Article

Text Mining: Neue Chance für Unternehmen

So kann künstliche Intelligenz (KI) Unternehmen branchenübergreifend bei operativen und analytischen Tätigkeiten unterstützen

News-Feeds für das Asset Management maschinell analysieren oder die Beantwortung von Kundenanfragen bei Behörden automatisieren: Der Einsatz von Text Mining-Lösungen ist vielfältig und hilft Unternehmen und öffentlichen Institutionen bei der Digitalisierung. Die Zahl datengesteuerter Prozesse und Tätigkeiten nimmt branchenübergreifend kontinuierlich zu - bei steigendem Kostendruck und erweiterten regulatorischen Anforderungen. Durch Text Mining lassen sich viele dieser Tätigkeit digitalisieren. So lassen sich durch Webscraping Textdaten aus News, Social Media Feeds oder Kundenreviews extrahieren, anhand deren Betroffenheitsanalysen oder Kundentrends maschinell ausgewertet werden können. Möglich ist auch der Einsatz von Text Mining für regulatorische Fragestellungen, bei dem ein Frühwarnsystem anzeigt, wenn neue regulatorische Vorschriften veröffentlich werden und diese analysiert. Auch hat sich ein auf Text Mining basiertes (BERT-Modell) Email-Routing System bewährt, das Kundenanfragen automatisiert an die relevanten Mitarbeiter routen und maschinelle Antwortvorschläge generieren kann. In diesem Artikel beschreiben unsere Experten Voraussetzungen und Möglichkeiten für den Einsatz künstlicher Intelligenz bei der Verarbeitung von Textdaten und erklären anhand eines konkreten Use Cases bei einem Asset Manager, worauf es dabei ankommt.

Als es dem Supercomputer Deep Blue 1997 gelang, den amtierenden Weltmeister Kasparow im Schach zu schlagen, lieferte IBM erstmals den Beweis, dass künstliche Intelligenz (KI) dazu fähig ist, sich auch bei komplexen Aufgaben speziellen Fertigkeiten des menschlichen Gehirns anzunähern – und diese sogar zu übertreffen. Und doch ist es so, dass die größte Herausforderung für KI auch heute noch darin besteht, Dinge zu tun, die einem Menschen eher einfach erscheinen, etwa gesprochene Wörter zu erkennen oder Bilder und Texte zutreffend einzuordnen. Denn dafür ist es erforderlich, Zusammenhänge zu verstehen, um zum Beispiel Ungenauigkeit oder Mehrdeutigkeiten zu erkennen – und das setzt ein immenses Wissen über die Welt voraus, über das Menschen in der Regel bereits subjektiv und intuitiv verfügen. Dieses informelle Wissen Computern zu vermitteln, ist eine Hürde für die Entwicklung von Artificial Intelligence. Wo dies jedoch gelingt, etabliert sie sich in atemberaubender Geschwindigkeit als Schlüsseltechnologie mit enormem Potenzial für Unternehmen.

 

Erfahren Sie in unserem Flyer mehr zu Text Mining in Financial Services:

Wie Computer denken lernten

Den Durchbruch bei den Bemühungen, Computer den Kompetenzen des menschlichen Gehirns anzunähern, ermöglichte das Zusammenspiel von Natural Language Processing und Deep Learning.

Natural Language Processing (NLP) lässt sich als automatische Verarbeitung natürlicher Sprache durch Algorithmen definieren. Die besondere Herausforderung besteht darin, dass Sprache sehr kontextabhängig ist. Wörter haben in Verträgen eine andere Bedeutung als z.B. auf einer Marketing-Website. Zusätzlich sind Menschen in der Lage, sich sehr differenziert auszudrücken, ohne die dahinterstehenden Regeln formal beschreiben zu müssen.

Deep Learning ist ein Teilbereich von Machine Learning, bei dem die Algorithmen von der Struktur und den Funktionen des Gehirns inspiriert sind. Als entscheidende Faktoren für die Qualität dieser künstlichen neuronalen Netzwerke erwiesen sich die immens gewachsene Rechenpower von Computern und der Zugriff auf Big Data. Vereinfacht ausgedrückt: Je stärker das neuronale Netzwerk des Computers wächst und je mehr Daten ihm zugeführt werden, desto leistungsfähiger wird es. Im NLP-Bereich haben sich insbesondere vortrainierte neuronale Netze bewährt, wie beispielsweise das sogenannte „BERT-Modell“. Die Besonderheit ist dabei, dass hier nur noch relativ wenige Daten für den speziellen Use-Case vom Kunden benötigt werden, da diese Modelle bereits auf millionenfachen Datensätzen vortrainiert wurden und open source verfügbar sind.

 

Mit Text Mining lesen und bewerten Computer textuelle Informationen

Text Mining basiert in wesentlichen Aspekten auf den Möglichkeiten von Natural Language Processing und Deep Learning. Ziel dieses Analyseverfahrens ist es, Bedeutungszusammenhänge in Texten zu erkennen und automatisch zu verarbeiten.

Anders als Data Mining befasst sich Text Mining mit eher schwach strukturierten Textdaten. Das Verfahren ermöglicht es, Inhalte und Themenfelder verschiedenartiger Dokumente oder Webpages für eine Analyse zu extrahieren, zusammenzufassen und zu ordnen. So können Unternehmen diese künstliche Intelligenz für eine Vielzahl sehr unterschiedlicher Aufgaben nutzen. Zu den möglichen Anwendungsfeldern gehören beispielsweise das Erfassen und Bewerten von Stammdaten, das Herausfiltern spezifischer Vertragsbedingungen, das Gruppieren von Dokumenten in unterschiedliche Kategorien, das Generieren von Buchungssätzen auf Basis eingelesener Belege, oder die Prüfung aktueller Newsfeeds.

Ein weiterer wichtiger Use Case ist der Einsatz einer Chatbot-Applikation, mit der durch den Einsatz künstlicher Intelligenz Online-Chat-Gespräche ermöglicht werden, ohne dass ein direkter Kontakt zu einem Mitarbeiter bestehen muss. Damit können reguläre Serviceanfragen wie beispielsweise Umbuchungen, Stornierungen usw. durch die KI autonom gelöst werden, womit der Kundenservice massiv entlastet werden kann.

So setzen Unternehmen Text Mining ein

Prinzipiell folgt die Umsetzung eines Text-Analyse-Modells in Unternehmen einem standardisierten Vorgehen. Der Prozess lässt sich in sechs Einzelschritte unterteilen:

1. Business Understanding: Entwickeln eines klaren Verständnisses der vorrangigen Unternehmensfragen. Schon bei der Aufnahme der Anforderungen sollte thematisiert werden, welcher Output bei der Textanalyse das Business unterstützen soll.

2. Data Understanding: Verstehen der Struktur der vorliegenden Textdaten beziehungsweise Konkretisierung der benötigten Datenquellen. Für ein erfolgreiches Text-Analytics-Modell ist es entscheidend, die passgenauen Informationen für den Anwendungsfall zu identifizieren.

3. Data Preparation: Um die Textdaten für die Modellierung vorzubereiten, werden die ausgewählten Daten in einem Textkorpus zusammengefasst. Reicht die Datenbasis nicht aus oder sind notwendige Korpora nicht verfügbar, müssen entsprechende Daten hinzugefügt werden, zum Beispiel durch das Crawlen geeigneter, öffentlich zugänglicher Nachrichtenquellen oder Social-Media-Posts. Fehlt auf unterschiedlichen Ebenen die notwendige Kategorisierung oder Strukturierung, nehmen Experten des jeweiligen Fachgebietes die erforderliche Zuordnung in einem Labelling-Prozess vor.

4. Modelling: Nachdem die Texte als Input für die Text Mining-Algorithmen vorbereitet wurden, wird auf Basis der vorhandenen Expertise ein geeignetes Modell ausgewählt. In dieser Phase erfolgt auch die Festlegung aller erforderlichen Parameter für das Text Mining.

5. Evaluation: Modell und Verfahren werden anhand der Management-Vorgaben zur Performance-Evaluierung sowie anhand statistischer Methoden bewertet und gegebenenfalls angepasst.

6. Prototyping & Deployment: Die Entwicklung eines Prototyps erlaubt die Potenzialeinschätzung eines Text Mining-Use-Cases. Er dient außerdem dazu, die Ergebnisse anschließend zu erweitern und die Text Mining-Anwendung live zu nehmen (Deployment).

 

Text Minig Use Case: Scannen von Newsfeeds im Asset Management

Einen exemplarischen Anwendungsfall für Text Mining realisierte Deloitte in Zusammenarbeit mit einem großen deutschen Asset-Manager im Versicherungsbereich.

Kaum ein anderer Bereich ist so sehr von aktuellen Marktgeschehnissen und abhängig wie das Asset Management. Umso mehr kommt es drauf an, die wichtigen Nachrichten schnell und effizient zu analysieren, um somit eine valide Entscheidungsgrundlage zu generieren. In Rahmen unseres Text Mining-Projektes haben wir in enger Zusammenarbeit mit unserem Kunden eine Text Mining-Lösung entwickelt, in der Newsfeeds verschiedenster Anbieter sofort und verlässlich durch semantische NLP-Algorithmen analysiert werden. Die Informationen werden dann in einfacher, verständlicher und übersichtlicher Form strukturiert und den Usern in Form eines Dashboards zur Verfügung gestellt, womit schnellere und bessere Entscheidungen getroffen werden können.

Außerdem wurde im Rahmen dieses Projektes ein Machine-Learning-Modell entwickelt, mit dem zukünftige Ausfallrisiken und Ratingänderungen bestimmter Assets besser vorhergesagt werden können. Neben den quantitativen Daten haben sich nämlich die durch Text Mining generierte Daten als wichtige Input-Parameter erwiesen. Analysen konnten zeigen, dass diese bei der Vorherbestimmung des Risikoprofils eine wichtige Rolle spielen können.

Unser Service

Das Auslesen und Verarbeiten von Newsfeeds ist nur ein Beispiel für die Möglichkeiten, die sich für Unternehmen durch Text Mining ergeben. Da das Deloitte-Netzwerk über breite Branchenkenntnisse und große praktische Erfahrung mit künstlicher Intelligenz verfügt, können Unternehmen bei Text Mining-Projekte gezielt durch unsere KI-Experten unterstützt werden. Unsere Unterstützung reicht von der Bereitstellung erfahrener KI-Engineers zur Umsetzung von Microservice-Applikationen über KI-Schulungen für Führungskräfte oder Mitarbeiter bis hin zu KI-Strategie-Projekten.

Der Service von Deloitte wird in Zusammenarbeit mit dem Deloitte Analytics Institute erbracht und umfasst im Einzelnen:

Die Entwicklung einer individuell auf das Unternehmen zugeschnittenen Text Mining-Lösung. Diese beinhaltet im Rahmen der Vorstudie auch einen Machbarkeitsnachweis. Wir realisieren Teillösungen ebenso wie mehrstufige Projekte.

Die Einbindung unseres eigenen Data-Science-Teams. Unsere Data Scientists und Prozessexperten realisieren auch quantitativ hochgradig anspruchsvolle Projekte. Sie greifen dabei auf langjährige Erfahrung in der Entwicklung von Algorithmen mithilfe von künstlicher Intelligenz und Cloud-Computing zurück. Zum Service gehört zusätzlich die Anpassung an die Schnittstellen im System der Kunden.

Das Know-how des gesamten Deloitte-Netzwerkes. Die Kompetenz unserer Fachexperten für Bereiche wie Audit, Legal oder Tax ermöglicht die hocheffiziente Zuspitzung des KI-Einsatzes auf die spezifischen Management-Anforderungen.