Wir haben eine leistungsstarke KI-Lösung entwickelt, die es Private-Equity-Fonds und Risikokapitalfirmen ermöglicht, den Deal-Sourcing-Prozess effizient durchzuführen.
Wie künstliche Intelligenz das Deal Sourcing verbessern kann
Zusammenfassung
Herausforderung
Durch Deal Sourcing können Investoren Nischenmärkte finden und deren finanzielle Lage bewerten. Dieser Prozess kann jedoch extrem zeitaufwändig sein und wird oft durch die Beschränkungen des in der Europäischen Union verwendeten branchenüblichen Klassifizierungssystems erschwert. Bei der Eintragung ins Handelsregister muss jedes Unternehmen in Deutschland eine Beschreibung seiner Hauptgeschäftstätigkeiten vorlegen. In der Europäischen Union verwendete Klassifizierungssysteme wie NACE (Nomenklatur der Wirtschaftszweige) berücksichtigen jedoch keine neuen und aufstrebenden Marktfelder in ihrer Codeliste. Beispielsweise gibt es keinen relevanten Code für Unternehmen, die sich auf maschinelles Lernen und künstliche Intelligenz konzentrieren. Darüber hinaus ist auch die Suche nach Schlüsselwörtern begrenzt, da sie keine semantisch relevanten Unternehmen für die Suchanfrage liefert. Dies macht es für Private-Equity-Fonds und Geschäftsentwicklungsunternehmen unglaublich schwierig, Nischenmärkte zu erkunden und darin relevante Unternehmen zu finden.
Lösung von AI Superior
Wir entwickelten eine End-to-End-Lösung basierend auf Verarbeitung natürlicher Sprache Techniken und Deep-Learning-Modelle, die Daten aus verschiedenen Quellen sammeln, verarbeiten, analysieren und anzeigen und es Benutzern ermöglichen, semantische und syntaktische Suchvorgänge 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 diese dann in einer Datenbank zu aggregieren, die die folgenden Felder enthält: Firmenname, Registrierungsdatum, Firmenstatus (aktiv/inaktiv) und Beschreibung der Geschäftstätigkeit. Durch den Einsatz einer Komponente, die Deep-Learning-Modelle verwendet, sogenannte vortrainierte Netzwerke wie mehrsprachiges BERT, vektorisiert unsere Lösung dann die Beschreibungen der Unternehmen, was eine Clusterung von Entitäten auf der Grundlage ihrer semantischen Ähnlichkeit ermöglicht. Darüber hinaus ermöglicht sie es den Benutzern, mit demselben Ansatz auch semantische Suchen durchzuführen: Sie vektorisiert das eingegebene Schlüsselwort und sucht dann in der Datenbank nach der semantisch am nächsten kommenden Beschreibung. Der Benutzer kann auch die Größe dieser Cluster steuern und den Schwellenwert für die semantische Ähnlichkeit definieren. Schließlich ermöglicht die Lösung auch die Extraktion und Aggregation von Finanzdaten, um zu sehen, wie sich relevante Unternehmen (einzeln oder als Gruppe) im Laufe der Zeit entwickeln, und alle diese Informationen in einen PDF-Bericht zu exportieren.
Dieses Bild zeigt das Dashboard des Tools (auf der linken Seite werden Cluster von Entitäten angezeigt, die nach ihrer semantischen Ähnlichkeit gruppiert sind. Auf der rechten Seite wird die Liste der Unternehmen innerhalb des ausgewählten Clusters angezeigt).
Ergebnis und Implikationen
Unsere Lösung stellte unserem Kunden, einem Private-Equity-Unternehmen, ein fortschrittliches Toolset zur Verfügung, um den Markt zu erkunden und Einblicke in bestimmte Branchen zu gewinnen. Darüber hinaus ermöglichte sie eine Effizienzsteigerung und Optimierung des Deal-Sourcing-Prozesses, indem sie die Arbeitsbelastung eines Analysten für jeden neu entdeckten Nischenmarkt um eine Woche reduzierte.
Neben Private-Equity-Unternehmen kann unsere Lösung auch für andere Branchen von Nutzen sein. So kann sie beispielsweise Marktanalysten dabei helfen, Berichte zu erstellen und Branchentrends zu analysieren, oder Business Development Manager dabei unterstützen, relevante Unternehmen für ihr Produktangebot zu finden und vieles mehr.
German 
English