Handelssanktionen in der Weltwirtschaft

In dem Forschungsprogramm CoyPu arbeiten wir an einer Früherkennung wirtschaftlicher Risiken in globalen Supply Chains u.a. gemeinsam mit Siemens, Infineon und DATEV sowie starken Partnern aus der Forschung, wie etwa dem DIW, TIB und InfAI.

Zur Früherkennung wirtschaftlicher Risiken auf Lieferketten werden Handelssanktionen als Teil der Wirtschaftssanktionen analysiert.

Basierend auf offenen Daten zu Handelssanktionen wurde ein Graph zwischen Ländern, Produkten und Handelssanktionen aufgebaut. Unterschieden wird nach Ländern, die Handelssanktionen aussprechen und solchen, auf die diese Sanktionen abzielen. Jede Handelssanktion hat ein Anfangsdatum, so dass eine Darstellung des Zeitpunkts möglich wird, wann die Sanktion in Kraft tritt.

Für eine Darstellung des Geschehens wurde eine exemplarische Zeitreihe ermittelt und mit dem Tool Gource visualisiert. Da die komplette Visualisierung sehr groß ist, hier ein kleiner Ausschnitt:

Auf der linken Seite der Darstellung findet sich eine Rangliste, die die häufigsten Länder-Paare auflistet, die aufgrund von Handelssanktionen miteinander verbunden sind. Weiter rechts wird dargestellt, welche Sanktionen Länder auf bestimmte Produkte ausüben (z.B. Export-Stop für bestimmte Metalle).

Auffällig ist, dass es Zeitpunkte mit besonders hoher regulatorischer Intensität gibt. Ohne genaueres Wissen über gleichzeitige oder vorlaufende Krisen bzw. politische Ereignisse sind die Zeitpunkte schwierig ex post zu erklären. Abseits von einer Erklärung des geo-politischen Kontextes einer Sanktion sollte die Kenntnis einer Sanktion für solche Akteure relevant sein, deren Versorgung mit Rohstoffen oder Vorprodukten bzw. Exportmöglichkeiten betroffen sein könnte.

Mit der gewählten Aufbereitung von Handelssanktionen als Netzwerk der Weltwirtschaft können auch entfernte Ereignisse auf Branchen oder gar einzelne Unternehmen bestimmt werden. Hier forschen wir an der Propagation von Ereignissen in Netzwerken, um auch Welleneffekte für konkrete Branchen oder Unternehmen vorhersagen zu können.

Einsatzmöglichkeiten für die Überwachung von Lieferketten sind u.a.:

Automatisierte Warnung bei neu erkannten Import-Einschränkungen
Automatisierte Warnung vor angekündigten Export-Einschränkungen
Vorhersage von direkten Einschränkungen in der Versorgung
Vorhersage von indirekten Beeinträchtigungen in Lieferketten aufgrund von Welleneffekten

Mit automatischen Warnungen und der Vorhersage von indirekten Beeinträchtigungen können künftig Risiken aufgrund einer smarten Früherkennung frühzeitiger gesichtet, bewertet und gemanaged werden, bevor es zu Lieferengpässen oder Störungen kommt.

Fragen zum Projekt und der Anwendung von Analysen und Daten beantworten wir Ihnen gerne unter hello@implisense.com

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.

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).

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:

Analyse: Massiv skalierbare Vorhersage des Kundenpotenzials zur Automatisierung von Prozessen
Integration: Einfachere Integration in bestehende Marketinglösungen wie etwa Marketing Automation, Customer-Relationship, Lead Management, Customer Support
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:

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.
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.
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).