Kontakt

NLP für Geschäftsentscheidungen

NLP für Geschäftsentscheidungen

Wertvolle Daten für fundierte Entscheidungen nutzen

Unser Kunde

Unser Kunde ist ein weltweit führender Anbieter von Financial Services, der Finanz- und Vermögensberater sowie institutionelle Investoren unterstützt.

Übersicht

Herausforderung

Das Unternehmen ist im Finanzsektor tätig. Eine wichtige Grundlage für das Geschäftsmodell ist die Analyse von Besprechungsnotizen, die in Terminen mit Kunden entstehen. Diese Textdokumente werden nach bestimmten Informationen durchsucht, entsprechend organisiert und in leicht lesbaren interaktiven Sets konsolidiert, die als Basis für verschiedene Entscheidungen dienen. Die Herausforderung liegt darin, diesen Vorgang zu automatisieren, zu beschleunigen und die wirklich relevanten Daten zu extrahieren. Ziel ist es, die (potentiellen) Kunden besser zu verstehen, sowie Markttrends und Risiken rechtzeitig zu erkennen.22

Lösung

Um eine schnelle Suche in Texten zu ermöglichen und die tatsächlich wertvollen Informationen schnell und zuverlässig zu identifizieren, haben wir Standardlösungen und maßgeschneiderte Ansätze verglichen:

 

  • Standard-Cloud-Lösung mit AWS Comprehend
  • Kundenspezifische Lösung basierend auf Topic Modeling mit LDA und Named Entity Recognition (NER), um Dokumente mit Labels zu versehen und eine Suche in unstrukturierten Texten zu ermöglichen

Wir entschieden uns für einen Topic Modeling-Ansatz, um Themen und ggf. deren Häufung in der gesamten Sammlung von Besprechungsnotizen zu identifizieren. Zudem haben wir über die Named Entity Recognition bestimmte Worte oder Phrasen in den Texten erkennen können, die entweder einem voreingestellten generischen Entitätstyp (Ort, Person, geografische und geopolitische Entität) oder einem benutzerdefinierten Typ (Produkt, Organisation, finanzielle Entitäten) zuzuordnen waren.

 

Beide Ansätze ermöglichen das Abrufen von Informationen aus unstrukturiertem Text. Sie ergänzen den rohen Inhalt mit Kontext, den sie entsprechend mit maschinenlesbaren Metadaten versehen. Unser benutzerdefinierter Ansatz erlaubt es darüber hinaus, neue und unbekannte Dokumente “on the fly” mit einem oder mehreren Themen zu kennzeichnen, die von einem Topic Modeling-Algorithmus identifiziert wurden.

 

Diese Lösung eignet sich am besten für Fälle, in denen eine feinere Kontrolle über das Training, die Optimierung und das Hosting eines Themenmodells erforderlich ist. Zudem konnten wir unser benutzerdefiniertes Modell bereits während der Entwicklung eng mit dem Kunden abstimmen und exakt so einstellen, dass kein Zusatzaufwand nötig war. Mit benutzerdefinierten NER-Lösungen, die auf einem Deep-Learning-Modell basieren, können wir nun sowohl Standard- als auch benutzerdefinierte Entitäten in Echtzeit erkennen.

  • NLP in action

Ergebnis

Unsere Lösung ermöglicht es dem Kunden, unstrukturierte Rohtexte schnell und automatisch zu durchsuchen, zu verarbeiten und relevante Daten für das Treffen fundierter Geschäftsentscheidungen zu extrahieren. Die Lösung bietet:

 

  • Analyse und Bewertung potenzieller Risiken sowie Chancen in Zusammenhang mit Kooperationen
  • Identifikation und Bewertung von unternehmerischen Herausforderungen oder drohenden Disruptionen auf Basis von Themen, Branchen, Standorten, Personen, etc.
  • Tieferes Verständnis für Stimmungen und Bedürfnisse der Endkunden

Eingesetzte Technologien

  • Python

  • NLP

  • LDA

  • AWS Comprehend

  • AWS SageMaker

  • Docker

  • Salesforce

Fordern Sie uns heraus.
Wir freuen uns auf Ihre Nachricht. Bitte nutzen Sie das Kontaktformular, wir werden uns schnell bei Ihnen zurückmelden.