Computergestütztes Management von Wissen über Mitarbeiterkompetenzen

Transkript

1 A. Alparslan u.a.: Wissensmanagement im Anlagenbau Computergestütztes Management von Wissen über Mitarbeiterkompetenzen Adem Alparslan, Lars Dittmann, Stephan Zelewski, Universität Essen, und Alexander Ilgen, Roland Berger Strategy Consultants Dipl.-Kfm. Adem Alparslan ist wissenschaftlicher Mitarbeiter am Institut für Produktion und Industrielles Informationsmanagement der Universität Essen. Dipl.-Ing. Lars Dittmann ist wissenschaftlicher Mitarbeiter am Institut für Produktion und Industrielles Informationsmanagement der Universität Essen. Univ.-Prof. Dr. Stephan Zelewski ist Direktor des Instituts für Produktion und Industrielles Informationsmanagement der Universität Essen. Dr. Alexander Ilgen ist Project Manager bei Roland Berger Strategy Consultants und verantwortet internationale Beratungsprojekte, u.a. zum Wissensmanagement im Maschinen- und Anlagenbau. Kontakt: Eine zentrale Aufgabe des Wissensmanagements im Anlagenbau erstreckt sich auf die Identifikation von Personen als Wissens- und Kompetenzträger in allen Prozessphasen. Ein computergestütztes Wissensmanagementsystem kann hierbei aktiv zur besseren Nutzung des unternehmensintern vorhandenen Wissens ( organizational memory ) über die Mitarbeiterkompetenzen beitragen. Dabei steigt der Anwendungsnutzen erheblich, wenn es mittels computergestützter Schlussfolgerungen ( Inferenzen ) gestattet, zur Beantwortung von Kompetenzanfragen lediglich implizit vorhandenes Wissen explizit zugänglich zu machen. Ein ontologiebasiertes Wissensmanagementsystem bietet hierbei eine Reihe von Vorteilen, die in dem Beitrag anhand instruktiver Beispiele skizziert werden. Bedeutung des Wissensmanagements für den Anlagenbau Im Zeitraum Juli bis November 1999 erfolgte in Kooperation mit dem VDMA eine Befragung führender Maschinenund Anlagenbauunternehmen in Deutschland, Österreich und der Schweiz, um Bedeutung und Schwerpunkte des Wissensmanagements im Anlagenbau zu erkunden. Diese empirische Untersuchung ergab u.a. folgende Erkenntnisse [1, 2]: Wissen ist der entscheidende Produktions- und Wettbewerbsfaktor im wis- Universität Essen Institut fürmproduktion und Ind. Informationsmanagement Universitätsstraße Essen Tel.: 0201 / stephan.zelewski@pim.uniessen.de Anfrage- Interface Wissen Anfrage Inferenz-Maschine sensintensiven Anlagenbau, der in Zukunft einen Anteil von bis zu 80 Prozent an der Gesamtwertschöpfung der betroffenen Unternehmen einnehmen soll. Erfolgreiches Wissensmanagement baut auf einem gemeinsamen Begriffsverständnis auf. Fehlt dieses Verständnis, wird Wissensmanagement zum Sammelbegriff für unzählige Aktivitäten und droht somit, zu einem zwar modischen, aber für die betriebliche Praxis weit gehend belanglosen Schlagwort zu degenerieren. Aufgrund sich verschärfender Marktund Wettbewerbsbedingungen hat die Wissensintensität der Innovations-, Produktions- und Serviceprozesse im Anlagenbau deutlich zugenommen. Wissen im Anlagenbau lässt sich hinsichtlich des Wissensträgers in personenabhängiges und personenunabhängiges Wissen differenzieren. Das perso- Bild 1: Skizzierter Aufbau eines ontologiebasierten Kompetenzmanagementsystems (in Anlehnung an [8]). Abfragesystem lexikalischer Filter Direkte Wissensbereitstellung, z.b. Suchhilfe über Baumstruktur Erfassung von Daten mittels harter Eingabe von Hand Wissensbasis Kompetenz- Ontologien Repräsentations - sprache hier: F-Logic lexikalischer Filter Sammlung ähnlich strukturierter Dokumente < XML > <... XML > < HTML... > < XML >... < HTML >... < HTML >... < HTML... > < HTML > RDF-basierte Metadaten HTML -Dokumente GITO-Verlag 45

2 Orientierung für die Praxis nenabhängige Wissen beinhaltet die taziten und expliziten Komponenten der Kenntnisse und Fertigkeiten der Mitarbeiter. Das personenunabhängige Wissen wird in automatischen Informationsverarbeitungssystemen, organisationalen Routinen oder sonstigen Dokumenten vorgehalten (z.b. Konstruktionszeichnungen) oder manifestiert sich als materialisiertes Wissen in den Produkten eines Anlagenbauers (z.b. material- und fertigungstechnisches Know-how). Dabei stellen sowohl das tazite Wissen der Mitarbeiter als auch das in Produkten materialisierte Wissen besondere Herausforderungen an das betriebliche Wissensmanagement, weil sich jene Wissensformen als außerordentlich schwer zugänglich erweisen. Kompetenzen und Kompetenzmanagementsysteme Das Wissen, über das ein Unternehmen zur Erfüllung wissensintensiver Aufgaben verfügt, spiegelt sich in den Kompetenzen seiner Akteure wider. Kompetenzen stellen Kenntnisse und Fertigkeiten eines Akteurs dar, die zur Erreichung vorgegebener Handlungszwecke befähigen [3]. Kompetenzen setzen also Wissen voraus, erschöpfen sich aber nicht im bloßen Besitzen von Wissen. Vielmehr wird Wissen erst dann zur Kompetenz, wenn es mit einer zusätzlichen Disposition kombiniert wird: Es ist die Fähigkeit des Akteurs erforderlich, sein Wissen in realen Handlungssituationen zielgerichtet zur Erfüllung intendierter Handlungszwecke einzusetzen. Ein Kompetenzmanagementsystem (KMS) erfüllt im Wesentlichen drei Funktionen. Erstens soll es die möglichst umfassende und systematische Akquisition von Wissen über die Kompetenzen von Akteuren eines Unternehmens durch entsprechende Akquisitionstechniken unterstützen. Zweitens hält es das akquirierte Wissen über die Kompetenzen von Akteuren zur Weiterverarbeitung vor. Da ein Akteur in der Regel über mehrere Kompetenzen verfügt, werden sie in der Gestalt von akteursspezifischen Kompetenzprofilen verwaltet. Drittens dient das KMS dazu, das vorhandene - sowohl explizite als auch implizite - Wissen über Kompetenzen zweckbezogen anzuwenden. Im Fokus dieses Beitrags stehen Auskünfte über die Kompetenzen, über die Akteure eines Unternehmens verfügen. Im Vordergrund steht die Aufgabe, diejenigen Mitarbeiter zu identifizieren, die als Träger der jeweils erforderlichen Kompetenzen in Betracht kommen. Ontologien Das Management des betrieblichen Wissens über Kompetenzen wird insbesondere durch zwei Probleme wesentlich erschwert. Erstens liegt relevantes Wissen nur selten in expliziter Form vor, wie z.b. in Kompetenzdatenbanken und Gelben Seiten. Stattdessen ist es zumeist implizit in Dokumenten über andere Sachverhalte - wie z.b. in Projektberichten und Aufstellungen über Qualifizierungs- und Weiterbildungskurse - enthalten. Dieses implizite Wissen ist nicht unmittelbar zugänglich, insbesondere kann es nicht durch konventionelle Datenbankmanagementsysteme erschlossen werden. Es klafft also eine Explizierungslücke zwischen implizit vorhandenem und explizit verfügbarem Wissen. Zweitens leidet der Zugriff auf - implizit vorhandenes oder explizit verfügbares - Wissen oftmals darunter, dass unterschiedliche Akteure verschiedene Begrifflichkeiten verwenden (terminologische Diversität), um gleichartige Kompetenzen zu artikulieren. Ontologien stellen den jüngsten Ansatz der Wirtschaftsinformatik und der Erforschung Künstlicher Intelligenz (KI) dar, um die beiden zuvor skizzierten Probleme der Explizierungslücke und der terminologischen Diversität im Bereich computergestützter Wissensmanagementsysteme zu überwinden. Daher wird im Folgenden skizziert, wie sich KMS auf der Basis von Ontologien gestalten lassen, um betriebliches Wissen über vorhandene oder benötigte Kompetenzen effektiv anzuwenden. Ontologien [4, 5] lassen sich - im Sinne einer Arbeitsdefinition - als eine explizite und formalsprachliche Spezifikation derjenigen sinnvollen sprachlichen Ausdrucksmittel auffassen, die mehrere Akteure für eine gemeinsam verwendete Konzeptualisierung von realen Phänomenen verwenden, die in einem subjekt- und zweckabhängig einzugrenzenden Realitätsausschnitt als wahrnehmbar oder vorstellbar gelten und für die Kommunikation zwischen Akteuren benutzt oder benötigt werden [6]. Insbesondere bei einer stark arbeitsteiligen Erfüllung betrieblicher Aufgaben, die auf der Interaktion von Akteursgruppen mit zumindest partiell divergierenden Wissenshintergründen basieren, wird die Bedeutung von Ontologien zur Integration von aufgabenrelevanten Wissenskomponenten deutlich. Ontologien können zur Integration aufgabenrelevanter Wissenskomponenten beitragen, indem sie dasjenige Domänenwissen einheitlich strukturieren, das in die Leistungserstellung implizit oder explizit einfließt. Bild 1 skizziert den denkbaren Aufbau eines ontologiebasierten KMS. Über ein Anfrage-Interface begibt sich der Benutzer auf die Suche nach Akteuren, deren Kompetenzprofile mit denjenigen Kompetenzen bestmöglich übereinstimmen, die zur Erfüllung einer Aufgabe für erforderlich erachtet werden. Der Benutzer kann hierbei durch Ontologien unterstützt werden, die ihm z.b. als Suchhilfe mittels einer Baumstruktur oder einer hyperbolischen Benutzerschnittstelle zur Verfügung gestellt werden. Eine besondere Bedeutung erlangen innerhalb ontologiebasierter KMS die Inferenzmaschinen. Sie gestatten es, das angefragte Wissen über Akteure und deren Kompetenzen aus den gespeicherten, mittels eines automatischen Informationsverarbeitungssystems verarbeitbaren Dokumenten auch dann noch zu erschließen, wenn das kompetenzrelevante Wissen nicht - wie es für konventionelle Datenbanksysteme typisch ist - explizit vorliegt, sondern in den Dokumenten lediglich implizit enthalten ist. Der Benutzer erhält so eine höherwertige Antwort, als es bei einer herkömmlichen Datenbankabfrage möglich wäre, die nur explizit abgelegtes Wissen zu erschließen vermag. Damit leisten Inferenzmaschinen einen wesentlichen Beitrag zur Schließung der oben erwähnten Explizierungslücke. 46 Industrie Management 18 (2002) 6

3 A. Alparslan u.a.: Wissensmanagement im Anlagenbau Stabsstelle Abteilung Organisationseinheit arbeitet in Organisationseinheit Bewerber Person Mitarbeiter Unternehmen gehört zu Organisation hat Mitarbeiter arbeitet für Organisation hat mitgearbeitet in hat Kompetenz Zur Explizierung des impliziten Wissens und damit einhergehenden inhaltlichen Erweiterung der Wissensbasis bedienen sich die Inferenzmaschinen nicht-deduktiver Schlussfolgerungsregeln. Im Gegensatz zu inhaltsunabhängigen, deduktiven Inferenzregeln berücksichtigen Inferenzregeln für nichtdeduktive Schlussfolgerungen nicht nur die syntaktische Struktur des Wissens, sondern auch dessen semantischen Gehalt. Hierdurch können nicht-deduktive Inferenzregeln das bereichsspezifische und auf Plausibilitäten basierende Alltagswissen nutzen, das in der betrieblichen Praxis eine herausragende Rolle spielt. Ein gemeinsames Merkmal aller nicht-deduktiven Schlussfolgerungen ist es, dass ihre Anwendung keine Implikation des bereits vorhandenen expliziten Wissens darstellt. Denn bei nichtdeduktiven Schlussfolgerungen wird kein sicheres Wissen generiert. Stattdessen liegt es in der Eigenart nicht-deduktiver Inferenzregeln, dass sie nur intuitiv einsichtige Schlüsse erlauben, aber nicht über die wahrheitserhaltende Stringenz der deduktiven Logik verfügen. Beispielhafte Anwendung Universität Organisation Projekt erfordert Kompetenz Kompetenz Bild 2: Ausschnitt aus einer Kompetenzontologie. Forschungsinstitut Forschungsprojekt Beratungsprojekt Fachkompetenz Sozialkompetenz Bild 2 zeigt die grafische Struktur eines Ausschnitts einer Kompetenzontologie. Durchgezogene Pfeile definieren Subklassen zu Oberklassen, und gestrichelte Pfeile definieren attributierte Relationen zwischen Klassen. Beispielsweise besteht die Klasse Projekt aus den Subklassen Forschungsprojekt und Beratungsprojekt. Diese Klassenbeziehung lautet in F-Logic-Notation, die allen nachfolgenden Beispielen zugrunde liegt [7]: Beratungsprojekt::Projekt. Forschungsprojekt::Projekt. Ferner sind für die Klasse Projekt Relationen spezifiziert, die festlegen, dass mehrere Mitarbeiter in einem Projekt mitwirken können und dass zur Erreichung der Projektziele bestimmte Kompetenzen erforderlich sind: Projekt[ hat_mitarbeiter=>>mitarbeiter; erfordert_kompetenz_in=>>kompete nz]. In der betrieblichen Praxis liegt oftmals nur unvollständig expliziertes Wissen über die Kompetenzen der Mitarbeiter vor. Im hier diskutierten, stark vereinfachten Beispiel wird angenommen, die Fach- und Sozialkompetenzen der Mitarbeiter seien noch gar nicht explizit erfasst worden. Diese Explizierungslü-cke kann durch die Anwendung einer Inferenzregel - nach der vollständigen Spezifikation der Klassen und der Relationen zwischen den Klassen - zumindest teilweise geschlossen werden (Kasten 1). Das KMS kann aufgrund dieser Inferenzregel folgende Schlussfolgerung ziehen: Wenn ein beliebiger Mitarbeiter Mitarbeiter1 in zwei verschiedenen Projekten Projekt1 und Projekt2 mitgewirkt hat und zur Erreichung der Projektziele eine bestimmte Kompetenz Kompetenz1 erfordert wurde, dann besitzt dieser Mitarbeiter auch diese Kompetenz. Hierdurch kann aufgrund des expliziten Wissens über die Projektarbeiten des Mitarbeiters implizites Wissen über die Kompetenzen dieses Mitarbeiters erschlossen werden. Diese Schlussfolgerung besitzt zwar eine große Anwendungsbreite, weil sie sich in dieser Formulierung auf beliebige Mitarbeiter, Projekte und Kompetenzen erstreckt. Trotzdem handelt es sich um keine deduktive Inferenzregel. Denn diese Inferenzregel nimmt nicht nur auf die formale Struktur der Formeln Bezug, sondern setzt ein inhaltliches Verständnis der Relationen erfordert_kompetenz_in, hat_gearbeitet_in und hat_kompetenz sowie eine inhaltliche Zuordnung der Variablen Mitarbeiter1, Projekt1, Projekt2 und Kompetenz1 voraus. Hierbei handelt es sich zwar um eine intuitiv einsichtige, aber keineswegs um eine stringente Schlussfolgerung im Sinne der deduktiven Logik. Beispielsweise lässt sich vorstellen, dass ein Mitarbeiter zwar in zwei verschiedenen Beratungsprojekten mitgewirkt hat, die bestimmte Kompetenzen erforderten, jedoch diese Kompetenzen nicht besitzt, da der Mitarbeiter nicht inhaltlich bei der Er- Kasten 1: Inferenzregel zum Schließen der Explizierungslücke. FORALL Mitarbeit er1, Projekt1, Projekt2, Kompetenz1 Mitarbeiter1:Mitarbeiter[hat_Kompetenz ->>Kompetenz1] <- Mitarbeiter1:Mitarbeiter[hat_gearbeitet_in ->>Projekt1] AND Mitarbeiter1:Mitarbeiter[hat_gearbeitet_in ->>Projekt2] AND NOT EQUAL(Projekt1, Projekt2) AND Projekt1:Projekt[erfordert_Kompetenz_in ->>Kompetenz1] AND Projekt2:Projekt[erfordert_Kompetenz_in ->>Kompetenz1]. GITO-Verlag 47

4 Orientierung für die Praxis füllung der Projektziele mitgewirkt, sondern nur administrative Aufgaben erfüllt hat oder die Projekte aufgrund fehlender Kompetenz des Mitarbeiters nicht erfolgreich abgeschlossen werden konnten. Somit vermittelt die Schlussfolgerung, die mit dieser Inferenzregel gezogen wurde, kein sicheres Wissen. Es wäre jedoch verfehlt, hierin einen Mangel des natürlich(sprachlich)en Schließens zu vermuten. Vielmehr spricht es für die praxeologische Tauglichkeit von Ontologien, auch Schlussfolgerungen von mittlerer Stringenz zu erlauben, die für den betrieblichen Erfahrungskontext der betrieblichen Praxis charakteristisch sind. Im BMBF-Verbundprojekt KOWIEN ( wird eingehender untersucht, wie sich die hier skizzierten Ontologien für das Management wissensintensiver kooperativer Engineering-Prozesse konstruieren und zur Beantwortung von Kompetenzanfragen praktisch anwenden lassen. Von einem der Projektpartner wird ein prototypisches Softwaretool entwickelt, das in der betrieblichen Praxis dabei behilflich sein soll, Wissen über personale und organisationale Kompetenzen computergestützt zu verarbeiten. Literatur [1] Ilgen, A.: Wissensmanagement im Anlagenbau. Ergebnisdokumentation. Präsentation. Roland Berger Strategy Consultants. München [2] Ilgen, A.: Wissensmanagement im Großanlagenbau. Ganzheitlicher Ansatz und empirische Überprüfung. Wiesbaden [3] Faulstich, P.: Strategien der betrieblichen Weiterbildung. Kompetenz und Organisation. München [4] Gruber, T. R.: A Translation Approach to Portable Ontology Specifications. In: Knowledge Acquisition 5 (1993) 2, S [5] Zelewski, S., Schütte, R., Siedentopf, J.: Ontologien zur Repräsentation von Domänen. In: Schreyögg, G. (Hrsg.): Wissen in Unternehmen. Konzepte, Maßnahmen, Methoden. Berlin 2001, S [6] Zelewski, S.: Wissensmanagement mit Ontologien. In: Essener Unikate 11 (2002) 18, S [7] Kifer, M., Lausen, G., Wu, J.: Logical foundations of object-oriented and frame-based languages. In: Journal of the ACM 4 (1995) 42, S [8] Studer, R., Abecker, A., Decker, S.: Informatik-Methoden für das Wissensmanagement. In: Lausen, G., Oberweis, A., Schlageter, G. (Hrsg.): Angewandte Informatik und Formale Beschreibungsverfahren. Stuttgart 1999, S Schlüsselwörter: Kompetenz, Ontologie, Wissensmanagement, Kompetenzmanagementsystem, Anlagenbau Computer-based Management of Knowledge about Employees Competencies in the Engineering Industry A central assignment of knowledge management is related to the identification of persons as knowledge carriers. A computer-based system can actively contribute to a better utilization of corporate knowledge about employees competencies. The following article elaborates on the substantial benefit provided by the possibility to use computer-based reasoning to answer questions about competencies out of implicit knowledge. Keywords: competence, ontology, knowledge management system, competence management, engineering and con- 48 Industrie Management 18 (2002) 6

5 Institut für Produktion und Industrielles Informationsmanagement Universität Essen Fachbereich 5: Wirtschaftswissenschaften Universitätsstraße 9, D Essen Tel.: ++49 (0) 201/ , Fax: ++49 (0) 201/ Wissensmanagement im Anlagenbau - Computergestütztes Management von Wissen über Mitarbeiterkompetenzen - Dipl.-Kfm. Adem Alparslan, Dipl.-Ing. Lars Dittmann Univ.-Prof. Dr. Stephan Zelewski {adem.alparslan lars.dittmann stephan.zelewski}@pim.uni-essen.de Dr. Alexander Ilgen alexander_ilgen@de.rolandberger.com erschienen in: Industrie Management, Jg. 18, Nr. 6, 2002, S KOWIEN ( Kooperatives Wissensmanagement in Engineering- Netzwerken ) wird mit Mitteln des Bundesministeriums für Bildung und Forschung (BMBF) gefördert. Förderkennzeichen Hauptband 02 PD1060. Die Mitglieder des Projektteams danken für die großzügige Unterstützung ihrer Forschungs- und Transferarbeiten. Dezember 2002 Alle Rechte vorbehalten.