大数据算法在企业知识管理业务中的具体应用

2022-01-11王海芳杨文静姜颖姬吕志超

企业改革与管理 2021年24期

李仙王海芳杨文静姜颖姬吕志超王丹

（北京京东方显示技术有限公司，北京 100176）

一、知识管理发展阶段概述

随着知识经济的到来，企业针对知识资产积累、利用相关的活动变得越发重要。各类企业针对知识管理范围的定义、知识管理的推进方法及利用的工具，也会根据企业经营目标和行业特性设置不同的目标，选择不同的发展方式。

20世纪90年代，知识管理概念进入中国后，IT技术在知识管理的应用一直是非常重要的环节。早期的文档预览、Web内容管理、信息门户、信息检索、工作流程管理、写作系统、电子学习等功能，是主流的IT系统应用及支撑。但近几年，各家企业在知识管理类IT系统技术发展上更为针对企业知识的利用效率提高方向上，做着不同的尝试和努力并取得了不小的成绩。数字化转型、大数据运算、区块链、AI智能技术在企业中的导入让企业知识管理的每个环节触发了巨大的改变。

企业知识的存量、知识的及时产生与企业和员工的知识需求、知识利用会存在一定的差距；存量知识、产生新知识与实际可利用或需要利用之间会发生偏差。这类偏差发生的原因，可能是企业本身不具有相关的知识或企业已拥有相关知识，但无法调用。

新的IT技术可以在解决此类问题时起到关键性作用，知识的获取、存储、学习、共享、创新管理环节中，可以实现根据用户本身的需求提供相应的知识。这种方式提高了知识工作者的生产力、组织的应变能力、提高业务的反应速度、提高了商业模式的灵活度，增强核心竞争力。

本文研究的主要方向是利用用户实际的操作记录，去了解企业用户实际的知识需求，并推送匹配的知识提高知识利用质量。在此过程中，大数据算法支撑用户行为分析并完成用户意图分析模型，并作为后续智能推送知识的依据。

二、企业用户知识需求分析

企业员工的工作知识需求一般发生在业务处理或个人成长两种场景中。

（知识管理业务逻辑架构）

具体的知识需求可分为日常工作处理、已有知识的重复利用、知识的创新；具体表现方式为基础办公需求、完成日常任务需求、项目需求、个人或团队能力提高等等。

企业知识管理类的工作，不管是知识管理类IT系统的建设或内部知识类项目的推动，根本是要围绕用户行为；知识本身的利用及利用现有知识的创新工作，要与已有知识的整理、寻找与知识链接、提炼核心知识工作有关。通过知识管理类项目完成把知识资本与实际用户行为有效地链接起来，最终才能让知识管理项目落地。定位用户实际行为、满足用户知识行为目的、实现用户核心需求，是完整的知识管理业务逻辑架构。

三、大数据算法模型对用户需求分析的重要作用

企业知识螺旋上升式的管理活动相关的描述是这样的，在企业“场”里，人们通过业务进行知识的彼此互动；通过“场”中获取知识，并把自己在业务中积累的知识反馈到“场”当中。在一定规则下形成生态型的知识循环，才能让企业的知识螺旋“场”建设起来并实现健康地发展。

知识生态系统的形成过程中，大数据算法模型的应用可以推动知识生态系统的建设速度提高，加快知识在生态中流转的速度。这里提出几个概念：知识循环、数据循环。

知识循环：业务部门在业务中产生、整理、创造知识，并把相关的知识存储到知识管理系统当中，当业务中需要知识时用户会从知识管理系统中获取相应的知识。

数据循环：业务部门在知识管理系统中产生、存储的知识存量、知识内容和用户的操作记录，通过一定数据化规则，例如，原数据或标签管理等方式进入数据管理类系统中。通过对用户知识需求数据及知识存量数据建立模型，协助业务部门分析自己的知识需求及知识存量的差距，在知识管理计划中作为依据，制定整体的知识管理战略。企业知识存量达到一定数量后相关运算数据量会非常庞大，需要大数据算法的支撑。

四、大数据算法在知识管理具体业务中的应用

通过数据还原事件的本身，揭示我们以往无法了解的规律才是我们应用大数据算法的最终目的。以下阐述两个大数据算法应用在知识管理方向上的应用。

1.用户根本需求定位→最佳知识推动

企业知识类数学模型，可以通过大数据算法观察到用户真实需求和知识累积量，可以更加明确定位用户请求并针对请求完成相关知识服务，例如，文件推荐、信息推送、系统推送。真实的数据在定位需求上非常有效，传统方式的需求获取，比如，调研、访谈、问卷等方式，往往在真实需求分析上会带来相当大的偏差，用户认知中的我需要和他的真实需要及后续的行为发生，会有相当大的差异。

实际工作中我们发现，用户知识需求本身会根据具体行为类型的不同，对知识目标质量的满意度会有差异。用户主动获取知识的行为可按照不同维度进行不同类型的划分。我们在这里用简化复杂的分类，仅用找资源型或找答案型两类进行举例。

①用户需求

知识管理系统中的用户需求，要用多维属性推算出用户需求画像；用户行为记录数据和用户基本属性是目前常用的两类属性。通过一定的算法我们可以得到用户行为知识目的特征向量。向量计算中用户基本属性部门、岗位、项目经历、进公司年限、教育背景；用户行为属性数据中的知识的使用次数、知识产生历史、搜索行为、关注行为等信息都会是重要的变量。

②知识数据

根据不同数据库中的知识本身，依据知识的质量及知识的热门程度匹配实际用户知识需求，形成候选知识数据。部分企业会针对用户问题设置最佳答案或者是标杆案例，但实际工作中直接通过企业审核过的知识来完全满足用户使用需求，这种操作难度较高。随着业务的实际推进问题本身在演化需要解决的问题本身会变化，因此，存量知识往往可以变成参考内容，很难成为可以100%处理问题的工具。找到符合用户需求的知识过程算法也是非常关键的，这里我们考虑了两个变量知识质量及知识热门程度，知识库中可以通过这两种维度进行知识向量计算，最终按照向量值进行知识符合度排序。知识质量算法中会包括文章长度、相关关键词包含比重、图文比重或针对不同数据库本身给予知识的质量评分。知识的热门程度维度中包括产生时间、不同时间段的点击量、被使用量、被推荐量。

2.通过大数据计算找到精准的知识管理工作推进方向，找到符合用户需求的推进方法

大多数企业知识管理起步，往往是从经验复制、知识产权保护、人员培养为目的，开展文档管理、知识社区、知识门户、案例库、e-leaning 等等工作，但实际知识管理工作过程中大家会发现，简单的同行经验复制无法解决企业自己的问题。需要按照自己的企业业务需求，迭代升级知识管理架构、方法论、知识管理工具，去接近企业知识管理的真正需求。

根据企业本身的特性差异，内部知识需求类型会有很大的区别，如果进一步研究内部业务类型会发现，根据业务本身的目标差异也会有较大的变化，例如，创新型业务及非创新业务中企业的用户的行为会有较大的差异。

我们针对一个创新型业务组织做了详细的需求点分析，实际案例中可以看到，实际业务中经验总结找答案型的知识需求只占21%，其余寻找资源型的知识需求整体占比到79%。

（知识积累数据）

但业务在知识累积上的努力，往往是业务部门的经验总结性的知识积累工作会成为知识积累的重点，一般占比大概会是81%，其余类型占19%。

（用户需求数据）

显然，为满足两种知识需求的知识管理的推进方式、管理方法、技术支撑需要有不同的方法。通过以上数据可以得出以下结论，在本案例企业中寻找资源型的知识产生量少，但被使用率较高，所以，准确方便利用是这层面知识管理的核心。寻找答案型的知识产生量大，但实际调用频率相对不高，所以，在海量的内容里提取最佳方案是这部分知识管理工作的核心。