Webbasierte KI-Analyse: Mit InnoProb die Innovationskraft von Unternehmen messen

Webbasierte KI-Indikatoren bieten sich als umfassende, granulare, aktuelle und kostengünstig zu erhebende Alternative zu traditionellen Unternehmensdaten an. Wir bei istari.ai sind Pioniere im Bereich webbasierter Indikatorik und entwickeln mit der webAI eine künstliche Intelligenz, die unseren Kunden Markt- und Unternehmensinformationen in Echtzeit bietet.

Markt- und Unternehmensdaten helfen Entscheidungsträgern in Wirtschaft und Politik informierte Entscheidungen zu treffen. Durch die zunehmende Beschleunigung gesellschaftlicher Prozesse liefern traditionelle Datenerhebungsmethoden häufig veraltete Ergebnisse, da zwischen Erhebung und Auswertung viel Zeit verstreicht. Ein hoher manueller Arbeitsaufwand und die damit verbundenen Personalkosten verhindern eine höhere Erhebungsfrequenz. Relevante Daten liegen oftmals nicht in granularer Form und auf allen Untersuchungsebenen vor, sondern weisen häufig nur eine beschränkte Abdeckung auf.

webAI Deep Market Intelligence

Webbasierte KI-Indikatoren bieten sich als umfassende, granulare, aktuelle und kostengünstig zu erhebende Alternative an. Wir bei istari.ai sind Pioniere im Bereich webbasierter Indikatorik und entwickeln mit der webAI eine künstliche Intelligenz, die unseren Kunden Markt- und Unternehmensinformationen in Echtzeit bietet. Mit webAI durchsuchen wir hochfrequent Web-Massendaten und identifiziert mittels künstlicher Intelligenz die relevantesten Informationen. Das System extrahiert so relevantes Wissen und stellt es unseren Klienten in einfach zugänglicher Form zur Verfügung. Wir nenne das “Deep Market Intelligence”. Dieser automatisierte Prozess erlaubt es uns, individuelle Fragestellungen zu beantworten, Ergebnisse täglich zu aktualisieren und gegenüber traditionellen Datenerhebungsverfahren deutliche Kostenersparnisse zu realisieren.

webAI InnoProb identifiziert innovative Unternehmen

Der InnoProb Score ist ein Beispiel für solch einen webAI Indikator, der von istari.ai täglich für alle Unternehmen mit eigener Webseite berechnet wird und somit umfassend und aktuell verfügbar ist. Dass diese Ergebnisse der Qualität traditioneller Datenerhebungsverfahren in nichts nachstehen, zeigt sich im direkten Vergleich. In umfassenden wissenschaftlichen Untersuchungen1 schneidet unsere Methode zur webbasierten Gewinnung von Marktinformationen sehr gut ab und liefert vergleichbare Ergebnisse wie Informationen aus traditionellen Datenquellen. Auf untenstehender Karte ist beispielsweise die kleinräumige Verteilung innovativer und nicht-innovativer Unternehmen in Berlin zu sehen: Zum einen, wie sie von InnoProb (“Predictions”) vorhergesagt (rechts oben in der Grafik) wird und zum anderen, wie sie im Rahmen einer traditionellen Unternehmensbefragung (“Survey”) erhoben wurde (rechts unten in der Grafik).

Abbildung: Durch InnoProb vorhergesagter Anteil von Produktinnovatoren an der gesamten lokalen Unternehmenspopulation (links). Vergleich zwischen webbasierter InnoProb Vorhersage und umfragebasierten Ergebnissen (Berliner Innovationspanel) der Verteilung innovativer und nicht-innovativer Unternehmen in Berlin (rechts). Quelle: Kinne und Lenz 2019.1

Die hier gezeigten Umfrageergebnisse für Berlin (Berliner Innovationspanel2) sind eine Besonderheit. Derart granulare Informationen sind, aufgrund des hohen Erhebungsaufwands, nur für sehr wenige Orte in Deutschland verfügbar. Mit webAI InnoProb können alle Unternehmen in allen Regionen hochfrequent analysiert und innovative Unternehmen bestimmt werden.  Für Marktanalysen, aber auch für die Evaluation innovationspolitischer Maßnahmen, sind derartige Daten von großem Wert.  Im Gegensatz zu traditionellen Erhebungsverfahren werden hierbei alle Unternehmen bewertet – nicht nur eine Stichprobe. Entscheidungen können so auf Basis einer hoch aktuellen und überall verfügbaren Datenbasis getroffen werden.

Wie funktioniert InnoProb?

Das webAI InnoProb Innovations-Vorhersagemodell basiert auf öffentlich zugänglichen Webtexten, die Unternehmen im Internet veröffentlichen. Diese Texte werden mit einem Deep Learning Modell unter Einsatz eines  künstlichen neuronalen Netzes analysiert und bewertet. Zuvor wurde das InnoProb-Netz mit Informationen aus einer traditionellen Unternehmensbefragung trainiert. Im Rahmen der hier verwendeten Erhebung wurden Unternehmen befragt, ob sie in der jüngeren Vergangenheit neue Produkte auf den Markt gebracht haben und somit als “Produktinnovatoren” gelten können. Im Anschluss wurden die Webtexte von allen teilnehmenden Unternehmen mit Hilfe eines Webscrapers, ein Tool, um Texte von Webseiten zu extrahieren, heruntergeladen. Anschließend wurden diese Texte 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 die Webtexte von Produktinnovation und Nicht-Innovatoren unterscheiden,  beispielsweise durch die Verwendung bestimmter Wörter und Wortkombinationen. Basierend auf den erlernten Zusammenhängen kann das neuronale Netz dann eine Prognose (den InnoProb Score) abgeben, mit welcher Wahrscheinlichkeit es sich bei einem Unternehmen um einen Produktinnovator handelt. In untenstehender Abbildung ist der beschriebene Prozess schematisch dargestellt.

Abbildung: Schematische Darstellung des InnoProb Workflows.
Quelle: Kinne und Axenbeck 2020.3
Was kommt nach InnoProb?

Mit insgesamt über dreißig Präsentationen erfuhr InnoProb im vergangen Jahr viel Interesse aus der Wissenschaft, der amtlichen Statistik, sowie Institutionen mit wirtschaftspolitischen Fokus. Istari.ai entwickelt den hier vorgestellten Ansatz nun kontinuierlich weiter. Als neuartige und potentiell revolutionäre Methode zur Erhebung von Marktinformationen können mit geringem personellen Aufwand flächendeckende Analysen in kurzen Zeiträumen konzeptioniert, durchgeführt und dadurch tagesaktuelle Informationen generiert werden. Insbesondere im Kontext hochdynamischer Ereignisse, die nach umfassenden, aber auch schnell verfügbaren und aktuellen Daten verlangen, zeigt unser Ansatz sein volles Potential. So konnten wir innerhalb kurzer Zeit webAI für die Messung der Auswirkungen der Coronavirus-Pandemie auf deutsche Unternehmen anpassen und so beispielsweise regionale Cluster identifizieren. In einem aktuellen Projekt arbeiten wir unter anderem daran, webAI für die Identifikation von Unternehmen anzupassen, die künstliche Intelligenz im Einsatz haben. Aufgrund des breiten Einsatzfeldes der webAI, werden webAI Daten bereits jetzt von Wissenschaftlerinnen und Wissenschaftlern verschiedenster Forschungsgebiete im In- und Ausland eingesetzt. Mehr dazu in unseren nächsten Blog-Artikeln.

Autor dieses Artikels ist Robert Dehghan.

Verwandte Beiträge