Webbasierte KI-Analyse: Messung der Innovationsleistung von Unternehmen mit InnoProb
Robert Dehghan
Webbasierte KI-Indikatoren bieten eine umfassende, granulare, aktuelle und kostengünstige Alternative zu herkömmlichen Datenerhebungsmethoden. Wir von istari.ai sind Pioniere auf dem Gebiet der webbasierten Indikatorentechnologie. Mit webAI entwickeln wir eine künstliche Intelligenz, die unsere Kunden mit Markt- und Unternehmensinformationen in Echtzeit versorgt.
20. November 2020
Markt- und Unternehmensdaten helfen den Akteuren in Wirtschaft und Politik, fundierte Entscheidungen zu treffen. Aufgrund der zunehmenden Beschleunigung gesellschaftlicher Prozesse liefern traditionelle Datenerhebungsmethoden oft veraltete Ergebnisse, da zwischen Erhebung und Analyse viel Zeit vergeht. Ein hoher manueller Arbeitsaufwand und die damit verbundenen Personalkosten verhindern eine höhere Frequenz der Datenerhebung. Infolgedessen sind relevante Daten oft nicht in granularer Form für alle Analyseebenen verfügbar und die Abdeckung ist daher begrenzt.
webAI Deep Market Intelligence
Webbasierte KI-Indikatoren bieten eine umfassende, granulare, aktuelle und kostengünstige Alternative. Wir von istari.ai sind Pioniere auf dem Gebiet der webbasierten Indikatorentechnologie. Mit webAI entwickeln wir eine künstliche Intelligenz, die unsere Kunden mit Markt- und Unternehmensinformationen in Echtzeit versorgt. Mit webAI durchsuchen wir Web-Massendaten in hoher Frequenz und identifizieren die relevantesten Informationen mittels künstlicher Intelligenz. Das System extrahiert relevantes Wissen und stellt es unseren Kunden in einer leicht zugänglichen Form zur Verfügung. Wir nennen dies "Deep Market Intelligence". Dieser automatisierte Prozess ermöglicht es uns, individuelle Fragen zu beantworten, die Ergebnisse täglich zu aktualisieren und erhebliche Kosteneinsparungen im Vergleich zu traditionellen Datenerhebungsmethoden zu realisieren.
webAI InnoProb identifiziert innovative Unternehmen
Der InnoProb Score ist ein Beispiel für einen solchen webAI-Indikator. Der Score wird von istari.ai tagesaktuell für alle Unternehmen mit eigener Website berechnet und ist somit umfassend und aktuell verfügbar. Im direkten Vergleich zeigt sich, dass die Ergebnisse von InnoProb der Qualität traditioneller Datenerhebungsmethoden in nichts nachstehen. In umfangreichen wissenschaftlichenStudien1 schneidet unsere Methode zur webbasierten Erhebung von Marktinformationen sehr gut ab und liefert vergleichbare Ergebnisse zu Informationen aus traditionellen Datenquellen. Die untenstehende Karte zeigt zum Beispiel die detaillierte Verteilung von innovativen und nicht-innovativen Unternehmen in Berlin: Zum einen, wie von InnoProb prognostiziert ("Prognosen" - oben rechts in der Grafik) und zum anderen, wie in einer traditionellen Unternehmensbefragung erhoben ("Umfrage" - unten rechts in der Grafik).
Illustration: Von InnoProb prognostizierter Anteil der Produktinnovatoren an der gesamten lokalen Unternehmenspopulation (links). Vergleich zwischen webbasierten InnoProb-Prognosen und befragungsbasierten Ergebnissen (Berliner Innovationspanel) zur Verteilung von innovativen und nicht-innovativen Unternehmen in Berlin (rechts).
Quelle: Kinne und Lenz 2021.1
Eine Besonderheit stellen die für Berlin ausgewiesenen Befragungsergebnisse (Berliner Innovationspanel) dar. Aufgrund des hohen Erhebungsaufwandes sind derartig granulare Informationen nur für wenige Orte in Deutschland verfügbar. Mit Hilfe von webAI InnoProb können alle Unternehmen in allen Regionen mit hoher Frequenz analysiert und so innovative Unternehmen identifiziert werden. Solche Daten sind für Marktanalysen, aber auch für die Evaluation von innovationspolitischen Maßnahmen von großem Wert. Im Gegensatz zu traditionellen Erhebungsmethoden werden alle Unternehmen ausgewertet - nicht nur eine Stichprobe. Entscheidungen können so auf der Basis einer hochaktuellen und universell verfügbaren Datenbasis getroffen werden.
Wie funktioniert InnoProb?
Das webAI-Innovationsvorhersagemodell InnoProb basiert auf öffentlich zugänglichen Webtexten, die Unternehmen im Internet veröffentlichen. Diese Texte werden mit einem Deep-Learning-Modell unter Verwendung eines künstlichen neuronalen Netzes analysiert und ausgewertet. Zuvor wurde das InnoProb-Netzwerk mit Informationen aus einer traditionellen Unternehmensbefragung trainiert. Im Rahmen der Umfrage wurden die Unternehmen gefragt, ob sie in letzter Zeit neue Produkte auf den Markt gebracht haben und somit als "Produktinnovatoren" gelten können. Anschließend wurden die Webtexte aller teilnehmenden Unternehmen mit einem Web Scraper, einem Tool zur Extraktion von Texten aus Webseiten, heruntergeladen. Diese Texte wurden dann mit den Informationen aus der Umfrage (Produktinnovator "Ja"/"Nein") angereichert und als Trainingsdaten für das künstliche neuronale Netz verwendet. Während des Trainings lernt das neuronale Netz, wie sich Webtexte zwischen Produktinnovatoren und Nicht-Innovatoren unterscheiden, zum Beispiel in Bezug auf bestimmte Wörter und Wortkombinationen. Auf der Grundlage der erlernten Korrelationen kann das neuronale Netz dann eine Vorhersage (den InnoProb Score) über die Wahrscheinlichkeit treffen, dass ein Unternehmen ein Produktinnovator ist. In der folgenden Abbildung ist der beschriebene Prozess schematisch dargestellt.
Illustration: Schematische Darstellung des InnoProb-Workflows.
Quelle: Kinne und Axenbeck 2020.3
Was kommt nach InnoProb?
Mit einer Gesamtzahl von mehr als dreißig Präsentationen stieß InnoProb auf großes Interesse in der Wissenschaft, der amtlichen Statistik und bei wirtschaftspolitisch orientierten Institutionen. Istari.ai entwickelt den hier vorgestellten Ansatz nun kontinuierlich weiter. Als neuartiges und potentiell revolutionäres Verfahren zur Erhebung von Marktinformationen können in kurzer Zeit und mit geringem Personalaufwand umfassende Analysen konzipiert und durchgeführt werden. Gerade im Kontext hochdynamischer Ereignisse, die umfassende, aber auch schnell verfügbare und aktuelle Daten erfordern, zeigt unser Ansatz sein volles Potenzial. Innerhalb kurzer Zeit konnten wir webAI anpassen, um die Auswirkungen der Coronavirus-Pandemie auf deutsche Unternehmen zu messen und so z.B. regionale Cluster zu identifizieren. In einem aktuellen Projekt arbeiten wir unter anderem an der Anpassung von webAI für die Identifikation von Unternehmen, die künstliche Intelligenz einsetzen. Aufgrund des breiten Anwendungsfeldes von webAI werden webAI-Daten bereits von Wissenschaftlern aus verschiedenen Forschungsbereichen im In- und Ausland genutzt. Mehr dazu in unseren nächsten Blogartikeln.
Quellen:
1 Kinne und Lenz 2021: https://doi.org/10.1371/journal.pone.0249071
2 Berliner Innovationspanel: https://www.inno.tu-berlin.de/menue/berlin_innovation_panel/
3 Kinne und Axenbeck 2020 : https://link.springer.com/article/10.1007/s11192-020-03726-9
Interessieren Sie sich für die Daten, die in dieser Fallstudie verwendet wurden?
Buchen Sie einfach eine kostenlose Demo.