{"id":46314,"date":"2024-04-09T21:09:32","date_gmt":"2024-04-09T21:09:32","guid":{"rendered":"https:\/\/www.rightsdirect.com\/?post_type=blog_post&p=46314"},"modified":"2024-04-09T21:09:35","modified_gmt":"2024-04-09T21:09:35","slug":"mehr-als-die-standardsuche-probleme-mit-neuen-datensaetzen-aus-mehreren-quellen-loesen","status":"publish","type":"blog_post","link":"https:\/\/www.rightsdirect.com\/de\/blog\/mehr-als-die-standardsuche-probleme-mit-neuen-datensaetzen-aus-mehreren-quellen-loesen\/","title":{"rendered":"Mehr als die Standardsuche: Probleme mit neuen Datens\u00e4tzen aus mehreren Quellen l\u00f6sen"},"content":{"rendered":"\n

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 \u201eL\u00fccken\u201c gefunden werden – beispielsweise \u00fcber mehrere nicht verbundene Datenquellen hinweg. Die L\u00f6sung kann auch Unternehmen helfen, die schnell Daten sammeln m\u00fcssen, um zeitkritische Entscheidungen zu treffen.<\/em><\/p>\n\n\n\n

Mit wenig Aufwand die manuelle Datensammlung ausweiten<\/h6>\n\n\n\n

Selbst wenn einem Unternehmen bereits Informationsquellen zur Verf\u00fcgung stehen, kann Deep Search eine wirksame L\u00f6sung sein, um den manuellen Arbeitsaufwand f\u00fcr die Suche nach relevanten Daten zu reduzieren. In einem Beispiel verfolgte ein Kunde von uns Unternehmensnachrichten im Rahmen der Sammlung von Wettbewerbsinformationen.<\/p>\n\n\n\n

Die Informationsquellen f\u00fcr 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 \u00fcberpr\u00fcfte, darunter Pressemitteilungen, Investorennachrichten, Unternehmensnewsletter usw. Die Inhalte wurden dann manuell zusammengefasst.<\/p>\n\n\n\n

Durch die Anwendung von Deep Search auf diesen organisatorischen Bedarf konnte der Kunde die Anzahl der verfolgten Websites deutlich erh\u00f6hen sowie gefundene Inhalte in einer internen Ontologie indizieren und mit Tags versehen, sodass relevante Informationen durchsucht und an verschiedene Gesch\u00e4ftsbenutzer bereitgestellt werden konnten. Die gesamte Nachverfolgung wurde dreimal t\u00e4glich durchgef\u00fchrt, um sicherzustellen, dass die Organisation Zugriff auf die aktuellsten verf\u00fcgbaren Informationen hatte.<\/p>\n\n\n\n

Dar\u00fcber hinaus konnte der Kunde die Wichtigkeit jedes verfolgten Elements mithilfe eines trainierten Modells bewerten \u2013 einer Form von KI oder Deep Learning, die einen anf\u00e4nglichen Datensatz erfordert, den Fachexpert*innen durchsehen und mit beliebigen Labels ihrer Wahl klassifizieren k\u00f6nnen. Im Rahmen dieses Deep-Search-Projekts wurden Dokumente im Ausgangsdatensatz als \u201ewichtig\u201c und \u201enicht wichtig\u201c gekennzeichnet. Diese Organisation nutzte den Datensatz dann, um eine Basislinie zu erstellen und ein Modell durch maschinelles Lernen zu trainieren. Anschlie\u00dfend wurde das Modell auf eingehende Daten angewendet, die durch Crawlen gewonnen wurden, sodass diese neu gefundenen Dokumente automatisch gekennzeichnet werden konnten.<\/p>\n\n\n\n

F\u00fcr neu gecrawlte Informationen wurde ein Mechanismus eingerichtet, der es Benutzer*innen erm\u00f6glicht, die automatisch angewendete Bewertung auszuwerten und bei Bedarf zu \u00fcberschreiben. Diese R\u00fcckkopplungsschleife erm\u00f6glicht es, das maschinelle Lernmodell des Kunden im Handumdrehen zu aktualisieren und tr\u00e4gt dazu bei, seine Genauigkeit im Laufe der Zeit zu verbessern.<\/p>\n\n\n\n

Schlie\u00dflich wurden in diesem Deep-Search-Beispiel die wichtigsten Informationen, die verfolgt und bewertet wurden, dann in einen w\u00f6chentlichen Bericht \u00fcbernommen, 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 f\u00fcr einen einzelne Mitarbeiter*innen dennoch m\u00fchsam. Durch den Einsatz einer Deep-Search-L\u00f6sung konnte der Kunde diesen Prozess skalieren und viele weitere n\u00fctzliche Einblicke in die Wettbewerbsanalyse gewinnen.<\/p>\n\n\n\n

Ein kleines Zeitfenster f\u00fcr die Gelegenheit nutzen<\/h6>\n\n\n\n

Es gibt auch F\u00e4lle, in denen Deep Search f\u00fcr ein Unternehmen von Vorteil sein kann, wenn den Daten Beschr\u00e4nkungen auferlegt werden, die \u00fcber die normalen Erwartungen hinausgehen, beispielsweise wenn die Daten vor\u00fcbergehend und zeitlich begrenzt sind.<\/p>\n\n\n\n

Wir haben gesehen, dass Probleme im Zusammenhang mit dieser Art von Einschr\u00e4nkung h\u00e4ufig auftreten, und oft erfordert die L\u00f6sung den Zugriff auf neue Informationen in dem Moment, in dem sie ver\u00f6ffentlicht werden, wobei jede Verz\u00f6gerung dazu f\u00fchrt, dass ein Unternehmen Chancen verpasst. Um dies zu veranschaulichen, k\u00f6nnen wir das Beispiel eines Unternehmens nehmen, das Wert aus den Aktivit\u00e4ten vor der Konferenz ziehen m\u00f6chte. Diese Art von Informationen wird regelm\u00e4\u00dfig aktualisiert, in manchen F\u00e4llen sogar st\u00fcndlich.<\/p>\n\n\n\n

Zu den Vorteilen dieser Informationen geh\u00f6rt die M\u00f6glichkeit, Konferenzaussteller zu sichten, diejenigen zu finden, die f\u00fcr Sie von Interesse sind, und deren Websites zu recherchieren, um die Teilnahme einer Organisation \u00e4u\u00dferst 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 f\u00fcr ihn von Interesse sind. Die Abstracts k\u00f6nnten sogar eine Geschichte dar\u00fcber erz\u00e4hlen, wohin sich der Markt entwickelt \u2013 ein weiterer Vorteil, wenn man \u00fcber diese Informationen verf\u00fcgt.<\/p>\n\n\n\n

Um jedoch die genaueste und aktuellste Version der Aktivit\u00e4ten vor der Konferenz nutzen zu k\u00f6nnen, m\u00fcsste eine Organisation ihren Mitarbeiter*innen Zeit widmen, die Konferenz-Website h\u00e4ufig zu besuchen, die Abstracts zu durchsuchen, relevante Personen, Themen und Vortr\u00e4ge zu identifizieren und sie dann zu verpacken Diese Informationen zu erfassen und intern weiterzugeben, ein zeitaufw\u00e4ndiger Prozess, der anf\u00e4llig f\u00fcr menschliches Versagen ist.<\/p>\n\n\n\n

Durch die Verwendung von Deep Search kann dieser Prozess automatisiert und pr\u00e4ziser gestaltet werden \u2013 das Durchsuchen der Konferenzseite so oft wie n\u00f6tig (sofern das Durchsuchen zul\u00e4ssig ist), das Sammeln und automatische Kuratieren entdeckter Inhalte und sogar das Durchf\u00fchren einer Ontologie \u00fcber alle Ergebnisse, um sich auf Themen zu konzentrieren Interesse oder Schl\u00fcsselwortextraktion, alles m\u00f6glich als Teil einer Deep-Search-L\u00f6sung.<\/p>\n\n\n\n

Deep Search erm\u00f6glicht sogar das Verfolgen interner Links zu tiefergehenden Informationen (z. B. Unternehmenswebsites, auf die in den Abstracts verwiesen wird) und das Hinzuf\u00fcgen dieser Informationen zum Mix \u2013 ein weiteres Beispiel f\u00fcr die Wertsch\u00f6pfung aus Daten, die in den L\u00fccken sich \u00fcberschneidender 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:<\/p>\n\n\n\n