大數據算法在企業知識管理業務中的具體應用

李 仙 王海芳 楊文靜 姜穎姬 呂志超 王 丹

（北京京東方顯示技術有限公司，北京 100176）

一、知識管理發展階段概述

隨著知識經濟的到來，企業針對知識資產積累、利用相關的活動變得越發重要。各類企業針對知識管理范圍的定義、知識管理的推進方法及利用的工具，也會根據企業經營目標和行業特性設置不同的目標，選擇不同的發展方式。

20世紀90年代，知識管理概念進入中國后，IT技術在知識管理的應用一直是非常重要的環節。早期的文檔預覽、Web內容管理、信息門戶、信息檢索、工作流程管理、寫作系統、電子學習等功能，是主流的IT系統應用及支撐。但近幾年，各家企業在知識管理類IT系統技術發展上更為針對企業知識的利用效率提高方向上，做著不同的嘗試和努力并取得了不小的成績。數字化轉型、大數據運算、區塊鏈、AI智能技術在企業中的導入讓企業知識管理的每個環節觸發了巨大的改變。

企業知識的存量、知識的及時產生與企業和員工的知識需求、知識利用會存在一定的差距；存量知識、產生新知識與實際可利用或需要利用之間會發生偏差。這類偏差發生的原因，可能是企業本身不具有相關的知識或企業已擁有相關知識，但無法調用。

新的IT技術可以在解決此類問題時起到關鍵性作用，知識的獲取、存儲、學習、共享、創新管理環節中，可以實現根據用戶本身的需求提供相應的知識。這種方式提高了知識工作者的生產力、組織的應變能力、提高業務的反應速度、提高了商業模式的靈活度，增強核心競爭力。

本文研究的主要方向是利用用戶實際的操作記錄，去了解企業用戶實際的知識需求，并推送匹配的知識提高知識利用質量。在此過程中，大數據算法支撐用戶行為分析并完成用戶意圖分析模型，并作為后續智能推送知識的依據。

二、企業用戶知識需求分析

企業員工的工作知識需求一般發生在業務處理或個人成長兩種場景中。

（知識管理業務邏輯架構）

具體的知識需求可分為日常工作處理、已有知識的重復利用、知識的創新；具體表現方式為基礎辦公需求、完成日常任務需求、項目需求、個人或團隊能力提高等等。

企業知識管理類的工作，不管是知識管理類IT系統的建設或內部知識類項目的推動，根本是要圍繞用戶行為；知識本身的利用及利用現有知識的創新工作，要與已有知識的整理、尋找與知識鏈接、提煉核心知識工作有關。通過知識管理類項目完成把知識資本與實際用戶行為有效地鏈接起來，最終才能讓知識管理項目落地。定位用戶實際行為、滿足用戶知識行為目的、實現用戶核心需求，是完整的知識管理業務邏輯架構。

三、大數據算法模型對用戶需求分析的重要作用

企業知識螺旋上升式的管理活動相關的描述是這樣的，在企業“場”里，人們通過業務進行知識的彼此互動；通過“場”中獲取知識，并把自己在業務中積累的知識反饋到“場”當中。在一定規則下形成生態型的知識循環，才能讓企業的知識螺旋“場”建設起來并實現健康地發展。

知識生態系統的形成過程中，大數據算法模型的應用可以推動知識生態系統的建設速度提高，加快知識在生態中流轉的速度。這里提出幾個概念：知識循環、數據循環。

知識循環：業務部門在業務中產生、整理、創造知識，并把相關的知識存儲到知識管理系統當中，當業務中需要知識時用戶會從知識管理系統中獲取相應的知識。

數據循環：業務部門在知識管理系統中產生、存儲的知識存量、知識內容和用戶的操作記錄，通過一定數據化規則，例如，原數據或標簽管理等方式進入數據管理類系統中。通過對用戶知識需求數據及知識存量數據建立模型，協助業務部門分析自己的知識需求及知識存量的差距，在知識管理計劃中作為依據，制定整體的知識管理戰略。企業知識存量達到一定數量后相關運算數據量會非常龐大，需要大數據算法的支撐。

四、大數據算法在知識管理具體業務中的應用

通過數據還原事件的本身，揭示我們以往無法了解的規律才是我們應用大數據算法的最終目的。以下闡述兩個大數據算法應用在知識管理方向上的應用。

1.用戶根本需求定位→最佳知識推動

企業知識類數學模型，可以通過大數據算法觀察到用戶真實需求和知識累積量，可以更加明確定位用戶請求并針對請求完成相關知識服務，例如，文件推薦、信息推送、系統推送。真實的數據在定位需求上非常有效，傳統方式的需求獲取，比如，調研、訪談、問卷等方式，往往在真實需求分析上會帶來相當大的偏差，用戶認知中的我需要和他的真實需要及后續的行為發生，會有相當大的差異。

實際工作中我們發現，用戶知識需求本身會根據具體行為類型的不同，對知識目標質量的滿意度會有差異。用戶主動獲取知識的行為可按照不同維度進行不同類型的劃分。我們在這里用簡化復雜的分類，僅用找資源型或找答案型兩類進行舉例。

①用戶需求

知識管理系統中的用戶需求，要用多維屬性推算出用戶需求畫像；用戶行為記錄數據和用戶基本屬性是目前常用的兩類屬性。通過一定的算法我們可以得到用戶行為知識目的特征向量。向量計算中用戶基本屬性部門、崗位、項目經歷、進公司年限、教育背景；用戶行為屬性數據中的知識的使用次數、知識產生歷史、搜索行為、關注行為等信息都會是重要的變量。

②知識數據

根據不同數據庫中的知識本身，依據知識的質量及知識的熱門程度匹配實際用戶知識需求，形成候選知識數據。部分企業會針對用戶問題設置最佳答案或者是標桿案例，但實際工作中直接通過企業審核過的知識來完全滿足用戶使用需求，這種操作難度較高。隨著業務的實際推進問題本身在演化需要解決的問題本身會變化，因此，存量知識往往可以變成參考內容，很難成為可以100%處理問題的工具。找到符合用戶需求的知識過程算法也是非常關鍵的，這里我們考慮了兩個變量知識質量及知識熱門程度，知識庫中可以通過這兩種維度進行知識向量計算，最終按照向量值進行知識符合度排序。知識質量算法中會包括文章長度、相關關鍵詞包含比重、圖文比重或針對不同數據庫本身給予知識的質量評分。知識的熱門程度維度中包括產生時間、不同時間段的點擊量、被使用量、被推薦量。

2.通過大數據計算找到精準的知識管理工作推進方向，找到符合用戶需求的推進方法

大多數企業知識管理起步，往往是從經驗復制、知識產權保護、人員培養為目的，開展文檔管理、知識社區、知識門戶、案例庫、e-leaning 等等工作，但實際知識管理工作過程中大家會發現，簡單的同行經驗復制無法解決企業自己的問題。需要按照自己的企業業務需求，迭代升級知識管理架構、方法論、知識管理工具，去接近企業知識管理的真正需求。

根據企業本身的特性差異，內部知識需求類型會有很大的區別，如果進一步研究內部業務類型會發現，根據業務本身的目標差異也會有較大的變化，例如，創新型業務及非創新業務中企業的用戶的行為會有較大的差異。

我們針對一個創新型業務組織做了詳細的需求點分析，實際案例中可以看到，實際業務中經驗總結找答案型的知識需求只占21%，其余尋找資源型的知識需求整體占比到79%。

（知識積累數據）

但業務在知識累積上的努力，往往是業務部門的經驗總結性的知識積累工作會成為知識積累的重點，一般占比大概會是81%，其余類型占19%。

（用戶需求數據）

顯然，為滿足兩種知識需求的知識管理的推進方式、管理方法、技術支撐需要有不同的方法。通過以上數據可以得出以下結論，在本案例企業中尋找資源型的知識產生量少，但被使用率較高，所以，準確方便利用是這層面知識管理的核心。尋找答案型的知識產生量大，但實際調用頻率相對不高，所以，在海量的內容里提取最佳方案是這部分知識管理工作的核心。

五、結語

智力資本的積累及知識管理工作開展，對企業未來發展及運營效率影響越來越大，IT技術的發展一直是知識管理領域發展的重要推動力。除了本文中闡述的大數據算法技術的應用之外，在各個領域知識管理工作中，區塊鏈、人工智能等新型IT 技術與實踐工作中取得的成果，對中國知識管理的發展會是新的一輪驅動力。