quyết định trong thời gian thực. Các hệ thống KM tiên tiến phải có khả năng xử lý tốc độ của dữ

liệu có sẵn bằng cách cho phép thu thập, tổng hợp và chia sẻ dữ liệu cũng như kiến thức được tạo ra trong

quá trình tương tác của những người tham gia. Điều này đặc biệt quan trọng vì tốc độ ra quyết định chiến

lược có liên quan trực tiếp đến hiệu suất (Baum và Wally, 2003; Eisenhardt, 1989). Các tổ chức sẽ không thể

phản ứng hiệu quả với môi trường kinh doanh đầy biến động và nhu cầu thị trường thay đổi nhanh chóng, trừ

khi họ có thể nâng cao tốc độ ra quyết định của mình trong các lĩnh vực chiến lược và chiến thuật (Dewhurst

và Willmott, 2014). Tầm quan trọng của đặc điểm này thể hiện rõ trong thực tiễn quản lý. Tập đoàn Intel đã

rút ngắn vòng đời sản phẩm của họ từ 6 tháng xuống còn 10 tuần để tiếp cận thị trường nhanh hơn (Buchholz et

al., 2012). Tương tự, Tập đoàn DaimlerChrysler (2001) đã sử dụng một hệ thống phát triển sản phẩm mới để giảm

thời gian phát triển phương tiện và nâng cao chất lượng. Tốc độ tạo dữ liệu nhanh tạo cơ hội kết hợp dữ liệu

và thông tin thời gian thực vào quá trình ra quyết định.

Như Davenport (2014) nhấn mạnh, các hệ thống hỗ trợ dữ liệu lớn có thể giúp thu thập, tổng hợp, xử lý và phân

tích dữ liệu nhanh chóng.

Ví dụ: một hệ thống KM không hỗ trợ cộng tác ảo và trực tiếp (các cuộc họp trực tuyến và thông báo theo thời

gian thực) sẽ ít có khả năng được hưởng lợi từ tốc độ của dữ liệu lớn.

Việc tích hợp phân tích dữ liệu vào các hệ thống KM cho phép nó hỗ trợ việc ra quyết định nhanh chóng bằng

cách giảm độ trễ thời gian giữa việc phân tích dữ liệu thời gian thực và quyết định cuối cùng. Điều này có

thể được thực hiện bằng cách xây dựng tính năng “tích hợp” của các hệ thống KM tiên tiến. kết hợp

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 83

 Machine Translated by Google

một loạt các nguồn dữ liệu, các hệ thống KM tiên tiến có thể đẩy nhanh quá trình xác định và
đánh giá các phương án thay thế.

Tính năng năng động-nhanh nhẹn liên quan đến việc thu thập, tích hợp và báo cáo về dữ liệu và
kiến thức một cách hợp lý nhanh chóng. Tốc độ của dữ liệu có thể tăng tốc độ ra quyết định.
Tuy nhiên, phân tích dữ liệu nhanh hơn không nhất thiết dẫn đến một quyết định hiệu quả nếu
chuyên môn, kinh nghiệm, kiến thức và hiểu biết cần thiết không có sẵn để giải thích và tích
hợp phân tích dữ liệu vào quyết định. Mặc dù SD-SD và SD-UD có thể thể hiện tính linh hoạt
hơn, nhưng UD-SD và UD-UD lại năng động hơn. Dựa trên các thuật toán phân tích và phát triển
trước cho phép SD-SD và SD-UD trở nên linh hoạt hơn.
Tuy nhiên, vì hầu hết các quyết định chiến lược được đưa ra thông qua các quy trình ít cấu trúc hơn (nghĩa là

UD-SD và UD-UD), sự linh hoạt ít nhiều được đánh đổi bằng tính năng động trong các quyết
định của UD-SD và UD-UD. Theo đó, các hệ thống KM cần phải năng động và linh hoạt. Điều này
chủ yếu là do sự xuất hiện của dữ liệu lớn đã khiến nhiều công ty coi dữ liệu lớn, bên cạnh
kiến thức, chuyên môn, kinh nghiệm, sở thích và hiểu biết sâu sắc, là đầu vào quan trọng
trong quá trình xây dựng chiến lược của họ.

Để các hệ thống KM có thể hưởng lợi từ sự nhanh nhẹn và năng động, các hệ thống phải đơn
giản và dễ hiểu đối với mọi người trong toàn tổ chức.

Đơn giản và dễ hiểu

Việc thực thi hiệu quả dữ liệu lớn và tích hợp kiến thức vào quá trình ra quyết định không
chỉ phụ thuộc vào các khía cạnh kỹ thuật của hệ thống KM. Các hệ thống KM nâng cao phải được
thiết kế sao cho người ra quyết định và tất cả những người tham gia khác tham gia vào hệ
thống KM có thể hiểu được công cụ và quan trọng hơn là tin tưởng vào nó. Mặc dù việc phát
triển các thuật toán để hỗ trợ SD-SD có thể yêu cầu kỹ năng phân tích và kỹ thuật cao, còn UD-
UD và UD-SD phụ thuộc nhiều hơn vào kiến thức chuyên môn và hiểu biết sâu sắc.
Nhu cầu tham gia của nhiều người dùng với kiến thức và kỹ năng khác nhau trong các hệ thống

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8
KM tiên tiến để hỗ trợ cả bốn loại quyết định có thể khiến hệ thống KM trở nên phức tạp. Sự
phức tạp không cần thiết của hệ thống làm giảm khả năng và mức độ tham gia của người dùng.
Trong một cuộc phỏng vấn về việc đưa dữ liệu lớn và phân tích nâng cao vào hoạt động, giám
đốc McKinsey Court (2012), nhấn mạnh rằng để sử dụng dữ liệu lớn để cải thiện các quyết định,
các công cụ hỗ trợ quyết định được người ra quyết định sử dụng phải đơn giản và dễ hiểu,
nếu không mọi người sẽ không sử dụng. họ: “đối với một công ty, nếu bạn có 100.000 nhân viên
và bạn chỉ có 14 người thực sự biết những thứ này và cách sử dụng nó, thì bạn sẽ không có
được sự thay đổi bền vững” (đoạn 11). Một hệ thống KM tiên tiến thu hút kinh nghiệm, kiến
thức hiện thân và tiềm ẩn, tích hợp nhiều cách diễn giải khác nhau và nâng cao khả năng ứng
dụng dữ liệu vào tình huống ra quyết định. Theo đó, những người có kiến thức và kinh nghiệm
làm việc khác nhau sẽ có thể làm việc với các hệ thống KM tiên tiến.

Tính năng dễ sử dụng đi kèm với các khía cạnh chính khác như xã hội, đa ngôn ngữ, tích hợp,
năng động và nhanh nhẹn cho phép các hệ thống KM nâng cao hỗ trợ cả bốn loại quyết định dựa
trên dữ liệu bằng cách cung cấp các nguồn dữ liệu và kiến thức đa dạng. Tuy nhiên, việc thiết
kế và phát triển các hệ thống KM tiên tiến không đơn giản và có thể là thách thức đáng kể.
Tập hợp nhiều người dùng khác nhau như nhà phân tích dữ liệu, nhà quản lý, chuyên gia kinh
doanh và nhà phân tích chiến lược có thể dẫn đến một hệ thống KM cung cấp các tính năng vừa
phải. Hệ thống KM có thể không cung cấp tất cả các tính năng của một hệ thống KM tiên tiến
trong phạm vi đã được thảo luận trong bài viết này, thay vào đó cung cấp các tính năng vừa
phải và thỏa đáng. Ví dụ: trong khi các nhà phân tích dữ liệu có thể nhấn mạnh hơn vào các
tính năng phân tích của hệ thống, thì các chuyên gia kinh doanh và những người sử dụng tri
thức khác có thể coi giao tiếp và sự đơn giản là cơ bản hơn. Trong một tổ chức có ít sự đa
dạng về ngôn ngữ, ban quản lý có thể không muốn đầu tư nhiều vào tính năng đa ngôn ngữ của
hệ thống. Tương tự, một tổ chức đa quốc gia có thể thích nhấn mạnh vào tính đơn giản của hệ
thống KM tiên tiến nếu phần lớn nhân viên của họ

TRANG 84 TẠP CHÍ QUẢN TRỊ TRI THỨC TẬP. 21 KHÔNG. 1 2017
 Machine Translated by Google

ít thiên về kỹ thuật hơn và tính đa dạng ngôn ngữ cao trong tổ chức và trên khắp các quốc gia
nơi tổ chức đang hoạt động. Chúng tôi nhấn mạnh rằng thiết kế của các hệ thống KM có thể khác
nhau tùy thuộc vào các yếu tố như mục tiêu và chiến lược của tổ chức, sở thích của người dùng
và văn hóa tổ chức. Chúng tôi đề xuất rằng mặc dù các quy tắc cơ bản được coi là thành phần cần
thiết của các hệ thống KM tiên tiến, nhưng mức độ mà một tổ chức nhấn mạnh vào bất kỳ tính năng
nào sẽ phản ánh các mục tiêu và văn hóa của tổ chức, cũng như sở thích của người dùng.

thảo luận và kết luận

Sự xuất hiện của dữ liệu lớn và sự đa dạng của các nguồn dữ liệu và kiến thức cũng như các hình
thức bên trong và bên ngoài các tổ chức đã làm tăng tính phức tạp của các quy trình ra quyết
định chiến lược. Các quyết định chiến lược thường bị bao quanh bởi sự mơ hồ, không chắc chắn
và rủi ro và phụ thuộc không nhỏ vào kiến thức, chuyên môn, kinh nghiệm, kỳ vọng, nhận thức, sở
thích, giá trị và niềm tin của các cá nhân và nhóm trong một tổ chức. Hơn nữa, khối lượng lớn,
tốc độ và sự đa dạng của dữ liệu lớn đóng vai trò quan trọng trong việc cung cấp thông tin và
nâng cao chất lượng của các quyết định chiến lược không nên đánh giá thấp.

Chúng tôi đã lập luận rằng sự xuất hiện của dữ liệu lớn đòi hỏi những điều chỉnh không thể tránh
khỏi trong các hệ thống KM để cho phép các tổ chức và nhà quản lý tích hợp dữ liệu lớn vào kiến
thức và hiểu biết chuyên môn của họ để đưa ra các quyết định chiến lược hiệu quả hơn. Chúng
tôi đề xuất một khung khái niệm để giải quyết câu hỏi: dữ liệu lớn và nhu cầu phân tích nâng cao
trong các quyết định chiến lược sẽ cung cấp thông tin như thế nào và, nếu cần, cải cách (thiết
kế và triển khai) các hệ thống KM?

Chúng tôi lập luận rằng ngoài việc khuyến khích và tạo điều kiện thuận lợi cho các quy trình tri
thức như tạo, lưu trữ, truy xuất, phổ biến và ứng dụng tri thức, các hệ thống KM nên hỗ trợ
các quyết định chiến lược bằng cách tích hợp dữ liệu lớn vào chúng. Các tổ chức cần đảm bảo
rằng các hệ thống KM của họ được (tái) thiết kế theo cách hỗ trợ tích hợp liền mạch kiến thức
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

và dữ liệu lớn. Chúng tôi gọi các hệ thống này là các hệ thống KM tiên tiến và mô tả chúng là
các hệ thống mang tính xã hội, đa ngôn ngữ, tích hợp, năng động và nhanh nhẹn; và đơn giản và
dễ hiểu. Các hệ thống KM nâng cao vượt ra ngoài một công cụ khai thác văn bản đơn giản hoặc một
cơ chế phân tích tài liệu hoặc một hệ thống chia sẻ kiến thức đơn thuần. Các hệ thống KM tiên
tiến cho phép tích hợp kiến thức và hiểu biết sâu sắc của con người với dữ liệu lớn, đồng thời
tạo điều kiện kết hợp dữ liệu lớn và kiến thức vào các quyết định chiến lược.

Chúng tôi đã xác định bốn kiểu ra quyết định chính phụ thuộc vào việc quyết định và dữ liệu cơ
bản có cấu trúc hay không có cấu trúc: SD-SD, SD-UD, UD-SD và UD-UD. Chúng tôi lập luận rằng các
hệ thống KM tiên tiến hỗ trợ bốn loại quyết định dựa trên dữ liệu.

Bài viết này đóng góp cho KM và tài liệu về ra quyết định bằng cách giới thiệu và mô tả các hệ
thống KM tiên tiến và đề xuất một loại hình ra quyết định dựa trên dữ liệu. Kiểu quyết định dựa
trên dữ liệu là mới và, theo hiểu biết tốt nhất của chúng tôi, không tồn tại trong tài liệu.
Công việc trước đây chưa đưa ra lời giải thích về cách các hệ thống KM có thể tích hợp dữ liệu
lớn vào kiến thức để đưa ra các quyết định chiến lược hiệu quả hơn. Đặc biệt, việc giới thiệu
kiểu quyết định dựa trên dữ liệu kết hợp với dữ liệu lớn và kiến thức mang lại một đóng góp đáng
kể cho các tài liệu hiện có.

Bài báo này cũng cung cấp cái nhìn sâu sắc cho các học viên. Cuộc tranh luận sẽ kích thích tư
duy phản biện mà những người thực hành bao gồm các nhà thiết kế hệ thống, quản lý tổ chức và
người dùng cần thực hiện khi đánh giá hiệu quả của các hệ thống KM của họ. Thảo luận của chúng
tôi về các quy tắc cơ bản làm sáng tỏ cách điều chỉnh các hệ thống KM với các chiến lược của tổ
chức và cách quản lý đầu tư tài chính trong thiết kế và triển khai các hệ thống KM cũng như
đào tạo cần thiết.

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 85

 Machine Translated by Google

Kiểu quyết định dựa trên dữ liệu của chúng tôi và đặc điểm của chúng tôi về các hệ thống KM
tiên tiến làm sáng tỏ cách hệ thống KM nên được cải cách để tích hợp dữ liệu lớn vào kiến
thức nhằm hỗ trợ các quyết định chiến lược. Tuy nhiên, có một số thách thức trong khung
khái niệm có thể cung cấp thông tin cho các nghiên cứu trong tương lai quan tâm đến chủ đề
tương tự. Ví dụ: kiểu quyết định dựa trên dữ liệu đặt ra một số thách thức: mối quan hệ qua
lại giữa các góc phần tư dữ liệu quyết định là trung tâm của chúng. Điều tra sâu hơn có thể
mở rộng hiểu biết của chúng ta về tầm quan trọng của mỗi góc phần tư có thể thay đổi như
thế nào tùy thuộc vào ngành. Sự kết hợp nào trong bốn góc phần tư có thể là sự kết hợp tốt
nhất tùy thuộc vào mức độ phức tạp của các quyết định: quyết định đơn giản, quyết định phức
tạp hay quyết định phức tạp (McKenzie và cộng sự, 2011)? Tương tự như vậy, quá trình chuyển
đổi từ góc phần tư này sang góc phần tư khác được giải thích như thế nào? Nếu người quản
lý ở trong tình huống UD-UD và dự định đưa ra quyết định có cấu trúc hơn (tức là chuyển sang
SD-UD), người ra quyết định cần trải qua quy trình nào để thực hiện quá trình chuyển đổi đó?
Những tính năng và hướng dẫn nào được yêu cầu?

Người giới thiệu

Ackoff, RL (1989), “Từ dữ liệu đến trí tuệ”, Tạp chí Phân tích Hệ thống Ứng dụng, Tập. 16 Số 1, trang 3-9.

Agarwal, R. và Dhar, V. (2014), “Biên tập – dữ liệu lớn, khoa học dữ liệu và phân tích: cơ hội và thách thức đối
với nghiên cứu IS”, Nghiên cứu Hệ thống Thông tin, Tập . 25 Số 3, trang 443-448.

Ahearne, M., Lam, SK và Kraus, F. (2014), “Tác động hiệu suất của việc thực hiện chiến lược thích ứng của các nhà
quản lý cấp trung: vai trò của vốn xã hội”, Tạp chí Quản lý Chiến lược, Tập . 35 Số 1, trang 68-87.

Ahmed, F. và Nurnberger, A. (2012), “Đánh giá tài liệu về các công cụ truy xuất thông tin liên ngôn ngữ tương
tác,” Tạp chí Công nghệ thông tin Ả Rập Quốc tế, Tập. 9 Số 5, trang 479-486.

Alavi, M. và Leidner, DE (2001), “Đánh giá: quản lý tri thức và các hệ thống quản lý tri thức”, Cơ sở khái niệm và
các vấn đề nghiên cứu, Tập. 25 Số 1, trang 107-136.
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Amason, AC (1996), “Phân biệt tác động của xung đột chức năng và rối loạn chức năng đối với việc ra quyết định
chiến lược: giải quyết nghịch lý cho các nhóm quản lý cấp cao”, Tạp chí Học viện Quản lý, Tập . 39 Số 1, trang
123-148.

Anand, Y., Pauleen, D. và Dexter, S. (2008), “Ngân hàng Dự trữ New Zealand: hành trình hướng tới quản lý tri
thức”, trong Jennex, M. (Ed.), Quản lý Tri thức: Khái niệm, Phương pháp luận, Công cụ và Ứng dụng, Tham khảo Khoa
học Thông tin, Đại học Bang San Diego, Hershey, PA, trang 2423-2447.

Barton, D. và Court, D. (2012), “Làm cho các phân tích nâng cao hoạt động hiệu quả cho bạn”, Harvard Business
Review, Vol. 90 Số 10, trang 78-83.

Baum, JR và Wally, S. (2003), “Tốc độ ra quyết định chiến lược và hiệu quả hoạt động của công ty” , Tạp chí Quản
lý Chiến lược, Tập. 24 Số 11, trang 1107-1129.

Baur, AW, Lipenkova, J., Bühler, J. và Bick, M. (2015), “Một phương pháp khoa học thiết kế mới để tích hợp nội
dung do người dùng Trung Quốc tạo ra trong lĩnh vực thông tin thị trường không phải của Trung Quốc”, bài báo được
trình bày tại Hội nghị Quốc tế lần thứ 36 Hội nghị về Hệ thống Thông tin, Fort Worth, TX, 13-16 tháng 12.

Bebensee, T., Helms, R. và Spruit, M. (2011), “Khám phá các ứng dụng Web 2.0 như một phương tiện để tăng cường
quản lý tri thức”, Tạp chí điện tử về Quản lý Tri thức, Tập. 9 Số 1, trang 65-73.

Bhidé, A. (2010), “Thiếu khả năng phán đoán”, Harvard Business Review, Vol. 88 Số 9, tr 44-53.

BNY Mellon (2013), “Báo cáo của BNY Mellon cho biết thị trường trái phiếu mèo có thể tăng gấp đôi lên 50 tỷ USD
vào năm 2018”, The Bank of New York Mellon, The Annual Report, có tại: www.bnymellon.com/us/en/ newsroom /news/press-
releases/bny-mellon-report-says-cat-bond-market-could-more-than-double-to 50-tỷ-by-2018.jsp (truy cập ngày 7 tháng 7
năm 2015).

Bose, R. (2009), “Phân tích nâng cao: cơ hội và thách thức”, Hệ thống dữ liệu & quản lý công nghiệp , Tập. 109 Số
2, trang 155-172.

TRANG 86 TẠP CHÍ QUẢN TRỊ TRI THỨC TẬP. 21 KHÔNG. 1 2017
 Machine Translated by Google

Buchholz, D., DeVetter, D., Gonzalez, J., Livne, O. và Mahvi, J. (2012), “Quản lý vòng đời của PC: tăng năng suất
và hiệu quả CNTT”, Sách trắng IT@Interl, có tại: www .intel.com/content/ dam/www/public/us/en/documents/best-
practices/pc-lifecycle-man Quản lý.pdf (truy cập ngày 30 tháng 7 năm 2015).

Carbonell, N., Fohr, D. và Haton, J. (1987), “Aphodex: hệ thống chuyên gia giải mã ngữ âm-âm thanh”, trong Chen,
CH (Ed.), Kỷ yếu của Hội thảo IEEE về Hệ thống chuyên gia và Phân tích mẫu, Khoa học Thế giới, Paris, trang 31-44.

Chen, H., Chiang, RHL và Storey, VC (2012), “Kinh doanh thông minh và phân tích: từ dữ liệu lớn đến tác động lớn”,
MIS Quarterly, Vol. 36 Số 4, trang 1165-1188.

Cleveland, S. và Ellis, TJ (2015), “Vai trò của năng lực tiểu blog trong việc chia sẻ kiến thức và cộng tác trong
các nhóm ảo”, bài báo được trình bày tại Hội nghị Châu Mỹ lần thứ 21 về Hệ thống Thông tin, Puerto Rico, 13-15
tháng 8.

Court, D. (2012), “Đưa dữ liệu lớn và phân tích nâng cao vào hoạt động”, McKinsey & Company, có tại:
www.mckinsey.com/insights/marketing_sales/putting_big_data_and_advanced_analytics_to_work (truy cập ngày 25 tháng
7 năm 2015).

Cox, AM (2007), “Tái tạo kiến thức: xerox và câu chuyện về quản lý kiến thức”, Nghiên cứu & Thực hành Quản lý Tri
thức, Tập. 5 Số 1, trang 3-12.

Custer, RL, Scarcella, JA và Stewart, BR (1999), “Kỹ thuật Delphi đã sửa đổi: một sửa đổi quay vòng”, Tạp chí
Giáo dục Kỹ thuật và Dạy nghề, Tập. 15 Số 2, trang 5-15.

Dang, Y., Zhang, Y., Hu, PJH, Brown, SA và Chen, H. (2011), “Lập bản đồ tri thức cho các lĩnh vực đang phát triển
nhanh chóng: một phương pháp tiếp cận khoa học thiết kế”, Decision Support Systems, Vol . 50 Số 2, trang 415-427.

Davenport, TH (2013), “Analytics 3.0”, Harvard Business Review, Vol. 91 Số 12, tr 64-72.

Davenport, TH (2014), Dữ liệu lớn tại nơi làm việc: Xua tan huyền thoại, Khám phá các cơ hội, Harvard Business
Review Press, Boston, MA.

Davenport, TH và Prusak, L. (1998), Kiến thức làm việc: Tổ chức quản lý những gì họ biết như thế nào, Harvard
Business Review Press, Boston, MA.
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Davenport, TH và Prusak, L. (2000), Kiến thức làm việc: Tổ chức quản lý những gì họ biết như thế nào, Harvard
Business Review Press, Boston, MA.

Davenport, TH, Barth, P. và Bean, R. (2013), “'Dữ liệu lớn' khác biệt như thế nào", MIT Sloan Management Review,
Vol. 54 Số 1, tr 43-46.

Delen, D. và Demirkan, H. (2013), “Dữ liệu, thông tin và phân tích dưới dạng dịch vụ” , Hệ thống hỗ trợ quyết
định, Tập. 55 Số 1, trang 359-363.

Dewhurst, M. và Willmott, P. (2014), “Người quản lý và máy móc: phương trình lãnh đạo mới”, McKinsey Quarterly,
Vol. 4, trang 1-8, có sẵn tại: www.mckinsey.com/insights/leading_in_the_21st_century/ manager_and_machine (truy
cập ngày 25 tháng 7 năm 2015).

DaimlerChrysler (2001), “Tập đoàn Chrysler công bố sự phát triển của quy trình tạo sản phẩm”, có tại:
www.daimler.com/dccom/0-5-7171-1-10961-1-0-0-0-0-1-8 -7164-0-0-0-0-0-0-0.html (truy cập ngày 30 tháng 7 năm 2015).

Donald, C. (2014), “Sáu lý do tại sao 19 tỷ đô la của Zuckerberg cho WhatsApp lại là một món hời đối với
Facebook”, có tại: www.theguardian.com/media-network/media-network-blog/2014/feb/21/zuckerberg facebook-whatsapp-
di động (truy cập ngày 25 tháng 7 năm 2015).

Drucker, PF (1967), “Quyết định hiệu quả”, Harvard Business Review, Vol. 45 Số 1, trang 92-98.

Edwards, C., Edwards, A., Spence, PR và Shelton, AK (2014), “Đó có phải là bot chạy nguồn cấp dữ liệu mạng xã hội
không? Thử nghiệm sự khác biệt trong nhận thức về chất lượng giao tiếp giữa tác nhân con người và tác nhân bot
trên Twitter”, Computers in Human Behavior, Vol. 33 Số 2, trang 372-376.

Eisenhardt, KM (1989), “Đưa ra quyết định chiến lược nhanh chóng trong môi trường tốc độ cao”, Tạp chí Học viện
Quản lý, Tập. 32 Số 3, trang 543-576.

Erickson, S. và Rothberg, H. (2014), “Quản lý tri thức và dữ liệu lớn: thiết lập nền tảng khái niệm”, Tạp chí
điện tử về Quản lý tri thức, Tập. 12 Số 2, trang 83-154.

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 87

 Machine Translated by Google

Gachet, A. (2004), Xây dựng Hệ thống Hỗ trợ Quyết định dựa trên Mô hình với Dicodess, VDF, Zurich.

Galotti, KM (2002), Đưa ra những quyết định quan trọng: Cách mọi người đối mặt với những lựa chọn quan trọng trong cuộc

sống, Hiệp hội Lawrence Erlbaum, London.

Gantz, J. và Reinsel, D. (2012), “Vũ trụ kỹ thuật số năm 2020: dữ liệu lớn, bóng tối kỹ thuật số lớn hơn và tăng trưởng lớn

nhất ở vùng viễn đông”, IDC iView: IDC Phân tích Tương lai, có tại: www.emc .com/ colon/analyst-reports/idc-the-digital-

universe-in-2020.pdf (truy cập ngày 29 tháng 7 năm 2015).

Gartner (2014), “Gartner nói rằng phân tích nâng cao là ưu tiên kinh doanh hàng đầu”, có sẵn tại: www.gartner. com/newsroom/

id/2881218 (truy cập ngày 19 tháng 7 năm 2015).

Google.com (2015), “Sự thật về Google và sự cạnh tranh”, có tại: http://web.archive.org/web/ 20111104131332/ http://google.com/

competition/howgooglesearchworks.html (truy cập ngày 30 tháng 7 năm 2015).

Goonetilleke, O., Sellis, T., Zhang, X. và Sathe, S. (2014), “Phân tích Twitter: quan điểm quản lý dữ liệu lớn”, Bản tin

Khám phá ACM SIGKDD, Tập . 16 Số 1, trang 11-20.

Harrison, FE (1999), Quá trình ra quyết định quản lý, tái bản lần thứ 5, Công ty Houghton Mifflin, Boston, MA.

Harrysson, M., Métayer, E. và Sarrazin, H. (2014), “Sức mạnh của 'tín hiệu yếu'”, McKinsey Quarterly, Tháng 2, www.mckinsey.com/

industries/high-tech/our-insights/the -tín hiệu cường độ yếu (truy cập ngày 19 tháng 7 năm 2015).

Hazen, BT, Boone, CA, Ezell, JD và Jones-Farmer, LA (2014), “Chất lượng dữ liệu cho khoa học dữ liệu, phân tích dự đoán và

dữ liệu lớn trong quản lý chuỗi cung ứng: giới thiệu về vấn đề và đề xuất cho nghiên cứu và ứng dụng ”, Tạp chí Kinh tế Sản

xuất Quốc tế, Tập. 154 Số 1, tr. 72-80.

Hickson, DJ, Butler, RJ, Cary, D., Mallory, GR và Wilson, DC (1989), “Quyết định và tổ chức – quy trình ra quyết định chiến

lược và lời giải thích của chúng”, Hành chính công, Tập . 67 Số 4, trang 373-390.

Isenberg, DJ (1984), “Các nhà quản lý cấp cao suy nghĩ như thế nào”, Harvard Business Review, Vol. 62 Số 1, trang 81-90.
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Isenberg, DJ (1986), “Suy nghĩ và quản lý: phân tích quy trình bằng lời nói về giải quyết vấn đề quản lý”, Tạp chí Học viện

Quản lý, Tập . 29 Số 4, trang 775-788.

Jagadish, HV, Gehrke, J., Labrinidis, A., Papakonstantinou, Y., Patel, JM, Ramakrishnan, R. và Shahabi, C. (2014), “Dữ liệu

lớn và những thách thức kỹ thuật của nó”, Truyền thông của ACM , tập 57 Số 7, trang 86-94.

Jansen, RJG, Curseu, PL, Vermeulen, PAM, Geurts, JLA và Gibcus, P. (2011), “Vốn xã hội như một công cụ hỗ trợ ra quyết định

trong việc ra quyết định chiến lược trong các tổ chức dịch vụ”, Quyết định quản lý, Tập . 49 Số 5, trang 734-747.

Kaisler, S., Armor, F., Espinosa, JA và Money, W. (2013), “Dữ liệu lớn: các vấn đề và thách thức trong tương lai. Trong Khoa

học Hệ thống”, bài báo được trình bày tại Hội nghị Quốc tế Hawaii lần thứ 46, Wailea, Maui, HI, 7-10 tháng Giêng.

Katal, A., Wazid, M. và Goudar, RH (2013), “Dữ liệu lớn: vấn đề, thách thức, công cụ và thực tiễn tốt”, Kỷ yếu Hội nghị Quốc

tế lần thứ 6 năm 2013 về Điện toán Đương đại, IEEE, Noida, trang 404- 409.

Kopenhagen, N., Katz, N., Mueller, B. và Maedche, A. (2011), “Mạng lưới thu mua trở nên xã hội như thế nào? Đánh giá các

nguyên tắc thiết kế trong một môi trường không đồng nhất của các tương tác có cấu trúc và phi cấu trúc”, bài báo được

trình bày tại Hội nghị Quốc tế Hawaii lần thứ 44 về Khoa học Hệ thống (HICSS), Kauai, HI, 4-7 tháng Giêng.

Kornai, A. (2013), “Cái chết của ngôn ngữ số”, PloS One, Vol. 8 Số 10, trang 1-11.

Kudyba, S. (2014), Dữ liệu lớn, khai thác và phân tích: Các thành phần của quá trình ra quyết định chiến lược, CRC Press,
Boca Raton, FL.

Laney, D. (2001), “Quản lý dữ liệu 3D: kiểm soát khối lượng, vận tốc và sự đa dạng của dữ liệu”, có tại: www.blogs.gartner.com/

doug-laney/ (truy cập ngày 24 tháng 7 năm 2015).

TRANG 88 TẠP CHÍ QUẢN TRỊ TRI THỨC TẬP. 21 KHÔNG. 1 2017
 Machine Translated by Google

Langley, A., Mintzberg, H., Pitcher, E., Posada, E. và Saint-Macary, J. (1995), “Mở rộng quá trình ra quyết định: góc nhìn

từ chiếc ghế đẩu”, Khoa học Tổ chức, Tập . 6 Số 3, trang 260-279.

Lazer, D., Kennedy, R., King, G. và Vespignani, A. (2014), “Câu chuyện ngụ ngôn về bệnh cúm của Google: những cái bẫy trong

phân tích dữ liệu lớn”, Science, Vol . 343, trang 1203-1205.

Lodha, R., Jain, H. và Kurup, L. (2014), “Những thách thức về dữ liệu lớn: quan điểm phân tích dữ liệu”, Tạp chí Quốc tế

về Kỹ thuật và Công nghệ Hiện tại, Tập. 4 Số 5, trang 3286-3289.

McAfee, A. và Brynjolfsson, E. (2012), “Dữ liệu lớn: cuộc cách mạng quản lý”, Harvard Business Review, Vol. 90 Số 10, tr.

60-66.

McKenna, RJ và Martin-Smith, B. (2005), “Quy trình ra quyết định như một quá trình đơn giản hóa: các quan điểm khái niệm

mới”, Quyết định quản lý, Tập. 43 Số 6, trang 821-836.

McKenzie, J., van Winkelen, C. và Grewal, S. (2011), “Phát triển khả năng ra quyết định của tổ chức: hướng dẫn của nhà

quản lý tri thức”, Tạp chí Quản lý Tri thức, Tập . 15 Số 3, trang 403-421.

McKenzie, J., Woolf, N., van Winkelen, C. và Morgan, C. (2009), “Nhận thức trong quá trình ra quyết định chiến lược: mô

hình năng lực tư duy phi truyền thống cho các tình huống phức tạp”, Quyết định quản lý, Tập . 47 Số 2, trang 209-232.

Macfadyen, LP và Dawson, S. (2012), “Các con số là không đủ: tại sao các phân tích học trực tuyến không thể thông báo một

kế hoạch chiến lược của tổ chức”, Tạp chí Xã hội và Công nghệ Giáo dục, Tập . 15 Số 3, trang 149-163.

Manyika, J., Chui, MBB, Bughin, J., Dobbs, R., Roxburgh, C. và Hung Byers, A. (2011), Dữ liệu lớn: Biên giới tiếp theo cho

đổi mới, cạnh tranh và năng suất, Viện toàn cầu McKinsey, Bruxelles.

Michel, L. (2007), “Hiểu việc ra quyết định trong các tổ chức để tập trung vào các hoạt động của nó ở những nơi quan

trọng”, Đo lường sự xuất sắc trong kinh doanh, Tập. 11 số 1, trang 33-45.

Miller, HG và Mork, P. (2013), “Từ dữ liệu đến quyết định: chuỗi giá trị cho dữ liệu lớn”, Chuyên gia CNTT, Tập. 15 Số 1,

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8
trang 57-59.

Miller, B., Malloy, MA, Masek, E. và Wild, C. (2001), “Hướng tới một khuôn khổ để quản lý môi trường thông tin”,

Information Knowledge Systems Management, Vol. 2 Số 4, trang 359-384.

Mintzberg, H. (1996), “Suy nghĩ về quản lý”, Harvard Business Review, Vol. 74 Số 4, trang 61-67.

Mintzberg, H. và Westley, F. (2010), “Ra quyết định: Không phải như bạn nghĩ đâu”, trong Nutt, PC và Wilson, DC (Eds), Sổ

tay ra quyết định, Wiley, Chichester, trang 73-81 .

Mintzberg, H., Raisinghani, D. và Theorêt, A. (1976), “Cấu trúc của các quá trình ra quyết định 'phi cấu trúc'", Khoa học

hành chính hàng quý, Tập . 21 Số 2, trang 246-275.

Thư viện Monk (2014), “Siêu dữ liệu cung cấp kiến thức mới”, có tại: http://monk.library.illinois.edu/ (truy cập ngày 30

tháng 7 năm 2015).

Nicolas, R. (2004), “Quản lý tri thức tác động đến quá trình ra quyết định”, Tạp chí Quản lý tri thức, Tập. 8 Số 1, trang

20-31.

Nonaka, I. (1988), “Tạo ra trật tự tổ chức từ sự hỗn loạn: tự đổi mới trong các công ty Nhật Bản”, Tạp chí Quản lý CA, Tập.

30 Số 3, trang 57-73.

Nonaka, I. (1994), “Một lý thuyết năng động về sáng tạo tri thức tổ chức”, Khoa học Tổ chức, Tập. 5 Số 1, trang 17-37.

Nonaka, I. và Takeuchi, H. (1995), Công ty sáng tạo tri thức, Nhà xuất bản Đại học Oxford, Oxford.

O'Leary, DE (2013), “Trí tuệ nhân tạo và dữ liệu lớn”, IEEE Intelligent Systems, Vol. 28 Số 2, trang 96-99.

Olson, P. (2014, tháng 10), “Facebook kết thúc thương vụ WhatsApp trị giá 19 tỷ USD”, Forbes, có tại: www. forbes.com/sites/

parmyolson/2014/10/06/facebook-closes-19-billion-whatsapp-deal/ (truy cập ngày 19 tháng 7 năm 2015).

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ TRI THỨC QUẢN LÝ TRANG 89

 Machine Translated by Google

Oxman, SW (1991), “Sự phát triển của hệ thống chuyên gia AIRAID: một nghiên cứu trường hợp”, trong Liebowitz, J.
(Ed.), Operational Expert System Applications in the United States, Pergamon Press, New York, NY, trang 130-143.

Petter, S., DeLone, W. và McLean, ER (2012), “Quá khứ, hiện tại và tương lai của sự thành công của IS”, Tạp chí
của Hiệp hội Hệ thống Thông tin, Tập. 13 Khoản 5, Điều 2.

Porter, ME (1985), Lợi thế cạnh tranh: Tạo ra và duy trì hoạt động vượt trội, Free Press, New York, NY.

Provost, F. và Fawcett, T. (2013), “Khoa học dữ liệu và mối quan hệ của nó với dữ liệu lớn và việc ra quyết định
dựa trên dữ liệu”, Dữ liệu lớn, Tập. 1 số 1, trang 51-59.

Pyle, D. và San Jose, C. (2015), tháng 3), “Hướng dẫn dành cho giám đốc điều hành về máy học”, trang 1-9, có
sẵn tại: www.mckinsey.com/insights/high_tech_telecoms_internet/an_executives_guide_to_ machine_learning (truy
cập ngày 20 tháng 7 năm 2015).

Roth, J. (2003), “Cho phép sáng tạo tri thức: học hỏi từ một tổ chức R&D”, Tạp chí Quản lý Tri thức, Tập. 7 Số
1, trang 32-48.

Sallam, RL, Richardson, J., Hagerty, J. và Hostmann, B. (2011), Magic Quadrant for Business Intelligence
Platforms, Gartner Group, Stamford, CT.

Sathi, A. (2012), Phân tích dữ liệu lớn: Công nghệ đột phá giúp thay đổi cuộc chơi, Mc Press, Boise.

Scherpereel, CM (2006), “Quyết định ra quyết định: phân loại quyết định”, Quyết định quản lý, Tập. 44 Số 1, tr
123-136.

Shah, S., Horne, A. và Capella, J. (2012), “Dữ liệu tốt không đảm bảo đưa ra các quyết định đúng đắn”, Harvard
Business Review, Vol. 90 Số 4, tr 23-25.

Shimizu, K. và Hitt, MA (2004), “Tính linh hoạt chiến lược: sự sẵn sàng của tổ chức để đảo ngược các quyết định
chiến lược không hiệu quả”, Học viện Quản lý Điều hành, Tập. 18 Số 4, tr 44-59.

Simon, HA (1960), Khoa học mới về quyết định quản lý, Harper & Row, New York, NY.

Snowden, DJ và Boone, ME (2007), “Khuôn khổ ra quyết định của nhà lãnh đạo”, Harvard Business Review, Vol. 85 Số
ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

11, trang 69-76.

Stewart, T. (2006), “Bạn đã bao giờ phải quyết định chưa?”, Harvard Business Review, Vol. 84 Số 1, tr. 12.

Sundaramurthy, C., Pukthuanthong, K. và Kor, Y. (2014), “Hiệp lực tích cực và tiêu cực giữa các công ty công
nghệ sinh học con người của CEO và hội đồng quản trị công ty”, Tạp chí Quản lý Chiến lược, Tập . 35 Số 6, trang
845-868.

Talvensaari, T., Juhola, M., Laurikkala, J. và Järvelin, K. (2007), “Truy xuất thông tin liên ngôn ngữ dựa trên
kho dữ liệu trong việc truy xuất các tài liệu có liên quan cao”, Tạp chí của Hiệp hội Khoa học và Công nghệ
Thông tin Hoa Kỳ , Tập. 58 Số 3, trang 322-334.

Taylor, J. (2012), Hệ thống quản lý quyết định: Hướng dẫn thực tế để sử dụng các quy tắc kinh doanh và phân tích
dự đoán, Pearson Education, Boston, MA.

The Economist Intelligence Unit (2012), “Yếu tố quyết định: dữ liệu lớn & ra quyết định”, Capgemini, có tại:
www.capgemini.com/sites/default/files/resource/pdf/The_Deciding_Factor__Big_Data___ Decision_Making.pdf (truy cập
ngày 28 tháng 7 năm 2015).

Turban, E., Aronson, JE và Liang, TP (2005), Hệ thống Hỗ trợ Quyết định và Hệ thống Thông minh, tái bản lần thứ
7, Pearson Prentice Hall, Upper Saddle River, NJ.

Von Krogh, G. (2012), “Phần mềm xã hội thay đổi cách quản lý tri thức như thế nào? Hướng tới một chương trình
nghiên cứu chiến lược”, Tạp chí Hệ thống Thông tin Chiến lược, Tập. 21 Số 2, trang 154-164.

Vulic´, I., Smet, W. de, Tang, J. và Moens, M.-F. (2015), “Mô hình hóa chủ đề xác suất trong môi trường đa ngôn
ngữ: tổng quan về phương pháp và ứng dụng của nó”, Xử lý & Quản lý Thông tin, Tập. 51 Số 1, trang 111-147.

Wang, J., Chan, YE và Denford, JS (2015), “Ảnh hưởng của CNTT và kiến thức đối với sự linh hoạt và hiệu suất
của công ty”, bài báo được trình bày tại Hội nghị Châu Mỹ lần thứ 21 về Hệ thống Thông tin, Puerto Rico, 13-15
tháng 8.

TRANG 90 TẠP CHÍ QUẢN LÝ TRI THỨC TẬP. 21 KHÔNG. 1 2017

 Machine Translated by Google

Watson, HJ và Marjanovic, O. (2013), “Dữ liệu lớn: thế hệ quản lý dữ liệu thứ tư”, Business Intelligence
Journal, Vol. 18 Số 3, trang 4-8.

Wiig, KM (2011), “Tầm quan trọng của quản lý tri thức cá nhân trong xã hội tri thức”, trong Pauleen, DJ
và Gorman, GE (Eds), Quản lý tri thức cá nhân: Quan điểm cá nhân, tổ chức và xã hội, Gower Publishing
Limited, Farnham.

Zhang, G., Lu, J. và Ya, G. (2015), Ra quyết định đa cấp: Mô hình, Phương pháp và Ứng dụng, Springer,
New York, NY.

Đồng tác giả

Có thể liên hệ với Ali Intezari tại: A.Intezari@uq.edu.au

ADELAIDE
tháng
09:14
(PT)
2017
xuống
ngày
Được
năm
Lúc
HỌC
ĐẠI
bởi
tải
03
8

Để biết hướng dẫn về cách đặt in lại bài viết này, vui lòng truy cập trang web của chúng
tôi: www.emeraldgrouppublishing.com/licensing/reprints.htm Hoặc
liên hệ với chúng tôi để biết thêm chi tiết: permissions@emeraldinsight.com

VÒNG. 21 KHÔNG. 1 2017 TẠP CHÍ QUẢN LÝ TRI THỨC TRANG 91