گراف دانش سازمانی دقیقاً چه مسئلهای را حل میکند؟
گراف دانش یک پایگاه داده نیست که محتوا را نگه دارد؛ لایهای است که میگوید محتواها چه نسبتی با هم دارند. اینکه «این مصوبه» بازنگری «آن مصوبه» است، «این گزارش» پشتوانهٔ «آن تصمیم» است و «این فرد» مسئول «آن اقدام» — همگی روابطیاند که در هیچ سندی نوشته نشدهاند و در عمل فقط در ذهن افراد وجود دارند.
ارزش این لایه در پرسشهایی آشکار میشود که جستوجوی متنی نمیتواند پاسخ دهد: «کدام تصمیمهای سال گذشته به این سیاست وابستهاند؟» یا «اگر این فرض تغییر کند، چه چیزهایی باید بازنگری شوند؟» اینها پرسشهای پیمایشیاند، نه پرسشهای واژهای.
بنابراین پیش از هر برآورد هزینه، پرسش درست این است: سازمان چند بار در سال به چنین پرسشهایی نیاز پیدا میکند و امروز چقدر برای پاسخ دادن به آنها هزینه میکند؟ اگر پاسخ «بهندرت» باشد، گراف دانش سرمایهگذاری اشتباهی است، هرچقدر هم ارزان باشد.
سه ردیف هزینهٔ اصلی کداماند؟
ردیف اول، تعریف مدل است: توافق بر اینکه چه چیزهایی موجودیتاند و چه روابطی میانشان معنا دارد. این کار نه فنی است و نه یکباره؛ کارگاهی است میان واحدهایی که برای یک مفهوم واحد نامهای متفاوت به کار میبرند. در سازمانهای چندشرکتی، رسیدن به یک واژگان مشترک معمولاً طولانیترین بخش پروژه است.
ردیف دوم، تأمین داده است. منابعی که باید گراف را تغذیه کنند — سامانهٔ اتوماسیون، پوشههای مشترک، ایمیل، ابزار مدیریت پروژه — هیچکدام برای استخراج رابطه طراحی نشدهاند. هزینهٔ اتصال هر منبع تقریباً ثابت است و مستقل از حجم دادهای که از آن میآید، به همین دلیل تعداد منابع، نه حجم داده، محرک هزینه است.
ردیف سوم، نگهداری است و معمولاً دستکم گرفته میشود. ساختار سازمانی تغییر میکند، واحدها ادغام میشوند، فرایندها بازطراحی میشوند و هر یک از اینها بخشی از روابط ثبتشده را بیاعتبار میکند. گرافی که نگهداری نشود، ظرف دو سال به دادهای تبدیل میشود که کسی به آن اعتماد ندارد.
آیا باید گراف را ساخت یا میتوان آن را استخراج کرد؟
دو رویکرد وجود دارد. رویکرد اول، مدلسازی پیشینی است: ابتدا هستانشناسی کامل تعریف میشود و بعد داده در آن ریخته میشود. این روش دقت بالایی میدهد و در سازمانهایی که دامنهٔ کارشان پایدار و استاندارد است جواب میدهد، اما پیش از تولید هرگونه ارزش، ماهها هزینه میبرد.
رویکرد دوم، استخراج پسینی است: روابط از جریان واقعی کار — جلسهها، مصوبهها، اسناد پیوست — بیرون کشیده میشوند و مدل بهتدریج از آنچه واقعاً وجود دارد شکل میگیرد. دقت اولیه کمتر است، اما ارزش از هفتهٔ اول تولید میشود و مدل با واقعیت سازمان همراستا میماند، نه با تصور طراح از آن.
برای بیشتر سازمانها، رویکرد دوم پاسخ اقتصادیتری است، به شرطی که سه چیز رعایت شود: دامنهٔ اولیه محدود باشد، هر رابطه به منبع خود قابل ردیابی بماند و سازوکار اصلاح از همان ابتدا وجود داشته باشد. گرافی که نمیتوان اشتباهش را اصلاح کرد، بدهی است نه دارایی.
چگونه میتوان اندازهٔ درست سرمایهگذاری را تعیین کرد؟
معیار درست، حجم داده نیست؛ تعداد پرسشهای پیمایشی تکرارشونده است. فهرستی از پرسشهایی تهیه کنید که در دوازده ماه گذشته بیش از سه بار پرسیده شدهاند و پاسخشان بیش از یک روز کار برده است. هر پرسش، مجموعهٔ کوچکی از موجودیتها و روابط را ایجاب میکند و همین فهرست، دامنهٔ حداقلی مدل را تعریف میکند.
سپس هزینه را در برابر همان فهرست بسنجید، نه در برابر یک چشمانداز کامل. اگر ده پرسش پرتکرار، سالانه چند صد نفرساعت میبرند، سقف منطقی سرمایهگذاری روشن است. اگر چنین فهرستی وجود ندارد، مسئلهٔ سازمان گراف دانش نیست.
داناوی این مسیر را از سمت جریان کار میگیرد: بهجای خواستن یک هستانشناسی از پیش تعریفشده، تصمیمها، مسئولان، مهلتها و مستندات را از خود جلسهها استخراج میکند و هر رابطه را به منبعش گره میزند؛ مدل از آنچه سازمان واقعاً انجام میدهد رشد میکند. اما تصمیم دربارهٔ دامنه همچنان تصمیم سازمان است، نه تصمیم ابزار.
