Semantic Business Intelligence Business Intelligence im Web 3.0

Transkript

1 Semantic Business Intelligence Business Intelligence im Web 3.0 Jürgen Lütkehellweg, Dr. Hans Josef Hesse, Dr. Mohammad Abuosba Jörn Lehmann KnowTech l l

2 34% aller Blogger posten Meinungen über Produkte & Marken 25% der Suchergebnisse für die Top 20 Marken weltweit verlinken auf benutzergenerierte Inhalte. Benötigte Jahre, um 50 Millionen Nutzer zu erreichen: Radio (38 Jahre), TV (13 Jahre), Internet (4 Jahre), ipod (3 Jahre) Facebook gewann 100 Millionen Nutzer in weniger als 9 Monaten iphone Apps 1 Milliarde in 9 Monaten. Es gibt über 80% der Firmen nutzen LinkedIn als primäres Tool, um Mitarbeiter zu finden Blogs Wikipedia hat über 13 Millionen Artikel Studien zeigen, dass es präziser ist als die Encyclopedia Britannica. 2 l l

3 Über 20% aller Tweets beziehen sich auf Produkte und Marken. Über 247 Milliarden E Mails werden täglich versendet. Über tweets werden pro Minute versendet. Über Vorschläge, Tipps und Tik Tricks werden täglich in Expertenforen gepostet. tt Es gibt Millionen von Kundendatensätzen in einer durchschnittlich großen Firma. 3 l l

4 Die Möglichkeiten In den letzten zwei Jahren wurden mehr digitale Daten generiert als in der gesamten bisherigen Geschichte der Menschheit. Das Internet ist zu einem Schatz voller Informationen über Kunden, Produkte, Wettbewerber, Forschungsinhalten und Märkten angewachsen. Informationen über Markttrends, Risiken und Chancen warten nur darauf, erschlossen zu werden. Im Jahre 2010 wird die Menge an digitalen Informationen, die erstellt, gespeichert und reproduziert e werden,,986 Exabyte oder 986 Mrd. Gigabyte betragen. (Quelle: IDC) (Gestapelte Bücher bis zum Pluto und zur Erde zurück) 4 l l

5 Open Enterprise Ermöglicht wichtige Geschäftsentscheidungen basierend auf Informationen innerhalb und außerhalb des Unternehmens. 1990er & Zukunft Enterprise Information wird hinter einer Firewall aufgefunden Online Information ist für ein Unternehmen offen verfügbar, wird aber nur selten genutzt Die Entwicklung des Open Enterprise Die Attensity Group ermöglicht Unternehmen sich gesichert den Schätzen im sozialen Netz zu öffnen um dabeieinblickezu gewinnen die für Unternehmensentscheidungen kritisch und gewinnbringend sind. 5 l l

6 Die Herausforderung Strukturierte Informationen 20 % 80 % Unstrukturierte Informationen Probleme, Markttrends, Ideen, Anforderungen 6 l l

7 Das THESEUS Projekt Konsortialführer Großunternehmen Mittelständische Firmen, Verbände, kulturelle Einrichtungen Forschungspartner Diverse Universitäten 7 l l

8 Sechs Anwendungsszenarien entwickeln neue Ansätze. THESEUS Programm Programm Koordination Use Case Use Case Use Case Use Case Use Case Use Case ALEXANDRIA CONTENTUS MEDICO ORDO PROCESSUS TEXO Wissensplattform Technologien für Intelligente Ordnung Wissen in Infrastruktur für im die Mediathek Recherche in für die Unternehmen internetbasierte Internet der Zukunft Medizindaten digitale Welt besser nutzen Dienste -banken Core Technology Cluster (CTC) 8 Quelle: THESEUS Programm 8 l l

9 THESEUS sichert Deutschland weiterhin diese Spitzenposition Wissenschaftliche Exzellenz» Entwicklung semantischer Technologien» Schaffung neuer Standards» Zusammenarbeit von Wissenschaft und Wirtschaft» Impulse für die deutsche Forschungslandschaft» Nachwuchsförderung, Verbesserung der Ausbildung Wirtschaftliches Potential» Entwicklung neuer Geschäftsmodelle und Dienstleistungen» Zusammenarbeit von Wissenschaft und Wirtschaft» Einbeziehung von (spezialisierten) KMU» Schaffung von Arbeitsplätzen in Zukunftsbereichen Quelle: THESEUS Programm 9 l l

10 PROCESSUS Vision» ProaktiveBereitstellung von Informationen und Daten passend zu dem aktuellen Prozessschritt» Finden relevanter Informationen auch ohne exaktes Wissen des notwendigen Schlüsselwortes»Aktionen können Änderungen in nachfolgenden Prozessschritten nach sich ziehen PROCESSUS» Erkennung und Bereitstellung impliziter Informationen aus den vorhandenen Daten Business Prozess Recherche nach vergleichbaren Lösungen Angebotserstellungsprozeß initiieren Erarbeitung substituierender Lösungen Nutzung vorhandener Komponenten... Kalkulation Aggregation 10 l l

11 PROCESSUS das Anwendungsszenario für die Wirtschaft im Rahmen von THESEUS DieVision von PROCESSUSistdassemantische semantische Unternehmen Es soll eine Plattform geschaffen werden, die Geschäftsprozesse mit semantischem Wissen kombiniert. i Ziel ist es: alle innerhalb und außerhalb (Web oder Partnerunternehmen) eines Unternehmens verfügbaren Informationen aufgrund ihres Kontextes in Geschäftsprozesse zu integrieren und diese so zu optimieren. PROCESSUS = semantische Business Integrations Plattform 11 l l

12 PROCESSUS das Anwendungsszenario für die Wirtschaft im Rahmen von THESEUS 1. Anwendungspartner (Mitglieder des THESEUS Konsotiums) 2. Technologiepartner (R&D als Teil von THESEUS) 3. Kooperationspartner (Testdaten, Geschäftsprozesse, ) 12 l l

13 34% aller Blogger posten Meinungen über Produkte & Marken 25% der Suchergebnisse für die Top 20 Marken weltweit verlinken auf benutzergenerierte Inhalte. Benötigte Jahre, um 50 Millionen Nutzer zu erreichen: Radio (38 Jahre), TV (13 Jahre), Internet (4 Jahre), ipod (3 Jahre) Facebook gewann 100 Millionen Nutzer in weniger als 9 Monaten iphone Apps 1 Milliarde in 9 Monaten. Es gibt über 80% der Firmen nutzen LinkedIn als primäres Tool, um Mitarbeiter zu finden Blogs Wikipedia hat über 13 Millionen Artikel Studien zeigen, dass es präziser ist als die Encyclopedia Britannica. 13 l l

14 Die Herausforderung 14 l l

15 Business Intelligence heute Veränderung des ETL Prozesses Unstrukturierte Informationen müssen verwertet werden Manuelle Recherchen und Verdichtungen sind in Anbetracht der Datenmenge unzumutbar Analysemöglichkeiten li it das gesamte Social Media beobachten den relevanten Konversationen zuhören Themenkarrieren analysieren tiefer vorstoßen zu den Bewertungen der Nutzer (Drilldown) handlungsrelevante Einsichten gewinnen auf kritische Themen früh reagieren Pro aktiv kommunizieren den Dialog mit Kunden und Partnern frühzeitig (präventiv) initiieren 15 l l

16 Text Analysis Basics language identification In multilingual environments layout analysis sentences and clause barriers titles, tables, styles tokenization complexity depends on the language compound analysis and disambiguation Kinderkrankenpflegerinnen -> Kind+Krank+Pfleger Rindfleischetikettierungsüberwachungsaufgabenübertragungsgesetz stemming Gläser Glas Putins Putin abgeflogen abfliegen 16 l l

17 Text Analysis Syntax POS identification the 2008 US presidential campaign DET NUM PROP ADJ NOUN phrase grouping Fruit flies like a banana Fruit flies like a banana coreference analysis Hans mag Angela nicht. Sie hat ihn entlassen. Kant is geboren in Königsberg, und dort auch gestorben. syntactic function assignment Subject, Objects, MainVerb, Predicate [Sabine Sub] hat schon wieder [ein UFO Dir] [gesehen MV]. 17 l l

18 Text Analysis Semantics Entity Tagging Linguistic Development: Lexicon Hilton : COMPANY; Hilton : PERSON_FAM; Paris : CITY; Paris : PERSON_GIV, gender=fem; Regex Rules { <stem=herr Frau> $PERSON_GIV? <von>? <pos= Noun Proper > } => PERSON; 18 l l

19 Text Analysis Semantics Entity Tagging SAP acquires French Business Objects for 4,8 billion Euro. COMPANY: SAP COUNTRY: France COMPANY: Business Objects CURRENCY: 4.800M Euro 19 l l

20 Text Analysis Semantics Fact Tagging Linguistic i Development: { { $COMPANY } => BUYER <..> $BUY <..> { $COMPANY@(fun= Obj )} Obj => TARGET } => ACQUISITION; DE: EN: { <stem = kaufen übernehmen ankaufen erwerben, pos=verb> } => BUY; { <stem = buy purchase take over swallow, pos=verb> } => BUY; SAP is reportedly considering to take over Business Objects. SAP hat gestern Business Objects gekauft. 20 l l

21 Ergebnis SAP acquires French Business Objects for 4,8 billion Euro. BUYER: SAP COMPANY TAKEOVER PRICE (EurM) TARGET: BO COUNTRY: France 21 l l

22 Text Mining / NLP Unstructured Text Entities Facts Relationships Decision Support 22 l l 22

23 Text Mining / NLP Unstructured Text Entities Facts Relationships Decision Support 23 l l 23

24 Text Mining / NLP Unstructured Text Entities Facts Relationships Decision Support BUYER: SAP COMPANY TAKEOVER TARGET: BO COUNTRY: France PRICE ( ) 4.8m 24 l l 24

25 Text Mining / NLP Unstructured Text Entities Facts Relationships Customers & Market Decision Support SAP Technology Takeover BO Technology Shareholders 25 l l 25

26 Extraktion von detaillierten Nutzer Statements Ursachenanalyse Aufbereitung von handlungsleitender Information Beispiel: Auswertung von Hotelbewertungen aus Foren und internem Kundenfeedback. 26 l l

27 27 l l

28 28 l l

29 29 l l

30 30 l l

31 Was halten Sie vom ipad? Analyse von Tweets einen Tag nach Beginn des ipad Vertriebs in den USA 73% Zustimmung (67%+6%) 31 l l

32 Was mag der Nutzer am ipad? Drill Down in die positiven Kommentare Mit 38% überwiegen die verfügbaren Applikationen 32 l l

33 Favorite ipad Applications Drill Down die Applikationen 3 dominierende Applikationen ibook Reader Entertainment (Streaming) iwork 33 l l

34 Customer Experience Management LARA ACT by engaging with customers through response, with relevant content and across any channel LISTEN to your customers gain customer expectation insight across any and all channels (e mail, phone, documents, Web 2.0, SMS,chat, self service) service) RELATE newly uncovered information with structured data that already exists (ERP, CRM, BI data, warehouse data) ANALYZE customer information to detect potential problems. In the field, refine messaging, uncover new product opportunities, improve your service center responsiveness. 34 l l

35 KNOW. RIGHT. NOW. 35 l l

36 KNOW. RIGHT. NOW. Vielen Dank 36 l l