Відзначимо: коли співробітник витрачає 30 хвилин на пошук відповіді, а база знань мовчить — це не проблема лінощів. Це діра в корпусі знань. Типова компанія з 500 співробітниками генерує 1000+ пошукових запитів на день, з яких 15% залишаються без результату. Кожен такий запит — втрата часу та ризик помилки. Онбординг нових співробітників затягується на тижні, підтримка захлинається однотипними питаннями, а корпоративна база знань перетворюється на кладовище застарілих інструкцій. Ми розробили AI-систему, яка автоматично знаходить такі діри та оцінює їх пріоритет, щоб ви могли закрити їх раніше, ніж вони стануть критичними.
Knowledge Gap Analysis (KGA) — це метод, який виявляє розрив між тим, що знають співробітники, і тим, що потрібно для роботи. Наша AI-система аналізує корпус знань, звернення в підтримку, поведінку при пошуку. Вона знаходить області, де інформації не вистачає. Це не просто аудит. Це інструмент, який сам розставляє пріоритети та готує план дій.
Gap analysis — база для цього підходу.
Джерела для аналізу прогалин
Система збирає дані з п'яти каналів. Кожен дає свій зріз проблем.
| Джерело | Тип прогалини | Частота | Точність |
|---|---|---|---|
| Пошукові запити без результату | Відсутність контенту | Висока | Висока |
| Запити з низьким engagement | Неякісний контент | Середня | Середня |
| Повторювані звернення в підтримку | Помилки в процесах | Висока | Висока |
| Питання в корпоративних чатах | Неформальні прогалини | Середня | Низька (потребує NLP) |
| Затримки на етапах онбордингу | Прогалини в навчанні | Низька | Середня |
Пошукові запити у внутрішній базі знань — пошук без результату явно вказує на прогалину. Якщо відповідь є, але її не клікають — контент поганий. Звернення в підтримку — повторювані питання сигналізують про відсутність документації. Питання в корпоративних чатах — цінне неструктуроване джерело. Завершуваність онбордингу показує, де нові співробітники застрягають. Система використовує RAG для пошуку релевантних статей у базі знань, а ML-моделі для класифікації тону та теми.
Як AI визначає критичну прогалину?
Ми використовуємо скорингову модель. Вона враховує частоту запитів, кількість унікальних користувачів, тренди та бізнес-вплив. Прогалини з високим пріоритетом потрапляють до контент-плану першими. Ось приклад реалізації:
class KnowledgeGapDetector: def analyze_search_logs(self, search_logs: list[SearchLog]) -> list[KnowledgeGap]: gaps = [] # Групуємо zero-result запити за семантичною близькістю 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) )) # Запити з результатом, але низьким 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: # Пріоритет = частота × кількість унікальних користувачів × терміновість urgency_bonus = 2.0 if cluster.has_recent_spike() else 1.0 return (cluster.frequency * len(cluster.unique_users) * urgency_bonus) ** 0.5 Цей алгоритм скоротив час онбордингу на одному проекті на 40% за 3 місяці. В іншому кейсі система допомогла значно скоротити витрати на онбординг та на 25% знизити навантаження на підтримку.
Розгорнутий приклад розрахунку пріоритету
Допустимо, за тиждень 300 безуспішних запитів по темі «інтеграція API», 50 унікальних користувачів, і за останні 2 дні сплеск у 3 рази. Urgency_bonus = 2.0. Пріоритет = sqrt(300 * 50 * 2) ≈ sqrt(30000) ≈ 173. Така прогалина буде позначена як критична.Покроковий процес аналізу
- Збір даних — з логів пошуку, тікет-системи, чатів (Slack, Teams), LMS.
- Кластеризація запитів — групування за семантичною близькістю (використовуємо embeddings 1536-dim).
- Скоринг прогалин — обчислення пріоритету за формулою вище.
- Оцінка покриття — через LLM (GPT-4) перевіряємо, наскільки кожна тема розкрита в базі знань.
- Формування звіту — деталізований план з дедлайнами.
Аналіз покриття бази знань
Для кожної бізнес-теми система оцінює покриття через LLM. Код відповідає за ітерацію по темах і парсинг відповіді моделі.
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 — звіт з деталізацією по кожній темі: відсоток покриття, статус, список відсутнього.
Як формується контент-план?
На основі аналізу система автоматично генерує контент-план. Для кожної прогалини вона пропонує структуру статті, заголовок та автора (через Expertise Locator — пошук спеціалістів за тегом у корпоративній мережі). Завдання створюються в Jira/Confluence з дедлайнами, які залежать від частоти запитів: чим частіше запитують — тим швидше потрібно закрити прогалину. Ми гарантуємо, що план буде реалістичним і збалансованим за трудозатратами.
Що входить в роботу
Ми надаємо результат «під ключ»: від аудиту до готового плану.
| Етап | Опис | Термін |
|---|---|---|
| Інтеграція | Підключення до бази знань, чатів, тікет-системи | 2–5 днів |
| Аналіз | Збір та обробка даних, виявлення прогалин | 5–10 днів |
| Звіт | Деталізований звіт з пріоритетами | 3 дні |
| Контент-план | Список статей, шаблони, призначення авторів | 2 дні |
| Супровід | Консультації щодо впровадження | на запит |
Загальний термін — від 2 тижнів до 2 місяців. Точну оцінку дамо після брифінгу.
Неефективність ручного аудиту знань
Ручний аналіз потребує тижнів праці аналітика. Він суб'єктивний і швидко застаріває. AI-система обробляє тисячі запитів за хвилини, об'єктивно ранжує прогалини та оновлюється автоматично. Наш досвід: 30+ впроваджень, 5 років на ринку. Гарантуємо якість та конфіденційність.
Замовте демонстрацію, щоб побачити, як AI-аналіз прогалин скорочує час онбордингу на 40% та забезпечує значну економію. Отримайте консультацію прямо зараз.