文/李蓓

　　知识管理将成为企业前端管理的重要组成部分。一些关键的“知识发现”技术手段，如自然语言处理、推理引擎和案例自动生成系统等，将融合在现有的前端客户关系管理软件中，并极大地推动知识管理的应用。

　　CRM的发展趋势之一是将企业积累的知识融入到前端管理的各个环节中，采用规范的方法来增强市场活动的有效性，从而保证销售队伍的战斗力，维持客户对服务的满意度。在这些工作中获得的行之有效的方法和措施，都将以“企业知识”的形式在信息平台上共享，由团队中的各个成员在这一基础上不断完善，并且不会随着人员的变动发生知识流失。

　　知识管理的三个历程

　　知识管理是在应用操作的基础上发展起来的，它经历了数据收集、信息挖掘和知识发现的三个历程，如图所示。

　　最初，对信息的管理是基于操作的角度，而不是从信息或企业知识的收集这一角度进行的。例如，在应用订单管理模块的时候，不少企业的初衷仅仅是从操作的层面考虑，把每一笔交易的金额记录下来。一月份企业A的订单金额是10万元，这反映在系统中仅仅是数据(Data)的收集；当这些数据积累到一定规模之后或者两年之后，管理者可能想到利用这些数据的汇总，从中挖掘有价值的信息(Information)，如企业A的购买频率、平均交易额、产品偏好等。一旦确定分析的角度和所需的变量，多数的现有管理软件都可以完成这一步。如果我们把所有两年之内的订单作汇总分析和挖掘，就可以发现有用的知识(Knowledge)，如购买频率和平均交易额之间存在明显的负相关性，或者某个行业的客户群体对产品的偏好相当一致，或者发生大笔交易的订单往往是突发性的。知识的挖掘必须在信息积累的基础上进行，而且，随着数据的不断增加，数据融合可以自动调整发现的知识。如果我们改变了销售方法，连续出现了N笔的大宗可预测的交易，那么，系统将“突发性的大笔交易”这一结论作相应的调整。

　　知识不仅仅是被动地收集数据，或者将信息按某种既定的方式排列以便于搜索，而且包含了企业在实践中总结出来的行之有效的工作方法和步骤。通常情况下，这些知识往往存在于雇员的头脑中，不一定转化成为文件或数据。例如，有经验的银行个人贷款职员可以通过几个关键问题，判断出借贷人的信誉；有经验的销售人员可以通过对方询问的问题、商务谈判的对象等细节，判断出成交的几率；有经验的客户服务人员可以通过客户对问题的描述，判断出可能的故障和解决的方法。上述案例中提到的“经验”就是“知识”的具体表现。许多企业的销售人员和客户服务人员是依据工作年限和积累的业务经验来划分等级的，销售人员可以分为普通客户经理和高级客户经理，服务人员可以分为初级客服代表和资深客服代表等等，不同等级的人员所享受的待遇和工作职责是有区别的，这说明在一个企业中，知识是有价的，同时，储存在员工头脑中的经验需要通过时间来积累。

　　能否让这种积累更快更有效，同时也更容易在企业的内部被保留呢？通过全公司上下在同一个信息平台上共享的手段，可以有效地达到员工之间的经验分享和自我学习。举例而言，今天许多新闻媒体的从业人员已经离不开互联网。互联网就是一个巨大的信息平台，任何人可以在其中进行搜索，寻找到感兴趣的话题，并进行追踪，也可以发表自己的评论，这些信息又同时被更多的有相同兴趣的人员共享。对于一个企业来说，内部知识网的建设将比互联网更加有序和有效，因为企业可以利用管理规范防止垃圾信息的输入，可以界定范围，保证信息的专业性，可以设定商业规则(Rule of Engagement)将业务规范和企业知识融为一体。

　　知识管理的三个工具

　　在过去的程序设计中，要达到这样的应用效果，只能通过直接的编码进行。要判断客户的价值，需要设置如下的条件：客户的累计交易额达到1000万以上；客户的交易频率在每月1次以上；客户的信誉额度没有透支现象；符合上述三个条件的所有客户通过后台数据库的查询可以得出列表。不过，企业的运营是不断变化的，也许某些客户没有达到这些“硬性指标”，但是也具备相当大的潜力，例如，企业的负责人最近有所变动，可能会进行大规模购置等信息，也会影响到该客户的价值评估，而这些就很难在现有的企业管理的知识平台中体现出来。

知识管理的三个历程

　　最新的知识管理程序可以利用自然语言处理(Natural Language Processing)、推理引擎(Inference Engines)和案例自动生成工具(Automated Generation of Case)来解决上述难题。这些工具都是知识发现(Knowledge Discovery Development)学术领域的热点话题。

　　程序语言对自然语言的理解能力的提高，可以使许多不易体现为“硬性指标”的商业规则也能够由程序所识别和修改。自然语言处理允许输入类似于口语或书面语的信息，同时反馈出有意义的可以直接被应用的答案。在被广泛采用的“模糊查询”功能中，就融合了自然语言处理的成果。

　　推理引擎的应用原理则包含下面四个基本步骤：

　　1.匹配(Matching)。匹配将规则库中现有的商业规则与输入的情况进行对比。如对一家汽车修理厂商的客户服务中心来说，后台数据库中已经存储了上千条的汽车发动机故障的表现和原因，那么，当输入“汽车点火不成功”这一信息时，推理引擎首先将这一故障表现与信息库中的数据进行自动匹配。

　　2.选择(Selection)。所有满足这一条件的规则在这一步骤中被选中。通常，一个特定条件只能发现一个完全匹配的规则的情况也可能发生，但概率较小。

　　3.激活(Firing)。在所有被选中的规则中，根据匹配程度，系统自动决定激活强度。例如，若客户反映活塞从未更换过，那么由于活塞堵塞导致的点火不成功的规则的激活强度，会比其它规则更大。推理引擎中内含的算法，可以给出一个最接近的规则行为。

　　4.行动(Action)。根据上面得到的推理结果，可以给出应当进行的操作行动。在上面的例子中，更换活塞可能就是最佳的故障排除方法。

　　当规则的条件不断增加时，所能给出的结果和行动也就更加具有特殊性，成为一个典型案例。这样的典型案例积累到了一定的程度，成为案例库。自动案例生成系统就是在推理引擎的基础上的扩充。