Wie künstliche Intelligenz das Deal Sourcing verbessern kann
Zusammenfassung
Wir haben eine leistungsstarke KI-Lösung entwickelt, die es Private-Equity-Fonds und Risikokapitalfirmen ermöglicht, den Deal-Sourcing-Prozess auf effiziente Weise durchzuführen.
Herausforderung
Das Deal Sourcing ermöglicht es Investoren, Nischenmärkte zu finden und deren finanzielle Lage zu beurteilen. Dieser Prozess kann jedoch sehr zeitaufwendig sein und wird oft durch die Beschränkungen des in der Europäischen Union verwendeten Standardklassifizierungssystems für die Industrie erschwert. Bei der Eintragung in das Handelsregister muss jedes Unternehmen in Deutschland eine Beschreibung seiner Haupttätigkeiten vorlegen. Die in der Europäischen Union verwendeten Klassifizierungssysteme wie die NACE (Systematik der Wirtschaftszweige) berücksichtigen in ihrer Liste der Codes jedoch keine neuen und aufstrebenden Marktbereiche. So gibt es beispielsweise keinen relevanten Code für Unternehmen, die sich mit maschinellem Lernen und künstlicher Intelligenz beschäftigen. Darüber hinaus hat die Suche nach Schlüsselwörtern ebenfalls ihre Grenzen, da sie keine semantisch relevanten Unternehmen für die Suchanfrage liefert. Dies macht es für Private-Equity-Fonds und Unternehmensentwicklungsgesellschaften unglaublich schwierig, Nischenmärkte zu erkunden und darin relevante Unternehmen zu finden.
Lösung von AI Superior
Wir haben eine End-to-End-Lösung entwickelt, die auf Techniken Verarbeitung natürlicher Sprache (NLP) und Deep-Learning-Modellen basiert. Sie sammelt, verarbeitet, analysiert und zeigt Daten aus verschiedenen Quellen an und ermöglicht es den Nutzern, semantische und syntaktische Suchen durchzuführen, Unternehmenscluster zu erkunden, ähnliche Unternehmen zu überprüfen und vieles mehr.
Zu diesem Zweck verwendet unsere Lösung einen robusten Scrapper, um Informationen aus öffentlichen Datenquellen zu extrahieren und sie dann in einer Datenbank zusammenzufassen, die die folgenden Felder enthält: Unternehmensname, Registrierungsdatum, Unternehmensstatus (aktiv/inaktiv) und Beschreibung der Geschäftstätigkeit. Durch den Einsatz einer Komponente, die Deep-Learning-Modelle, so genannte vortrainierte Netzwerke wie das mehrsprachige BERT, verwendet, vektorisiert unsere Lösung dann die Unternehmensbeschreibungen, was eine Gruppierung der Unternehmen auf der Grundlage ihrer semantischen Ähnlichkeit ermöglicht. Darüber hinaus können die Benutzer mit demselben Ansatz semantische Suchen durchführen: Das eingegebene Schlüsselwort wird vektorisiert und dann wird in der Datenbank nach der semantisch ähnlichsten Beschreibung gesucht. Der Benutzer kann auch die Größe dieser Cluster steuern und den Schwellenwert für die semantische Ähnlichkeit festlegen. Schließlich können mit der Lösung auch Finanzdaten extrahiert und aggregiert werden, um zu sehen, wie sich relevante Unternehmen (einzeln oder als Gruppe) im Laufe der Zeit entwickeln, und alle diese Informationen in einem PDF-Bericht zu exportieren.
Dieses Bild zeigt das Dashboard des Tools (auf der linken Seite werden Cluster von Unternehmen angezeigt, die nach ihrer semantischen Ähnlichkeit gruppiert sind. Auf der rechten Seite wird die Liste der Unternehmen innerhalb des ausgewählten Clusters angezeigt)
Ergebnisse und Auswirkungen
Unsere Lösung bot unserem Kunden, einer Private-Equity-Gesellschaft, ein fortschrittliches Instrumentarium zur Erkundung des Marktes und zur Gewinnung von Erkenntnissen über bestimmte Branchen. Darüber hinaus konnte die Effizienz gesteigert und der Deal-Sourcing-Prozess optimiert werden, indem die Arbeitsbelastung der Analysten für jeden neu entdeckten Nischenmarkt um eine Woche reduziert wurde.
Neben Private-Equity-Unternehmen kann unsere Lösung auch für andere Branchen von Nutzen sein. So kann sie beispielsweise Marktanalysten bei der Erstellung von Berichten und der Analyse von Branchentrends unterstützen oder Business Development Managern helfen, relevante Unternehmen für ihr Produktangebot zu finden, und vieles mehr.
German 
English 
Arabic 
French 
Dutch 
Spanish