知识赋能业务的挑战与机遇报告

企业提质增效，员工能力提升是关键 知识赋能是员工提高能力最重要的途径 知识沉淀知识 业务效能提升 赋能人 如何有效萃取和沉淀知识，赋能员工，从而提升企业的业务效能，是知识管理的重要目标 培训？ 专家分享/问答？智能问答？ 知识库和知识搜索？ 知识沉淀困难，对员工主动性要求高 知识赋能依赖于个人的行为/经验，缺乏有效性 知识运营重，但目标和效果无法量化 要求专家写材料 没时间 没动力 费时费力 收集/审核 不及时不全面 费时费力 根据个人阅读习惯的推荐？ 个人局限信息茧房目的不明 根据岗位能力模型进行推荐？ 能力不同 经验不同 针对性不强 管理员手动推荐课程？ 能力受限不及时 费时费力 专人运营 成本高 效果不佳 费时费力 积分奖励 被动 效果不佳 成本高 效果无法衡量 无法设定目标 高层无法评估 个人收获感不强 70% 的知识管理项目 以失败告终 Gartner •“知识经济”一词进入中国 •咨询公司布道，惠普在中国设立了第一个首席知识官CKO。海尔等头部企业试水； •痛点：缺乏标准规范指引 •重点以文档管理、知识分类、知识搜索、知识门户等为突破点，强调规范化、标准化管理。探索知识如何助力知识型组织。 •第一个国家知识管理标准GB/T23703.1-2009发布 •痛点：与业务孤立、体验差； •受Web2.0影响。更多企业开始以知识社区、员工网络、专家黄页、百科词条等新形式，实践并探索知识管理赋能业务的最佳模式。 •“最受尊敬的知识型组织”MAKE大奖于2011年引入中国 •痛点：更丰富；但知识与业务仍然难以融合 •人工智能、工业4.0等愈演愈烈。斯坦福尼尔逊教授说：“人工智能是关于知识的学科—怎样表示知识以及怎样获得知识并使用知识的科学。” •大模型从2023年开始加速知识管理智能化的演化； •趋势：AI驱动，业务与知识融合 技术与业务不断靠近的二十年 1998年～2004年 2005年～2011年 2012年～2022年 2022年 1 2 3 业务侧 1.知识管理与业务脱节：强调人力资源主导的通用知识管理，真正与业务场景结合的极少； 2.价值量化难：依靠专人或部门进行知识运营，设计知识管理的制度规范、运营措施、激励考核方法，投入高，运营成效有限。知识管理的业务价值难以量化（比如节省了多少客户服务时间，提升了多少客户满意度）； 技术侧 1 2 3 1.知识组织成本高：传统知识管理需要人工构建知识分类体系，手动进行知识的加工、打标、入库，投入大量人力成本； 2.知识挖掘成本高：依靠领域专家做知识编目、标签，识别、评审高价值知识，造成知识挖掘效率低，成本太高，无法执行； 3.知识查找利用难：如何高效、精准的找到合适的知识是知识利用的关键挑战。 •个性化推荐 •内容自动化工作流 •企业热词 •岗位画像知识推荐 智能化的知识管理 知识运营 知识生产 •支持多种格式文件接入 •支持多源数据 •多模态内容管理 •AI辅助文档创作 •智能搜索与问答 •场景化AI助手 •知识地图 •与专家协同 知识应用 知识发布 领域知识网络+领域大模型能力底座 知识组织 •自动化标签与分类 •知识库 •知识集合 •自动化知识主题 智能问答 基于用户有权限的文档，领域大模型自动生成问题答案 •提供答案来源 •推荐相关问题 •多轮追加提问 相关文档 •构建文档、专家、标签、项目之间实体关联，基于领域知识图谱推荐相关文档 相关专家 •构建文档、专家、标签、项目之间实体关联，基于领域知识图谱推荐相关专家 •智能引用：场景化问答查询及引用 •智能续写、修改：帮你润色 •隐私内容检测 •深度语义理解，通过标题一键生成文章摘要及大纲 •结合知识库中的专业领域知识，自动生成全文 •标明引用推荐，智能语法纠错，保障撰写质量 内容工作流 以低代码形式创建工作流 灵活的触发方式，基于内容工作流自动化进行知识内容发布和归档，简化知识运营 灵活知识应用 AnyShare提供丰富组件，可基于岗位、领域知识创建不同的学习地图，形成可面向岗位能力画像的知识推荐。 1 2 3 4 知识组织加工：知识分类与标签价值：标签/编目工作量下降100倍 知识查找利用：搜索、推荐、问答的智能化价值：面向员工和流程的效率提升10倍以上 知识挖掘创作：知识创作、隐藏知识的挖掘和生成价值：知识创造、挖掘的价值提升10倍以上 keyword 知识运营 企业战略企业知识战略核心业务指标 【指标驱动的】知识管理 知识生产 什么是指标驱动？ 业务指标= 知识管理价值指标 业务流程业务人员 知识应用知识组织 知识发布 指标驱动的业务过程知识推荐 （直接提升业务指标） 指标驱动的能力画像知识推荐 （针对性提升员工能力） 【智能化的】知识管理 知识管理 业务增长 年增长率30% 新客户开拓 150家新客户 老客户持续营收 ARR收入同比提升35% 指标驱动的智能知识管理就是基于企业关键KPI，来找到赋能业务的关键点，紧盯业务目标和能力短板，形成基于指标的精准知识推荐： 1.基于能力画像的知识推荐 NPS 目标值60 个人工单解决率 目标值95% 工单按时解决率 目标值95% 2.基于业务经验的知识推荐 让知识管理与业务运营相融合，通过精准知识推荐，提升知识获取效率，促进业务指标达成，让知识管理价值可衡量。 服务工程师张俊KPI 客户问题提报 服务团队创建工单 服务工程师张俊 专家团队处理问题 客户成功团队跟进服务反馈 确认客户信息 二线专家 问题升级 创建服务请求 维保信息查询 研发部门 录入工单 问题解决关闭工单 问题解决关闭工单 需求单 问卷调查 问题单 服务质量考核 客户回访 确定解决方案 问题诊断 服务评价 客户问题排查 呼叫中心官网 电子邮件微信 门户 平均工单处理时长：1.22H 全年工单数量：1265个，其中556个为独立解决工单。 张俊的期望： 1.有效达成自己的关键KPI。 2.在工作中可以直接获得相关知识/经验，缩短问题解决时长。 3.把自己处理工单的经验沉淀下来，但不希望花费额外的工作时间来整理。 基于业务指标，精准衡量绩效表现： •明确关键指标达成情况 •明确个人绩效完成情况 •找到个人能力短板 精准知识推荐 基于指标反馈，通过大模型来进行知识内容的推荐，让知识为你所用，有效提高知识获取效率。 自定义快速访问 打造专属于你工作场景、习惯，让知识唾手可得。 与业务系统相融合，在业务中让知识流转起来 •基于工单内容理解的智能知识内容推荐 •工单BOT快速发起智能问答 •技术知识库搜索 基于知识库模版进行内容创建 大模型自动识别内容进行知识沉淀 查看该内容时，相关知识也会被推荐 010305 0204 支持关联工单，关联各种图谱中的数据 一键审核，方案沉淀到知识库并与工单关联 实现效果 1.在工作中可以直接获得相关知识/经验，缩短问题解决时长，直接提升业务指标，改善业务成效。 2.通过指标推荐，找到自己的能力短板，更好的了解自己应学的知识，提高独立解决工单率。 3.一键转知识，让工单的经验自然沉淀下来。 问题提报 相似工单推荐 呼叫中心官网 电子邮件 工单录入 工单查询 问题解决 问题讨论 问关键词搜索 资料查找 工单系统 关联最佳答案 方案撰写 微信 门户 工单数据同步 一键转知识 知识应用 权限管理模板管理 审批 Wiki知识库 评论 点赞 分享 知识图谱 知识消费 知识沉淀 数据分析 知识抽取 专题知识沉淀 绩效与洞察 历史数据 文档生成 知识探索 工单知识Bot 知识搜索与查询 AnyShare 外围系统 图例说明： 典型销售人员 场景 基于销售业绩的指标分析 •精准推荐产品及解决方案相关知识， •精准推荐相关项目案例、经验。 •精准推荐销售政策相关知识。 研发人员 基于研发人员版本质量及发布周期指标分析 •精准推荐研发标准、技术文档、软件工程规范相关知识 •精准推荐领域专家 •精准推荐知识主题 营销人员 基于市场营销人员MQL\SQL转化指标分析 •精准推荐产品知识 •精准推荐市场洞察、营销素材 •精准推荐客户案例 指标驱动的智能知识管理（含通用知识管理） 通用知识管理 价值指标 业务指标为主 知识使用率、分享率等体验和效率指标为主 目的 知识直接赋能业务，针对性赋能员工能力提升，直接帮助企业降本增效提质 沉淀知识，提升知识共享和复用效率。 ROI 直接服务于企业战略和目标，清晰且可度量；Return=业务指标对应的效益或者成本 难以度量； Return=比较模糊的效率； PART01 知识管理的架构挑战是什么? 实践应用 智慧 （判断与执行） 知识 知识应用 信息化 知识化 （可复用的概念、范畴、对象及其关系/规律） 信息 （人能理解的具有上下文信息：活动、事件） 数据 （通过业务活动产生的记录-服务于机器：包括各种形态的结构化数据、内容、日志数据） AI引擎 数据架构 应用层： 搜索、推荐、辅助X 模型层：本体模 型、知识图谱、 推荐模型 搜索层：语义理解、洞察、 智能体 数据层：全域数据基础设施 全域数据的融合挑战 数据与AI的融合挑战 应用层： 搜索、推荐、辅助X 模型层：本体模型、知识图谱、推荐模型 搜索层：语义理解、洞察、智能体 数据层：全域数据基础设施 知识应用 AI引擎 数据架构 1.需要多模态的数据：面向业务的精准推荐，需要历史业务记录（结构化数据）+知识库数据（非结构化数据） +用户业务行为数据（半结构化数据）； 2.数据指标与知识的关联：提升业务效能需要结合业务指标、现状数据进行针对性的分析后推荐； 1.安全：如何确保私域数据和知识的安全与权限控制； 2.准确性：如何将私域数据和知识增强大模型 3.适应性：面向不同业务系统和场景的敏捷适应能力，比如智能体涉及的各类数据、指标和行为动作，更系统、准确性的进行业务知识分析推荐 应用层： 搜索、推荐、辅助X 模型层：本体模型、知识图谱、推荐模型 搜索层：语义理解、洞察、智能体 数据层：全域数据基础设施 内容管理派：基于内容管理的知识管理方案（内容管理厂商主推，数据复用）： •第一，以非结构化数据为主，与业务指标、业务数据、用户画像脱节，难以精准赋能业务和人： •第二，内置AI模块，AI能力往往是定制化的，难以扩展和复用（AI平台能力弱）； 知识管理应用 AI平台 结构化数据中台 内容管理平台 知识应用 应用派：知识管理应用方案（OA厂商主推，场景丰富）： •第一，知识管理应用丰富，但是缺乏数据架构能力，往往是再造数据孤岛（把数据复制到知识管理系统） •第二，内置AI模块，AI能力往往是定制化的，难以扩展和复用（AI平台能力弱） 知识管理应用 AI平台 结构化数据中台 对象存储 AI引擎 AI派：大模型+知识库方案（大模型企业主推，单个场景打样为主）： •第一，没有数据平台能力，数据复制到对象存储，脱掉了权限体系 •第二，知识管理应用能力弱，整体集成度差 知识管理应用 AI平台 结构化数据中台 对象存储 数据架构 PART02 爱数智能知识管理解决方案架构及优势 什么是指标驱动？ 业务指标= 知识管理价值指标 业务流程 业务人员 指标驱动的业务过程知识推荐 （直接提升业务指标） 指标驱动的能力画像知识推荐 （针对性提升员工能力） 知识管理 企业战略 知识运营知识应用 企业知识战略 核心业务指标 【指标驱动的】知识管理 知识生产 知识发布 【智能化的】知识管理 知识组织 增强型数据中台 非结构化数据中台 安全与合规 知识图谱 推荐模型 RAG 智能体Agent 场景化的智能知识应用 知识 智1能.面向业务场景：基于业务指标的知识推荐（与业务系统结合）；智能销售知识管理 场景 管2理.面向业务场景：基于业务行为记智录能服的务经知验识知管理识推荐