本文探讨了在制造型企业中，如何利用数据挖掘技术促进企业知识共享，并构建了一个激励模型来解决信息烟雾问题，同时确保知识共享过程中的个体和企业效益最大化。以下为本文提及的知识点：
1. 数据挖掘与企业知识共享
- 数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中提取隐含在其中的、人们事先不知道但又是潜在有用的、并能为人们所理解的信息和知识的过程。
- 制造型企业面临着知识资源日益庞大的挑战，而数据挖掘技术可以有效地从海量数据中发现有价值的信息，帮助组织进行知识共享。
- 项目团队的知识共享可以提升组织的知识水平，通过知识转化，达到企业与员工双赢的局面，增强组织的核心竞争力。
2. 激励模型构建
- 为了促进知识共享，构建了一个激励模型，其中包括个体效益函数和企业效用函数，旨在最大化参与成员的收益和企业的利润。
- 确保每个参与员工的效益和企业效益都达到最大化，模型需要达到纳什均衡，即在给定其他人策略的情况下，没有人可以通过改变自己的策略来获得更多的利益。
3. 关联规则挖掘算法
- 关联规则挖掘是一种用于发现大型数据库中不同项之间有趣关系的方法，其目的是揭示隐藏在大型数据库中的模式。
- Apriori算法是挖掘关联规则的一种基本算法，利用了大物品集的向下封闭性，从频繁项集中生成有效的关联规则。
- 关联规则的形式为A→B，其中A、B是物品集，且A∩B≠∅。规则的可信度和支持度是评价关联规则质量的重要指标。
4. 层次分析法（AHP）
- AHP是一种系统化、层次化的分析方法，通过建立层次结构模型，将复杂的决策问题分解为多个组成因素，然后进行定性和定量分析。
- 在本文的应用中，层次结构模型包括目标层（例如知识共享最大化）、指标层（例如各团队成员知识的重要性）和成员层（参与项目的知识型员工）。
- 层次排序需要计算判断矩阵的最大特征向量，得到各个元素的权重，再通过一致性检验确保判断的逻辑一致性。
5. 制造型企业生产信息系统
- 生产信息系统囊括了企业生产管理相关的所有过程，包括订单管理、生产计划管理、物料需求计划管理等。
- 利用历史数据记录进行流程改善项目，可以有效利用数据挖掘技术，从而发现隐藏在数据中的规律。
6. 知识获取与项目可行性评估
- 数据挖掘发现的知识可以用于项目的可行性评估，通过分类、汇总、评估知识特征，实现知识获取。
- 知识主管需要主导整个过程，并运用数据挖掘手段来确定优化方向，建立层次优化模型。
7. 知识转化与共享
- 知识转化是指将隐性知识转化为显性知识的过程，知识共享是实现知识转化的关键方式。
- 建立激励模型的目的是促进知识共享，通过博弈模型实现知识型员工和企业间的利益平衡。
通过以上知识点，可以看出本文将理论与实践相结合，不仅详细介绍了数据挖掘在知识共享中的应用，同时也提供了构建激励模型的具体方法，这对于制造型企业提升知识管理水平具有重要的参考价值。
