Von Juni 2016 bis Februar 2018 führten wir das Forschungsprojekt “Customer Prediction Platform (CPP)” durch. Dieses für uns strategisch wichtige Projekt wurde kofinanziert durch den Europäischen Fonds für regionale Entwicklung (EFRE) und der Investitionsbank Berlin Brandenburg (IBB). Nachdem nun die Berichts- und Evaluationsphase abgeschlossen sind, möchten wir hier heute noch einmal einige Highlights dieses Projekts vorstellen.
Die CPP ist eine Middleware zur Bewertung von Firmenkunden auf deren Kundenpotenzial. Der Paradigmenwechsel der CPP liegt darin, dass öffentliches Kontextwissen zu Firmen in eine vollständig automatisierte Empfehlung für Endanwender aus dem B2B-Marketing einfließt. So lassen sich beispielsweise im Fall von Inbound Leads individuelle Produktempfehlungen berechnen.
Konkrete inhaltliche Teilziele über den Gesamtzeitraum waren u. a. :
* Erhöhung der Transparenz bei Kundenempfehlungen
* automatische Kategorisierung von neuen Firmen in benutzerdefinierte Kategorien
* Aufsetzen eines umfassenden Ereignismonitorings
* Analysen von Firmenwebseiten und erfassten News
Drei aus unserer Sicht besonders wichtige Ergebnisse des Forschungsprojektes:
Zum ersten haben wir das Open Source Projekt DALPHI Active Learning Platform for Human Interaction ins Leben gerufen, um den kontinuierlichen iterativen Prozess der Verbesserung von Modellen des Machine Learnings praktisch umzusetzen. Diese iterative Verbesserung geschieht mit Hilfe der Technik des Active Learnings. Dabei identifiziert das Modell selbständig aus nicht annotierten Daten diejenigen, zu denen die Kenntnis des korrekten Outputs den größten Mehrwert bieten würde. Dies sind typischerweise diejenigen Beispiele, die “nahe der Entscheidungsgrenze” liegen. Diese Beispiele werden dann einem menschlichen Annotator vorgelegt. Dann werden diese nun annotierten Beispiele dem Trainingsdatensatz hinzugefügt, und es wird ein neues Modell mit diesem nun größeren Trainingsdatensatz gelernt. Die aktuelle Version der Software umfasst die Verwaltung von verschiedenen Annotationsinterfaces, die für verschiedene Fragestellungen angepasst werden können.
Als nächstes möchten wir die im Projekt entwickelte CATEGORIZE-Funktion hervorheben. Diese Funktion wird insbesondere unseren Dienst Implisense Qualify bereichern. Sie erlaubt es, eine
beliebige Firma nach Affinität zu benutzerdefinierten Profilen zu scoren. Somit kann ein Lead nicht mehr nur nach traditionellen Kriterien wie Region, Branche oder Größe qualifiziert werden, sondern nach eigenen Profilen, wie z. B. dem Profil der Kunden eines bestimmten eigenen Produktes. Aus technologischer Sicht ist es uns gelungen, unsere bekannte Empfehlungsfunktion “umzudrehen” und zur einzelnen Firma das passende Profil zu finden.
Schließlich möchten wir auf das umfassende Ereignismonitoring hinweisen, das auch im Rahmen dieses Projektes entwickelt wurde. Neben den Handelsregisterbekanntmachungen stellen wir Ihnen nun Nachrichten, Jobanzeigen sowie Blog- und Social Media Texte bereit. Nicht nur erfassen wir Artikel aus hohen fünfstelligen Anzahl an Quellen, sondern wir bereiten auch jeden erfassten Artikel auf und ordnen ihn den korrekten Firmen zu. Technologisch wurden hier Fragen der Named Entity Recognition (NER), Named Entity Disambiguation und der Relationsextraktion adressiert. In der Zukunft werden wir hier auch noch weitere Ansätze zum automatischen Taggen und Priorisieren vorstellen. Schon heute profitieren viele unserer Kunden von dieser Entwicklung in Produkten wie unserer Software-as-a-Service Lösung Implisense Pro oder unserer Implisense API.
Erfahren Sie hier mehr zum Forschungsprojekt Customer Prediction Platform (CPP).
