基于知识管理视阈下的数据分析策略研究

田国华

[摘 要] 创新型专业人才的一门必修课就是数据分析，通过海量数据找到其隐藏在背后的逻辑，从而指导生产生活。在知识管理视阈下建立数据分析知识管理模型，让组织的隐性知识内化为个体的隐性知识，探索出具有一定可行性的实施策略。

[关键词] 数据分析;知识管理;SECI模型

[中图分类号] F204[文献标识码] A[文章编号] 1009-6043（2020）09-0119-02

一、前言

随着大数据和人工智能时代的到来，人们对数据的关注度越来越高，大到国家政府，小到企业个人，每个人都身处这个深刻变革的数据时代，无论主动还是被动参与，都被充斥着的数据影响着，改变着。作为肩负国家专业人才培养责任的高校和教师，紧跟时代新型教育理念，摆脱传统桎梏，探索顺应新形势的创新型专业人才是值得探讨和研究的新课题。

（一）知识管理的内涵及管理模式

20世纪80年代末期，知识资产作为推动经济增长的要素，以其边际报酬递增的特性备受专家学者的关注。最初知识管理这一概念主要应用于企业组织，然而在经济快速发展的今天，随着云计算、大数据技术、人工智能的应用，在数据爆炸、信息爆炸的时代，如何在数据中厘清背后的逻辑，挖掘出有价值的信息显得至关重要。

关于知识管理的概念很多专家学者都做出了界定，Jeremy Galbreath[120]将教育领域的知识管理界定为运用技术工具和程序处理数字化存储的领域内的知识，通过网络使更多受众获得知识和经验的过程。笔者认为知识管理的内涵分为广义和狭义两种。广义的知识管理是指知识经济背景下思想和方法管理的总称。狭义的知识管理是指对知识及其作用的管理。本文是在狭义的知识管理概念下所进行的研究。

1995年，日本知识管理领域的著名学者野中郁次郎（Ikujiro Nonaka）在其著作《The Knowledge-CreatingCompany》中，提出SECI模型（图1），主要研究个人和组织知识的转化模式，将知识划分为显性知识和隐性知识两种类型。

社会化（socialization）是可以将隐性知识通过观察、模仿等共享方式转化为隐性知识。外化（externalization）是可以通过隐喻、类比、概念和模型等方式将隐性知识向显性知识转化。组合化（combination）可以通过语言、数字等符号将显性知识转化为显性知识。内化（internalization）是可以通过体验、体会等方式将显性知识转化为隐性知识。

（二）研究现状

知识管理视阈内学科知识的管理研究中，陈悦[1]-[2]对知识图谱这一知识管理工具的理论和应用进行了系统详细地综述。鲍玮[3]认为教学过程中知识转化从单一闭环到多级闭环呈螺旋递进的发展状态，这一模式能实现知识管理的机制创新。赵伯艳等[4]等运用SECI模型研究了专业人才的培养途径。胡艳艳等[5]认为通过显性知识与隐性知识的循环转化来实现知识的进阶性学习。廖先玲等[6]等将知识流动与知识获取、知识传导、知识吸收以及知识应用整合起来可以更高效地利用各种知识资源。Jeffrey Johannes Austen Bongku[7]运用实证分析方法探索印度尼西亚咨询公司有效的知识管理系统。樊治平等[8]从知识共享的视角对知识管理从经济性、对象、主体以及手段四个方面进行了研究。方刚[9]等建立了跨组织知识转化的SECI拓展模型，从产学研协同角度进行了研究，认为知识互补性、吸收能力与协同转化行为正相关，知识转化平台的占用与参与积极性负相关。

（三）研究评述及研究路线

专家学者在不同的学科领域里运用知识管理工具对个人、组织的知识进行了研究。知识管理方法归结起来主要有SECI模型和社会网络分析两种，其他都是基于此两种模型做出部分改进。本文以问题为导向，按照“现状-问题-对策”的研究技术路线，建立数据分析知识管理模型（SECI）来实施研究，。

二、数据分析知识系统

数据分析是一种综合分析问题的能力，需要跨学科的理论知识背景作为依托，运用统计分析工具对不同学科领域内的学术前沿问题进行分析和研究。统计学是关于社会经济现象数量方面进行搜集、整理和分析工作理论和方法的科学。其在经济学、管理学、医学、生物学等学科应用十分广泛，甚至在文学（如红学中运用构词造句习惯推断后四十回为高颚所做）、法学（无罪推断理论）及体育竞技（种子选手筛选）等领域都有结合和应用。

以经济管理类专业为例，数据分析知识系统（图2）由理论基础、工具基础、目標实现三大部分构成。其中理论基础部分包括数理基础和统计基础两个部分。数理基础主要指高等数学、高等代数、概率论与数理统计以及统计学原理;统计基础包括市场调查方法，多元统计分析，计量经济学以及管理学研究方法论。

统计分析的工具有很多，常见的有可视化的软件SPSS、Amos以及程序化的软件Stata、R、SAS、Matlab、Python等。其中SPSS可以做简单的描述统计分析，至于推断统计学并不推荐。Amos是管理学常用的分析软件，主要用于潜变量、路径分析及结构方程模型（SEM）的分析。Stata和SAS都可以做计量分析，但Stata的界面更友好，语言更容易学习。Matlab主要用于线性规划问题的研究。R和Python都可以做大数据分析，但R更具竞争力，其开源代码和可及性（免费使用）是Python所不能及的，其兼容性更是其他软件所不具备的。当然，这里并不需要把所有软件工具都学会，而是根据自身计算机语言水平来选择其中的一种或两种来学习。

在具备了一定的理论知识后，学习1-2个分析工具，再将两者有机结合起来即可实现数据分析的目标。

三、数据分析知识管理模型

基于SECI模型在数据分析知识管理情境下建立知识管理模型如图3所示，将抽象的隐性知识内化为个人的隐性知识需要经历四个阶段。首先是将数据分析相关理论组织的隐性知识通过预习等前置活动这种社会化方式转化为个体的隐性知识，从中可以获取知识的大致理论框架。课前预习这种课前预置活动可以是案例操作过程的演示;在转化为个体隐性知识后，通过课堂讲授、讨论和答疑活动等外部化方式进一步转化为显性知识;但外部化的显性知识往往很难识记且彼此间无法形成有效联结从而内化为个人显性知识，因而还需要总结归纳等组合化方式将零散的知识重新排列组合形成科学、条理、系统化的显性知识;最后可以通过课后的后置作业进行练习和模拟实践内化为个人的隐性知识。

四、结论与展望

组织的隐性知识转化为个人的隐性知识需要经历社会化、外部化、内在化和组合化四个阶段。在数据分析实践中，仅是个人隐性知识的一种表现，即可以分析出数据背后的逻辑，挖掘有价值的信息，从而指导实践活动。而知识的转化过程并不能得到体现，因而大部分的时间和精力都要放在数据分析相关理论知识和操作知识的积累上。

[参考文献]

[1]陈悦.科学知识图谱的发展历程[J].科学学研究，2008（3）：449-460.

[2]陈悦.CiteSpace知识图谱的方法论功能[J].科学学研究，2015（2）：242-253.

[3]鲍玮.基于智慧课堂及SECI模型的螺旋递进型教学模式[J].北京印刷学院学报，2019（9）：101-103.

[4]赵伯艳.基于SECI模型的高等院校会展专业人才培养途径和方略[J].创新创业理论研究与实践，2020（3）：1-4.

[5]胡艳艳.“互联网+”背景下基于SECI知识管理模型论证教学发展学生化学核心素养[J].广东化工，2020（8）：219-221.

[6]廖先玲.企业知识创新能力模型构建及其网络结构研究知识流动视角[J].科技管理研究，2020（8）：210-217.

[7]Jeffrey Johannes Austen Bongku. Designing the Knowledge Management System（A Case Study Approach in IT Consultant Company） [A]. The 3rd International Conference on Graphics and Signal Processing （ICGSP 2019） [C]. 2019：41-53.

[8]樊治平.知识共享研究综述[J].管理学报，2006（3）：371-378.

[9]方刚.基于SECI拓展模型的产学研协同创新知识转化行为研究[J].软科学，2019（6）：24-29+36.

[责任编辑：赵磊]