2009.07.29 来源：蓝凌管理咨询
在现有的多种管理软件中，“知识管理”正在成为日益重要的组成部分。CRM软件中的合同管理、价格政策、销售政策、标书管理、服务问答知识库等模块就属于“知识管理”范畴的应用。专家预测：知识管理在CRM中还将发挥更加重要的作用。其中，一些关键的“知识发现”的技术手段，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管理软件中，并极大地推动知识管理的应用。
在我们接触到的企业中，我们发现，多数中国企业对“知识价值”的认识还处在较为初期的原始的状态上，对企业内部知识的发掘、汇总、查询、应用和创新还没有形成完整的体系。其中，经历过管理质量认证，例如ISO9000系列的企业对知识的管理的水准要明显高于未经过任何管理认证的企业。但是，即使在这些管理水平较高的企业中，对知识的管理也仅仅实现了文档的分类存放和统一的单据格式。TurboCRM的研究人员发现，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，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。
什么是知识管理？
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： 最初，对信息的管理是基于操作的角度，应用初衷并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，比如说两年之后，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），例如：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，多数的现有软件都可以完成这一步。TurboCRM的第一代产品就可以提供上百张的报表和分析。
随后，随着公司业务中数据不断积累，我们通过对数据的分析、挖掘便有能发现有用的知识（Knowledge）。例如：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。这些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了的知识，例如，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，系统将告诉使用者，这些交易不宜再用“突发性”来形容，它是由销售方法的改变带来的。
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，还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，不同的等级的待遇和工作职责有所区别，这说明，在一个企业中，知识是有价的，同时，储存在员工的头脑中的经验需要通过时间来积累。
如何进行知识管理？
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？TurboCRM相信：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，我们可以把互联网看作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。网络上的新闻就是这样完成的增长循环。对于一个企业来说，内部知识网的建设将比互联网上的更加有序和有效，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。
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。例如：要判断客户的价值，需要设置如下的条件：
1）客户的累计交易额达到1000万以上；
2）客户的交易频率在每月1次以上；
3）客户的信誉额度没有透支现象；
符合这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。TurboCRM的现有版本具备强大的自定义功能，支持对客户属性进行自由的定义，并根据特征属性进行分析和查询。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。
知识管理的新发展
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）来解决上述的难题。这些工具都是在知识发现（Knowledge Discovery Development）学术领域的热点话题。虽然还在发展期，但重要的是，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用类似于口语或书面语的信息进行录入，同时反馈出有意义的可以直接被应用的答案。在最广泛被采用的“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）：将规则库中现有的商业规则与输入的情况进行对比。例如：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成百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：如果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，呈现更多元化的倾向时，所能给出的结果和行动也就更加具体、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。
上述的三种工具是今天的知识管理发展中的重点。那么，在实践中应用的效果如何呢？
美国的3M公司最近在它的客户服务中心应用了和知识管理融合的客户关系管理系统。由于3M公司生产、销售超过1万种的产品，从Post-it贴纸到反光材料、塑料制品等，公司的客户服务人员每天接到的电话也是多种多样，甚至是千奇百怪的。客服人员接到的第一个电话可能是询问如何使用一种特殊的录音磁带，第二个电话是关于最新出品的某种光纤的规格，第三个电话是来自一位现在新泽西州的需要3M公司的年度报告的投资人，第四个电话是一个焦急的母亲，因为她的儿子刚刚把3M新出的玩具笔吞进了肚子。如何处理这么多的问题？如何培训客服人员，让他们能够快速地掌握上万种产品的相关信息？知识管理在这里起到了关键的作用。
在应用了CRM之后，客服人员接到一个电话，在对方描述问题的同时，就输入关键词语进行查询，当然用的是接近于口语表达的自然语言查询，系统给出所有匹配的信息，推理引擎开始工作，答案的排列顺序是与输入的信息相关的，如果答案太多，那么系统给出可能的选择要求客服人员逐一询问或排除，最后的解决办法自动显示在屏幕上，客服人员只要念出来可以了，最困难的查询和推理的工作量都让计算机完成了一大半。如果这些步骤还不能解决客户的问题，那么电话将转接到高级客服人员，所有的问题描述无需重复，信息已经被记录而且原样呈现在这一位客服人员的电脑上，不会发生衰减。这位客服人员给出的答案在下一次查询中将作为新的案例出现在备选答案中，知识的积累和传递就这样在公司内部完成了。