Erfolgreicher Abschluss unseres Forschungsprojektes “Customer Prediction Platform (CPP)”

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.Dalphi

 

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).

Milestone in the development of the research project Customer Prediction Platform (CPP)

Our research project for the development of a Customer Prediction Platform (CPP) has been running since June 2016. This strategically important project is co-financed by the European Regional Development Fund (ERDF) and the Investitionsbank Berlin Brandenburg (IBB). CPP is being developed as middleware for the massively scaling evaluation of corporate customers to their customer potential. These evaluations can be integrated into existing end applications via a standardized interface (API) to automate B2B marketing processes.

We are primarily focusing on three aims with this project:

  1. Analysis: massively scalable prediction of customer potential for process automation
  2. Integration: Easier integration into existing marketing solutions such as Marketing Automation, Customer Relationship, Lead Management, Customer Support
  3. Internationalization: Transfer of the solution to other countries and language areas

The second milestone of the project will be presented in February 2018. This will give us the opportunity to introduce new pilot projects with enterprise users as well as our technological innovations, which will find their way into our products in the near future.

New possibilities with CPP:

  1. Automatic company categorization: Users define the relevant categories (ABC customers, product A, product B, topic X, Y, Z) and the CPP assigns a score to all existing customers or even leads to the most reasonable category. This categorization feature will also be available in the Implisense API for all our customers after the beta testing period.
  2. Network analysis between companies: The recognition of relationships between companies is an important part of text mining. We present the first results on how to reliably recognize certain relationships between companies from free texts.
  3. Temporal analyses: How do companies change over time? Can we add a time component to our recommendations and categorizations? We present initial examinations and automated recommendations.
Example of an automated categorization of 10,500 companies and their interconnection to business partners in the field of predictive maintenance (Source: Implisense)

We look forward to presenting the progress we have made! And we are confident that the new capabilities of CPP will be a milestone for our entire user base.

Learn more about Customer Prediction Platform (CPP) research project.

Meilenstein für unser Forschungsprojekt Customer Prediction Platform (CPP)

Seit Juni 2016 läuft unser Forschungsprojekt zur Entwicklung einer Customer Prediction Platform (CPP). Dieses strategisch wichtige Projekt wird kofinanziert durch den Europäischen Fonds für regionale Entwicklung (EFRE) und der Investitionsbank Berlin Brandenburg (IBB). Die CPP wird als Middleware zur massiv skalierenden Bewertung von Firmenkunden auf deren Kundenpotenzial entwickelt. Diese Bewertungen lassen sich über eine standardisierte Schnittstelle (API) in existierende Endanwendungen integrieren, um B2B Marketingprozesse zu automatisieren.

Mit diesem Projekt verfolgen wir vor allem drei Ziele:

  1. Analyse: Massiv skalierbare Vorhersage des Kundenpotenzials zur Automatisierung von Prozessen
  2. Integration: Einfachere Integration in bestehende Marketinglösungen wie etwa Marketing Automation, Customer-Relationship, Lead Management, Customer Support
  3. Internationalisierung: Übertragung der Lösung auf weitere Länder und Sprachräume

Im Februar 2018 findet die Präsentation zum zweiten Meilenstein des Projekts statt. Das gibt uns die Gelegenheit, neben neuen Pilotprojekten mit Enterprise-Anwendern auch unsere technologischen Neuigkeiten vorzustellen, die in naher Zukunft Eingang in unsere Produkte finden.

Neue Möglichkeiten durch die CPP:

  1. Automatische Firmenkategorisierung: Anwender definieren die relevanten Kategorien (ABC-Kunden, Produkt A, Produkt B, Thema X,Y,Z) und die CPP vergibt sämtlichen Bestandskunden oder auch Leads einen Score zur wahrscheinlich sinnvollsten Kategorie. Diese Kategorisierungsfunktion wird in der Implisense API auch für alle unsere Kunden nach dem Beta-Testzeitraum verfügbar sein.
  2. Netzwerk-Analyse zwischen Firmen: Die Erkennung von Beziehungen zwischen Firmen ist ein wichtiges Teilgebiet des Text Minings. Wir präsentieren erste Ergebnisse, wie aus Freitexten bestimmte Beziehungen zwischen Firmen sicher erkannt werden können.
  3. Temporale Analysen: Wie verändern sich Firmen über die Zeit? Können wir unseren Empfehlungen und Kategorisierungen eine zeitliche Komponente beifügen? Erste Untersuchungen und automatisierte Empfehlungen stellen wir vor.
Beispiel einer automatisierten Kategorisierung von 10.500 Firmen und deren Vernetzung zu Geschäftspartnern im Themenfeld Predictive Maintenance (Quelle: Implisense)

Wir freuen uns darauf, die Fortschritte, die wir erzielt haben, präsentieren zu dürfen! Und wir sind sicher, dass die neuen Möglichkeiten der CPP einen Meilenstein für unsere gesamte Anwenderbasis darstellen wird.

Erfahren Sie hier mehr zum Forschungsprojekt Customer Prediction Platform (CPP).