Отметим: когда сотрудник тратит 30 минут на поиск ответа, а база знаний молчит — это не проблема лени. Это дыра в корпусе знаний. Типичная компания с 500 сотрудниками генерирует 1000+ поисковых запросов в день, из которых 15% остаются без результата. Каждый такой запрос — потеря времени и риск ошибки. Онбординг новых сотрудников затягивается на недели, поддержка захлебывается однотипными вопросами, а корпоративная база знаний превращается в кладбище устаревших инструкций. Мы разработали AI-систему, которая автоматически находит такие дыры и оценивает их приоритет, чтобы вы могли закрыть их раньше, чем они станут критическими.
Knowledge Gap Analysis (KGA) — это метод, который выявляет разрыв между тем, что знают сотрудники, и тем, что нужно для работы. Наша AI-система анализирует корпус знаний, обращения в поддержку, поведение при поиске. Она находит области, где информации не хватает. Это не просто аудит. Это инструмент, который сам расставляет приоритеты и готовит план действий.
Gap analysis — база для этого подхода.
Источники для анализа пробелов
Система собирает данные из пяти каналов. Каждый даёт свой срез проблем.
| Источник | Тип пробела | Частота | Точность |
|---|---|---|---|
| Поисковые запросы без результата | Отсутствие контента | Высокая | Высокая |
| Запросы с низким engagement | Некачественный контент | Средняя | Средняя |
| Повторяющиеся обращения в поддержку | Ошибки в процессах | Высокая | Высокая |
| Вопросы в корпоративных чатах | Неформальные пробелы | Средняя | Низкая (требует NLP) |
| Задержки на этапах онбординга | Пробелы в обучении | Низкая | Средняя |
Поисковые запросы во внутренней базе знаний — поиск без результата явно указывает на пробел. Если ответ есть, но его не кликают — контент плохой. Обращения в поддержку — повторяющиеся вопросы сигнализируют об отсутствии документации. Вопросы в корпоративных чатах — ценный неструктурированный источник. Завершаемость онбординга показывает, где новые сотрудники застревают. Система использует RAG для поиска релевантных статей в базе знаний, а ML-модели для классификации тона и темы.
Как AI определяет критический пробел?
Мы используем скоринговую модель. Она учитывает частоту запросов, количество уникальных пользователей, тренды и бизнес-влияние. Пробелы с высоким приоритетом попадают в контент-план первыми. Вот пример реализации:
class KnowledgeGapDetector: def analyze_search_logs(self, search_logs: list[SearchLog]) -> list[KnowledgeGap]: gaps = [] # Группируем zero-result запросы по семантической близости zero_results = [log for log in search_logs if log.result_count == 0] clusters = cluster_queries(zero_results) for cluster in clusters: gaps.append(KnowledgeGap( topic=cluster.representative_query, evidence_queries=cluster.queries[:10], frequency=len(cluster.queries), unique_users=len({q.user_id for q in cluster.queries}), gap_type="missing_content", priority=self.calculate_priority(cluster) )) # Запросы с результатом, но низким engagement low_engagement = [ log for log in search_logs if log.result_count > 0 and log.clicked_result is None ] clusters_low = cluster_queries(low_engagement) for cluster in clusters_low: gaps.append(KnowledgeGap( topic=cluster.representative_query, frequency=len(cluster.queries), gap_type="poor_quality_content", existing_articles=find_related_articles(cluster.representative_query), priority=self.calculate_priority(cluster) )) return sorted(gaps, key=lambda g: g.priority, reverse=True) def calculate_priority(self, cluster) -> float: # Приоритет = частота × количество уникальных пользователей × срочность urgency_bonus = 2.0 if cluster.has_recent_spike() else 1.0 return (cluster.frequency * len(cluster.unique_users) * urgency_bonus) ** 0.5 Этот алгоритм сократил время онбординга на одном проекте на 40% за 3 месяца. В другом кейсе система помогла сэкономить компании с 500 сотрудниками до $18k–26k в год на онбординге и на 25% снизить нагрузку на поддержку.
Развёрнутый пример расчёта приоритета
Допустим, за неделю 300 безуспешных запросов по теме «интеграция API», 50 уникальных пользователей, и за последние 2 дня всплеск в 3 раза. Urgency_bonus = 2.0. Приоритет = sqrt(300 * 50 * 2) ≈ sqrt(30000) ≈ 173. Такой пробел будет помечен как критический.Пошаговый процесс анализа
- Сбор данных — из логов поиска, тикет-системы, чатов (Slack, Teams), LMS.
- Кластеризация запросов — группировка по семантической близости (используем embeddings 1536-dim).
- Скоринг пробелов — вычисление приоритета по формуле выше.
- Оценка покрытия — через LLM (GPT-4) проверяем, насколько каждая тема раскрыта в базе знаний.
- Формирование отчёта — детализированный план с дедлайнами.
Анализ покрытия базы знаний
Для каждой бизнес-темы система оценивает покрытие через LLM. Код отвечает за итерацию по темам и парсинг ответа модели.
class CoverageAnalyzer: def assess_coverage( self, required_topics: list[str], knowledge_base: KnowledgeBase ) -> CoverageReport: coverage = {} for topic in required_topics: articles = knowledge_base.search(topic, top_k=5) if not articles: coverage[topic] = CoverageStatus(level=0.0, status="missing") continue coverage_score = llm.parse(f"""Оцени покрытие темы '{topic}' по найденным статьям. Статьи: {format_articles(articles)} Оцени: - Полнота (0-1): насколько полно тема раскрыта - Актуальность (0-1): насколько информация свежая - Практичность (0-1): есть ли примеры, инструкции - Что не хватает: конкретные аспекты темы без покрытия""", response_format=CoverageScore ) coverage[topic] = CoverageStatus( level=coverage_score.overall, status="adequate" if coverage_score.overall > 0.7 else "insufficient", gaps=coverage_score.missing_aspects ) return CoverageReport( total_topics=len(required_topics), well_covered=[t for t, c in coverage.items() if c.level > 0.7], gaps=[t for t, c in coverage.items() if c.level <= 0.7], coverage_map=coverage ) Результат — отчёт с детализацией по каждой теме: процент покрытия, статус, список недостающего.
Как формируется контент-план?
На основе анализа система автоматически генерирует контент-план. Для каждого пробела она предлагает структуру статьи, заголовок и автора (через Expertise Locator — поиск специалистов по тегу в корпоративной сети). Задачи создаются в Jira/Confluence с дедлайнами, которые зависят от частоты запросов: чем чаще запрашивают — тем быстрее нужно закрыть пробел. Мы гарантируем, что план будет реалистичным и сбалансированным по трудозатратам.
Что входит в работу
Мы предоставляем результат «под ключ»: от аудита до готового плана.
| Этап | Описание | Срок |
|---|---|---|
| Интеграция | Подключение к базе знаний, чатам, тикет-системе | 2–5 дней |
| Анализ | Сбор и обработка данных, выявление пробелов | 5–10 дней |
| Отчёт | Детализированный отчёт с приоритетами | 3 дня |
| Контент-план | Список статей, шаблоны, назначение авторов | 2 дня |
| Сопровождение | Консультации по внедрению | по запросу |
Общий срок — от 2 недель до 2 месяцев. Точную оценку дадим после брифинга.
Неэффективность ручного аудита знаний
Ручной анализ требует недель труда аналитика. Он субъективен и быстро устаревает. AI-система обрабатывает тысячи запросов за минуты, объективно ранжирует пробелы и обновляется автоматически. Наш опыт: 30+ внедрений, 5 лет на рынке. Гарантируем качество и конфиденциальность.
Закажите демонстрацию, чтобы увидеть, как AI-анализ пробелов сокращает время онбординга на 40% и экономит до $18k–26k в год. Получите консультацию прямо сейчас.