Hoe kunstmatige intelligentie de dealsourcing kan verbeteren
Samenvatting
We hebben een krachtige AI-oplossing ontwikkeld waarmee private equity-fondsen en durfkapitaalbedrijven het dealsourcingproces op een efficiënte manier kunnen uitvoeren.
Uitdaging
Door dealsourcing kunnen beleggers nichemarkten vinden en hun financiële situatie beoordelen. Dit proces kan echter uiterst tijdrovend zijn en wordt vaak verergerd door de beperkingen van het industriestandaardclassificatiesysteem dat in de Europese Unie wordt gebruikt. Bij registratie in het handelsregister is elk bedrijf in Duitsland verplicht een beschrijving van zijn belangrijkste bedrijfsactiviteiten te verstrekken. Classificatiesystemen die in de Europese Unie worden gebruikt, zoals NACE (Nomenclatuur van Economische Activiteiten), houden echter geen rekening met nieuwe en opkomende marktgebieden in hun lijst met codes. Er bestaat bijvoorbeeld geen relevante code voor bedrijven die zich richten op machine learning en kunstmatige intelligentie. Bovendien heeft het zoeken op trefwoorden ook zijn beperkingen, omdat het geen semantisch relevante bedrijven voor de zoekopdracht terughaalt. Dit maakt het ongelooflijk moeilijk voor private equity-fondsen en bedrijfsontwikkelingsbedrijven om nichemarkten te verkennen en daarin relevante bedrijven te vinden.
Oplossing van AI Superior
Op basis daarvan hebben wij een end-to-end oplossing ontwikkeld Natuurlijke taalverwerking technieken en Deep Learning-modellen die gegevens uit verschillende bronnen verzamelen, verwerken, analyseren en weergeven en gebruikers in staat stellen semantische en syntactische zoekopdrachten uit te voeren, clusters van bedrijven te verkennen, vergelijkbare bedrijven te beoordelen en meer.
Om dit te doen, maakt onze oplossing gebruik van een robuuste scrapper om informatie uit openbare gegevensbronnen te extraheren en deze vervolgens samen te voegen in een database die de volgende velden bevat: bedrijfsnaam, registratiedatum, bedrijfsstatus (actief/inactief) en beschrijving van de commerciële activiteit. . Door gebruik te maken van een component die gebruik maakt van diepgaande leermodellen, zogenaamde vooraf getrainde netwerken zoals meertalige BERT, vectoriseert onze oplossing vervolgens de beschrijvingen van bedrijven, waardoor clustering van entiteiten mogelijk wordt gemaakt op basis van hun semantische gelijkenis. Bovendien kunnen gebruikers semantische zoekopdrachten uitvoeren door dezelfde aanpak te gebruiken: het vectoriseert het ingevoerde trefwoord en zoekt vervolgens naar de semantisch meest nabije beschrijving in de database. De gebruiker kan ook de grootte van deze clusters bepalen en de drempel voor semantische gelijkenis definiëren. Ten slotte maakt de oplossing het ook mogelijk om financiële gegevens te extraheren en samen te voegen om te zien hoe relevante bedrijven (individueel of als groep) zich in de loop van de tijd ontwikkelen en al deze informatie in een pdf-rapport te exporteren.
Deze afbeelding toont het dashboard van de tool (de linkerkant toont clusters van entiteiten gegroepeerd op hun semantische gelijkenis. De rechterkant toont de lijst met bedrijven binnen het geselecteerde cluster)
Resultaat en implicaties
Onze oplossing voorzag onze klant, een private-equitybedrijf, van een geavanceerde toolset om de markt te verkennen en inzichten te krijgen over specifieke sectoren. Bovendien kon de efficiëntie worden verhoogd en het dealsourcingproces worden geoptimaliseerd door de werklast van analisten met een week te verminderen voor elke nieuwe nichemarkt die werd ontdekt.
Naast private equity bedrijven kan onze oplossing ook voor andere sectoren van nut zijn. Het kan marktanalisten bijvoorbeeld helpen bij het genereren van rapporten en het analyseren van trends in de sector, of kan managers op het gebied van bedrijfsontwikkeling helpen relevante bedrijven te vinden voor hun productaanbod, en nog veel meer.