Wir leben in einer Wissensgesellschaft, Wissen ist meist nur einen Klick entfernt. Doch was passiert, wenn die Menge an Informationen zu groß wird? Die relevante Information geht darin unter! Dadurch dauert die Suche nach Wissen lange und ist ermüdend. Am Ende stehen wir womöglich sogar mit der falschen Information da. Hierbei kann es helfen, dass Sie automatisiert die Knowledge Base analysieren!
Unternehmen stehen vor der Aufgabe, die Flut an Informationen zu managen und Wissen an den richtigen Stellen bereitzustellen. Häufig überschreitet der redaktionelle Aufwand dafür jedoch die verfügbaren Ressourcen an Mitarbeitern. Daraus folgen veraltete, falsche und redundante Informationen in der Knowledge Base des Unternehmens. Das führt zu Kosten, z.B. durch längeres Suchen und häufigere Fehler.
Für die Unternehmung ist es also von Vorteil, die Qualität der Knowledge Base zu erhöhen: Einerseits werden dadurch Folgekosten gesenkt. Andererseits kann die erfolgreiche Nutzung von Wissen zu einem wichtigen Wettbewerbsvorteil werden!
Häufig kommt schnell die Frage auf: Wo überhaupt anfangen?
Meist ist den Zuständigen für die Knowledge Base selbst nicht klar, wo Probleme sind. Welche Informationen wichtig und aktuell sind und welche veraltet, falsch oder redundant ist selten eindeutig.
Für eine manuelle Auswertung ist kaum ausreichend Zeit vorhanden: Nehmen wir an, es dauert 10 Minuten einen Überblick der Seite zu erlangen. Bei einer Knowledge Base mit 1.000 Artikeln fällt so bereits ein Workload von mehr als 166 Stunden an!
Es wird deutlich, dass eine händische Analyse – wenn überhaupt möglich – hohe Kosten verursacht. Um den Ist-Stand schnell und günstig zu erhalten, bietet es sich an, dass Sie automatisiert die Inhalte der Knowledge Base analysieren.
Die Inhalte liegen jedoch als Text in menschlicher Sprache vor. Natural Language Processing macht diese für Computer auswertbar. Damit können Inhalte einer Knowledge Base schnell und kosteneffektiv automatisiert analysiert werden.
Entwicklung des Modells – wie man zu aussagekräftigen Ergebnissen kommt
Die Entwicklung eines Modelles, das die Qualität von Informationen einschätzt, läuft in 5 Schritten ab:
- Im ersten Schritt identifizieren Sie alle relevanten Daten und machen sie verfügbar. Die meisten Knowledge Bases liefern die Möglichkeit, die einzelnen Artikel als XML- bzw. HTML-Datei zu exportieren.
- Als nächstes bereiten Sie die Daten auf und untersuchen, welche Kennzahlen sich aus den Daten berechnen lassen. So kann man z.B. die Lesbarkeit mithilfe des FRE-Scores ermitteln oder aber den Inhalt auf veraltete Benennungen untersuchen. Außerdem lassen sich mit Natural Language Processing Duplikate innerhalb der Knowledge Base erkennen. Aufbauend auf den Erkenntnissen berechnen Sie die Kennzahlen.
- Im dritten Schritt bewerten Sie die berechneten Kennzahlen. Welchen spezifischen FRE-Score müssen meine Inhalte erreichen, um als „gut“ bewertet zu werden? So können für jede Kennzahl Werte angegeben werden, die zu Plus- bzw. Minuspunkten bei der Bewertung führen.
- Danach übersetzen Sie die Erkenntnisse in ein Python-Skript, welches für jeden Artikel der Knowledge Base einen Score berechnet.
- Zum Schluss wenden Sie das Skript noch auf die untersuchte Knowledge Base an und leiten weitere Schritte aus den Ergebnissen ab.
Was sagt mir das Ergebnis?
Nachdem Sie die Knowledge Base des Unternehmens mithilfe des Modells analysiert haben, heißt es, Schlüsse daraus zu ziehen. Das Modell misst für jede Seite einen Qualitäts-Score. Für die gesamte Knowledge Base eines großen Konzerns kann die Verteilung z.B. so aussehen:
Der Großteil der Artikel bewegt sich im Score-Bereich von -5 bis 4. Einige Artikel erreichen auch sehr gute, bzw. sehr schlechte Werte. Neben dieser Gesamtübersicht liefert die Analyse Details wie die Bewertung eines Artikels zustande kommt.
Diese Ergebnisse bieten eine hohe Transparenz und gute Planungsgrundlage für Knowledge Management Projekte. Damit kann die aktuelle Qualität der Knowledge Base identifiziert werden. Außerdem wird klar, wo es Potential für Verbesserungen gibt. Auch das zeitliche Ausmaß eines Projektes kann genauer bestimmt werden.
Das Modell kann auch zur Erfolgsbewertung von Maßnahmen dienen.
Häufig stehen Unternehmen vor der Herausforderung Knowledge Management Maßnahmen in ihrer Wirksamkeit zu messen und zu bewerten. Das Modell kann zunächst vor Beginn des Projekts und anschließend nach Ende des Projektes auf die Knowledge Base angewendet werden. Im Anschluss können die Ergebnisse dann verglichen werden. So kann die tatsächliche Verbesserung der Qualität bestimmt werden.
Knowledge Base analysieren – Fazit
Durch die anhaltende Informationsflut wird das Thema der computergestützten Analyse von Informationen in Zukunft noch relevanter werden und wird vielfältige Anwendungsfälle liefern.
Wann immer Sie
- Wissen aus Texten gewinnen wollen,
- eine sehr gute Doku benötigen,
- Ihr Unternehmenswissen optimieren wollen
hilft Information Management. Damit ein unternehmensweites Knowledge Management aufgebaut werden. Das ist z. B. die Basis für erfolgreichen Kundenservice, Cloud-Migrationen oder IT Operations.
Haben Sie Ideen, Fragen, Anregungen? Sie erreichen uns unter: marketing@avato.net
Impressum:
Datum: Oktober 2021
Autor: Anna Busch
Kontakt: marketing@avato.net
www.avato-consulting.com
© 2021 avato consulting ag
All Rights Reserved.