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 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 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 知识沉淀困难，对员工主动性要求高 70% 的知识管理项目以失败告终 Gartner •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/T 23703.1-2009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 •“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 技术与业务不断靠近的二十年 2005年～2011年 1998年～2004年 2022年 技术侧 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； 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； 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）； 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。 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 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 灵活知识应用 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 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。 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 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。 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。 •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。 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 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。 典型场景 营销人员 基于市场营销人员MQL\SQL转化指标分析 •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 •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 PART01知识管理的架构挑战是什么? 全域数据的融合挑战 数据与AI的融合挑战 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 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）； 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） 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 PART02爱数智能知识管理解决方案架构及优势 场景化的智能知识应用 价值一：AI贯穿知识管理的数据治理、知识挖掘、智能问答搜索、辅助创作、知识查找利用的体验与效率 知识管理：服务知识库文档管理：客户/研发技术/服务/销售文档库认知助手营销服内容管理可观测性访问控制安全内容数据湖非结构化数据中台：知识驱动（AnyShare）1.对接业务系统附件相关内容库（历史内容附件和经验知识）；2.融合桌面办公的文档库（云盘、NAS等）；3.完整的知识库及其数据权限体系； 认知助手数据分类分级数据可观测性找数用数数据产品PowerBI报表数据治理平台指标体系融合式的增强型数据中台：数据驱动（AnyFabric增强客户现有数据中台）1.业务指标驱动：服务于业务指标驱动的知识推荐；2.历史业务记录/行为数据：服务于业务经验数据驱动的知识生成和推荐； 价值二：指标驱动，价值可量化，针对性提升业务效能和人才能力 价值三：融合式中台，既可服务于知识战略，亦可服务数据战略，一个面向未来十年的高ROI架构 用：指标自助使用 •客户资料库数据治理（CRM，内容管理）•客户数据库数据治理（结构化，数据中台）•服务事件工单数据库数据治理•服务指标的数据治理与开发 研：创建指标 •认知助手加持的问答式搜索•指标多维度对比分析•指标血缘查看来龙去脉 •自定义原子指标、衍生指标、复合指标•通过可视化或SQL方式快速创建 本体模型及知识网络自动构建 •基础对象：文档、人员（用户、作者）、组织、地区、客户、项目、行业、自定义主题、标签等。•服务知识管理扩展的对象：产品、工单、问题解决方案 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。 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 SuperAgent架构 ONE-UI (统一前端框架+设计规范) 爱数所有产品均采用ONE统一架构，其关键价值包括： 开放架构 多租户架构(面向云服务) •全域数据自由流动，实现数据价值最大化•为全域数据能力实现一致的用户体验•产品之间深度集成，实现全域数据能力的融合管理 老客户选择AnyShare建设知识管理的三大原因： 1.非结构数据中台的基础设施价值最大化；2.现有桌面和业务文档大部分在AnyShare，已沉淀大量的文档数据，扩展知识管理和AI相关能力，挖掘知识价值，助力知识管理项目快速落地；3.基于历史的产品和服务合作，双方共创更快速。 THANKS 爱数愿景 以数据重塑生产力，共创智能世界 Vision：Co-creating a smarter world with smarter data