Mehr als die Standardsuche: Probleme mit neuen Datensätzen aus mehreren Quellen lösen

Wie im vergangenen Beitrag dieser Reihe angesprochen, kann der Einsatz von Deep Search einem Unternehmen dabei helfen, den manuellen Aufwand zu reduzieren, der zum Sichern wichtiger Daten erforderlich ist, die in „Lücken“ gefunden werden – beispielsweise über mehrere nicht verbundene Datenquellen hinweg. Die Lösung kann auch Unternehmen helfen, die schnell Daten sammeln müssen, um zeitkritische Entscheidungen zu treffen.

Mit wenig Aufwand die manuelle Datensammlung ausweiten

Selbst wenn einem Unternehmen bereits Informationsquellen zur Verfügung stehen, kann Deep Search eine wirksame Lösung sein, um den manuellen Arbeitsaufwand für die Suche nach relevanten Daten zu reduzieren. In einem Beispiel verfolgte ein Kunde von uns Unternehmensnachrichten im Rahmen der Sammlung von Wettbewerbsinformationen.

Die Informationsquellen für diesen Kunden waren leicht zu finden und umfassten auch Websites von Wettbewerbern. Der bestehende Prozess, mit dem der Kunde Wettbewerbsinformationen verfolgte, bestand darin, dass eine einzelne Mitarbeiter*in diese verschiedenen Websites auf relevante Inhalte überprüfte, darunter Pressemitteilungen, Investorennachrichten, Unternehmensnewsletter usw. Die Inhalte wurden dann manuell zusammengefasst.

Durch die Anwendung von Deep Search auf diesen organisatorischen Bedarf konnte der Kunde die Anzahl der verfolgten Websites deutlich erhöhen sowie gefundene Inhalte in einer internen Ontologie indizieren und mit Tags versehen, sodass relevante Informationen durchsucht und an verschiedene Geschäftsbenutzer bereitgestellt werden konnten. Die gesamte Nachverfolgung wurde dreimal täglich durchgeführt, um sicherzustellen, dass die Organisation Zugriff auf die aktuellsten verfügbaren Informationen hatte.

Darüber hinaus konnte der Kunde die Wichtigkeit jedes verfolgten Elements mithilfe eines trainierten Modells bewerten – einer Form von KI oder Deep Learning, die einen anfänglichen Datensatz erfordert, den Fachexpert*innen durchsehen und mit beliebigen Labels ihrer Wahl klassifizieren können. Im Rahmen dieses Deep-Search-Projekts wurden Dokumente im Ausgangsdatensatz als „wichtig“ und „nicht wichtig“ gekennzeichnet. Diese Organisation nutzte den Datensatz dann, um eine Basislinie zu erstellen und ein Modell durch maschinelles Lernen zu trainieren. Anschließend wurde das Modell auf eingehende Daten angewendet, die durch Crawlen gewonnen wurden, sodass diese neu gefundenen Dokumente automatisch gekennzeichnet werden konnten.

Für neu gecrawlte Informationen wurde ein Mechanismus eingerichtet, der es Benutzer*innen ermöglicht, die automatisch angewendete Bewertung auszuwerten und bei Bedarf zu überschreiben. Diese Rückkopplungsschleife ermöglicht es, das maschinelle Lernmodell des Kunden im Handumdrehen zu aktualisieren und trägt dazu bei, seine Genauigkeit im Laufe der Zeit zu verbessern.

Schließlich wurden in diesem Deep-Search-Beispiel die wichtigsten Informationen, die verfolgt und bewertet wurden, dann in einen wöchentlichen Bericht übernommen, der automatisch per E-Mail an die Zielgruppe gesendet wurde, wodurch noch mehr manueller Aufwand eingespart wurde. Obwohl es sich bei dem hier besprochenen Projekt nicht um einen komplizierten Prozess handelte, war es für einen einzelne Mitarbeiter*innen dennoch mühsam. Durch den Einsatz einer Deep-Search-Lösung konnte der Kunde diesen Prozess skalieren und viele weitere nützliche Einblicke in die Wettbewerbsanalyse gewinnen.

Ein kleines Zeitfenster für die Gelegenheit nutzen

Es gibt auch Fälle, in denen Deep Search für ein Unternehmen von Vorteil sein kann, wenn den Daten Beschränkungen auferlegt werden, die über die normalen Erwartungen hinausgehen, beispielsweise wenn die Daten vorübergehend und zeitlich begrenzt sind.

Wir haben gesehen, dass Probleme im Zusammenhang mit dieser Art von Einschränkung häufig auftreten, und oft erfordert die Lösung den Zugriff auf neue Informationen in dem Moment, in dem sie veröffentlicht werden, wobei jede Verzögerung dazu führt, dass ein Unternehmen Chancen verpasst. Um dies zu veranschaulichen, können wir das Beispiel eines Unternehmens nehmen, das Wert aus den Aktivitäten vor der Konferenz ziehen möchte. Diese Art von Informationen wird regelmäßig aktualisiert, in manchen Fällen sogar stündlich.

Zu den Vorteilen dieser Informationen gehört die Möglichkeit, Konferenzaussteller zu sichten, diejenigen zu finden, die für Sie von Interesse sind, und deren Websites zu recherchieren, um die Teilnahme einer Organisation äußerst zielgerichtet zu gestalten. Ein weiterer Vorteil besteht darin, dass man sich einen Eindruck von den wichtigsten Konferenzthemen verschafft, indem man alle Abstracts durchforstet, um diejenigen herauszufiltern, die für ihn von Interesse sind. Die Abstracts könnten sogar eine Geschichte darüber erzählen, wohin sich der Markt entwickelt – ein weiterer Vorteil, wenn man über diese Informationen verfügt.

Um jedoch die genaueste und aktuellste Version der Aktivitäten vor der Konferenz nutzen zu können, müsste eine Organisation ihren Mitarbeiter*innen Zeit widmen, die Konferenz-Website häufig zu besuchen, die Abstracts zu durchsuchen, relevante Personen, Themen und Vorträge zu identifizieren und sie dann zu verpacken Diese Informationen zu erfassen und intern weiterzugeben, ein zeitaufwändiger Prozess, der anfällig für menschliches Versagen ist.

Durch die Verwendung von Deep Search kann dieser Prozess automatisiert und präziser gestaltet werden – das Durchsuchen der Konferenzseite so oft wie nötig (sofern das Durchsuchen zulässig ist), das Sammeln und automatische Kuratieren entdeckter Inhalte und sogar das Durchführen einer Ontologie über alle Ergebnisse, um sich auf Themen zu konzentrieren Interesse oder Schlüsselwortextraktion, alles möglich als Teil einer Deep-Search-Lösung.

Deep Search ermöglicht sogar das Verfolgen interner Links zu tiefergehenden Informationen (z. B. Unternehmenswebsites, auf die in den Abstracts verwiesen wird) und das Hinzufügen dieser Informationen zum Mix – ein weiteres Beispiel für die Wertschöpfung aus Daten, die in den Lücken sich überschneidender Quellen gefunden werden. In diesem Fall vereint der neu erstellte Datensatz Konferenzinformationen mit Unternehmens- und sogar Produktinformationen an einem Ort. Das Potenzial einer Datenquelle wie dieser umfasst:

• Kunden können wichtige Meinungsführer*innen finden, mit denen sie sich auf der Konferenz austauschen können.
• Dies ermöglicht es Unternehmensleiter*innen, eine lange Liste ausstellender Unternehmen auf diejenigen von wahrscheinlichem Wert zu reduzieren.
• Förderung der Strategie eines Unternehmens durch Identifizierung von Zielunternehmen für die Übernahme.
• Unterstützung einer Organisation bei der Ableitung der Marktrichtung auf der Grundlage einer zusammenfassenden Ansicht aller Abstracts.

Nach der Konferenz kann diese Informationsquelle weiterhin einen Mehrwert bieten, indem sie es einem Unternehmen ermöglicht, ein Archiv aller gecrawlten und angereicherten Informationen zu führen, was ihm dabei hilft, sein Marktverständnis kontinuierlich zu erweitern und seine Wettbewerbsdaten zu erweitern. Während sich dieses Beispiel auf Konferenzen konzentriert, kann eine Deep-Search-Lösung möglicherweise genauso viel oder mehr Wert bieten, wenn sie auf alle zeitgebundenen Daten angewendet wird.

Dies ist der vierte und letzte Teil einer vierteiligen Serie darüber, wie eine tiefergehende, automatisierte Suche Ihrem Unternehmen dabei helfen kann, die Informationen leichter zu finden, die es für die richtigen Geschäftsentscheidungen benötigt.

Lesen Sie hier Teil 1

Lesen Sie hier Teil 2

Lesen Sie hier Teil 3