KMDL: Eine Sprache zur Modellierung wissensintensiver Prozesse

Transkript

1 KMDL: Eine Sprache zur Modellierung wissensintensiver Prozesse Norbert Gronau Universität Potsdam, Lehrstuhl Wirtschaftsinformatik und E-Government Abstract: Die Ressource Wissen als Bestandteil der unternehmerischen Wertschöpfung hat in den letzten Jahren stark an Bedeutung gewonnen. Besonders betroffen sind Branchen und Geschäftsmodelle deren Wertschöpfung zu einem Grossteil auf dem Erwerben, Erzeugen und Verändern von Wissen basiert. Dabei gerät die Betrachtung von personenbezogenem Wissen, welches nicht unmittelbar zur Aufgabenbewältigung benötigt wird, aus dem Blickfeld. Die Beschreibungsmethode KMDL versucht, implizites Wissen im Rahmen der Modellierung abzubilden. Neben der Darstellung von implizitem Wissen wird darüber hinausgehend die Dynamik der impliziten Wissensobjekte erfasst. Dies geschieht durch die Abbildung der Entstehung und Weiterverarbeitung von implizitem Wissen. Wissensflüsse innerhalb des Prozesses und die verschiedenen Formen der Wissenskonversion geben in der Darstellung Aufschluss über die Generierung von neuem Wissen und möglichen Schwachstellen.

2 1 Einführung Wissensmanagement hat seit Mitte der 90er Jahre stetig an Bedeutung gewonnen - Unternehmen versprechen sich hierdurch unter anderem Verbesserung der Innovationsfähigkeit und die Steigerung von Prozesseffizienz. Nicht zuletzt erfordern Globalisierung, steigender Wettbewerb, steigende Marktdynamik und kürzere Produkt- und Innovationslebenszyklen eine erhöhte Anpassungsfähigkeit der Unternehmen an eine dynamische Umwelt [Probst et al., 1998]. Diese Anforderungen bedingen eine Anpassung und konsequente Ausrichtung der Geschäftsprozesse an bestehende und zukünftige Markterfordernisse. Parallel zu herkömmlichen Geschäftsprozessen laufen Wissensprozesse ab, die in nur geringem Maße strukturiert sind. Diese zu erkennen, zu modellieren, zu analysieren und letztendlich zu optimieren, muss das langfristige Ziel eines umfassenden prozessorientierten Wissensmanagementansatzes sein. Wissens- und Geschäftsprozesse sind unmittelbar miteinander verbunden und müssen auch integriert betrachtet werden [Abecker et al., 2002], S.4ff. Geschäftsprozesse lassen sich mit etablierten Methoden umfassend abbilden und analysieren. Auch existieren viele Ansätze, die Wissen als Bestandteil eines Unternehmens bzw. einer Organisation berücksichtigen [Goesmann,2002], [Remus,2002a]. Das bloße Abbilden von statischem Wissen (in der Regel in expliziter Form als Information) kann einem umfassenden und integrierten Ansatz zum prozessorientierten Wissensmanagement allerdings nur ungenügend Rechnung tragen. Nur die Abstimmung von Geschäftsprozessen mit den Prozessen der Wissensverarbeitung stellt einen effektiven prozessübergreifenden Wissensfluss sicher [Remus, 2002b]. Die geschilderten Probleme und Herausforderungen waren der Auslöser für die Entwicklung der Beschreibungssprache Knowledge Modeler Description Language (KMDL) für die Modellierung wissensintensiver Geschäftsprozesse und eines darauf aufbauenden Software-Tools, dem so genannten K-Modeler. Der Wissensbegriff wird im Rahmen der Beschreibungssprache KMDL als personengebunden aufgefasst. Diese von Nonaka/Takeuchi als implizites Wissen bezeichnete Form des Wissens ist persönlich und entzieht sich dem formalen Ausdruck. Es ist verankert in der Tätigkeit und den Kenntnissen des Wissensträgers sowie in seinen Idealen, Werten und Erfahrungen [Nonaka and Takeuchi, 1997]. Somit kann auch Wissen modelliert und analysiert werden, das nicht direkt für die operative Aufgabenerfüllung im Rahmen des Geschäftsprozesses benötigt wird

3 2 Definition wissensintensiver Geschäftsprozesse Zur Beschreibung oder Definition wissensintensiver Prozesse werden unterschiedliche Ansätze verwendet [Abecker et al., 2002]. Heisig [Heisig, 2002] diskutiert dies anhand der Planbarkeit des Wissensbedarfs und definiert die Wissensintensität über des Vorhandenseins von Variabilität und Ausnahmebedingungen [Remus, 2002a]. Andere Quellen sprechen von wissensintensiven Prozessen, wenn eine Verbesserung mit klassischen Methoden der Geschäftsprozessoptimierung nicht [Hoffmann, 2002] oder nur teilweise möglich ist. Davenport und Prusak machen die Wissensintensität u.a. anhand der Vielfältigkeit von Input und Output fest [Davenport et al., 1995]. Als Anhaltspunkte neben den bisher genannten Kriterien gelten Quellen- und Medienvielfalt, Varianz und dynamische Entwicklung der Prozessorganisation, viele Prozessbeteiligte, unterschiedliche Expertise, Einsatz von Kreativität, hoher Innovationsgrad und verfügbarer Entscheidungsspielraum. Die Betrachtung der Kriterien verdeutlicht, dass viele Prozesse, beispielsweise auch Softwareentwicklungs- oder Verwaltungsprozesse als wissensintensive Prozesse aufgefasst werden können. Diese Prozesse werden über nur im geringen Maße strukturierte Wissensflüsse gestaltet [Davenport and Prusak, 1998]. Diese Wissensflüsse werden durch gängige Modellierungstools zumeist nicht modelliert bzw. aufgedeckt [Gronau and Weber, 2004a]. Wichtige Elemente von Wissensflüssen wie die Darstellung von personengebundenem Wissen oder Wissenskonversionen können nicht adäquat und differenziert modelliert werden. Eine Möglichkeit, Wissensflüsse und konversionen nach dem SECI-Modell von Nonaka [Nonaka and Takeuchi, 1997] darzustellen, bietet die Beschreibungssprache KMDL. 3 Wissens und Wissenskonversionen KMDL liegt das o.g. Verständnis von implizitem Wissen nach Nonaka/Takeuchi zugrunde. Nach dieser Auffassung kann Wissen nicht auf Informationsträgern, wie beispielsweise Dokumenten oder Datenbankeinträgen existieren. Dokumente und Datenbanken sind nicht personengebunden und widersprechen damit der Vorstellung von einem humangebundenen Wissen. Trotzdem wird in der Literatur der von Polanyi geprägte Begriff vom expliziten Wissen verwendet [Nonaka and Takeuchi, 1997]. Gemeint ist damit Wissen, welches sich als Information auf Medien, wie Handbüchern und Artikeln, oder zum Beispiel in Form von Patenten oder Software ausdrücken lässt [Borghoff and Pareschi, 1998], S. 6. Neue Wissens- und Informationsobjekte entstehen durch Umwandlung der im Prozess - 2 -

4 vorhandenen Objekte. Diese Umwandlung geschieht durch die Interaktion von Wissens- und Informationsobjekten miteinander. Dazu werden, analog zu Nonaka und Takeuchi [Nonaka and Takeuchi, 1997], S. 71ff, vier Arten der Wissenskonversion unterschieden. Durch das Modellieren von explizitem Wissen und Informationen als Informationsobjekt, sowie von implizitem Wissen als Wissensobjekt, wird bei der KMDL auch bei der Wissenskonversion eine strikte Trennung von personengebundenem Wissen einerseits und personenungebundenem Wissen und Informationen andererseits erreicht. Im Folgenden wird ein kurzer Überblick über die bei KMDL verwendete Wissenskonversion gegeben. Internalisierung: Internalisierung bezeichnet die Umwandlung von Informationen in implizites Wissen. Ein Wissensobjekt wird mit Hilfe einer oder mehrerer Informationen generiert. Externalisierung: Als Externalisierung wird die Umwandlung von implizitem Wissen in Informationen verstanden. Eine Information wird mit Hilfe eines oder mehrerer Wissensobjekte erzeugt, andere Informationsobjekte sind an der Erzeugung des neuen Informationsobjekts nicht beteiligt. Hierbei gehen die personengebunden Aspekte des impliziten Wissens verloren. Es ist also mit einem Bedeutungsverlust bei der Externalisierung zu rechen. Sozialisation: Die Sozialisation bezeichnet die Weitergabe impliziten Wissens von Person zu Person. Dies geschieht in der Regel durch direkte persönliche Kommunikation. In der K-Modeler- Beschreibungssprache wird Sozialisation durch Interaktion von Wissensobjekten abgebildet. Kombination: Bei der Kombination werden ein oder mehrere Informationen dazu verwendet, um neue Informationen zu generieren. An der Kombination sind auch ein oder mehrere Wissensobjekte beteiligt. Diese haben aber nur eine koordinierende Funktion und werden selbst nicht mittels der zu kombinierenden Informationen erzeugt. 4 Die Knowledge Modeling Description Language Das Ergebnis einer Modellierung soll die idealisierte, vereinfachte und in gewisser Hinsicht ähnliche Darstellung eines Gegenstands, Systems oder sonstigen Weltausschnitts sein mit dem Ziel, daran bestimmte Eigenschaften des Vorbilds besser studieren zu können[becker et al., 1995]. Im Sinne einer Vollständigkeit der Modellierungsmethode müssen daher bestimmte Elemente, Beziehungen und deren Eigenschaften berücksichtigt werden können, um die Wissensintensität eines Prozesses und den Einsatz von Wissen erfassen zu können. In konventionellen Modellierungsmethoden sind dergleichen nur bedingt vorzufinden sind [Gronau, 2003]

5 Remus gibt einen Überblick über eine Vielzahl von existierenden Modellierungsmethoden und beschreibt detailliert ihre Fähigkeit zur Abbildung von Wissen (vgl. [Remus, 2002b], S. 216f). Von besonderer Relevanz sind dabei Ansätze zur Prozessmodellierung, die ursprünglich andere Gegenstände zum Beschreibungsziel hatten, z.b. Kontroll- und Datenfluss, später jedoch um Hilfskonstruktionen zur Modellierung von Wissen erweitert worden sind. Solche Methoden sind, ihrem ursprünglichen Einsatzziel entsprechend, in der Praxis häufig schon zur Geschäftsprozessmodellierung eingesetzt worden und dem Anwender daher vertraut. Marktgängige Werkzeuge zur Geschäftsprozessmodellierung sind z.b. Aeneis, ARIS, Bonapart, INCOME, KODA, Mo2Go und die Provision Workbench. Alle diese Produkte unterstützen die Modellierung und teilweise auch die Analyse, Optimierung, Simulation und die Umsetzung der Ergebnisse in IT-Verfahren. Kein marktverfügbares Werkzeug ermöglicht eine differenzierte und konsequente Modellierung wissensintensiver Geschäftsprozesse mit genauer Unterscheidung der Konversionsformen des Wissens. Als ein bekannter Vertreter ist hier ARIS zu nennen. Allen bei Remus beschriebenen Ansätzen ist gemein, dass sie die Anwendung und das Vorhandensein von Wissen beschreiben können. Die Entstehung von Wissen im Prozess wird jedoch meist nur sehr oberflächlich betrachtet. Im Falle von ARIS muss Wissenserzeugung und Nutzung als zusätzliche Metainformation modelliert werden ([Scheer, 1999], S.166). Diese lässt aber noch keinen Schluss auf die Quelle des Wissens zu. Es werden lediglich die Aufgaben genannt, bei deren Bearbeitung das Wissen entsteht oder verwendet wird. Durch die Ungenauigkeit einer solchen Modellierung können keine Aussagen über die Interaktion von implizitem Wissen und Informationen getroffen werden. Auch wird die Betrachtung der Wissensflüsse innerhalb eines Prozesses vernachlässigt. Mit Wissensfluss ist hierbei Herkunft und Verwendung jedes im Prozess vorkommenden Wissens- und Informationsobjektes gemeint. Mittels einer Betrachtung der Quelle von Wissens- und Informationsobjekten, sowie des Wissensflusses lassen sich Aussagen über die Wissens- und Informationserzeugung treffen. Diese ist in wissensintensiven Geschäftsprozessen von besonderer Bedeutung, denn Wissen kann, wie jeder andere Produktionsfaktor auch, erst von der Unternehmung eingesetzt werden, wenn es generiert oder erworben wurde. Daher sollte eine Modellierungsmethode, die sich mit wissensintensiven Prozessen befasst, insbesondere die Entstehung von Wissen und Informationen berücksichtigen. Die Unterscheidung der Wissens- und Informationserzeugung in verschiedenen Arten der Wissenskonversion versetzt die KMDL in die Lage, Schwachstellenanalysen durchzuführen oder auch Aussagen über die Wirkung von Reorganisationsmaßnahmen auf die Wissenserzeugung innerhalb des betrachteten Prozesses zu treffen

6 4.1 Anforderungen an die KMDL als Sprache Die Abbildbarkeit folgender Aspekte muss daher von einer Beschreibungssprache gefordert worden: Wissen ist personengebunden (Wissensträger). Wissen selbst kann nicht kodifiziert dargestellt werden, so dass es eine Umschreibung des Wissens bzw. eine Beschreibung der Wissensdomäne geben muss. (Wissensbeschreibung und -level). Das notwendige oder vorhandene Wissen einer Person kann eine beliebige Teilmenge einer beliebig allgemein definierten Wissensdomäne umfassen (Kompetenzklassen). Das Wissen einer Person kann nur als Referenzen auf einen Teilbereich einer bestimmten Domäne modelliert werden (Wissensobjekt). Wissen ist von einer Verwendung in einem bestimmten Kontext abhängig (Pragmatik). Wissen kann nachgefragt oder angeboten werden Wissensbedarf und Wissensnachfrage). Wissen kann externalisiert, internalisiert, sozialisiert oder kombiniert werden (Wissensfluss). Die allgemeinen Anforderungen an eine Prozessmodellierungsmethode sowie die Voraussetzungen für die Einhaltung der Grundsätze einer ordnungsgemäßen Modellierung sind selbstverständlich [Remus, 2002b], S. 218 und [Becker et al., 1999]. 4.2 Elemente der KMDL KMDL stellt eine Objektbibliothek bestehend aus Informationsobjekt, Aufgabe, Stelle, Stellenanforderung, Person und Wissensobjekt zur Verfügung (vgl. Abbildung 1)[Gronau and Weber, 2004b]. Abbildung 1: Objekte der KMDL und ihr Zusammenhang - 5 -

7 Information: Informationen stellen neben schon vorhandenem Wissen eine Basis für die Erzeugung neuen Wissens dar. Informationen können leicht externalisiert werden. Dazu werden sie auf Datenträgern gespeichert oder in Form von Dokumenten niedergeschrieben. Die Erzeugung von neuen Informationen geschieht mittels Externalisierung oder Kombination. Das KMDL zu Grunde liegende Verständnis von Informationen entspricht damit im Wesentlichen dem expliziten Wissen in der Vorstellung von Nonaka und Takeuchi. Sie gehen in Anlehnung an Polanyis davon aus, dass zwei Arten von Wissen existieren. Implizites und explizites Wissen. Implizites Wissen ist persönlich, kontextspezifisch und daher nur schwer kommunizierbar. Explizites Wissen hingegen lässt sich in formaler, systematischer Sprache wiedergeben [Nonaka and Takeuchi, 1997], S. 72. Aufgaben: Aufgaben sind das Grundgerüst der Modellierung von Geschäftsprozessen. Als Aufgabe wird hier ein Bearbeitungsschritt von Inputs zu Outputs verstanden. Wissensintensive Geschäftsprozesse sind dadurch gekennzeichnet, dass sie Informationen verarbeiten. Daher werden die Inputs und Outputs der Aufgaben als Informationen dargestellt. Stelle: Stellen sind Aufgaben zugeordnet und bearbeiten diese Aufgaben. Stellen sind von einem oder mehreren Mitarbeitern besetzt. Durch die Zuordnung von Mitarbeitern und Aufgaben zu einer Stelle kann die personelle und funktionelle Unternehmensstruktur abgebildet werden. Stellenanforderungen: Die Bearbeitung von Aufgaben stellt Anforderungen an die Stellen. Diese werden durch Stellenanforderungen modelliert. Die Gesamtheit der Stellenanforderungen einer Aufgabe definiert das implizite Wissen, über welches die ihr zugewiesene Stelle verfügen muss, um sie effizienzsteigernd oder effektiv bearbeiten zu können. Jede benötigte implizite Fähigkeit wird in einem Stellenanforderung repr äsentiert. Da zur Bearbeitung der jeweiligen Aufgabe in der Regel mehr als eine implizite Fähigkeit benötigt wird, kann eine Stelle mehrere Stellenanforderungen zugeordnet haben. Person: Personen sind Stellen zugeordnet und sind die Träger von Wissensobjekten. Wissensobjekt: Ein Wissensobjekt wird verwendet, um das implizite Wissen von Personen zu erfassen. Die Gesamtheit aller Wissensobjekte einer Person bildet deren Wissensbasis

8 Abbildung 2: Beispielprozess 5 Wissenskonversionen Die KMDL unterstützt die Modellierung der vier Arten der Wissenskonversion. Diese sind nach dem SECI-Modell von Nonaka und Takeuchi Kombination, Internalisierung, Externalisierung und Sozialisation. Eine Sozialisation liegt vor, wenn Personen implizites Wissen direkt austauschen. Dies kann in einem persönlichen Gespräch, bei einer Konferenz, durch Erfahrungsaustausch oder Nachahmung geschehen. Allein an diesen Sozialisationsbeispielen kann erkannt werden, dass eine Wissenskonversion sehr unterschiedlich ausgeprägt sein kann. Je nach Modellintention kann es ausreichen eine Sozialisation als eine gerichtete Beziehung zwischen den Wissensobjekten zweier Personen darzustellen. KMDL bietet jedoch auch eine erweiterte Darstellungsmöglichkeit an, um weitere Eigenschaften einer Konversion zu erfassen. Diese lassen sich selbstverständlich auch auf die anderen Arten der Wissenskonversion übertragen. Häufigkeit: Der Kontakt zwischen zwei Personen zwecks Wissensaustausch kann einmalig, mehrmalig oder aber auch stetig erfolgen. Letzteres ist insbesondere bei einer Nachahmung während einer permanenten Zusammenarbeit der Fall. Die anderen beiden Fälle können beispielsweise durch den einmaligen oder mehrmaligen Griff zum Telefon verdeutlicht werden

9 Vollständigkeit: Zu betrachten ist auch die Vollständigkeit des sozialisierten Wissens. Es können in mehreren Kontakten jeweils unterschiedliche und sich ergänzende Inhalte vermittelt werden. Es kann aber auch jedes Mal eine vollständige Übermittlung des gegenwärtigen Kenntnisstandes stattfinden. Anzahl Beteiligter: Es kann mehrere Beteiligte an einer Konversion geben. Beispielsweise ist ein Vortrag vor drei Personen ein einziger Vorgang der Sozialisation. Wenn dieser hingegen durch drei einzelne Beziehungen zwischen Vortragenden und je einem Zuhörer modelliert wird, stellt es nicht nur einen Mehraufwand in der Modellierung dar, sondern impliziert auch, dass es sich um drei Einzelkontakte bzw. verschiedenartig ausgeprägte Sozialisationen handeln könnte. Konversionsrichtung: Eine Diskussion, ein Brainstorming oder eine persönliche Einschätzung des Partners impliziert eine Vielzahl von Wissensflüssen. Dieser ist keineswegs gerichtet. Jeder der Beteiligten kann sowohl Sender als auch Empfänger sein. Alternativ müssten die Sozialisationsvorgänge bis hin auf die Ebene von Einzelaussagen dargestellt werden. Ein solcher Detailierungsgrad ist aber unwirtschaftlich und kein wirklicher Informationsgewinn. Es muss also auch die Darstellungsmöglichkeiten von konkreten Ausprägungen von Wissensflüssen geben, wo man Sender, Empfänger oder aber beides sein kann. Die grafische Darstellung dieser Eigenschaften durch KMDL ist wie folgt (vgl. Abbildung 3). Abbildung 3: Konversionsmöglichkeiten der KMDL Die Konversion wird als ein Knoten dargestellt, mit dem alle Beteiligten (Wissens- oder Informationsobjekte) verbunden sind. Diese Verbindungen sind gerichtet und stellen somit den Status als Sender und/oder Empfänger. Der Linienstil gibt die Häufigkeit der Teilnahme an. Die Vollständigkeit der Konversion wird durch die Gestalt des Knotensymbols repräsentiert

10 6 Bestimmung der Art der Wissenskonversion 6.1 Klassifizierung von Wissensobjekten Es kann sich die Situation ergeben, dass eine Person, die zur Aufgabenbewältigung über ein Wissensobjekt verfügen soll, dieses schon in Ansätzen besitzt. Jedoch hat dieses Wissensobjekt noch nicht die nötige Reife, beziehungsweise das von der Stellenanforderung vorgegebene Niveau. Die betreffende Person kann daher die Aufgabe nicht ohne Hilfe von Informationen und anderen Personen zu erledigen. Gleichzeitig wird aber von anderen Personen schon auf dieses, rudimentär vorhandene, Wissensobjekt zugegriffen, denn der Level des Wissensobjektes ist für ihre Aufgabenbewältigung schon ausreichend. Jedes dieser Wissensobjekte repräsentiert einen anderen Kenntnisstand der gleichen Wissenskategorie. So können im Prozess beispielsweise Wissensobjekte existieren, die Grundkenntnisse in Java und Fortgeschrittenenkenntnisse in Java darstellen. Programmierkenntnisse in Java, gleich welcher Tiefe, repräsentieren hier eine Wissenskategorie. Das Grundwissen repräsentierende Wissensobjekt kann bereits von anderen Personen abgefragt werden, während gleichzeitig ausgedrückt wird, dass die Person zur vollständigen Aufgabenbewältigung noch eine Vertiefung ihrer Kenntnisse in der betreffenden Wissenskategorie vornehmen muss. Wie von Davenport und Prusak beschrieben, können bei der KMDL implizite Wissensobjekte in Fähigkeitsebenen, bei KMDL Kompetenzklassen genannt, durch den Modellierer eingeteilt werden(vgl. [Davenport and Prusak, 1998], S. 158): 1. Basis- 2. Arbeits- 3. Führungs- und 4. Expertenwissen Eine derartige Klassifizierung ist sinnvoll, um passende Ansprechpartner bei Wissensbedarf zu finden. So kann zielgerichtet eine Person mit passender Wissensdisziplin und auch Kompetenzklasse, gefunden werden. Dadurch werden die Ressourcen der Spezialisten geschont, denn oft reicht der einfache Kenntnisstand eines anderen Mitarbeiters aus, um bei Problemen zu helfen. Darüber hinaus können Spezialisten identifiziert werden. Diese Personen haben im Allgemeinen nur wenige Wissensobjekte, diese jedoch auf Expertenlevel. Eine Identifikation von Generalisten ist analog möglich, hier liegen viele Wissensobjekte aus einer niedrigen Kompetenzklasse vor

11 6.2 Erzeugung von Informationen Bei der Erzeugung von Informationen kann auf den ersten Blick unklar sein, ob eine Externalisierung von implizitem Wissen oder eine Kombination von vorhandenen Informationsobjekten vorliegt. Dies geschieht, wenn gleichzeitig die Attribute verwendete Wissensobjekte und auch verwendete Information gesetzt werden. Ob eine Internalisierung oder Kombination vorliegt, kann durch folgende Fälle unterschieden werden: Fall 1: An der Erzeugung der Information sind Informationen und nachgefragte Wissensobjekte beteiligt. Um zur Generierung der Information verwendet werden zu können, müssen die nachgefragten Wissensobjekte zuerst in vorhandene umgewandelt werden. Es liegt also in einem ersten Schritt eine Internalisierung vor. Sind nun die zur Internalisierung des Wissensobjekts verwendeten Informationsobjekte die Gleichen, welche auch im Attribut des neu erzeugten Informationsobjektes angegeben wurden, liegt ein Modellierungsfehler vor. Es handelt sich bei der Erzeugung der Information um eine reine Externalisierung, denn die Information wird mittels eines vorher internalisierten Wissensobjektes erzeugt. Es sind also zwei Arten der Wissenskonversion fälschlicherweise zu einem Schritt zusammengefasst worden. Fall 2: an der Erzeugung der Information sind Informationsobjekte und vorhandene Wissensobjekte beteiligt. Hier liegt eine Kombination vor. Die beteiligten Wissensobjekte haben lediglich einen koordinierenden Charakter bei der Zusammenstellung neuer Informationen. Neuer Informationsgehalt wird aus den beteiligten Informationsobjekten erstellt. 6.3 Erzeugung von Wissensobjekten Sollten bei einem erzeugten Wissensobjekt als Entstehungsart sowohl Internalisierung als auch Sozialisation angegeben sein, kann nicht eindeutig bestimmt werden, welche Entstehungsart vorliegt. Bei der Modellierung sollte daher nach Möglichkeit eine sinnvolle Trennung des betreffenden Wissensobjekts in zwei separate Wissensobjekte vorgenommen werden. Davon wird das eine internalisiert und spiegelt das aus der Information gewonnene Wissen wieder. Das andere repräsentiert das durch Sozialisation gewonnene Wissen der anderen, am Prozess beteiligten Personen wieder. Aber wie immer gilt auch in diesem Fall, dass KMDL dem Modellierer maximale Freiheit einräumt. Ein Verzicht auf die eindeutige Bestimmung der Art der Wissenskonversion wird in diesem Fall also erlaubt

12 7 Sichten der KMDL Um eine Steigerung der Übersichtlichkeit sowie eine Komplexitätsreduzierung zu ermöglichen, werden während und nach der Modellierung verschiedene Sichten auf den Prozess angeboten. Die Reihenfolge, in der die Sichten im Folgenden abgehandelt werden, stellt einen kontinuierlichen Aufbau bis zum Gesamtprozess dar. Dabei wird von der Anfangssituation, der Modellierung der Aufgaben, ausgegangen und im weiteren Verlauf diese mit den entsprechenden Objekten versehen. Es werden fünf unterschiedliche Sichten unterschieden, die einen verbesserten Überblick über den Gesamtprozess geben sollen. Es handelt sich dabei um: die Aufgabensicht einfache Prozesssicht erweiterte Prozesssicht implizite Wissenssicht und die Gesamtsicht. KMDL versucht durch diese Einteilung der Sichten neben der gewünschten Übersichtlichkeit auch eine detaillierte Darstellung der nachgefragten sowie vorhandenen Wissensobjekte zu erreichen. Durch diese wird u.a. die Schwachstellenanalyse, die durch die Verwendung des KMDLs angefertigt werden kann, unterstützt. Im Vergleich dazu verfolgt ARIS (vgl. [Scheer, 1999], Seite 33 ff.) nur das Ziel der übersichtlichen Darstellung von Prozessen. Hier werden fünf Sichten unterschieden. Die Leistungssicht enthält alle materiellen und immateriellen Input- und Output-Leistungen; die Datensicht, die Informationsobjekte und -attribute sowie Beziehungen zwischen diesen beschreibt; die Funktionssicht, die Vorgänge, die Input- Leistungen zu Output-Leistungen transformieren, zusammenfasst; die Organisationssicht, die die Aufbauorganisation darstellt und die Steuerungssicht / Prozesssicht, in der die Beziehungen zwischen den Sichten und der gesamte Geschäftsprozess behandelt werden. Mit dem Ziel der Modellierung und der Analyse von wissensintensiven Prozessen sowie der Darstellung dieser mit Hilfe der verschiedenen Sichten hebt sich der KMDL von der herkömmlichen Prozessmodellierung ab. 8 Das K-Modeler Modellierungswerkzeug für wissensintensive Geschäftsprozesse Aufbauend auf KMDL wurde ein Werkzeug entwickelt, welches es erlaubt, die modellierten wissensintensiven Prozesse rechnergestützt abzubilden und zu analysieren [Arbeitsgemeinschaft Wissensmanagement,

13 2003a],[Arbeitsgemeinschaft Wissensmanagement, 2003b]. Gegenwärtig wird im Rahmen des BMBF Projektes M-Wise an einer Überarbeitung der Sprache und eine Neuimplementierung des Tools auf Basis von Eclipse als Rich-Client gearbeitet. Die Software wurde vollständig in JAVA entwickelt, die Daten werden in einer relationalen Datenbank abgelegt. Abbildung 4: Screenshot K-Modeler Modelliert wird auf einer Modellierungsfläche, die Objekte können per Drag and Drop auf die Modellierungsfläche gezogen werden. Im Anschluss werden per Mausklick die Kanten zwischen den Objekten gezogen, um so die logischen Verbindungen zu schaffen. Bereits während der Prozessmodellierung überwacht ein intelligenter Agent die Modellierung, sodass Objekte nur nach den definierten syntaktischen Regeln angeordnet werden können. Darüber hinaus können durch die Funktion Syntaxüberprüfung Fehler in der Modellierung erkannt werden. Abbildung 4 zeigt die grafische Oberfläche und die Modellierung eines Beispielprozesses. Zusätzlich zur Modellierung bietet die K-Modeler- Software Funktionen zur Analyse der modellierten Prozesse. Auf diese Weise können basierend auf spezifischen Algorithmen Schwachstellen innerhalb wissensintensiver Geschäftsprozesse identifiziert werden. Als Beispiele für mit dem K

14 Modeler aufspürbare Schwachstellen lassen sich nennen: Wissensmonopole, nicht genutztes, aber benötigtes Wissen und nicht gestillter Wissensbedarf. Die Analysen beschränken sich nicht nur auf den jeweils aktuell betrachteten Prozess, sondern werden prozessübergreifend bzw. unternehmensweit über die Datenbank ausgeführt. Somit werden Informationen sowohl über alle aktuell existierenden als auch über alle vergangenen Ausprägungen von Prozessen und Prozesselementen berücksichtigt. Im Sinne eines Process-Data-Warehouse sind alle erdenklichen Auswertungen mit den erfassten Prozessdaten möglich. Wird ein Einsatz von K-Modeler mit personenbezogenen Daten gewünscht, so ist auch ein gezielter Abgleich von Qualifikationsprofilen der Mitarbeiter mit den Anforderungen, die im Prozess an sie gestellt werden, möglich. Dies gestattet eine gezielte Förderung von Mitarbeitern, da durch den K- Modeler mögliche Experten oder Ausbilder für bestimmte Fähigkeiten schnell gefunden werden und zielgerichtet mit dem zu unterrichtenden Mitarbeiter in Kontakt gebracht werden können. Auch ist es bei der Besetzung von Stellen möglich, festzustellen, welche Qualifikationen vorhanden sein müssen, um diese Stelle neu zu vergeben. Die Nutzung der bereits im Unternehmen eingesetzten Informationssysteme kann mittels K-Modeler einer kritischen Analyse unterzogen werden. Besonders gilt dies für Informationstechnologie zur Unterstützung des Wissensmanagement, deren Aufgabe es ist, Mitarbeiter zielgerichtet mit Informationen zu versorgen und das Auffinden von Experten zu erleichtern. Hier kann anhand der Attribute von Wissens- und Informationsobjekten festgestellt werden, ob das Wissensmanagementsystem tatsächlich an der Verteilung der Objekte beteiligt ist. Aus der Trennung von Information und implizitem Wissen ergibt sich ein anderer wichtiger Nutzen von K-Modeler. Informationen stehen der gesamten Organisation zur Verfügung. Sie bilden das intellektuelle Vermögen einer Organisation und sind in vielfältigen Formen, wie z.b. Patenten, Organigrammen, Handbüchern usw. vorhanden. Sie können unabhängig von den Personen einer Unternehmung existieren, daher kann ihre Gesamtheit als Organizational Memory bezeichnet werden [Borghoff and Pareschi, 1998]. Wissen hingegen wird nur von Einzelpersonen geschaffen, dabei soll die Organisation kreative Personen unterstützen [Nonaka and Takeuchi, 1997]. Eine solche Unterstützung kann beispielsweise die Verfügbarmachung von Informationen oder das Zusammenbringen mit anderen Personen zwecks Wissensaustauschs sein. Dieser Gedanke wurde bei K-Modeler aufgegriffen. Die Organisation, in der die betrachteten Prozesse ablaufen, stellt Personen, Informationen und Infrastruktur zur Verwaltung dieser Informationen zur Verfügung

15 Personen steuern zum Informationspool der Organisation bei, indem sie ihrerseits neue Informationen erzeugen. Diese neuen Informationen entstehen durch die Kombination mit impliziten Wissensobjekten. Auch implizite Wissensobjekte werden in dieser Form erzeugt. Besonders bei Restrukturierung eines Prozesses kann das Zusammenspiel zwischen implizitem Wissen und Informationen gestört werden. Als Beispiel soll der Versuch dienen, Kosteneinsparungen durch Personalabbau zu realisieren. Dabei wird Prozessen implizites Wissen entzogen. Fand vorher eine Modellierung mit K-Modeler statt, kann vorhergesagt werden, ob dem Prozess relevantes implizites Wissen entzogen wird, sowie welches Wissen und welche Informationen nun nicht mehr generiert werden. Auch wird es in diesem Fall zu einer anderen Nutzung der im Prozess verbleibenden Informationen und Wissensobjekte kommen, welche mit K- Modeler vorhergesagt werden kann. Werden beispielsweise Informationen nach einer Restrukturierung nicht mehr genutzt, so haben sie keinen Nutzen mehr für den betrachteten Prozess. Auch ist zu erwarten, dass nicht mehr genutzte Informationen veralten, da sie nicht mehr am Wissensfluss beteiligt sind. 9 Zusammenfassung und Ausblick Die Beschreibungssprache KMDL und das Werkzeug K-Modeler wurden entwickelt, um wissensintensive Geschäftsprozesse im Hinblick auf den Fluss und die Umwandlung personenbezogenen Wissens modellieren und analysieren zu können. Erste Praxiserfahrungen, u.a. in der Untersuchung wissensintensiver Softwareentwicklungsprozesse bei der Neukonzeption des Behördenintranets des Landes Niedersachsen, bei der Gestaltung der Prozesse in der Akademie der Firma Weidmüller, bei KarstadtQuelle, Kraft Jacobs Suchard und bei der Robert-Bosch AG zeigen, dass auch die mit der Modellierung von Geschäftsprozessen verbundenen Vorteile z.b. bei der Kommunikation über Prozesse erreicht werden können. Ein spezielles Vorgehensmodell stellt sicher, dass effizient die zusätzlichen Objekte und Attribute erhoben werden können, die zu Aussagen über die Qualität des Wissensmanagements im untersuchten Prozess benötigt werden. Aktuell wird die KMDL im BMBF Projekt M-Wise für die Modellierung wissensintensiver Porzesse im Software Engineering eingesetzt und untersucht. Zu den nächsten Schritten wird eine Reimplementierung des gegenwärtig nur als Prototypen vorhandenen grafischinteraktiven Werkzeugs gehören. Dabei wird die konzeptionell bereits vorbereitete

16 automatisierte Schwachstellenanalyse auch realisiert werden. Zudem wird derzeit die Nutzung der erhobenen Prozesselemente zur Dokumentation des Prozesses und zur Navigation durch alle beteiligten Elemente z.b. in Form einer Wissenslandkarte, vorbereitet. Weiterhin werden die Eignung und der Einsatz von KMDL und K-Modeler für das Skill-Managements vorbereitet [Gronau and Uslar, 2004]. Literatur [Abecker et al., 2002] Andreas Abecker, Knut Hinkelmann, Heiko Maus, und Heinz Jürgen Müller. Geschäftsprozessorientiertes Wissensmanagement. Springer, Berlin, [Arbeitsgemeinschaft Wissensmanagement, 2003a] Arbeitsgemeinschaft Wissensmanagement. K-modeler, (Stand: Oktober 2003). [Arbeitsgemeinschaft Wissensmanagement, 2003b] Arbeitsgemeinschaft Wissensmanagement. KMDL - Knowledge Modeler Description Language, (Stand: Juli 2003). [Becker et al., 1995] Jörg Becker, Michael Rosemann, und Reinhard Schütte. Grundsätze ordnungsgemässer Modellierung. Wirtschaftsinformatik, 37(5): , [Becker et al., 1999] J. Becker, M. Rosemann, und C. v. Uthmann. Guidelines of business process modeling. In W. Aalst, J. Desel, und A. Oberweis, Herausgeber, Business Process Management: Models, Techniques and Empirical Studies. Berlin, [Borghoff and Pareschi, 1998] Uwe M. Borghoff und Remo Pareschi. Information Technology for Knowledge Management. Springer-Verlag Berlin Heidelberg, [Davenport and Prusak, 1998] Thomas H. Davenport und Laurence Prusak. Wenn Ihr Unternehmen wüßte, was es alles weiß... Das Praxishandbuch zum Wissensmanagement. Landsberg/Lech, 2. edition, [Davenport et al., 1995] Thomas H. Davenport, Sirkka Jarvenpaa, und Mike Beers. Improving Knowledge Work Processes, [Gadatsch, 2001] Andreas Gadatsch. Management von Geschäftsprozessen. Methoden und Werkzeuge für die IT- Praxis. Vieweg Verlagsgesellschaft,

17 [Goesmann, 2002] T. Goesmann. Ansatz zur Unterst ützung wissensintensiver Prozesse durch Workflow- Management-Systeme. Berlin, [Gronau and Uslar, 2004] Norbert Gronau und Mathias Uslar. Proceedings of the irma international conference In Mehdi Khosrow-Pour, Herausgeber, Creating catalogues for competency management systems with the KMDL. IDEA Group Press, [Gronau and Weber, 2004a] und E.Weber. Management of knowledge intensive business processes. In J. Desel, B. Pernici, und M. Weske, Herausgeber, Business Process Management. Springer, Heidelberg, [Gronau and Weber, 2004b] Norbert Gronau und Edzard Weber. Proceedings of the IRMA International Conference In Mehdi Khosrow-Pour, Herausgeber, Modeling of Knowledge intensive business processes with the declaration language KMDL. IDEA Group Press, [Gronau et al., 2004] Norbert Gronau, Mathias Uslar, und Torsten Winkler. M-Wise: Modellierung wissensintensiver Prozesse im Software Engineering. In BMBF, Herausgeber, Proceedings der Eröffnungskonferenz Forschungsoffensive Software Engineering 2006, [Gronau, 2003] Norbert Gronau. Modellierung von wissensintensiven Geschäftsprozessen. In Norbert Gronau, Herausgeber, Wissensmanagement: Potenziale - Werkzeuge - Konzepte, Berlin, Oldenburger Fachtagung Wissensmanagement. GITO-Verlag, [Heisig, 2002] P. Heisig. GPO-WM - Methode und Werkzeuge zum geschäftsprozessorientierten Wissensmanagement. In A. Abecker, Herausgeber, Geschäftsprozessorientiertes Wissensmanagement. Berlin Heidelberg New York, [Hoffmann, 2002] M. Hoffmann. Analyse und Unterst ützung vonwissensprozessen als Voraussetzung für erfolgreicheswissensmanagement. In A. Abecker, Herausgeber, GeschäftsprozessorientiertesWissensmanagement. Berlin Heidelberg New York, [Nonaka and Takeuchi, 1997] I. Nonaka und H. Takeuchi. Die Organisation des Wissens. Wie japanische Unternehmen eine brachliegende Ressource nutzbar machen. Campus Verlag, Franfurt a.m.,

18 [Probst et al., 1998] G. Probst, S. Raub, und K. Romhardt. Wissen managen, wie Unternehmen ihre wertvollste Ressource optimal nutzen. Frankfurter Allgemeine, Gabler, Frankfurt a. M., 2. edition, [Remus, 2002a] U. Remus. Integrierte Prozess- und Kommunikationsmodellierung zur Verbesserung von wissensintensiven Geschäftsprozessen. In A. Abecker, Herausgeber, GeschäftsprozessorientiertesWissensmanagement. Berlin Heidelberg New York, [Remus, 2002b] U. Remus. Prozeßorientiertes Wissensmanagement. Konzepte und Modellierung. PhD thesis, Universität Regensburg, Regensburg, [Scheer, 1999] August-Wilhelm Scheer. ARIS, Vom Geschäftsprozeß zum Anwendungssystem. Springer, Heidelberg,