Er wordt terecht gezegd dat gegevens de nieuwe olie zijn! Zonder gegevens kan het zinloos zijn, tenzij het een verhaal weeft. Kennisgrafieken bieden de mogelijkheid om gegevens om te zetten in inzichten met behulp van kennisbeheertools en platforms zoals
InsightsHub
.
Forrester suggereert dat tussen 60 en 73% van de gegevens uiteindelijk nooit wordt gebruikt voor analytische doeleinden. Deze aantallen vertalen zich in grote lijnen naar een gelijkmatige gegevensverzameling in onderzoek. Hoe kunt u het ware potentieel van gegevens benutten door kennisgrafieken te gebruiken als een essentieel hulpmiddel in uw inzichtenbeheerproces?
Wat zijn kennisgrafieken?
Kennisgrafieken (KG) worden gedefinieerd als een kennisbank die gebruik maakt van een gestructureerd datamodel om echte entiteiten en hun relaties weer te geven. Ze worden gebruikt om de koppeling van verschillende entiteiten op te slaan, waaronder objecten, gebeurtenissen, situaties en concepten met gegevens aan hun basis. Al deze onderling verbonden gegevens vormen een grafisch model dat bekend staat als kennisgrafieken.
Kennisgrafieken bieden een structuur om context af te leiden uit gegevens door gebruik te maken van koppelingen en semantische metadata. Daarom bieden ze een kader om gegevens samen te brengen, er analyses op uit te voeren en deze gegevens te delen in de vorm van inzichten.
Bovendien is KG een dynamisch concept dat weinig tot geen handmatige tussenkomst van mensen en machines vereist en dat in de loop van de tijd kan worden aangepast, in tegenstelling tot traditionele datamodellen.
Zulke geavanceerde technieken voor gegevensbeheer zouden bedrijven kunnen helpen om uit de sleur van conventionele databases te komen door gebruik te maken van natuurlijke taalverwerking, machinaal leren en semantische kracht om gegevens beter te benutten. Ze kunnen vanaf nul worden gecreëerd, bijvoorbeeld door domeinexperts, worden geleerd van ongestructureerde of semigestructureerde gegevensbronnen of worden samengesteld uit bestaande kennisgrafieken.
LEER OVER: Kader voor gegevensbeheer
Meestal ondersteund door een verscheidenheid aan semi-automatische of geautomatiseerde mechanismen voor gegevensvalidatie en -integratie. Met andere woorden, een kennisgrafiek is een procedurele methode voor het modelleren van het kennisdomein met behulp van domeinexperts, gegevenskoppeling en algoritmen voor machinaal leren.
Door de flexibele aard van het weergeven van gegevens en de snelheid waarmee conclusies en inzichten worden getrokken, zijn kennisgrafieken nu een cruciaal onderdeel van het
marktonderzoek
proces. Ze helpen ook tribale kennis te elimineren en helpen bij het creëren van één bron van de waarheid, terwijl ze voortbouwen op gegevens en inzichten uit het verleden.
Verschil tussen een ontologie en een kennisgrafiek
Ontologieën worden vaak genoemd als we het hebben over kennisgrafieken, maar er is een verschil tussen beide. Hoewel ze door elkaar worden gebruikt, is er toch een verschil. Omdat beide ook knooppunten en randen gebruiken, wordt de verwarring tussen wat een ontologie is en wat een kennisgrafiek is groter.
Ontologie
Een ontologie is een rigide gegevensmodel dat alleen de dingen in ons ecosysteem definieert en de eigenschappen die gebruikt worden om ze te beschrijven. In een ontologie worden veralgemeende modellen van gegevens gecreëerd op basis van gedeelde eigenschappen zonder dat er specifieke informatie wordt verstrekt.
Er zijn drie hoofdcomponenten van ontologie:
- Klassen: Alle regelitems van dingen die bestaan in gegevens.
- Relaties: Dit geeft de relatie tussen een of meerdere klassen
- Attributen: Deze definiëren de eigenschappen die worden gebruikt om een individuele klasse te beschrijven.
Kennisgrafiek
Een kennisgrafiek gebruikt ontologie als raamwerk om echte gegevens toe te voegen en gewicht aan de gegevens te geven. Je kunt gegranuleerde gegevens toevoegen, zoals identificerende informatie en informatie die onaantastbaar is voor een bepaalde persoon of instantie. In dit geval is er een absolute weergave van eigenschappen, relaties, knooppunten en gegevens.
Met behulp van deze informatie is het mogelijk om specifieke gevallen van ontologische relaties binnen gegevens te creëren.
Laten we eens kijken naar een bibliotheek-ecosysteem om het verschil aan te geven tussen een ontologie en een kennisgrafiek met een voorbeeld. In een ontologie zou de bibliotheek bestaan uit een tabelweergave van boeken, auteurs en uitgevers als gestructureerde gegevens omdat er parallellen zijn tussen gegevens.
Als je echter een kennisgrafiek wilt maken, kun je de tabelweergave van de ontologie gebruiken om een grafische weergave te maken van een boek, de auteur, de uitgever en meer. Het biedt een overkoepelend beeld van de gestructureerde gegevens en unieke identificerende informatie om een overzicht van informatie op hoog niveau te bieden.
Simpel gezegd is ontologie een raamwerk voor een kennisgrafiek. Om het nog eenvoudiger te maken, kan een ontologie + gegevens = kennisgrafiek.
Hoe kennisgrafieken werken
Nu we weten hoe we kennisgrafieken kunnen maken van ontologie, is het noodzakelijk om te weten dat het onmogelijk is om conclusies te trekken zonder gestructureerde gegevens die getagd en geïndexeerd zijn. De ruwe gegevens moeten in een
tool voor kennisbeheer
met de juiste identificerende informatie, tags, informatieklompjes, identificerende informatie, metadata, projectgegevens en meer.
Deze gegevens moeten worden gecreëerd in een structuur die de beste kansen op succes biedt voor kunstmatige intelligentie en natuurlijke taalverwerking (NLP) om gegevens te doorzoeken, op te vragen en te delen.
In organisaties met een overvloed aan informatie en gegevens moet een proces voor het creëren, labelen en beheren van gegevens goed worden opgezet en gepubliceerd, zodat belanghebbenden van onderzoeksgegevens en eigenaren van de kennisdatabase zich goed bewust zijn van hun verantwoordelijkheden en het belang van de manier waarop gegevens worden beheerd.
Dit elimineert tribale kennis, creëert één enkele bron van de waarheid en herbergt multivariate gegevens om conclusies uit te trekken, situaties mee te vergelijken en sneller beslissingen te nemen.
Kennisgrafieken worden gemaakt op basis van query’s die gebruikers uitvoeren in een kennismanagementtool. Dit zijn vooraf gedefinieerde query’s maar ook levende grafieken op basis van intelligente triggers. Als er een query binnenkomt, worden schema’s geïdentificeerd die overeenkomen met de sleutels en worden de gegevens doorzocht op items met deze geïdentificeerde schema’s. De informatie wordt in een grafisch formaat teruggestuurd naar de relevante belanghebbenden.
Het is snel en flexibel en biedt een hoge waarde in het inzichtenbeheerproces.
Voorbeelden van kennisgrafieken
Hoewel het een relatief nieuw concept is, worden kennisgrafieken nog steeds gebruikt door merken en organisaties overal om ons heen. Ze gebruiken inherente gegevens en maken gebruik van machine learning en AI om variabelen uit verschillende velden in te voeren om de meest nauwkeurige versie van de waarheid en de meest relevante gegevens te leveren.
Hieronder staan enkele voorbeelden van kennisgrafieken.
Google zoekalgoritme
Het perfecte voorbeeld van een kennisgrafiek is de Google-zoekopdracht of een andere zoekmachine. Een vraag als “Hoeveel luciferstokjes passen er in een olympisch zwembad?” is onmogelijk te beantwoorden, zou je denken. De zoekindex van Google kan de zoekopdracht echter correleren met meerdere gegevensbronnen en tot een conclusie komen op basis van relationele gegevens om een numerieke waarde te geven.
Een wereldwijde retailgigant gebruikt kennisgrafieken voor supply chain- en voorraadbeheer
Hoe weten wereldwijde retailgiganten wat ze willen en nodig hebben voor bepaalde producten, kortingen en meer? Door gebruik te maken van multivariate historische gegevens en informatie uit eerdere aankooptrends, winkel- en shoppergedrag, doorlopend longitudinaal onderzoek,
voortdurende ontdekking
uit verschillende demografische bronnen, enz.
Het is mogelijk om vraag en aanbod te meten en marketingstrategieën, uitgaven, supply chain management en nog veel meer af te stemmen om de best mogelijke gebruikerservaring te bieden door gebruik te maken van de principes van
atoomonderzoek
en leunend op kennismanagementtools.
Netflix aanbevelingen voor wat je als volgende moet kijken!
Hoe vaak vraag je je niet af wat je nu weer op Netflix gaat kijken? Netflix maakt gebruik van een intelligente engine om inhoud op maat te maken op basis van kijkgewoonten in het verleden, beoordeling op inhoud, tijd besteed aan het kijken naar inhoud en meer, waardoor ze niet alleen op microschaal per gebruiker slimme kennisgrafieken kunnen afleiden, maar ook op macroschaal op basis van demografische informatie.
Maar je hebt ook aanbevelingen om uit te kiezen. Vaak werken deze aanbevelingen voor jou en vind je iets wat je graag wilt bekijken.
Kennisgrafieken een integraal onderdeel maken van inzichtenbeheer
Kennisgrafieken worden een integraal onderdeel van onderzoek en onderzoeksteams, omdat ze informatie uit de echte wereld modelleren, AI en machine learning gebruiken om snel logische redeneringen uit te voeren, gestructureerde gegevens leveren en redundantie verminderen. Dergelijke grafieken helpen ook bij analyses en zijn een betere manier om informatie op te slaan en te beheren.
Organisaties over de hele wereld maken gebruik van kennismanagementsystemen en -tools zoals
InsightsHub
om gegevens beter te beheren, de tijd tot inzichten te verkorten en de efficiëntie van gegevens uit het verleden te verhogen, terwijl de kosten worden verlaagd en de ROI wordt verhoogd.
Het opnemen van een kennisgrafiek in uw onderzoeksproces voor inzichtenbeheer is van cruciaal belang om de curve voor te blijven en de gegevens het zware werk te laten doen.
