|
| |
Hebben we wel kennis?
Stel: u bent directeur kredieten van een bank. U laat vijf van uw experten
onafhankelijk beslissen over het goedkeuren van dezelfde dertig kredietaanvragen. In de
helft van de gevallen beslissen ze verschillend!
Neen, pleeg geen zelfmoord. Dergelijke situaties komen dikwijls voor bij breinwerk. Het
slechte nieuws is de weinig betrouwbare kwaliteit van kenniswerk. Het goede nieuws is dat
kennismanagement dit probleem grondig aanpakt. Mits u een goede diagnose stelt.
Case leningen bank
Om een diagnose te maken van het probleem deed de kennisconsultant de volgende
stappen:
 | Hij vroeg aan elke expert apart om zijn redenering en argumenten te beschrijven. |
| Per case vatte hij die argumenten samen, zonder te verwijzen naar de expert van
wie de redenering kwam. Anders krijg je effecten zoals: "Pierre is hier al het
langst, hij zal wel gelijk hebben". |
| De experten mochten opnieuw beslissen. Nu bleek de consensus groter te zijn:
1. "Ja natuurlijk, hoe is het mogelijk dat ik dat over het hoofd heb gezien".
Dat is het probleem van de variabele uitvoeringskwaliteit: we weten wel hoe het moet, maar
we denken er niet steeds aan. De oplossing hiervoor is een expliciet kennismodel zodat de
gebruiker kan checken of hij niets vergeten is. Praktisch is dit vaak computerondersteund.
Zoiets is dan zoals een rekenmachientje: we gebruiken het niet omdat we niet zelf kunnen
rekenen, maar omdat het foutlozer en sneller gaat.
2. "Dat argument is goed gezien. Ik heb iets bijgeleerd". Dit vereist
kennishomogenisatie door elkaars mentale modellen te expliciteren en te combineren.
Experten werken hiervoor het best samen in een team, ook wel kenniskwaliteitskring
genoemd. |
| Via "knowledge discovery" onderzocht de kennisconsultant de
verschillende cases in de database met krediethistorieken:
1. Enkele kredietaanvragen bleken randgevallen te zijn. Het is dan ook niet abnormaal dat
die zich vertalen in experts met een verschillende mening. De kennisconsultant vroeg
vervolgens aan die experts om de dossiers te scoren als "zeer gevaarlijk, gevaarlijk,
twijfelachtig, goed of zeer goed". Bijna alle experten antwoordden
"twijfelachtig". De oorzaak lag hier dus bij de beperkte nuances in de taal
waarin men de kredietbeoordeling uitdrukte: het is alsof je mensen dwingt om van een half
glas te zeggen of het vol of leeg is.
2. De laatste gevallen waarover men het niet eens was, bleken heel zelden voor te komen in
de historiek van de bank. Het meningsverschil is dan een uiting van collectieve
onwetendheid. Hiervoor moet een leerproces op gang gebracht worden. |
Het juiste maturiteitsniveau van de kennis
De bovenstaande diagnose werd uitgevoerd omdat de directeur kredieten een
expertsysteem wilde dat automatisch de kredieten toekende. Uit die diagnose bleek dat het
echter nog te vroeg was. Eerst moesten de expliciete modellen gemaakt worden, en daarvoor
diende de kennis eerst nog homogener te worden.
Het is dus vitaal de acties te ondernemen die overeenkomen met het maturiteitsniveau van
de kennis zelf. Of beter, van de stukken kennis. Want sommige stukken kunnen zo matuur
zijn dat er computerwerktuigen voor gemaakt worden, terwijl andere stukken eerst nog in
orde moeten worden gebracht.
Besluit
Het is aan de juistheid van de resultaten dat je kan meten of er kennis is.
In sommige deeldomeinen kan er veel kennis zijn, in andere minder. We moeten dus
noodzakelijkerwijze drie stappen zetten:
1. Leren: mensen leren zelf hoe ze tot een goed resultaat komen.
2. Model-leren: op basis van de competente mensen maken we een beschrijving van de kennis
in documenten. Anders gezegd, het is gevaarlijk te vertrekken van documenten of meningen
van mensen die niet bewezen hebben dat ze er resultaten mee gehaald hebben.
3. Distribueren: de kennisdocumenten verspreiden, bv. via een intranet of vorming.
4. Computeriseren: de kennismodellen programmeren zodat de computer kennisintensieve
deeltaken kan uitvoeren.
|
