کد جاوا و فایل word پایان نامه مدیریت دانش مشتریان بانک مهر اقتصاد با تکنیک های داده‌کاوی

لینک دانلود

کد جاوا و فایل word کامل پایان نامه مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک های داده‌ کاوی

 

لینک دانلود

 

چکیده

افزایش روزافزون سطح رقابت در بازار، مدیران و تحلیل گران سازمان ها را وادار ساخته به دنبال راهکارهایی باشند که مزیت رقابتی را برای سازمان به ارمغان آورند. بر اساس مطالعات موجود، استفاده از دانش مشتری جهت اتخاذ استراتژی‌های لازم برای جلب رضایت مشتری می-تواند سازمان ها را به سمت تحقق این هدف سوق دهد. از سوی دیگر گسترش بهره گیری از فناوری های بروز در زمینه اطلاعات و ارتباطات خصوصاً در بانک ها باعث بر جای ماندن حجم عظیمی از داده ها گشته که تحلیل و تصمیم گیری بر اساس آن ها با روش های معمول گزارش گیری و روش های آماری امکان پذیر نمی باشد. داده کاوی ابزار بروز و قدرتمندی است که در این پایان نامه جهت تحلیل داده ها به جهت استخراج دانش مشتری پیشنهاد می گردد. هدف از این تحقیق با عنوان «مدیریت دانش مشتریان بانک مهر اقتصاد با استفاده از تکنیک-های داده‌کاوی»، بخش‌بندی مشتریان بانک مهر اقتصاد، باهدف کشف ویژگی‌های رفتاری مشابه، برای کمک به مدیران این بانک جهت تسهیل اتخاذ استراتژی‌های متناسب با هر بخش و در نتیجه حفظ، تقویت و یا توسعه ارتباط با مشتریان و نهایتاً سودآوری برای این بانک می باشد. داده‌های خام مورد نیاز جهت این مطالعه از پایگاه داده‌های بانک مهر اقتصاد استخراج شده است.

کلمات کلیدی فارسی: مدیریت دانش مشتری، داده کاوی، خوشه بندی مشتریان، کشف دانش.

 

فهرست مطالب

فصل اول 1 1-1- مقدمه 2 1-2- تعریف مسئله 3 1-3- ضرورت انجام تحقیق 7 1-4- مراحل انجام تحقیق 8 1-5- محدوده تحقیق 9 1-6- اهداف تحقیق 9 1-7- ساختار پایان‌نامه 10 فصل دوم 12 2-1- مقدمه 13 2-2- مدیریت دانش 14 2-2-1- دانش چیست؟ 15 2-2-2- هرم دانش 15 2-2-3- انواع دانش 16 2-2-3-1- دانش صریح 16 2-2-3-2- دانش ضمنی 16 2-2-4- مدیریت دانش چیست؟ 17 2-2-5- استراتژی‌های مدیریت دانش 18 2-2-5-1- استراتژی اجتماعی سازی (تبدیل دانش پنهان به پنهان) 19 2-2-5- 2- استراتژی برونی سازی (پنهان به آشکار) 19 2-2-5- 3- استراتژی ترکیب سازی (آشکار به آشکار) 20 2-2-5- 4- استراتژی درونیسازی (آشکار به پنهان) 20 2-2-6-معایب عدم بهرهگیری از دانش در سازمان 20 2-2-7- اهداف مدیریت دانش 21 2-2-8- مدل های مدیریت دانش 21 2-3- مدیریت دانش مشتری 23 2-3-1- انواع دانش مشتری 24 2-3-2- مدل مدیریت دانش مشتری 28 2-4- مدیریت ارتباط با مشتری 29 2-4-1- مدیریت ارتباط مشتریان در نظام بانکی 32 2-4-2- مدیریت ارتباط با مشتری: اهداف، مزایا و چالش‌ها 33 2-5- مقایسه مفاهیم CKM و KM و CRM 34 2-6- تاریخچه‌ای از بانک و بانکداری 37 2-7- سیر تحول فناوری اطلاعات در صنعت بانکداری 38 2-7-1 دوره اول: اتوماسیون پشت باجه 38 2-7-2- دوره دوم: اتوماسیون جلوی باجه 38 2-7-3- دوره سوم: اتصال مشتریان به حساب‌هایشان 38 2-7-4- دوره چهارم: یکپارچه‌سازی سیستم‌ها و مرتبط کردن مشتریان با تمامی عملیات بانکی 39 2-7-5- بانکداری الکترونیک 39 2-8- داده‌کاوی 40 2-8-1- مقایسه روش‌های آماری و داده‌کاوی 40 2-8-2- مفهوم داده‌کاوی 42 2-8-3- داده‌کاوی و کشف دانش 44 2-8-4- فرایند داده‌کاوی 45 2-8-5- معرفی روش‌های داده‌کاوی 51 2-8-5-1- دسته‌بندی 53 2-8-5-2- درخت تصمیم 53 2-8-5-3- شبکه‌های عصبی 55 2-8-5-4- پیش بینی 56 2-8-5-5- خوشه‌بندی 56 2-8-5-5- انواع خوشه‌بندی 57 2-8-5-5-2- معیارهای ارزیابی در خوشه‌بندی 59 2-8-5-6- تحلیل انحراف 60 2-8-5-7- قواعد وابستگی (انجمنی) 61 2-8-5-8- تحلیل توالی 61 2-8-6- نرم‌افزار داده‌کاوی 62 2-8-7- کاربردهای داده‌کاوی 63 2-8-7-1- داده‌کاوی در صنعت بانکداری 63 2-9- پیشینه تحقیق 65 2-9-1- کاربرد داده‌کاوی در بخش‌بندی و مدل‌سازی رفتاری مشتریان در صنعت بانکداری 66 2-9-2- کاربرد داده‌کاوی در ارزیابی اعتبار مشتریان 68 2-9-3- کاربرد داده‌کاوی در زمینه کشف تقلب 69 2-9-4- کاربرد داده‌کاوی در تحلیل روی‌گردانی مشتری 69 2-10- جمع‌بندی مطالب فصل 74 فصل سوم 76 3-1- مقدمه 77 3-2- روش پیشنهادی 77 3-2-1- چارچوب تحقیق 77 3-2-2- انتخاب متغیرها 79 3-2-3- آماده‌سازی و پیش‌پردازش داده‌ها 80 3-2-3-1- نرمال سازی داده‌ها 81 3-2-4- تعیین تعداد بهینه خوشه‌ها 81 3-2-5- خوشه‌بندی 82 3-2-5-1- انواع خوشه‌بندی 83 3-2-5-2- خوشه‌بندی به روش K-Means 84 3-2-5-1-1- مزایای استفاده از الگوریتم خوشه‌بندی K-Means 85 3-2-5-1-2- محدودیت‌های الگوریتم K-Means 85 3-2-5-2- خوشه‌بندی به روش WK-Means 86 3-2-5-3- خوشه‌بندی به روش A-H-Means 87 3-2-6- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 88 3-2-7- به‌کارگیری دانش حاصل از خوشه‌بندی 90 3-3- روش‌های جمع آوری اطلاعات 90 3-4- جمع‌بندی مطالب فصل 90 فصل چهارم 92 4-1- مقدمه 93 4-2- معرفی بانک مهر اقتصاد 93 4-3- موضوع و فعالیت بانک 94 4-4- محاسبات تحقیق 94 4-4-1- گام انتخاب و جمع آوری متغیرهای ورودی 95 4-4-2- گام آماده‌سازی و پیش‌پردازش داده‌ها 96 4-4-3-گام تعیین تعداد بهینه خوشه‌ها 97 4-4-4- گام خوشه‌بندی داده‌ها 97 4-4-4-1- خوشه‌بندی به روش K-Means 98 4-4-4-2- خوشه‌بندی به روش WK-Means 100 4-4-4-3- خوشه‌بندی به روش A-H-Means 100 4-4-5- ارزیابی خوشه‌ها به روش مجموع مربع خطاها و انتخاب بهترین روش 101 4-4-6-گام به‌کارگیری دانش حاصل از خوشه‌بندی 102 4-5- نتایج تحقیق 104 4-6- جمع‌بندی مطالب فصل 106 فصل پنجم 107 5-1- مقدمه 108 5-2- خلاصه تحقیق 108 5-3- نتیجه‌گیری 109 5-4- زمینه‌های پیشنهادی، راهکارها و پیشنهاد‌ات جهت پژوهش‌های آتی 110 منابع و مآخذ 126    

فهرست جدول‌ها

جدول 2-1 انواع مختلف تبدیلات دانش 19 جدول 2-2 مقایسه مفاهیم مدیریت دانش، مدیریت ارتباط با مشتری و مدیریت دانش مشتری 35 جدول 2-3 مقایسه روش‌های تحلیل آماری و داده‌کاوی 41 جدول 2-4 فعالیت‌های مربوط به فازهای CRISP-DM و خروجی هر فعالیت 50 جدول 2-5 نمونه داده‌های مورد نیاز در یک مسئله مدل‌سازی به روش دسته‌بندی 54 جدول 2-6 معیارهای محاسبه شباهت در خوشه‌بندی 59 جدول 2-7 معیارهای محاسبه فاصله در خوشه‌بندی 60 جدول 2-8 پژوهش‌های انجام‌گرفته در زمینه کاربرد داده‌کاوی در صنعت بانکداری 71 جدول 3-1 متغیرهای تحقیق 80 جدول 4-1 نمونه ده‌تایی از داده‌های مربوط به مشتریان بانک مهر اقتصاد 95 جدول 4-2 متغیرهای نرمال شده 96 جدول 4-3 وزن نسبی متغیرهای تحقیق 100 جدول 4-5 مقادیر مجموع مربع خطاها در الگوریتم‌های مختلف خوشه‌بندی 101 جدول 4-6 دسته‌بندی مشتریان بر مبنای ویژگی‌های رفتاری مشابه 103 جدول 4-7 اطلاعات مربوط به خوشه‌بندی مشتریان بانک مهر اقتصاد به روش K-Means 104  

فهرست تصاویر و نمودارها

شکل 2-1 سلسله‌مراتب دانش 16 شکل 2-2 دانش صریح فقط بخش کوچکی از دانش را تشکیل می‌دهد. 17 شکل 2-3 مدل مدیریت دانش پروبست و رمهارد 22 شکل 2-4 چارچوب خوشه انگور جهت نوع شناسی دانش مشتری 26 شکل 2-5 مدل مدیریت دانش مشتری 28 شکل 2-7 گام‌های فرایند تولید دانش از پایگاه داده‌ها 44 شکل 2-8 متدولوژی فرآیند استاندارد میان صنعتی داده‌کاوی (CRISP-DM) 47 شکل 2-9 دسته‌بندی کلی عملکردهای داده‌کاوی 52 شکل 2-11 نیروهای رقابتی پورتر 64 شکل 3-1 چارچوب تحقیق 78 شکل 4-1 خوشه اول، الگوریتم K-Means 98 شکل 4-2 خوشه دوم، الگوریتم K-Means 98 شکل 4-3 خوشه سوم، الگوریتم K-Means 99 شکل 4-4 خوشه چهارم، الگوریتم K-Means 99 شکل 4-5 خوشه پنجم، الگوریتم K-Means 99  

فصل اول مقدمه و کلیات تحقیق

1-1- مقدمه

در سال های اخیر دانش به عنوان منبعی ارزشمند در کنار منابعی چون کار، زمین، سرمایه قرار گرفت و به عنوان موتور تولیدکننده درآمد و یک دارایی مهم و راهبُردی برای سازمان شناخته شد. از طرفی به دلیل وجود رقابت شدید در بین کسب و کارهای امروزی از جمله صنعت بانکداری، مشتری و توجه به جایگاه او و ارتباط با او اهمیت ویژه ای یافته است. بنابراین مبحث بسیار مهم مدیریت دانش مشتری مطرح گردید که امروزه مطالعات بسیار زیادی را به خود اختصاص داده است. مدیریت دانش مشتری با استفاده از راهکارهای مختلف مدیریت دانش نظیر روش‌های داده‌کاوی زمینه بسیار خوبی را جهت استفاده مفید از گنجینه گران‌بهای دانش مشتری فراهم می-آورد. از سوی دیگر در عصر حاضر بهره گیری از فناوری های نوین اطلاعات و ارتباطات در عرصه-های مختلف کسب وکار به امری گریزناپذیر مبدل گشته است. به طور خاص صنعت بانکداری از جمله صنایعی است که به‌کارگیری فناوری های روز دنیا در این صنعت می تواند مزیت رقابتی انکارناپذیری را برای آن ایجاد نماید. بنابراین این صنعت نیز از بهره گیری از بروزترین فناوری ها مستثنا نبوده و مواردی مانند بانکداری الکترونیک، سیستم‌های یکپارچه بانکداری ، دستگاه های خودپرداز، کارت های اعتباری، پایانه های خرید الکترونیک و... از مصادیق این امر می باشد. ورود فناوری های جدید به سازمان سبب افزایش چشمگیر سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها گشته است. از آنجا که این داده‌ها اغلب حجیم و وسیع می-باشند، معمولاً به صورت خام قابل‌استفاده نیستند، بلکه دانش موجود در آن ها باید استخراج گردد. با این وجود که ارزش این داده‌ها بر کسی پوشیده نیست، حجم بسیار بالای داده‌های ارزشمند موجود، تحلیل و بهره گیری از آن ها را به امری چالش‌برانگیز مبدل ساخته است. چرا که تحلیل به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی باشند. بنابراین باید به دنبال راهکاری بود که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. این مسئله گواهی بر لزوم به‌کارگیری روش‌های نوین تحلیل داده‌ها جهت حصول دانش، نظیر روش داده‌کاوی خواهد بود. دانش قابل توجهی که در زمان استفاده از خدمت یا مصرف کالا توسط مشتری، بین مشتری و سازمان تبادل می شود، به عنوان منبعی مهم برای سازمان شناخته می شود و کسب و بهره برداری از آن به یک مزیت رقابتی در سازمان ها تبدیل شده است. مدیریت دانش مشتری دربردارنده فرایندهایی ست که با شناسایی و اکتساب اطلاعات مشتری و نیز ایجاد و بهره برداری از دانش مشتریان، مربوط است [9]. چنین اطلاعاتی در ماورای محدوده-های خارجی سازمان قرار دارند و دانشی که از آن ها استخراج می شود موجب ایجاد ارزش برای سازمان و مشتریان آن خواهد شد [32]. در این تحقیق مسئولیت کشف دانش بر عهده الگوریتم‌های داده‌کاوی خواهد بود. در ادامه از این دانش به عنوان راهنما در مسیر اتخاذ استراتژی‌های سازمان، بهره گیری می شود. 1-2- تعریف مسئله بااهمیت یافتن مشتری در عرصه پرتلاطم رقابت میان کسب وکارهای مباحثی همچون مدیریت دانش مشتری و مدیریت ارتباط با مشتری مطالعات و تحقیقات فراوانی را به خود اختصاص داده-اند. مدیریت دانش، کسب دانش درست، برای افراد مناسب، در زمان صحیح و مکان مناسب است، به گونه‌ای که آنان بتوانند برای دستیابی به هدف‌های سازمان، بهترین استفاده را از دانش ببرند. در تعریفی دیگر مدیریت دانش فرایند کشف، کسب، توسعه و ایجاد، تسهیم، نگهداری، ارزیابی و به‌کارگیری دانش مناسب در زمان مناسب توسط فرد مناسب در سازمان، که از طریق ایجاد پیوند مناسب بین منابع انسانی، فناوری اطلاعات و ایجاد ساختاری مناسب برای دستیابی به اهداف سازمانی صورت میپذیرد، تعریف شده است. مدیریت ارتباط با مشتری از جمله راهکارهایی است که در سال های اخیر با افزایش روزافزون سطح رقابت در بازار به عنوان سلاحی ارزشمند در جهت افزایش وفاداری مشتری و جلب رضایت او و با هدف به ارمغان آوردن مزیت رقابتی بالاتر برای سازمان، از سوی سازمان ها بکار گرفته شده است. امروزه بیشتر روش‌های مدیریت ارتباط با مشتری مبتنی بر فناوری اطلاعات می باشند و مسلماً برای رسیدن به مدیریت مؤثر ارتباط با مشتری ناگزیر از مدیریت دانش مشتری خواهیم بود. مدیریت ارتباط با مشتری در برگیرنده مجموعه ای از فرایندهاست که سازمان ها را قادر می سازد تا از استراتژی های کسب وکار در جهت ایجاد روابط بلندمدت و سودآور با مشتریان خاص پشتیبانی نمایند [46]. در حقیقت CRM یک فناوری پیشرفته در جهت دستیابی به قله های اطلاعات مشتری است [G] و شرکت ها از آن به عنوان ابزاری در جهت افزایش رضایتمندی مشتری استفاده می کنند. مدیریت ارتباط با مشتری به عنوان فعالیتی جهت گسترش و نگاه‌داری مشتریان سازمان ها به طور گسترده ای مورد توجه قرار گرفته است و ابزارهای آن افزایش رضایت مشتری و وفاداری اوست. همچنین مدیریت دانش KM همچون مدیریت روابط با مشتری بر جمع آوری منابعی تأکید دارد که از فعالیت های تجاری در جهت رسیدن به توانایی رقابت‌پذیری حمایت می کند [37] برای بهبود روابط با مشتری، خدمات‌رسانی به روشی که مورد دلخواه اوست، ضروری است. از این رو به مدیریت دانش مشتری احتیاج است [17]. امروزه حجم بالای پایگاه های داده و پراکندگی و عدم به‌کارگیری راهکارهای مناسب جهت تحلیل این داده‌ها مطالعه و تصمیم گیری بهینه پیرامون ارتباط با مشتریان را با مشکل مواجه نموده است. به طور ویژه بانک ها سازمان هایی هستند که با مشتریان تعامل مستقیم دارند و عنصر مشتری در این سازمان ها اهمیت ویژه ای دارد. بدیهی است جهت پیشرو بودن در عرصه رقابت توجه به جایگاه مشتری و اختصاص خدمات ویژه با تشخیص نیازمندی های آن‌ها و ارائه خدمات درست به آن ها محقق خواهد شد. تحلیل منابع باارزش داده ای در رابطه با مشتریان کنونی بانک ها و مشتریان بالقوه و... مقدمه ای جهت تحقق این مهم خواهد بود. با ورود فناوری های جدید به سازمان ها و افزایش سرعت تولید اطلاعات و در نتیجه بر جای ماندن حجم عظیمی از داده‌ها و دشواری استفاده از این حجم وسیع، معمولاً امکان استفاده از این داده‌ها به صورت خام وجود ندارد، بلکه دانش موجود در آن ها باید استخراج گردد. همچنین تحلیل این داده‌ها به واسطه روش‌های گزارش گیری سنتی در این مقیاس امکان پذیر نیست و روش‌های آماری موجود نیز از ظرفیت کافی جهت تحلیل این داده‌ها برخوردار نمی باشند. داده‌کاوی راهکاری است که با غلبه بر این محدودیت، امکان انجام مطالعاتی جامع تر با نتایج دقیق تر و درصد خطای پایین تر را ممکن سازد. داده‌ها کمیت‌های عددی یا خصیصه‌ای هستند که در نتیجه مشاهده یا آزمایش حاصل شده‌اند. داده‌های دسته‌بندی شده اطلاعات را تشکیل می‌دهند. اطلاعات از ترتیب، ترکیب و شبکه شدن دانش را ایجاد می نماید. دانش، اطلاعات سازمان‌یافته، تحلیل یافته و یا تلخیص شده برای افزایش درک، آگاهی یا تشخیص می‌باشد. داده‌کاوی ابزاری بروز، قدرتمند و وسیع است که می تواند جهت تحلیل حجم عظیم داده بکار گرفته شود. داده‌کاوی به بهره گیری از ابزارهای تجزیه و تحلیل داده‌ها به منظور کشف الگوها و روابط معتبری که تا کنون ناشناخته بوده‌اند اطلاق می‌شود. این ابزار با کاوش در بین داده‌های موجود و استخراج الگوها و روابط موجود در پایگاه داده‌ها، موجب تسهیل مطالعات و اتخاذ تصمیمات خواهد شد. همچنین به کمک امکانات موجود در این ابزار می توان حجم داده‌ها را کاهش داد و داده‌های اضافی را حذف نمود. استفاده از روش‌های مختلف داده‌کاوی می تواند جهت کشف دانش و الگوهای موجود در حجم عظیم داده‌ها (برای مثال به طور خاص داده‌های جمعیت شناختی مشتریان بانک نظیر جنسیت، سن، وضعیت تأهل، تحصیلات، شغل و غیره، یا داده‌های مربوط به تراکنش های مالی مشتریان و یا سرویس های ارائه شده توسط بانک) استفاده شود. این الگوها می توانند از سوی مدیران جهت اتخاذ تصمیمات مقتضی در ارتباط با مشتری، چگونگی برخورد با شرایط متفاوت کسب وکار، ارائه خدمات خاص و غیره بکار گرفته شود. تعاریف متفاوتی از داده‌کاوی وجود دارد ولی تعریفی که در اکثر مراجع به اشتراک ذکر شده عبارت است از «استخراج اطلاعات و دانش و کشف الگوهای پنهان از پایگاه داده‌های بسیار بزرگ و پیچیده.» داده‌کاوی یک متدولوژی بسیار قوی و با پتانسیل بالا می‌باشد که به سازمان‌ها کمک می‌کند که بر مهم‌ترین اطلاعات از مخزن داده‌های خود تمرکز نمایند [52]. داده‌کاوی را می توان به عنوان ابزاری جهت کشف دانش از پایگاه های داده تعریف نمود. داده‌کاوی یک گام در فرایند کشف دانش از پایگاه داده است که با استفاده از الگوریتم‌های کشف و تحلیل داده‌ها تعداد خاصی الگو یا مدل را از روی داده‌ها تولید می کند. یک الگو زمانی می تواند به عنوان دانش تلقی شود که : 1. به سادگی برای افراد قابل فهم باشد. 2. اعتبار آن از یک حد آستانه ای پایین تر نباشد. 3. دانش جدیدی متناسب با اهداف تعیین‌شده سازمان ارائه دهد. 4. کاربردی باشد. [1] امروزه کاربردهای مختلفی برای داده‌کاوی در صنعت بانکداری شناخته شده است. شهرابی و همکاران در [1] کاربردهایی نظیر مدیریت ارتباط با مشتریان از طریق بخش‌بندی آن ها و استخراج قواعد رفتاری آن ها جهت هدایت فعالیت‌های بازاریابی بانک، مدل‌سازی پاسخ بازار به تصمیمات کلان بانک و شناسایی اثر هر یک از سیاست های بانک بر تقاضا و امکان شبیه-سازی تعاملی سیاست ها و تصمیمات قبل از اجرا، ارزیابی ریسک اعتباری مشتریان متقاضی دریافت وام، محاسبه کارایی شعب و پیش بینی سری های زمانی مالی و ... کشف الگوهای پنهان در داده‌های حاصل از تعاملات با مشتریان و تحلیل این الگوها را به عنوان مثال هایی از کاربرد ابزار داده‌کاوی در بانک ذکر کرده است. بانک ها می توانند جهت افزایش سودآوری از طریق مشتریان تراز اول خود، برای یک محصول جدید بانکی، مشتریان بالقوه خود را از طریق داده‌کاوی شناسایی نموده و آن ها را به سمت استفاده از این محصول سوق دهند و بدین ترتیب در زمان و هزینه صرفه جویی کنند. پیاده سازی سیستم هوشمند ارزیابی اعتبار مشتری به کمک داده‌کاوی از کاربردهای دیگر این ابزار جهت مدیریت دانش مشتریان در بانک است. در این کاربرد می توان با استفاده از اطلاعات گروهی از وام گیرندگان سابق (مانند بعضی اطلاعات شخصی وام‌گیرنده مانند سن و جنسیت و وضعیت تأهل و درآمد و...، تعداد تراکنش ماهیانه مشتری با بانک، سایر بدهی های بانکی، نوع ضمانت و...) و وضعیت آن ها از نظر بازپرداخت وام به مدلی دست یافت که مشتریان متقاضی وام را در دسته هایی مانند مشتری خوش حساب، مشتری بدحساب و ... دسته‌بندی نمود. با حصول این دانش در مورد مشتری متقاضی اعتبار تصمیم گیری در مورد پرداخت یا عدم پرداخت اعتبار بسیار ساده تر خواهد بود. برخی از مشکلات نبود مدیریت دانش می توان عدم اولویت‌بندی و استفاده از انواع دانش، ایجاد شکاف دانشی در صورت جدا شدن کارشناسان از سازمان، احتکار دانش به جای ازدیاد آن، استفاده محدود از دانش های موجود، نبود مستندات در خصوص تجربیات به دست آمده از پروژه‌ها و کارها و نبود ساختار مناسب برای تسهیم سریع دانش را نام برد.