3.1. Stage 1: KM strategy classific

3.1. Stage 1: KM strategy classification
In order to categorize organizations based on KM strategies, cluster analysis, which is the first stage in our proposed method, is used. Cluster analysis is a commonly used technique for empirically identifying patterns in complex sets of organizational variables in the KM research in particular [6], [9] and [22] and more generally in the information systems literature [23], [24] and [25]. This analysis allows us to group organizations so that each is similar to others within each cluster, thereby exhibiting high internal (within-cluster) homogeneity with respect to certain KM strategy characteristics (KM focus and KM source in this study) and high external (between-cluster) heterogeneity with respect to the same characteristics [26] and [27].

A major issue with clustering is how to decide the number of clusters. Membership of clusters is determined based on the three steps in our method. First, Ward's hierarchical technique is adopted using squared Euclidean distance, followed by an agglomeration schedule [6] and [26]. Cluster agglomeration is generally stopped when the increase between two adjacent steps becomes large. Second, K-means nonhierarchical analysis is performed for checking the validity. Finally, analysis of variance (ANOVA) is employed to validate the overall result.

3.2. Stage 2: relationship assessment
The concept of complementarity can be operationalized by the supermodularity function with respect to two or more complementary variables [28]. Supermodularity dictates that the sum of the increases in the value of a function when the levels of the complements are changed one at a time would be less than the increase in the function's value when the levels are changed simultaneously. In essence, if the synergistic condition holds, the gains from increasing every component are larger than the sum of the individual increases.

3.2.1. Association analysis
Association analysis is a widely employed technique in the field of knowledge discovery and data mining. This technique is particularly useful when the underlying theory is not well understood and when the study is exploratory in nature. An association analysis can provide a weak form of correlation measure between the variables based on probability measures. In particular, if there is an association between X which is an input variable and Y, the performance variable, i.e. ∏(Xi), we say that X→Y provided

•
The condition X→Y holds in the data set with support s , where s is the percentage of instances in the data set that contains X∪Y (i.e. both X and Y). This is taken to be the probability, support (X→Y)=P(X∪Y).
•
The condition X→Y has confidence c in the data set if c is the percentage of instances in data set with X that is also with Y. This is taken to be conditional probability, confidence (X→Y)=P(Y|X).
Support and confidence are the two key measures of the interestingness in association analysis [29]. High support implies that the condition is relatively frequent. Confidence indicates how often the condition is correct. High confidence indicates that Y is highly dependent on X. In this study, we derive a performance function that is supermodular with respect to pairs of KM strategies being implemented simultaneously using association analysis.

3.2.2. Complementary analysis
Based on the concept of complementarity and its supermodularity functional representation, we need to consider performance data on some function that is supermodular. Suppose there are two KM strategies (X1 and X2). Each strategy can be adopted by the firm (X1=1) or not adopted (X1=0) and (X2=1) or not adopted (X2=0). The performance function Y=f(X1,X2) is supermodular and X1 and X2 are complements if and only if:

equation(1)
f(1,1)-f(0,1)⩾f(1,0)-f(0,0)
Turn MathJax on

i.e. adding a strategy while already executing the previous strategy has a higher incremental effect on performance than when using the first strategy in isolation. Even though the concept of complementarities offers a set of important implications for analyzing organizational performance, there is no well-established theory to conceptualize the association between X1 and X2.
Note that the marginal benefit moving from (0,0) to (1,0) (or to (0,1)) is less than the move from (1,0) (or from (0,1)) to the maximum (1,1). Alternatively, Eq. (1) can be rewritten as:

equation(2)
f(1,1)+f(0,0)⩾f(1,0)+f(0,1).
Turn MathJax on

Based on the concept discussed in the association analysis, we implement each of the performance functions in the form of conditional probability. We assume that the performance outcome consists of two discrete possibilities where 1 represents positive outcome and 0 represents non-positive outcome. Table 2 shows the mapping of each positive performance outcome (Y=1) into four different conditional probabilities.

ผลลัพธ์ (ไทย) 1:

3.1. ขั้นตอนที่ 1: KM กลยุทธ์ประเภท
การยึดกลยุทธ์ KM ขององค์กร วิเคราะห์ คลัสเตอร์ซึ่งเป็นระยะแรกในวิธีการนำเสนอของเรา ใช้ แบ่งเป็นเทคนิคที่ใช้กันทั่วไปสำหรับ empirically ระบุรูปแบบในชุดที่ซับซ้อนของตัวแปรงานวิจัย KM โดยเฉพาะ [6], [9] และ [22] และโดยทั่วไปเพิ่มเติม ในข้อมูลระบบวรรณคดี [23], [24] [25] และ วิเคราะห์นี้ช่วยให้เรากับกลุ่มองค์กรเพื่อให้แต่ละจะคล้ายกับผู้อื่นภายในแต่ละคลัสเตอร์ จึงอย่างมีระดับ homogeneity สูงภายใน (ภายในคลัสเตอร์) กับลักษณะบางอย่างกลยุทธ์ KM (โฟกัส KM และ KM แหล่งในการศึกษานี้) และ heterogeneity ภายนอกสูง (ระหว่างกลุ่ม) กับลักษณะเดียวกัน [26] และ [27]

เป็นปัญหาสำคัญกับคลัสเตอร์เป็นการตัดสินใจเลือกหมายเลขของคลัสเตอร์ เป็นสมาชิกของคลัสเตอร์ถูกกำหนดตามขั้นตอนสามในวิธีของเรา เทคนิคลำดับชั้นของผู้ป่วยก่อน จะนำใช้กำลังสองแบบยุคลิด ตามกำหนดการการ agglomeration [6] และ [26] Agglomeration คลัสเตอร์ถูกหยุดเมื่อเพิ่มระหว่างสองตอนติดกันขนาดใหญ่โดยทั่วไป สอง การวิเคราะห์ nonhierarchical K หมายถึงทำเพื่อตรวจสอบความ สุดท้าย จ้างวิเคราะห์ผลต่างของ (การวิเคราะห์ความแปรปรวน) เพื่อตรวจสอบการรวมผลลัพธ์

3.2 ขั้นตอนที่ 2: การประเมินความสัมพันธ์
สามารถ operationalized แนวคิดของ complementarity โดยฟังก์ชัน supermodularity กับสอง หรือมากกว่าสองเสริมแปร [28] Supermodularity บอกว่า ผลรวมของการเพิ่มค่าของฟังก์ชันเมื่อเติมเต็มในระดับมีการเปลี่ยนแปลงทีจะน้อยกว่าการเพิ่มขึ้นของค่าของฟังก์ชันเมื่อมีการเปลี่ยนแปลงระดับพร้อมกัน ในสาระสำคัญ ถ้าเงื่อนไขพลังเก็บ กำไรจากการเพิ่มส่วนประกอบทุกมีขนาดใหญ่กว่าผลรวมของแต่ละเพิ่ม

3.2.1 วิเคราะห์ความสัมพันธ์
วิเคราะห์ความสัมพันธ์เป็นเทคนิคหนึ่งเจ้าอย่างกว้างขวางในด้านการค้นหาความรู้และการทำเหมืองข้อมูล เทคนิคนี้มีประโยชน์เมื่ออยู่ภายใต้ทฤษฎีคือไม่ดีเข้าใจและเมื่อการศึกษาเป็นเชิงบุกเบิกในธรรมชาติ การวิเคราะห์ความสัมพันธ์สามารถให้อ่อนแอแบบฟอร์มวัดความสัมพันธ์ระหว่างตัวแปรตามการประเมินความน่าเป็น โดยเฉพาะ ถ้ามีความสัมพันธ์ระหว่าง X ซึ่งเป็นตัวแปรอินพุทและ Y ตัวแปรประสิทธิภาพ เช่น ∏(Xi) เราบอกว่า X→Y ให้

•
เงื่อนไข X→Y เก็บในชุดข้อมูลที่ มีสนับสนุน s โดยที่ s คือ เปอร์เซ็นต์ของอินสแตนซ์ในชุดข้อมูลที่ประกอบด้วย X∪Y (เช่น X และ Y) นี้ถูกต้องความเป็นไปได้ สนับสนุน (X→Y) = P (X∪Y) .
•
สภาพ X→Y มีความเชื่อมั่น c ในชุดข้อมูลถ้า c เป็นเปอร์เซ็นต์ของอินสแตนซ์ในชุดข้อมูลมี X กับ Y ยังเป็นที่ นี้จะนำมาเป็น แบบมีเงื่อนไขความน่าเป็น ความเชื่อมั่น (X→Y) = P (Y|X) .
สนับสนุนและความเชื่อมั่นอยู่วัดหลักสองของ interestingness ในการวิเคราะห์ความสัมพันธ์ [29] สนับสนุนสูงหมายถึงว่าสภาพค่อนข้างบ่อย ความเชื่อมั่นบ่งชี้ว่า เงื่อนไขถูกต้อง ความมั่นใจสูงแสดงว่า Y สูงขึ้นอยู่กับ X ในการศึกษานี้ เราได้รับฟังก์ชันประสิทธิภาพการทำงานที่ supermodular กับคู่ของ KM กลยุทธ์ การดำเนินการพร้อมกันโดยใช้วิเคราะห์ความสัมพันธ์การ

3.2.2 วิเคราะห์เพิ่มเติม
ตามแนวคิดของ complementarity และแสดงการทำงาน supermodularity เราต้องพิจารณาเกี่ยวกับฟังก์ชันบาง supermodular สมมติว่ามีกลยุทธ์ 2 KM (X 1 และ X 2) สามารถนำกลยุทธ์แต่ละบริษัท (X 1 = 1) หรือไม่นำมาใช้ (X 1 = 0) และ (X 2 = 1) หรือไม่นำมาใช้ (X 2 = 0) ได้ ประสิทธิภาพการทำงานฟังก์ชัน Y = f (X 1X 2) คือ supermodular และ X 1 และ X 2 จะเติมเต็ม และเมื่อ:

สมการ (1)
f - f (0,1) ⩾f (1.0) - f (1.1) (0,0)
เปิด MathJax on

i.e เพิ่มกลยุทธ์ในขณะดำเนินกลยุทธ์ก่อนหน้านี้แล้วได้ความสูงเพิ่มขึ้นผลกระทบต่อประสิทธิภาพเมื่อใช้กลยุทธ์แรกแยก แม้ว่าแนวคิดของ complementarities มีชุดของนัยสำคัญสำหรับการวิเคราะห์ประสิทธิภาพองค์กร มีทฤษฎีไม่ดีขึ้นให้ conceptualize ความสัมพันธ์ระหว่าง X 1 และ X 2.
หมายเหตุว่า ประโยชน์ส่วนเพิ่มที่ย้ายออก (0,0) (1.0) (หรือ (0,1)) น้อยกว่าการย้ายจาก (1.0) (หรือ จาก (0,1)) จะสูงสุด (1.1) หรือ Eq. (1) สามารถจิต as:

equation(2)
f(1,1) f(0,0)⩾f(1,0) f (0,1) .
เปิด MathJax บน

เราตามแนวความคิดในการวิเคราะห์ความสัมพันธ์ ใช้แต่ละฟังก์ชันประสิทธิภาพในรูปแบบของความน่าเป็นแบบมีเงื่อนไขได้ เราสมมติว่า ผลลัพธ์ประสิทธิภาพประกอบด้วยสองแยกกันไปที่ 1 หมายถึงผลบวก และ 0 หมายถึงผลบวกไม่ ตารางที่ 2 แสดงการแมปแต่ละบวกประสิทธิภาพผลลัพธ์ (Y = 1) เป็นกิจกรรมแบบมีเงื่อนไขแตกต่างกัน 4

ผลลัพธ์ (ไทย) 3:

3.1 . ขั้นที่ 1 : km กลยุทธ์หมวดหมู่
เพื่อจัดองค์กรตามกลยุทธ์ , km ในการวิเคราะห์กลุ่ม ซึ่งเป็นขั้นตอนแรกในวิธีการที่เสนอจะใช้ การวิเคราะห์การเกาะกลุ่มเป็นที่นิยมใช้เทคนิคเพื่อใช้ระบุรูปแบบในชุดซับซ้อนของตัวแปรในการวิจัย โดยเฉพาะองค์กรทาง [ 6 ][ 9 ] และ [ 22 ] และมากขึ้นโดยทั่วไปในระบบข้อมูลวรรณกรรม [ 23 ] , [ 24 ] และ [ 25 ] การวิเคราะห์นี้จะช่วยให้เราเพื่อองค์กรเพื่อที่แต่ละกลุ่มจะคล้ายกับคนอื่น ๆภายในแต่ละคลัสเตอร์ซึ่งจัดแสดงภายในสูง ( ภายในกลุ่ม ) รวมตัวกันด้วยความเคารพกม. ( กม. ลักษณะบางกลยุทธ์มุ่งเน้นและแหล่ง km ในการศึกษา ) และภายนอก ( ระหว่างกลุ่มสูง ) สามารถต่อลักษณะเดียวกัน [ 26 ] และ [ 27 ] .

ปัญหาใหญ่กับการแบ่งกลุ่ม คือ วิธีการเลือกหมายเลขกลุ่มสมาชิกของกลุ่มจะถูกกำหนดตามสามขั้นตอนในวิธีการของเรา แรก , เทคนิคของวอร์ดลดหลั่นเป็นลูกบุญธรรมใช้ระยะทางแบบยุคลิดยกกำลังสอง ตามด้วยตารางการ [ 6 ] และ [ 26 ] กลุ่มการรวมตัวกันโดยทั่วไปจะหยุดเมื่อเพิ่มระหว่างสองขั้นติดกันกลายเป็นขนาดใหญ่ ประการที่สอง k-means การวิเคราะห์ nonhierarchical จะดําเนินการเพื่อตรวจสอบความถูกต้องและการวิเคราะห์ความแปรปรวน ( ANOVA ) ใช้ในการตรวจสอบผลโดยรวม .

. . ขั้นตอนที่ 2 : ความสัมพันธ์ระหว่างการประเมิน
แนวคิดของข้อมูลสามารถ operationalized โดยฟังก์ชั่น supermodularity ด้วยความเคารพสอง หรือมากกว่าสองตัวแปรเสริม [ 28 ]supermodularity ซึ่งผลรวมของการเพิ่มขึ้นในค่าของฟังก์ชันเมื่อระดับของเสริมมีการเปลี่ยนแปลงหนึ่งครั้งจะน้อยกว่าการเพิ่มขึ้นของค่าของฟังก์ชันเมื่อระดับเปลี่ยนไปพร้อมกัน ในสาระสําคัญ ถ้าเงื่อนไขที่ถือ กําไรจากการเพิ่มชิ้นส่วนทุกชิ้นมีขนาดใหญ่กว่าผลรวมของแต่ละดำเนินงานเพิ่มขึ้น

.สมาคมการวิเคราะห์
สมาคมการวิเคราะห์เป็นอย่างกว้างขวางใช้เทคนิคในด้านการสืบค้นความรู้และการทำเหมืองข้อมูล . เทคนิคนี้จะเป็นประโยชน์โดยเฉพาะอย่างยิ่งเมื่อมีทฤษฎีไม่เข้าใจกัน และเมื่อศึกษาเชิงสำรวจในธรรมชาติ สมาคมการวิเคราะห์สามารถให้รูปแบบอ่อนของความสัมพันธ์ระหว่างตัวแปรตามมาตรการวัดความน่าจะเป็น โดยเฉพาะอย่างยิ่งหากมีความสัมพันธ์ระหว่าง X ซึ่งเป็นข้อมูลตัวแปรและตัวแปร y , ประสิทธิภาพ , เช่น ∏ ( Xi ) เราบอกว่า x → keyboard - key - name Y ให้

-
เงื่อนไข x → keyboard - key - name Y ถือในชุดข้อมูลด้วยการสนับสนุนของ ซึ่งเป็นค่าของอินสแตนซ์ในชุดข้อมูลที่ประกอบด้วยเ ∪ Y ( คือทั้ง X และ Y ) นี่เอามาให้ความสนับสนุน ( x → keyboard - key - name Y ) = P ( x ∪ Y
-
)ภาพ x → keyboard - key - name และมีความมั่นใจในข้อมูลชุด C ถ้า C เป็นค่าของอินสแตนซ์ในชุดข้อมูล กับ X นั่นก็ด้วย ตัวนี้ถ่ายเป็นสาหร่ายไก ความมั่นใจ ( X → keyboard - key - name Y ) = P ( Y | X )
สนับสนุน และมั่นใจเป็น 2 มาตรการหลักของความน่าสนใจใน สมาคมการวิเคราะห์ [ 29 ] หนุนสูง แสดงให้เห็นว่าสภาพค่อนข้างบ่อยความเชื่อมั่นบ่งชี้ว่า มักจะเป็นเงื่อนไขที่ถูกต้อง ความมั่นใจสูงแสดงว่า Y ขึ้นสูง . ในการศึกษานี้เราสร้างการปฏิบัติงานที่ supermodular เกี่ยวกับคู่ของกลยุทธ์ทางการใช้พร้อมกันโดยใช้การวิเคราะห์ความสัมพันธ์

3.2.2 .
วิเคราะห์ประกอบตามแนวคิดของข้อมูลและ supermodularity ทํางานแทนเราต้องพิจารณาข้อมูลที่แสดงในบางฟังก์ชันที่ supermodular . สมมติว่ามีกลวิธี km ( x1 และ x2 ) แต่ละกลยุทธ์สามารถนำมาใช้โดยบริษัท ( x1 = 1 ) หรือไม่รับ ( x1 = 0 ) และ ( x2 = 1 ) หรือไม่รับ ( X2 = 0 ) การแสดงฟังก์ชัน y = f ( x1 ,X2 ) และ supermodular x1 และ x2 จะเสริม ถ้าและเพียงถ้า : สมการ ( 1 )


f ( 1 , 1 ) - F ( 0.1 ) ⩾ F ( 1,0 ) - F ( 0,0 )


เปิด mathjax บนคือการเพิ่มกลยุทธ์ในขณะที่แล้วรันได้สูงกว่าเดิมกลยุทธ์เพิ่มผลการปฏิบัติงานกว่าเมื่อใช้กลยุทธ์แรกในการแยก .แม้ว่าแนวคิดของกำลังเสนอชุดของผลกระทบที่สำคัญในการวิเคราะห์ประสิทธิภาพขององค์การ ไม่มีรู้จักที่จะคิดทฤษฎีความสัมพันธ์ระหว่าง x1 และ x2 .
ทราบว่าค่าประโยชน์ย้ายจาก ( 0,0 ) ( 1,0 ) ( หรือ ( 0.1 ) น้อยกว่าย้ายจาก ( 1,0 ) ( หรือ จาก ( 0.1 ) ) สูงสุด ( 1 , 1 ) อีกวิธีหนึ่งคือ อีคิว( 1 ) สามารถเขียนเป็นสมการ ( 2 ) :


f ( 1 , 1 ) f ( 0,0 ) ⩾ F ( 1,0 ) F ( 0.1 ) mathjax บน


เปิดบนพื้นฐานของแนวคิดที่กล่าวถึงในการวิเคราะห์ความสัมพันธ์ เราใช้แต่ละของการปฏิบัติหน้าที่ในรูปของความน่าจะเป็นเงื่อนไข เราสันนิษฐานว่า ผลการปฏิบัติงาน ประกอบด้วย 2 ต่อเนื่องถึงความเป็นไปได้ที่ 1 บวกและ 0 หมายถึงไม่บวกตารางที่ 2 แสดงแผนที่แต่ละบวกการแสดงผล ( Y = 1 ) ใน 4 เงื่อนไขความน่าจะเป็น