Trend- und Marktanalyse

Mit unseren Methoden können wir Trends aus stetig wachsenden Mengen unstrukturierter Daten valide und schnell erkennen. Dafür verwenden wir ein eigenentwickeltes Verfahren, das verschiedene Datenquellen wie RSS-Feeds, Homepages, Newsletter, Beiträge in Social Media-Plattformen, wissenschaftliche Veröffentlichungen oder Patentanmeldungen fortlaufend und sprachübergreifend verarbeitet. Mit Hilfe von Semantic Web Tools werden automatisch Beziehungen, Ereignisse und Fakten erkannt und annotiert, mittels Linked Open Data-Prinzipien vernetzt und in einem dynamischen Wissensgraph abgebildet. Auf dieser Basis identifizieren wir markt- und technologiespezifische Trends, leiten branchenspezifische Szenarien ab und analysieren die dafür relevanten Indikatoren im zeitlichen Verlauf. Das folgende Schaubild zeigt die wesentlichen Schritte unseres Analyseprozesses:

• Datensammlung: Im aktuellen Projektstadium liegt der Fokus auf Textdaten, die aus mehr als 1.400 verschiedenen Datenquellen kontinuierlich gesammelt werden. Zu den Quellen zählen Nachrichtenmeldungen über Google- und RSS-Feeds ebenso wie spezifische Unternehmens-Homepages, Social-Media-Plattformen, regionale und fachspezifische Informationsplattformen sowie Datenbanken mit wissenschaftlichen Veröffentlichungen oder Patentanmeldungen.
• Textanalyse: Die Textdaten kommen aus beliebigen Sprachräumen und werden zur weiteren Auswertung automatisiert ins Englische übersetzt, um ein normiertes Set an Informationen zu erhalten. In den übersetzten Texten werden anschließend relevante Erwähnungen wie z. B. Unternehmen, Technologien oder Länder durch Natural Language Processing (NLP) erkannt, als eindeutige Entitäten dargestellt sowie mit weiteren Wissensgraphen verknüpft. Hierdurch wird es möglich, Erwähnungen über verschiedene Quellen hinweg zu identifizieren und mit impliziten Informationen automatisiert zu vernetzen.
• Entwicklung Wissensgraph: Um das Wissen aus den gesammelten Texten strukturieren und analysieren zu können, entwickeln wir themenspezifische Wissensgraphen. Diese spiegeln die Verbindungen und Zusammenhänge bestimmter Erwähnungen und Inhalte wider. Der Aufbau der Wissensgraphen ermöglicht ein inkrementelles, flexibles Wachstum der Wissensbasis sowie eine Nachverfolgbarkeit der Herkunft von aufbereiteten Informationen.  
• Trend Exploration: Nun können spezifische Fragen an den Wissensgraphen gestellt werden (z. B. „Welche Unternehmen bieten Nutzfahrzeuge mit Wasserstoffantrieb an?"). Weiterhin kann auch breiter nach bisher unbekannten Entwicklungen gesucht werden, die beispielswiese über Topic Modeling identifiziert werden können.
• Visualisierung: Da sich die Wissensbasis kontinuierlich erweitert und sich die Markt- und Technologieumgebungen dynamisch fortentwickeln, erfolgt die Visualisierung der Ergebnisse über moderne Business Intelligence Tools, die eine stets aktuelle, interaktive Ergebnisdarstellung sowie weiterführende Analysen ermöglichen.

Konkret forschen wir unter anderem an folgenden Methoden:

• Textmining zur automatisierten Erschließung großer, diversifizierter Datenmengen
• Natural Language Processing (NLP) und Disambiguierung mit Semantic Web/Linked Open Data zur Aufbereitung und Verarbeitung der Daten sowie zur Entwicklung dynamischer, semantischer Datenstrukturen
• Anwendung von Named Entity Recognition (NER), Named Entity Linking (NEL) und Entity Matching, auch für bisher nicht bekannte Entitäten wie Start-Ups oder neue Technologien
• Sentiment-Analysen zur Erfassung von Kundeneinstellungen
• Topic Modeling zum Erkennen schwacher Trendsignale
• Szenariotechniken zur Einbettung der identifizierten Trends in Szenarien im konkreten Unternehmensumfeld