مدیریت دانش برای به اشتراک‌گذاری، به‌کارگیری و مدیریت اطلاعات یک سازمان در حال رشد است، اکنون همچنین به‌عنوان پایه‌ای برای پیشرفت در هوش مصنوعی (AI) عمل می‌کند.
طی 10 سال گذشته شاهد این تغییر در نقش مدیریت دانش در سطح سازمانی بوده‌ایم. این افزایش آگاهی برای مدیریت دانش ما را وادار به شناسایی راه‌های پیشرفته‌تری برای اندازه‌گیری و انتقال ارزش مدیریت دانش کرده است.
چند سال پیش، مطالعات موردی به اشتراک گذاشته‌شده است که هزینه انفعال را در مورد مدیریت دانش نشان می‌دهد. در اینجا، به بررسی گزیده‌ای از رویکردهایی را ارائه می‌دهیم که آزمایش کرده‌ایم و برای کمک به انتقال ارزش مدیریت دانش به‌منظور جلب حمایت مستمر، ایجاد سرمایه‌گذاری و تشویق به پذیرش، به‌خصوص در مورد بهره‌گیری از پیشرفت‌ها در هوش مصنوعی سازمانی مؤثر هستند.
1- نشان دهید چگونه مدیریت دانش با پیشرفت سازمانی و اهداف هوش مصنوعی ارتباط دارد
قدرتمندترین راه‌حل‌های مدیریت دانش که تا به امروز ساخته‌ایم یک جنبه کلیدی مشترک دارند: موارد استفاده از مدیریت دانش و چالش‌های آن‌ها مستقیماً به هم مرتبط و اندازه‌گیری می‌شوند، نه‌تنها باارزش‌های گروهی که مدیریت دانش را هدایت می‌کند، بلکه با تأثیری که در سازمان بر استراتژی و ماموریت سازمانی دارد، نشان می‌دهد. امروزه بیش از 80 درصد از سازمان‌ها بر روی هوش مصنوعی سرمایه‌گذاری می‌کنند، اما تنها 21 درصد از شرکت‌ها قادر به پذیرش هوش مصنوعی هستند. چالش اصلی فقدان استراتژی‌های روشن برای تامین دانش است که هوش مصنوعی از سازمان و داده‌های آن نیاز دارد: اینجاست که مدیریت دانش بیشتر نمایان می‌شود. به‌طور خاص، فعالیت‌های مدیریت دانش به OKR های سازمانی (اهداف و نتایج کلیدی) که موفقیت‌ها را از شکست‌های هوش مصنوعی پیشرفته سازمانی جدا می‌کند، به سازمان‌ها این امکان را می‌دهد که تأثیر مستقیم تجاری یا ROI را تا پایان ردیابی کنند.
به‌عنوان‌مثال، برای یکی از مشتریان ما – یک شرکت بزرگ مدیریت سهام و ثروت – یکی از اهداف سازمانی آن‌ها برای هوش مصنوعی بهبود حفظ مشتری از طریق خدمات خودکار و شخصی‌شده و توصیه‌های محصول بود. در این مورد، مدیریت دانش نقش کلیدی در ارائه معماری اطلاعات مناسب و رویه‌های کیفیت محتوا برای خدمت به اهداف هوش مصنوعی از طریق وب‌سایت خود ایفا کرد. در داخل، پرتال مدیریت دانش آن‌ها به‌عنوان لایه دانش بین بخشی آن‌ها اصلاح شد و اطلاعات 360 مشتری را در بیش از 8 سیستم و برنامه در اختیار نمایندگان فروش خود قرارداد. این چارچوب مدیریت دانش اکنون فروش و بازاریابی مؤثر را از طریق برنامه‌هایی مانند جستجوی معنایی و ربات‌های پرسش و پاسخ که برای به‌کارگیری از هوش مصنوعی در زمان نیاز (سلف‌سرویس) ساخته‌شده‌اند، تسهیل می‌کند، درحالی‌که به تیم‌های فروش خود امکان می‌دهد تا مکالمات معنی‌داری با مشتریان داشته باشند و چرخه‌های فروش آن‌ها را کوتاه‌تر کنند.
2- نقشه‌های قبل و بعد ازپیاده‌سازی مدیریت دانش را توسعه دهید
یکی از دلایلی که مدیریت دانش برای بسیاری از سازمان‌ها بیش‌ازحد انتزاعی بوده است این است که معمولاً تدریجی است و زمانی که پیاده‌سازی می‌شود چندان آشکار نیست. این امر به‌طور سنتی چند چالش را به همراه داشته است:
1) معمولاً در مورد دامنه مدیریت دانش و جایی که در سازمان می‌گنجد، ناهماهنگی وجود دارد.
2) کارکنانی که تحت تأثیر تحولات مدیریت دانش قرار می‌گیرند معمولاً برای تصور چگونگی فعالیت‌های روزانه خود مشکل دارند. با مدیریت دانش خوب تغییر خواهد کرد.
آنچه ما برای پرداختن به این واقعیت مؤثر یافتیم، از مانیفست مدیریت دانش Agile گرفته‌شده است: استفاده از Personas، Use Cases و Journey Maps برای برقراری ارتباط و سنجش ارزش و تأثیر مستقیم از ابتکارات مدیریت دانش
این ابزارها به‌طور سنتی به ما رسانه‌ای می‌دهند تا نمایه‌های کاربر خاص را تعریف کنیم، اولویت‌ها و دانش آن‌ها را ثبت کنیم و نمایشی بصری از مراحلی که برای تکمیل یک کار یا رسیدن به یک هدف انجام می‌دهند، ارائه دهیم. امروزه الگوریتم‌های هوش مصنوعی می‌توانند بیشتر به ما در تجزیه‌وتحلیل این داده‌ها کمک کنند. پرسونای خود را به شکل دیجیتالی تجسم کنید (به دوقلوهای دیجیتال فکر کنید). اطلاعات، منابع و راه‌حل‌های مربوطه را متناسب با نیازهای کاربران توصیه می‌کند؛ و بهبود اثربخشی ارائه دانش، افزایش رضایت کاربر و افزایش تعامل با سیستم‌های مدیریت دانش.
برای یک مشاوره جهانی که با آن کارکردیم، همکاران آن‌ها که توسط سازمان به‌عنوان دارایی‌های دانش نامیده می‌شود، زمان قابل‌توجهی را صرف جمع‌آوری و مدیریت محتوا و داده‌ها در چندین سیستم برای ارائه گزارش‌ها و توصیه‌هایی به مشتریان مربوطه خود می‌کردند. ما یک برنامه دیجیتالی ایجاد کردیم تا نشان دهیم که چگونه مدیریت دانش فرآیند تجزیه‌وتحلیل را به مراحل قابل‌هضم ساده می‌کند و از داشبوردهای تحلیلی استفاده می‌کند و درعین‌حال تغییر در فرآیند و تأثیر بر وظایف و تجزیه‌وتحلیل آن‌ها را نشان می‌دهد.
برای مطالعه‌ی مقالات تخصصی مدیریت دانش به پایگاه دانش مراجعه فرمایید.
3- کار در حال انجام را نشان دهید (حتی اگر هنوز زیبا نباشد)
تجسم مدیریت دانش اغلب دشوار است، به‌ویژه در مراحل اولیه استراتژی و پروژه طراحی مدیریت دانش، زیرا شامل توسعه نتایج قابل‌مشاهده نیست. یکی از راه‌های مؤثر برای نشان دادن ارزش مدیریت دانش، نشان دادن کار در حال انجام است.
و ارزش افزایشی ما این کار را در استراتژی‌های مدیریت دانش خود از طریق درس‌های آموخته‌شده، طرح‌های کلی الگوهای استراتژی و رویکرد، فریم‌های با وفاداری پایین و اندازه‌گیری معیارهای اولیه فرآیند یا فعالیت مانند سطح مشارکت در برنامه مدیریت دانش انجام می‌دهیم.
ابزارهای تجزیه‌وتحلیل مبتنی بر هوش مصنوعی – مانند نرخ استفاده، محتوا و عملکرد تعامل و آستانه تعامل – به استخراج انجمن‌های خبرگی از مقادیر گسترده راه‌حل‌ها و داده‌های مدیریت دانش کمک می‌کنند و به درک عمیق‌تری از الگوهای استفاده از دانش، شکاف‌های محتوا و رفتار کاربر کمک می‌کنند. این به ما کمک می‌کند تا مشخص کنیم که چگونه این بینش‌ها می‌توانند بر تصمیم‌گیری تأثیر بگذارند و استراتژی‌های مدیریت دانش را در یک آهنگ منظم بهبود بخشند.
راه دیگر برای نشان دادن پیشرفت فزاینده شامل برجسته کردن مراحل مختلف فرآیند مدیریت دانش و ایجاد نقاط عطف مرحله‌ای و موفقیت‌های کوچک در تلاش‌های بزرگ‌تر مدیریت دانش و AI است. این به تیم برنامه اجازه می‌دهد تا پروژه‌ها را به نقاط عطف یا فازهای کلیدی تقسیم کرده و تکمیل هر نقطه عطف را دنبال کند. استفاده از چارچوب تحویل چابک برای تلاش‌های مدیریت دانش و AI به‌خوبی به برنامه‌ریزی و نمایش کار در هر سرعت (یا تکرار) کمک می‌کند. به‌عنوان‌مثال، برای بسیاری از مشتریانمان، راه‌حل‌های بلندمدت مدیریت دانش مانند حاکمیت را به چندین تکرار تقسیم می‌کنیم: با ۱ تا ۲ فرآیند یا انواع نقش شروع می‌کنیم و یک رویکرد هوش مصنوعی را تعریف می‌کنیم (به‌عنوان‌مثال، خودکار کردن برخی از ویژگی‌های حاکمیتی مانند محتوا برچسب‌گذاری خودکار)، سپس فرآیند پایان را از نقش‌ها و مسئولیت‌ها تا گردش‌های کاری تأیید و انتشار در سیستم‌های مختلف به‌صورت آزمایشی/نشان می‌دهد.
4- آن را “قابل کلیک” کنید
دلیل شکست تلاش‌های مدیریت دانش معمولاً به چندین چالش رایج نسبت داده می‌شود:
- مبارزه برای یافتن یک نقطه شروع خوب برای اجرای یک تحول بزرگ؛
- عدم مشارکت زودهنگام و مداوم کاربران نهایی،
- استفاده از روش‌ها و ابزارهای نامناسب برای تعامل با کاربران؛
- ناتوانی در پیش‌بینی موانع فنی هنگام برنامه‌ریزی استراتژی‌های مدیریت دانش
یکی از راه‌های مؤثر برای رسیدگی به این چالش مدیریت دانش، تعریف مجموعه‌ای از نمونه‌های اولیه است که برای هفته‌ها و ماه‌ها زمان‌بندی می‌شوند، دامنه محدودی را ارائه می‌دهند و با استفاده از راه‌حل‌های قابل کلیک روی نشان دادن سریع ارزش به سهامداران تمرکز دارند. کاوش در فن‌آوری‌ها و شیوه‌های جدید، یک نمونه اولیه یا آزمایشی قابل کلیک به کاربران اجازه می‌دهد تا مدیریت دانش را تجسم کنند و مستقیماً با آن تعامل داشته باشند و سهامداران را قادر می‌سازد تا مدیریت دانش را در عمل ببینند و مزایای آن را از نزدیک تجربه کنند. نمونه‌های مشخصی از نمونه‌های اولیه قابل کلیک که برای راه‌حل‌های مدیریت دانش به کار گرفته‌ایم عبارت‌اند از:
جستجوی ساده با استفاده از ابزار منبع باز، چت‌بات‌های مبتنی بر مدل‌های زبان بزرگ (LLM) که پاسخ‌های مستقیم به سؤالات کاربر خاص (مدل‌سازی شده برای محتوا و زمینه سازمان با استفاده از نمودارهای دانش) ارائه می‌دهند. شخصی‌سازی برای پروفایل‌های کاربر منتخب و داشبورد برای نیازهای گزارش‌گیری انتخابی.
هوش مصنوعی به‌طور خاص به سازمان‌ها مجموعه‌ای از ویژگی‌ها و قابلیت‌ها را ارائه می‌کند تا مدیریت دانش را نه‌تنها ملموس، بلکه برای کاربران راحت‌تر با ارائه گزینه‌هایی برای روش موردعلاقه‌شان برای پیمایش دانش، کند. برای مثال، ما از ویژگی‌های هوش مصنوعی مانند پردازش زبان طبیعی (NLP) و تجزیه‌وتحلیل متن برای بهبود تجربه استفاده می‌کنیم و به کاربران اجازه می‌دهیم از طریق صدا، ربات‌های چت، توصیه‌های شخصی‌سازی‌شده و جستجوهای داشبورد به اطلاعات دسترسی داشته باشند.
5- از هوش مصنوعی برای اندازه‌گیری و یادگیری از موفقیت‌های اولیه (و همچنین شکست‌ها) استفاده کنید.
بیشتر موفقیت پروژه‌های مدیریت دانش ما از یافتن روشی مرتبط و قابل‌اعتماد برای اندازه‌گیری سرمایه‌گذاری و تأثیر مدیریت دانش یا ایجاد یک مورد برای مدیریت دانش است که برای رهبری شرکت قابل‌مشاهده باشد. این موضوع برای من از اهمیت ویژه‌ای برخوردار است زیرا حوزه‌ای است که به‌شدت به تجربیات و معیارهای دنیای واقعی وابسته است و همه بخش‌های بالا را به‌منظور درک و توجیه واقعی سرمایه‌گذاری سازمانی موردنیاز مدیریت دانش به هم پیوند می‌دهد.
اگرچه اندازه‌گیری ارزش مدیریت دانش از طریق معیارهای تجاری «دلار سخت» مانند صرفه‌جویی در هزینه‌های مستقیم، بهبود کارایی، افزایش بهره‌وری یا رشد درآمد ملموس نسبتاً آسان است، پیشرفت‌های هوش مصنوعی اکنون به سازمان‌ها اجازه می‌دهد تا نقاط داده‌ای که قبلاً ذخیره‌شده بودند را به هم متصل کنند. تا داستان قانع‌کننده‌تری را روایت کنیم. امروزه، اکثر پلتفرم‌های مدیریت دانش در بازار دارای نوعی اتوماسیون یا هوش مصنوعی هستند تا به سازمان‌ها در اندازه‌گیری پیشرفت، ردیابی فعالیت‌ها و ایجاد بینش از پشته فنی خود، ازجمله سیستم‌های مدیریت ارتباط با مشتری (CRM)، سیستم‌های مدیریت اسناد یا محتوا، کمک کنند. DMS یا CMS)، پایگاه‌های دانش و/یا پورتال‌های دانش.
راه‌حل‌های هوش مصنوعی سازمانی به‌طور خاص برنامه‌های مدیریت دانش را با قابلیت پیوند دادن شاخص‌ها و روندهای اولیه از طریق قابلیت‌های ردیابی ابری، تجسم داده‌ها از طریق واقعیت افزوده/مجازی (دوقلوهای دیجیتال) و نظارت بر داده‌ها، تجزیه‌وتحلیل ذخیره‌سازی و ویژگی‌های امنیتی ارائه می‌کنند. تصور یک پورتال مدیریت دانش زنده یا راه‌حلی که به بهبود خود ادامه می‌دهد، دیگر یک رویا نیست
بر اساس الگوریتم‌ها و تجزیه‌وتحلیل‌ها، با آنچه از کاربران و برنامه‌های کاربردی متصل تولید می‌کند، تامین می‌شود. بااتصال این نقاط داده باشخصیت‌های دیجیتال مدیریت دانش، می‌توانید اقدامات پیشرفت و فعالیت را تعبیه کنید که به سازمان‌ها کمک می‌کند سلامت کلی برنامه را ارزیابی کنند، قابلیت استفاده از فرآیندها و راه‌حل‌های مدیریت دانش را بهبود بخشند و مراحل بعدی را با تکامل راه‌حل‌ها و نقشه راه برنامه اطلاع دهند.
نتیجه
نکته اصلی این است که برنامه‌ها و تحولات مدیریت دانش نیازمند سرمایه‌گذاری در منابع و فناوری سازمانی در داخل و خارج از سازمان شما هستند. به‌این‌ترتیب، نشان دادن ارزش مدیریت دانش مستلزم یک رویکرد استراتژیک است که با تغییرات تکنولوژی تکامل می‌یابد، با اهداف سازمانی همسو می‌شود و منافع ملموس را نشان می‌دهد. معیارهای مدیریت دانش مناسب برای انتخاب و پیگیری به آنچه برای سازمان شما معنادار است بستگی دارد. برای مثال، اندازه‌گیری پیشرفت ازنظر بازگشت سرمایه (ROI) در شرکت‌های تجاری بیشتر از بخش عمومی یا سازمان‌های غیرانتفاعی مرتبط است. مفیدترین شاخص‌ها و رویکردهای ارزش احتمالاً ترکیبی از عوامل در سراسر مثال‌های فوق‌الذکر هستند و به فرهنگ سازمان شما بستگی دارد، اینکه موفقیت بلندمدت چه معنایی برای سهامداران مختلف دارد (مدیریت ارشد، مشارکت‌کنندگان عملیاتی یا فردی، مشتریان و تامین کنندگان) و به چه داده‌هایی برای متقاعدشدن نیاز دارند. با ساختن یک پایلوت قابل کلیک، مبتنی بر موارد استفاده و شخصیت‌ها، گره زدن آن به اهداف سازمانی و به‌کارگیری قابلیت‌های نوظهور هوش مصنوعی، سازمان‌ها می‌توانند نشان دهند که چگونه مدیریت دانش فرآیندها، نتایج و درنهایت بهبود را بهبود می‌بخشد.
