Knowhow zu Systemen für das Wissensmanagement (KMS)

Hintergrundinformationen für Projektmitarbeiter

Dieser Blogbeitrag aus der Reihe Wissensmanagement bietet detaillierte Informationen für Projektbeteiligte, die eine Vorstudie oder ein Projekt zur Einführung solcher Systeme im Vertrieb und Service des Maschinenbaus planen. Er baut inhaltlich auf dem Blogbeitrag „Wissensmanagement: ChatGPT oder eine Alternative?“ Er behandelt Technologien, Taxonomien bzw. Zusatzinformationen, Informationsquellen und Anbieter. Zusätzlich gibt es einen Anhang mit einer Dokumenten- und Inhaltmatrix und Literaturhinweisen. Auf detaillierte Hintergrundinformationen zu generativen KIs wird jedoch verzichtet, da dies den Rahmen dieses Beitrags sprengen würde.

Technologien, die in Wissensmanagementsystemen (KMS) verwendet werden

KMS nutzen eine Reihe von Technologien, um Informationen zu speichern, zu organisieren, gemeinsam zu nutzen und leicht auffindbar zu machen. Viele wurden speziell entwickelt, um die Suche in komplexen und umfangreichen Wissenssammlungen zu verbessern oder zu erleichtern. Nachfolgend sind einige Beispiele aus dem Maschinenbau aufgeführt.

Die Liste stellt eine Maximalanforderung dar, die als Vorlage verwendet werden kann und an die unternehmensspezifische Situation angepasst werden muss.

Suchmaschine: Suchmaschinen und die Technik der Indexierung von Texten und Dokumenten werden eingesetzt, um Texte mit den Suchbegriffen schnell und einfach zu finden. Diese Funktion ist heute Standard in jedem System.
kapitelorientierte Suche: Betriebs- und Wartungsanleitungen im Maschinen- und Anlagenbau können sehr umfangreich sein und mehrere tausend Seiten umfassen. Bei der Volltextsuche muss daher darauf geachtet werden, dass mehrere Begriffe nur zusammen in einem Kapitel bzw. in einem gemeinsamen Kontext gesucht werden und nicht über das ganze Buch verstreut. Alternativ kann ein Buch in seine Kapitel zerlegt und als Einzeldokumente gespeichert werden.
Berücksichtigung von Ausstattungsvarianten und Bauzuständen: Bei einer maschinenbezogenen Suche, bei der die Konfiguration der Maschine bekannt ist, können Kapitel für „nicht enthaltene“ Ausstattungsvarianten (z.B. ein Schiebedach bei einem Auto) weggelassen bzw. ignoriert werden. Das gleiche gilt, wenn es verschiedene Versionen der Dokumentation gibt, die vom Bauzustand der Maschine des Kunden abhängen. Dies ist eine „High-End“-Funktion, die sehr selten in Systemen angeboten wird. Einige Unternehmen erstellen jedoch manuell eine kunden- oder konfigurationsspezifische Dokumentation.
Tags durch automatische Verschlagwortung: KMS markieren wichtige Begriffe automatisch („Tagging“ bzw. Setzen von Tags), um sie mit allgemeinen oder firmenspezifischen Zusatzinformationen anzureichern. Dadurch soll der Kontext besser erkannt und die Suche verbessert werden. Diese Tags klassifizieren in der Regel nicht das gesamte Dokument, sondern nur einen Satz, einen Absatz oder ein Kapitel. Beispiele aus dem Bereich Vertrieb und Service im Maschinenbau sind im folgenden Kapitel „Taxonomien und Zusatzinformationen zur Anreicherung“ beschrieben.
Manuelles Hinzufügen von Tags und Kommentaren: Auch diese Funktionalität ist für den Anwender wichtig, um bekannte und hilfreiche Informationen schnell wieder zu finden. Ein Analogon ist das Post-IT-Zettelchen, das früher in ein Buch gelegt oder geklebt wurde, vielleicht mit einem Kommentar versehen.
Mehrsprachigkeit: Für Service und Vertrieb im Maschinenbau ist die Unterstützung mehrerer Sprachen bei der Informationssuche in der Regel ein Muss-Kriterium. Die Anforderung wird jedoch sehr schnell komplex, wenn nicht alle Informationen in allen benötigten Sprachen vorhanden sind oder einfach zur Verfügung gestellt werden können (z.B. durch maschinelle Übersetzung, siehe nächster Punkt).
Maschinelle oder professionelle Übersetzung: Die Bereitstellung von Informationen für Servicetechniker und ggf. Bediener in anderen Sprachräumen ist eine wichtige Funktion im Maschinenbau. Viele Dokumente sind bereits in englischer Sprache verfügbar. Bei der maschinellen Übersetzung sollte auf firmenspezifische und technische Begriffe geachtet werden. Aufgrund ihres seltenen Vorkommens in den Texten, mit denen Übersetzungs-KIs trainiert werden, können hier Fehler auftreten.
Knowledge Graphen stellen die Beziehungen zwischen Ontologien grafisch dar, d.h. sie beschreiben die Beziehungen zwischen „Wissensbausteinen“. Man spricht auch von „semantischen Netzen“. Ontologien beschreiben Wissen in einer Subjekt-Prädikat-Objekt-Form. Damit wird eine sprachunabhängige und logische Strukturierung von Wissen und Anwenderfragen geschaffen. Die im nächsten Kapitel beschriebenen Taxonomien bieten dafür eine gute Ausgangsbasis. Die Suche nach Wissen wird dadurch flexibler und toleranter gegenüber unterschiedlichen Fragestellungen und zugehörigen Begriffen. Wissensgraphen sind oft auch die Basis für ein Entscheidungs- oder Fehlerbaummanagement (siehe nächste Anforderung).
Die Entscheidungs- oder Fehlerbaumverwaltung wird insbesondere im technischen Service zur Diagnose komplexer Sachverhalte eingesetzt. Sie erfordert jedoch Spezialisten und einen höheren einmaligen Aufwand bei der Erstellung. Der Benutzer beantwortet eine geringe Anzahl von Fragen (ca. 3 bis 15) und das System leitet aus den eingegebenen Antworten eine spezifische und oft eindeutige Handlungsempfehlung ab.
Textanalysefunktionen: Zusammenfassungen oder Schlüsselwortanalysen können für große Kapitel oder Inhalte mit generativen KIs maschinell erstellt werden. Dies kann zum Zeitpunkt der Bereitstellung der Inhalte oder zum Zeitpunkt des Abrufs geschehen. Die KIs beeindrucken durch ihre Fähigkeit, Schlüsselwörter aus Kapiteln zu extrahieren und Zusammenfassungen (Synopsis) in gewünschter Größe für einen gegebenen Text zu erstellen.
Erste Unternehmen implementieren eine ChatGPT-ähnliche Interaktion zwischen Benutzer und Wissensmanagementsystem. Empolis, ambeRoad Tech und Aleph Alpha verfügen bereits über erste Prototypen, die eine Chat-ähnliche Frage-Antwort-Kommunikation anbieten, um dem Nutzer neben einer eindeutigen Antwort auch Dokumente oder Quellen anzubieten, die diese untermauern. Ausführliche Praxistests durch mehrere Maschinenbauunternehmen sowie Optimierungen stehen zum Zeitpunkt der Veröffentlichung des Blogs im Oktober 2023 noch aus.

Neben den oben genannten Funktionen, die das eigenständige Auffinden von Wissen wesentlich erleichtern, gibt es auch Prozesse zur Identifikation und Kommunikation mit Wissensträgern auf Basis von Kompetenzprofilen. Diese Funktion wird insbesondere dann benötigt, wenn zu einem Problem kein Wissen auffindbar ist oder große Unsicherheiten bestehen. Die folgenden Funktionen können besonders auch in kleinen Unternehmen mit nur wenigen Servicemitarbeitern kostengünstig und hilfreich sein. Die Prozesse müssen nicht unbedingt im gleichen System ablaufen, aber „Kompetenzen“ müssen einheitlich in allen Systemen und Prozessen eines Unternehmens verstanden werden.

Kompetenzprofile verwalten: Kompetenzprofile dürfen nur von Vorgesetzten oder entsprechenden Gremien vergeben werden. Hilfreich kann es sein, wenn die Systeme Hinweise gibt, z.B. die Anzahl der Antworten in einer Chatgruppe oder die Anzahl der Serviceeinsätze zum Thema.
Kollegen mit Kompetenzprofile suchen: Suche nach Wissensträgern anhand von Kompetenz- und Fähigkeitsprofilen. Mitarbeiterinnen und Mitarbeiter sind kompetente und damit wertvolle Informationsquellen, auch wenn man manchmal etwas länger auf eine Antwort warten und deren Qualität prüfen muss.
Soziale Medien oder E-Mail: Chat-Funktionen und -Gruppen, die auf Basis von Kompetenzen aufgebaut sind, können helfen, den Wissensaustausch und die Zusammenarbeit zwischen Mitarbeitern zu fördern. Missbräuche, d.h. wenn das Wissen eigenständig identifiziert werden kann, müssen entsprechend geahndet werden.
maschinelle Übersetzung in Chat und E-Mail: Service-Spezialisten auf der ganzen Welt können heute nur dann gut miteinander kommunizieren, wenn sie gut Englisch sprechen oder der Chat unter Berücksichtigung der Fach- und Firmenterminologie möglichst gut automatisch übersetzt wird.

Neben der Suche nach Wissen und Wissensträgern gewinnen die Generierung und der Transfer von Wissen zunehmend an Bedeutung. Videoclips und Selbstlernsysteme gewinnen vor allem in mittleren und großen Unternehmen an Bedeutung, da Aufwand und Kosten der Wissensvermittlung sinken und die Flexibilität durch Selbstlernen steigt.

Darüber hinaus wird die Wissensgenerierung, wie das Erstellen von Videoclips, das Verfassen gut lesbarer Texte oder die Produktion interaktiver Schulungsunterlagen, immer einfacher. Hierzu werden in der Reihe „Wissensmanagement“ eigenständige Blogbeiträge erscheinen.

Taxonomien und Zusatzinformationen zur Anreicherung

Bei der Verschlagwortung bzw. Anreicherung werden allgemeine und unternehmensspezifische Taxonomien (in der Regel ein- oder mehrstufige Informationsstrukturen) verwendet, um Informationen und Wissen zu kategorisieren, zu strukturieren und anzureichern, um die Suche treffsicherer zu machen und damit die Ergebnisse zu verbessern:

allgemeine Klassifikatoren auf Dokumenten- bzw. Dateiebene, wie z.B. Dokumenttyp (Bedienungsanleitung, Serviceanleitung, Ersatzteilkatalog, Schaltplan, …), Medientyp (Video, PDF, CAD-Zeichnung, …), Sprache, Autor, Jahr und ggf. Monat der Erstellung, dienen alle der Filterung von Informationen und ergeben sich automatisch aus den Metadaten der jeweiligen Datei sowie dem Verzeichnis.
Synonyme aus allgemeinen Wörterbüchern (z.B. Schraubenzieher, Schraubendreher) müssen bei der Volltextsuche automatisch berücksichtigt werden.
Persönliche Klassifikatoren des jeweiligen Benutzers kennzeichnen Informationen, die vom Benutzer als hilfreich markiert oder mit weiteren persönlichen Schlagworten versehen wurden. Früher wurden viele Bücher mit Anmerkungen wie „Post-IT“ und Kommentaren versehen. Auch hier ist eine elektronische Entsprechung sinnvoll. Bei der facettierten Suche muss auch nach diesen Informationen gefiltert werden können.
Produktstrukturen und Seriennummern zur Kategorisierung nach Produkten und den zugehörigen Informationsquellen,
Bauteilbezeichnungen, Material- oder Artikelnummern sowie Stücklisten zur Identifikation der Baugruppe bzw. des Einbauortes an der Maschine,
Betriebsmittelkennzeichen (aus Schaltplänen) zur Unterscheidung von Leitungen nach einem firmenspezifischen Schema,
allgemeine Hierarchien für Werkzeuge, Betriebsmittel oder Vorrichtungen
allgemeine Bauteilkategorien des Maschinenbaus (z.B. Verbindungselemente – Schrauben, Halter, …) oder unternehmensspezifische Kategorien für Baugruppen
Verbrauchsmaterialien im Produktionsprozess beim Kunden mit den jeweiligen Maschinen und
Bezeichnungen für Rohstoffe und Produkte, die der Kunde beim Einsatz der Maschine verwendet.

Diese Beispiele zeigen, dass Dokumente oder Videoclips, deren Begriffe entsprechend gekennzeichnet sind, auch gut von oben nach unten gefiltert werden können. Ein Kunde könnte beispielsweise folgende Suchanfrage formulieren: Liste aller Dokumente, die ein bestimmtes Produkt enthalten, das mit der Maschine hergestellt werden kann. Der Kunde versteht diese Art von Filter in einer Facettensuche schnell, d.h. im konkreten Beispiel, nach welchem hierarchischen Prinzip diese „Produkte“ gegliedert sind.

Andererseits muss der Aufwand und die Nutzungshäufigkeit für jeden dieser Filter genau betrachtet werden. Es empfiehlt sich daher, eine Tabelle für die Suchmerkmale mit den Nutzergruppen als Spalten anzulegen, die Nutzungswahrscheinlichkeiten zu abzuschätzen und in die Zellen einzutragen. In ähnlicher Weise sollte der Aufwand ermittelt werden. Dieser hängt stark von der Datenquelle ab. Liegen die Daten bereits an einer Stelle vor und müssen nur extrahiert werden (z.B. Produktdaten bzw. -hierarchien liegen meist strukturiert im Umfeld der kaufmännischen Daten in einem ERP-System vor) oder müssen die Daten manuell erfasst werden (z.B. Hierarchien und Kategorien für Produkte, die der Kunde mit der Maschine produziert)?

Ein wichtiger Aspekt, der bei der Anreicherung von Dokumenten und Texten berücksichtigt werden muss, sind die Flexionen der betreffenden Begriffe. Die verschiedenen Deklinations– und Konjugationsformen in den jeweiligen Sprachen müssen erkannt und korrekt „getaggt“ werden.

Informationsquellen für den Service und Vertrieb im Maschinenbau

Bei der Konzeption eines Wissensmanagementsystems ist es notwendig, die verschiedenen Wege und damit verbundenen Quellen der Wissensgenerierung in den Unternehmensbereichen zu betrachten und zu analysieren.

Vertrieb, Marketing, Produktmanagement und Service haben eine Vielzahl unterschiedlicher Dokumenttypen, die sie intern und im Kundenkontakt benötigen. Die meisten dieser Dokumente und Inhalte werden auch in diesen Bereichen erstellt, aber auch andere Bereiche wie Auftragsabwicklung, Rechtsabteilung und Technische Dokumentation liefern wichtige Inhalte.

Anhang 3 enthält eine detaillierte Tabelle der verschiedenen Arten von Dokumenteninhalten und der Bereiche, in denen sie verwendet werden. Diese Tabelle erhebt keinen Anspruch auf Vollständigkeit und Korrektheit, zumal Bezeichnungen und Inhalte von Unternehmen zu Unternehmen variieren können. Sie bietet jedoch eine Grundlage für die unternehmensinterne Diskussion.

Neben den unterschiedlichen Inhalten gibt es auch unterschiedliche Formen, wie das Wissen dargestellt wird bzw. in welchem Umfeld es präsentiert wird. Dies können FAQs, Blogs, Mitarbeiterverzeichnisse für Wissensträger, Foren, Dokumentenverzeichnisse, Chatbots oder Datenbanken für Dokumente (Dokumentenmanagementsysteme DVS) oder Inhalte (Content Management Software CMS) wie z.B. Wikis sein. Häufig sind die vorhandenen Systeme auch durch den Erstellungs- und Pflegeprozess geprägt.

Strategisch entscheidend ist, ob man die vorhandenen Quellen und Systeme ersetzen oder nur deren Inhalte für eine übergreifende Suche zugänglich machen will. Es gibt Wissensmanagementsysteme, die für die Suche auf viele verschiedene Quellen zugreifen können, ohne dass die bisherige Verwaltung geändert werden muss.3

Zusammenfassung und Fazit

Der vorliegende Blogartikel lieferte viele Details und Anregungen für die Implementierung einer Vorstudie bzw. eines Projekts zum Wissensmanagement im Vertrieb und Service des Maschinenbaus. Bei aller Begeisterung für die Möglichkeiten der Technik muss man für jede Einzellösung Aufwand und Kosten mit der Nutzungshäufigkeit vergleichen. Die allgemeinen Herausforderungen bei der Implementierung eines Wissensmanagementsystems, wie im Blogbeitrag „Wissensmanagement: ChatGPT oder eine Alternative?“ beschrieben, dürfen dabei nicht aus den Augen verloren werden. Der Anhang ganz am Ende dieses Beitrags liefert Links, Literatur, Anbieter und eine Liste aller dem Autor bekannten Dokumenttypen und Inhalte, die für ein Wissensmanagementsystem im Vertrieb und Service des Maschinenbaus in Frage kommen (PDF-Datei zum Herunterladen).

Wie bereits im Fazit des oben genannten Blogbeitrags erwähnt, sei auch hier eine intensive Vorstudie empfohlen, um die Herausforderungen bei der Implementierung eines Wissensmanagementsystems zu meistern. Sollte über den Nutzen Unklarheit herrschen, kann eine stufenweise Implementierung das Risiko reduzieren.

Habe ich Ihr Interesse geweckt? Sehen Sie Potenziale in einer Vorstudie oder einem Projekt zum Wissensmanagement in Ihrem Unternehmen? Kontaktieren Sie RatzConsult (mailto:gr@ratzconsult.com) und lassen Sie uns unverbindlich und kostenlos über mögliche Maßnahmen und Chancen für Ihr Unternehmen sprechen. Jedes Unternehmen hat eine andere Ausgangssituation und so muss das Vorgehen an die jeweilige Situation angepasst werden.

RatzConsult ist eine unabhängige Unternehmensberatung, die sich auf die Planung und Umsetzung der Digitalstrategie im Vertrieb und Service des Maschinenbaus fokussiert. Zugehörige Spezialgebiete sind die KI-gestützte Kommunikation (inkl. maschineller Transkription und Übersetzung), das Wissensmanagement, die Nutzung von Maschinendaten (IoT) und Unternehmenskooperationen.

Möchten Sie noch weitergehende Informationen lesen? In der Blog-Serie „Wissensmanagement“ ist noch ein weiterer Blog-Artikel zu Video-Clips geplant. Lern- und Erklärvideos bekommen eine immer höhere Bedeutung beim Anlernen neuer Mitarbeiter. Die Blog-Serie „KI-gestützte Kommunikation“ erklärt Potentiale und Hintergrundinformationen für maschinelle Transkription und Übersetzung. Hier gibt es viele Überschneidungen mit dem Thema „Wissensmanagement“, z.B. beim Übersetzen von Texten mit den nötigen Firmen- und Fachbegriffen.

Georg Ratz hat über 30 Jahre im Maschinenbau gearbeitet, davon einen großen Teil in Service und Produktmanagement. Er leitete erfolgreich ein Projekt für Wissensmanagement im Service und organisierte den Aufbau einer globalen Vertriebs- und Servicepartnerschaft mit einem japanischen Unternehmen. Hands-On Mentalität, gutes Prozessverständnis und Kreativität zeichnen seinen Arbeitsstil aus.

Er ist überzeugt, dass die maschinelle Übersetzung den Kunden und Firmen viele Chancen bietet. Daher setzt er sich heute leidenschaftlich für die Verbesserung der weltweiten Kommunikation und dem Wissensmanagement im Maschinenbau ein.

Alle Rechte bei dem Urheber. Nachdruck, Vervielfältigung oder Verbreitung nur mit ausdrücklicher Genehmigung des Autors (gr@ratzconsult.com). Verlinkung ist erlaubt.

Anhang

Inhalt:

Ausgewählte Links und Literatur
Ausgewählte Anbieter von KMS und ihre Produkte
Inhalte und Dokumenttypen, die für ein KMS im Vertrieb und Service des Maschinenbaus in Frage kommen

Klicken Sie den hier, um den PDF-Anhang herunterzuladen:
Anhang „Knowhow für Wissensmanagementsysteme (KMS)“ herunterladen