Wissensmanagement und Electronic Commerce

Transkript

1 Wissensmanagement und Electronic Commerce Neue Informatikmethoden und Anwendungsbeispiele Prof. Dr. Ralph Bergmann Universität Hildesheim Institut für Mathematik und Angewandte Informatik Arbeitsbereich Daten- und Wissensmanagement Motivation Wissensgestützte Dienste werden zur Grundlage für zukünftiges Wirtschaftswachstum. Prof. James Quinn, Ames Tuck School of Business, Dartmouth -2-

2 Wissen in Wissen ist Macht! den Köpfen der Mitarbeiter in Dokumenten, im Intranet in Arbeitsprozessen und Regeln Wissen ist ökonomische Größe Wissen bekommt einen messbaren Wert Wissen muss geteilt werden Mitarbeiter und Kunden müssen vom Unternehmenswissen profitieren Herausforderungen & Probleme Neue Herausforderungen für Unternehmen Globalisierung des Wettbewerbs Weltweite Partnernetze Virtuelle Unternehmen Probleme Verteiltheit des Wissens starkes Anwachsen des bedeutsamen Wissens schneller Änderungen

3 Wissensmanagement Wissensmanagement ist die systematische, explizite und zielgerichtete Bildung, Erneuerung und Anwendung von Wissen zur Maximierung der wissensbezogenen Effektivität eines Unternehmens und des Ertrags von Wissensgütern. Karl M. Wiig, Knowledge Research Institute Aufgaben des Knowledge Management Basisaktivitäten Daten und Informationen speichern und strukturieren (DB, Lotus Notes,...) Daten und Information kommunizieren ( , Internet, Intranet,...) Wissensbezogene Aktivitäten akquirieren, entdecken, pflegen auffinden, transferieren anwenden

4 Wissensmanagement für E-Commerce E-Commerce braucht Wissensmanagement! Verfügbarkeit und Bewahrung von Wissen essentiell für Produktqualität, Effizienz und Kundenzufriedenheit Wissen muss sich im Umgang mit dem Kunden zeigen! Beim E-Commerce: Wissen muss den Softwareagenten für die E-Commerce Prozesse zugänglich sein Hoher Grad an automatisierter Wissensverarbeitung Wissen über... Klassifikation Struktur Eigenschaften Fehler Produkte Pricing Beratung Strategien Käufertyp Wünsche, Anforderungen, Präferenzen Verhandlung Kunden Sprache -8- Produktexpertise Einsatzfelder Verfügbarkeit Konkurrenzprodukte Informationsvermittlung Verkauf -7-

5 Wissenslücke Anbieter/ Produkte Lücke Kunden Strategien E-Commerce Auftritte heute Realisierung der Kommunikation zwischen Kunde und Anbieter durch: Produktlisten FAQ-Listen Textbasierte Suchfunktionen ohne Wissen Große Probleme bei wachsenden Produktzahlen und -spektren komplexeren Produkten Produkten und Bundles, die für einzelne Kunden maßgeschneidert werden Unzureichende Unterstützung und Suchqualität

6 Methode des Fallbasiertes Schließen (engl. Case-Based Reasoning, CBR) Erfahrungswissen wird gespeichert (Fallbasis) Zum Lösen einer neuen Aufgabe: ähnliche (nützliche) Fälle aus dem Speicher abrufen (Retrieval) Lösung auf die neue Situation anpassen (Anpassung, Reuse) hierbei neu gewonnene Erfahrung speichern (Lernen, Retain) Neues Problem Neue Lösung Ähnlichkeit ~ Anpassung Speichern Problem Lösung Fall-i F A LL B A SI S CBR zur Produktsuche & Anpassung A 2 Raum der relevanten Eigenschaften. Retrieval: Produktsuche 2. Reuse: Produktanpassung 3. Retain: Lernen beste Ähnlichkeit Kundenwunsch Produkte (Fälle) (vgl. Vollrath, Wilke & Bergmann 998, Internet Computing) A

7 Produktfälle Objektorientierte Modellierung von Produkteigenschaften Relationen: Abstraktion: Modellierung von Produktklassen Aggregation: Zerlegung von Produkten in Teilprodukte Attribute: Beschreibung von Produkteigenschaften & Funktionen Constraints: Abhängigkeiten zwischen Produkteigenschaften Sprachen CASUEL (aus dem EU-Projekt INRECA) XML-basiert (aus dem EU-Projekt WEBSELL) Ähnlichkeit und Nützlichkeit Zweck der Ähnlichkeit: Auswahl von Lösungen, die sich auf das aktuelle Problem übertragen lassen Im E-Commerce: Auswahl von Produkten, die dem Kunden nutzen Ähnlichkeit approximiert Wissen über Nützlichkeit! Formalisierung durch Ähnlichkeitsmaße: Anfrage/Wunsch Produkt im Fall sim( p', p) [0..] Attribute: lokale Ähnlichkeitsmaße beurteilen Produktnutzen in Bezug auf einzelne Eigenschaft Klassen: globale Aggregationsmaße kombinieren lokale Ähnlichkeit zu Gesamtnutzen für Produkt

8 Beispiele zur Modellierung lokaler Ähnlichkeiten Lokale Ähnlichkeitsmaße für numerische Attribute sim sim sim sim a sim = exp d ( a q, c ) a2 a3 sim sim= exp ( ax) 3 d(q,p) d(q,p) d(q,p) d(q,p) x x 2 d(q,p) Lokale Ähnlichkeitsmaße für symbolische Attribute sim ( q, p) =, s q p Beispiel: p q Malediven Seychellen Sulawesi Malediven Seychellen Sulawesi Anwendungsbeispiel: Produktsuche Analog Devices ICs Operationsverstärker A/D D/A Wandler Qrtl. 2. Qrtl. 3. Qrtl. 4. Qrtl. Ost West Nord

9 Produktklassen ) Feste Produkte Anpassung nicht möglich Beispiele: Bücher, CDs, ICs, etc. 2) Parametrierbare Produkte Begrenzte Anpassungsmöglichkeiten Beispiele: Pauschalreisen (Datum, Personenzahl), Kleidung (Größe) 3) Konfigurierbare Produkte, Bundles Vielfältige Anpassungen und Zusammenstellungen Diverse Constraints müssen beachtet werden Beispiele: Technische Produkte (z.b. PCs, Software), Finanz- und Versicherungsprodukte, Individuelle Reisepakete Produktsuche im Raum aller möglichen Konfigurationen Komplexität der Anpassung Kompositionsbasierte Anpassung Constraints Constraints Anfrage Validiertes Produkt Abhängigkeitsüberprüfung Angepaßtes Produkt Retrieval Basisprodukt Basisprodukt Maximierung des Nutzens durch Hillclimbing Komponentenbewertung Komponentenaustausch Basisprodukte Schwache Komponente Komponentenretrieval Alternative Komponenten Produktkomponenten

10 Beispiel: PC Verkaufsberatung Anwendungsübersicht Anwendung Stand CBR-Works orenge:kernel Dialogführung/ Pathways Check Out live X X Müritz Online live X X Handbuch Präzision live X X EDSP (Dienstleistungssuche) live X X P P Hooke & McDonald live X X X P TourIT live X X X X P P Siemens SKM Self-Service live X X X Analog Devices OPs, AD/DAs live X X Jola Spezialschalter live X X X QUOKA live X X X Shopping 24 test X X X HOMER (DC Intranet) test X X X Digitale Signalprozessoren demo X X X X PC Konfigurator demo X X X CASTLE demo X X X X Anbietersuche Produktsuche Service PCR / ML Text Retrieval Anpassung entwickelt in Zusammenarbeit mit empolis KM GmbH, Kaiserslautern

11 Projekt IPQ BMBF Projekt (/ /2003) mit 2 Partner 22 Mio DM Projektvolumen gesamt Verbesserung des Mikroelektronikentwurfs durch Wiederverwendung von IP (Designblöcke) Aufgabenbereich an der Universität Hildesheim Wissensmanagement für Elektronik Design Beschreibung von Elektronikentwürfen Wissensbasiertes Retrieval wiederwendbarer Bausteine Grundlage für den Aufbau eines Broker-Dienstes für IP Projekt FM-Ultranet Projekt gefördert durch die Europäische Union (/2000-5/2002) mit 7 Partner aus D,B,F DM Projektvolumen insgesamt Wissensmanagement in der Medizin Diagnoseunterstützung und Trainingsplattform für Ultraschalluntersuchung in der Schwangerschaft Erfassung und Speicherung von medizinischen Referenzfällen und aktuellen Untersuchungsergebnissen Bei verdächtigen Symptomen Auswahl von ähnlichen Untersuchungen Langfristiges Ziel: Zentrale Internetbasierte Fallsammlung mit zielgerichtetem Zugriff

12 Zukünftige Vision für Wissensmanagement Knowledge Sharing Medium: Infrastruktur für KM Beobachtet die (Inter-)Aktionen der Benutzer & deren Kommunikation Entwickelt ein Modell der Benutzer, anderer Wissensquellen, und Wissenseinheiten Wissensbedürfnisse Expertise und Skills Selbstorganisierend & Transparent Wird zum Router für Wissen: kanalisiert Wissensfluss von einem Wissensprovider zu einem Wissennutzer Wissensmarktplatz Bewertung von Wissens und Wissenshandel Währungseinheit für Wissen (KCu) Mein Team Mitarbeiter in Hildesheim Dipl. Inform. Kerstin Maximini Dipl. Inform. Rainer Maximini N.N. (ab 200) N.N. (ab 200) Dipl. Inform. Martin Schaaf (ab 2002) Dipl. Inform. Alexander Tartakovski (ab 2002) Ehemalige Mitarbeiter aus Kaiserslautern Dipl. Inform. Jochem Hüllen Dr. Peter Oehler Dipl. Inform. Sascha Schmitt Dipl. Inform. Armin Stahl Dipl. Inform. Ivo Vollrath Dr. Wolfgang Wilke