Produktentwicklung damit sollten Sie rechnen

Transkript

1 Produktentwicklung damit sollten Sie rechnen 0. Zusammenfassung Wer Produktentwicklung betreiben will, muss in erster Linie sehr viel lesen: Dokumente aus unterschiedlichsten Quellen und in vielen Formaten. In diesem Artikel wird gezeigt, dass man große Teile dieser Arbeit einem Computer überlassen kann, indem dieser im mathematischen Sinn mit den Dokumenten rechnet. 1. Einleitung Am Anfang von F&E-Projekten geht es hauptsächlich darum, Projektziele zu definieren (was will der Kunde, was macht der Wettbewerb, welche mittel- und langfristigen Trends existieren, etc.), den Stand von Wissenschaft und Technik zu ermitteln (aus Patenten und Publikationen), sowie die Erfahrungen und Vorarbeiten der eigenen Organisation zusammen zu fassen. Während des Vorhabens ist es von Bedeutung, zu entscheiden, welche Dokumente in welcher Projektphase wichtig sind, oder bereits gelesene Inhalte wieder zu finden. Am Ende eines Vorhabens schließlich gilt es herauszufinden, wer an den Ergebnissen Interesse haben könnte, die im Projekt entstanden sind entweder, um diese Ergebnisse als Produkt oder Dienstleistung zu verkaufen, oder um mit ihnen neue Projekte zu akquirieren. Lesen so wie es in diesem Zusammenhang zu verstehen ist, unterscheidet sich deutlich vom Lesen eines Romans, und setzt sich in der Regel aus folgenden Arbeitsschritten zusammen: Literatur beschaffen, sichten, sortieren, das Lesen im engeren Sinn selbst, verstehen und Schlüsse daraus ziehen. Sichten und sortieren einer Vielzahl von Dokumenten ist in diesem Zusammenhang oft nicht nur zeitraubend und ermüdend, sondern auch lästig und fehleranfällig und führt wenn es manuell erledigt werden muss, in vielen Fällen dazu, dass sehr viel weniger Dokumente in die Untersuchung einbezogen werden, als es wünschenswert wäre. In diesem Artikel soll gezeigt werden, dass und vor allem: wie man die Arbeitsschritte sichten und sortieren einem Computer übertragen kann, um sich so besser auf die den produktiven Teil des Lesens konzentrieren zu können. 2. Vorbereitung Abbildung 1: mögliche Quellen für die Dokumentanalyse sind: Officedokumente, Datenbankinhalte, Webseiten, Inhalte von Patentdatenbanken oder wissenschaftliche Publikationen Damit ein Computer Dokumente sichten und sortieren kann, muss man ihn in die Lage versetzen, mit den Dokumenten im mathematischen Sinn rechnen zu können. Dazu werden relevante Dokumente beschafft (Abbildung 1) und einer Formatwandlung unterzogen (von nahezu beliebigen Eingangsformaten nach TXT; im

2 Fall von Patenten können diese über eigene Schnittstellen direkt aus den Datenbanken von EU- und US-Patentamt bezogen werden). Im zweiten Schritt werden alle Dokumente in einzelne Worte zerlegt, wobei Stoppworte (=Worte, die für den Inhalt ohne Bedeutung sind wie z. B. Der, die, das, ein, einer, eines, etc.) entfernt, und alle verbleibenden Worte auf ihre Stammformen reduziert werden (damit wird verhindert, dass Begriffe, die in unterschiedlichen Personen oder Zeiten vorkommen können, jeweils als eigenes Wort berücksichtigt werden). Mit den verbleibenden Worten wird eine sogenannte Eigenschaftsmatrix berechnet; sie enthält eine Zeile je Dokument, sowie eine Spalte je Wort. Die Zellen der Matrix selbst enthalten die relative Worthäufigkeit (Abbildung 2). Jede Zeile der Matrix stellt einen Eigenschaftsvektor dar, der das zugehörige Dokument inhaltlich beschreibt.3. Analyseverfahren Abbildung 2: Eigenschaftsmatrix der Dokumentkollektion: nach der Vorbereitung der Dokumente für die Analyse entsteht eine Eigenschaftsmatrix, die pro Dokument eine Zeile und pro Wort eine Spalte enthält. In den Zellen der Matrix steht die relative Worthäufigkeit. Jede Zeile kann als Eigenschaftsvektor eines Dokuments verstanden werden, mit dem sich im mathematischen Sinn rechnen lässt. Mit den verbleibenden Worten wird eine sogenannte Eigenschaftsmatrix berechnet; sie enthält eine Zeile je Dokument, sowie eine Spalte je Wort. Die Zellen der Matrix selbst enthalten die relative Worthäufigkeit (Abbildung 2). Jede Zeile der Matrix stellt einen Eigenschaftsvektor dar, der das zugehörige Dokument inhaltlich beschreibt.3. Analyseverfahren 3. Analyseverfahren 3.1 Listen: im einfachsten Fall werden aus den Dokumenten Listen erstellt, die im Fall von Patenten z. B. folgende Informationen enthalten können: Patentnummer, Anmelder, Datum, Land, Titel, etc. Durch unterschiedliche Sortierung (nach Anwender, nach Datum, etc.) sind verschiedene inhaltliche Zugänge möglich. 3.2 Häufigkeiten: Listen der für die Analyse berücksichtigten Worte einschließlich ihrer mittleren Häufigkeit (incl. Fehler) sowie ihrer Gesamthäufigkeit. Auch hier sind durch unterschiedliche Sortierungen (alphabetisch, nach mittlerer Häufigkeit, etc.) verschiedene inhaltliche Zugänge möglich. 3.3 Volltextindex: ein Volltextindex aller Dokumente in Verbindung mit einer Suchsoftware ermöglicht Trefferlisten, wie sie von Suchmaschinen im Internet bekannt sind. Der benutzte Algorithmus gestattet es jedoch darüber hinaus, die Dokumente in der Trefferliste on the fly zu clustern, und Clustergrößen sowie inhaltliche Verbindungen zwischen den Clustern grafisch darzustellen. 3.4 Profile: unter dem Begriff Profil wird in diesem Zusammenhang im einfachsten Fall die grafische Darstellung der Werte einer Zeile der Eigenschaftsmatrix verstanden. Man erkennt so auf

3 einen Blick diejenigen Begriffe, die in einem Dokument von besonderer Bedeutung sind. Natürlich ist es möglich, Profile nicht nur von einzelnen Dokumenten zu erstellen, sondern ebenso von allen Dokumenten eines Clusters, allen Dokumenten einer Organisation oder allen Dokumenten eines bestimmten Zeitraums. 3.5 Differenzen: hat man mehrere Profile erstellt, lassen sich diese voneinander subtrahieren, um auf diese Weise die inhaltlichen Unterschiede einzelner Dokumente, Cluster, Organisationen oder Zeiträume in den Blick zu rücken. 3.6 Zeitabhängigkeiten: Zeitabhängigkeiten ermöglichen z. B. die Darstellung wann wie viele Dokumente publiziert worden sind, wie sich Worthäufigkeiten mit der Zeit verändern oder wann die Dokumente eines thematischen Clusters entstanden sind. 3.7 NGramme: (=Wortfolgen) stellen den Zusammenhang zwischen den Worten wieder her, der durch die Aufteilung der Dokumente in einzelne Worte verloren gegangen ist (Zwei-Wort-Folgen werden als Bigramme, Drei-Wort-Folgen als Trigramme usw. bezeichnet). Abbildung 3: Assoziationen zum Begriff "temperatur" (Worte, die zusammen mit diesem Begriff im gleichen Dokument vorkommen) 3.8 Assoziationen: ähnlich wie NGramme sagen auch Assoziationen etwas über den Zusammenhang aus, in dem ein bestimmtes Wort gebraucht wird (Abbildung 3). Während im Fall von NGrammen Wortfolgen im strengen Sinn verstanden werden, handelt es sich bei Assoziationen um Korrelationen: bestimmte Worte tauchen im Zusammenhang mit einem ausgewählten Begriff mit einer gewissen Häufigkeit auf, und ermöglichen eine Aussage über den Sinn, in dem der ausgewählte Begriff benutzt wird. 3.9 Themen: bei der Einarbeitung in ein neues Projekt kann in vielen Fällen nicht davon ausgegangen werden, dass der Bearbeiter von Beginn an alle relevanten Aspekte des Projekts kennt. Da nur gesucht werden kann, was bereits bekannt ist, löst auch eine Suche mit Volltextindex das Problem nicht. Es ist also ein Algorithmus notwendig, der ohne inhaltliche Vorgabe eine definierte Anzahl von Themen die jeweils durch n Schlüsselworte repräsentiert werden aus der Dokumentkollektion extrahieren kann Cluster Heatmap: um viele Dokumente bezüglich inhaltlicher Ähnlichkeit zu sortieren und darzustellen, wird oft ein Verfahren eingesetzt, das unter dem Begriff SOM (=Self Organizing Map) bekannt ist. Anstatt das Ergebnis der Analyse als statische Landkarte zu visualisieren (wie es in vielen Fällen geschieht), ist es besser, eine Heatmap als Darstellungsform zu wählen. Jede Zelle der Heatmap enthält dabei eine Anzahl inhaltlich nahezu gleicher Dokumente. Benachbarte Zellen

4 enthalten ähnliche Dokumente, während räumlich weit voneinander entfernte Zellen auch inhaltlich völlig unterschiedliche Dokumente umfassen (Abbildung 4). Durch anklicken der Zellen können die zugehörigen Dokument neben der Heatmap angezeigt werden Graphen: mit Hilfe von Graphen ist es möglich, sowohl inhaltlichen Zusammenhang als auch inhaltliche Nähe z. B. zwischen Begriffen und Dokumenten grafisch darzustellen. Der räumliche Abstand zwischen einem Begriff und einem Dokument ist dann ein Maß für die inhaltliche Nähe des Dokuments zu diesem Begriff, wenn eine Verbindung zwischen beiden besteht. Abbildung 4: Heatmap: mit Hilfe eines Clusteralgorithmus werden alle Dokumente einer Kollektion hinsichtlich ihrer inhaltlichen Ähnlichkeit sortiert, und so "abgelegt", dass thematisch gleiche Dokumente auf dem selben "Stapel" zu finden sind. Benachbarte "stapel" enthalten thematisch verwandte Dokumente AnwendungEine Analyse besteht im besten Fall aus zwei Phasen. In der ersten Phase werden nach Auswahl geeigneter Dokumente und der unter Punkt eins beschriebenen Vorbereitung die Analysen 3.1 mit 3.3 sowie 3.7 mit 3.10 erstellt, und die Ergebnisse mit dem Auftraggeber diskutiert. Zusammen mit ihm kann dann in Phase zwei ausgewählt werden, welche Dokumente oder Begriffe als Basis für die Analysen 3.4 mit 3.6 und 3.11 benutzt werden. Eine Analyse besteht im besten Fall aus zwei Phasen. In der ersten Phase werden nach Auswahl geeigneter Dokumente und der unter Punkt eins beschriebenen Vorbereitung die Analysen 3.1 mit 3.3 sowie 3.7 mit 3.10 erstellt, und die Ergebnisse mit dem Auftraggeber diskutiert. Zusammen mit ihm kann dann in Phase zwei ausgewählt werden, welche Dokumente oder Begriffe als Basis für die Analysen 3.4 mit 3.6 und 3.11 benutzt werden. Viele weitere Bilder und Erklärungen sind in der interaktiven Beispielanalyse enthalten, die unter folgender Adresse ausprobiert werden kann:

5 5. Kontakt Numberland Dr. Wolfgang Grond Diplomphysiker, TQM-Assessor (EFQM), Six-Sigma Green Belt Lohfeld 20, D Kulmbach, Germany Phone: Fax: URL