Semantische Analysen mit Sinequa: Neues Whitepaper der Experton Group

7/24/2019 Semantische Analysen mit Sinequa: Neues Whitepaper der Experton Group

1/16

Durchblick durch EinblickSemantische Analyseverfahren frneue Erkenntnisse aus unstrukturierten Daten

Ein Whitepaperder Experton Group AG

Oktober 2015


2/16

Experton Group Whitepaper Durchblick durch Einblick

Copyright Experton Group AG 2

Copyright

Die vorliegende Analyse wurde von der Experton Group AG im Auftrag der SinequaS.A.S. erstellt. Trotz der gewissenhaften und mit grter Sorgfalt erfolgten

Ermittlung der Informationen und Daten kann fr deren Vollstndigkeit und

Richtigkeit keine Garantie bernommen werden. Niemand sollte aufgrund dieser

Informationen handeln ohne geeigneten fachlichen Rat und ohne grndliche

Analyse der betreffenden Situation.

Alle Rechte am Inhalt dieses Untersuchungsberichtes liegen bei der Experton

Group. Die Daten und Informationen bleiben Eigentum der Experton Group.

Vervielfltigungen, auch auszugsweise, bedrfen der schriftlichen Genehmigung

der Experton Group AG.

Copyright Experton Group, 2015


3/16



Inhaltsverzeichnis

1 MANAGEMENT SUMMARY 4

2 EINFHRUNG 5

3 BIG DATA SUCH- UND ANALYSEVERFAHREN 7

4 DER MARKT FR BIG-DATA-SUCHE UND -ANALYSE 9

5 SINEQUA ALS LSUNGSANBIETER 12

6 FAZIT 14

7 SINEQUA 15

8 EXPERTON GROUP AG 15


4/16



1 Management Summary

Die Datenberge in den Unternehmen werden immer grer. Daher ist absehbar,

dass Enterprise Search-Applikationen und -Lsungen zu wesentlichen - wenn nicht

sogar Kern-Elementen - der Unternehmens-IT werden.

Strukturierte Daten lassen sich leicht mit mathematischen Verfahren verarbeiten.

Je unstrukturierter die Daten sind, desto komplexer sind die Anforderungen an die

Algorithmen. Jedoch liegen erst in der Komplexitt der Big-Data-Szenarien und der

Daten selbst wirkliche Wettbewerbsvorteile. Es ist nicht sehr realistisch,

anzunehmen, dass statistische Verfahren, spalten-orientierte Datenbanken, In-

Memory-Technologien oder neue, schnelle Indizierungsmechanismen allein die

Lsung fr den dort entstehenden Bedarf darstellen.

Die ra der Geschftsentscheidungen auf Basis einfacher Reports, die aus

gefilterten und vorsortierten Daten (die wiederum berwiegend Zahlen oder einen

eng beschrnkten Wortschatz enthalten) entstehen, geht zu Ende. Bei Big-Data-

Analytics geht es um mehr als die Ermittlung von Unternehmens-Kennzahlen fr

eine Business-Scorecard. Es geht darum, die Ergebnisse in einen logischen

Zusammenhang mit allen zugehrigen Informationen zu bringen. Nur durch eine

neuartige Sicht auf groe strukturierte, unstrukturierte und teilstrukturierte Daten

lassen sich wirklich neue Erkenntnisse gewinnen. Die semantische (inhaltliche)

Analyse von groen Datenmengen leistet hier einen wichtigen technischen Beitrag

und macht Zusammenhnge sichtbar. Herkmmliche statistische (quantitative)

Verfahren knnen dies in der Regel nicht leisten.

Mit dem spezifischen Ansatz der semantischen Textanalyse erffnet sich

Anwendern eine neue Technologie fr die Erschlieung und Analyse

polystrukturierter Daten, die gleichermaen aus der Unternehmens-IT (ERP, CRM,

u.a.) stammen knnen, wie auch aus externen Quellen, darunter Social Media,

Nachrichtenkanlen, E-Mails, Brodokumenten oder Webseiten. Damit rckt auch

die unternehmensweite Suche (Enterprise Search) in den Fokus von Big-Data-

Technologien.

Die Experton Group empfiehlt Anwendern aufgrund der starken Zunahme immer

neuer Datenformate, seien sie strukturiert oder unstrukturiert, sehr intensiv ber

fortschrittliche und zukunftssichere Analysemethoden nachzudenken und dabei

die semantische Analyse in den Fokus zu rcken. Nur durch die Kombination von

herkmmlichen statistischen und semantischen Analyseverfahren, unter

Einbindung sowohl strukturierter als auch unstrukturierter Daten, lassen sich

wirkliche Wettbewerbsvorteile erzielen. Eine entsprechende Analyse-Plattform

sollte die agile Entwicklung von Suche-basierenden Anwendungen (search based

applications) untersttzen. Diese knnen die spezifischen Geschftsprozesse desAnwenderunternehmens effizienter gestalten.


5/16



2 Einfhrung

Big-Data beschreibt die Gewinnung neuer Informationen aus enorm groen und

heterogenen Datenbestnden, die in krzester Zeit sehr vielen Nutzern zur

Verfgung stehen mssen, um dadurch schnellere und bessere wettbewerbs-

kritische Entscheidungen treffen zu knnen. Big Data erweitert damit klassische

Business-Analytics-Anwendungen und ist durch einen enormen Zuwachs an

unterschiedlichsten Datenquellen, an Datennutzern (intern wie extern), an

Verarbeitungsgeschwindigkeit und an Datenvolumina gekennzeichnet.

Der Bitkom e.V. hat in seinen Leitfden1zu Big Data eine der wichtigsten Heraus-

forderungen der nchsten Dekaden (!) zusammengefasst: ein schier

unaufhrliches Datenwachstum. Big Data mag seine Wurzeln darin gehabt haben,

dass die Ermittlung von Unternehmenskennzahlen auf eine breitere Datenbasis

gestellt wird. Jetzt ist aber klar: Die digitale Transformation schafft nicht nur immer

neue Daten, sondern sie verlangt vorrangig nach neuen Verfahren fr die

Auswertung und Verknpfung von Informationen.

Der Big-Data-Erkenntniskreislauf der Experton Group illustriert, wie durch eineneue Sicht auf Daten neue Fragestellungen und Ideen entstehen. Die Beantwortung

dieser Fragen bedarf neuer Algorithmen und Verfahren - einschlielich Verfahren

zur Interpretation von Texten in geschriebener und gesprochener Form. Bei der

Umsetzung der Ideen werden weitere Daten aggregiert und neue Daten erzeugt.

Auch diese bilden wieder eine Ausgangsbasis fr neue Fragen, Ideen und

Erkenntnisse sowie fr abstrakte Services, also fr neue datengetriebene

Geschftsmodelle, die ber den bisherigen Unternehmenszweck hinausgehen.

1https://www.bitkom.org/Bitkom/Publikationen/Publikation_775.html und weitere
https://www.bitkom.org/Bitkom/Publikationen/Publikation_775.htmlhttps://www.bitkom.org/Bitkom/Publikationen/Publikation_775.htmlhttps://www.bitkom.org/Bitkom/Publikationen/Publikation_775.html


6/16



Daten, intern wie extern, sind zum wichtigsten Asset im globalen Wettbewerb

geworden. Die daraus gewonnenen Informationen sind eine strategische Ressource

in den immer komplexeren und dynamischeren Marktumfeldern. Es zeigt sich, dassdie Umsetzung von Big-Data-Szenarien vor allem an organisatorischen Barrieren

scheitert, whrend die technischen Barrieren relativ einfach ausgerumt werden

knnen.

Bisherige herkmmliche statistische Verfahren, neue Datenbank- und In-Memory-

Technologien oder neue, schnelle Indizierungsmechanismen allein reichen jedoch

nicht als Antwort fr den entstehenden Bedarf. Tatschlich muss in alle Richtungen

geforscht werden: von der schnellen Bewegung sehr groer Datenmengen von

einem Ort zum anderen ber leistungsfhige Computer und Netzwerke bis hin zur

Anwendung logischer Verfahren wie beispielsweise dem Natural LanguageProcessing (NLP).


7/16



3 Big Data Such- und Analyseverfahren

Die ra der Geschftsentscheidungen auf Basis einfacher Reports, die aus ge-

filterten und vorsortierten Daten (die wiederum berwiegend Zahlen oder einen

eng beschrnkten Wortschatz enthalten) entstehen, geht zu Ende.

Rein statistische Analysen und Korrelationen sind fr die zuknftigen Business-

Anforderungen nicht mehr ausreichend genau. Es geht inzwischen darum, die

Ergebnisse in einen logischen Zusammenhang mit allen zugehrigen Informationen

zu bringen. Statistische Korrelationen mssen also durch semantische

Korrelationen geprft, verfeinert und ergnzt werden. Nur durch eine neuartige

Sicht auf groe strukturierte, unstrukturierte und teilstrukturierte Daten lassen sich

wirklich neue Erkenntnisse gewinnen.

Die semantische (inhaltliche) Analyse von groen Datenmengen macht

Zusammenhnge sichtbar. Diese werden mit leistungsfhigen Darstellungs-

funktionen visualisiert. Zu den fortgeschrittenen Verfahren, mit denen heute aus

Daten auch neuartige semantische Korrelationen Erkenntnisse erarbeitet werden,

gehrt das Natural Language Processing, die Verarbeitung natrlich sprachlicher

Informationen. Erkenntnisse entstehen beispielsweise, indem Daten miteinander

in Zusammenhnge gebracht werden, die zunchst von keinem statistischen bzw.

mathematischen Verfahren als relevant erachtet werden oder errechnet werden

knnen. Mit der semantischen Suche knnen zum Beispiel Ersatzteile in

Ersatzteilkatalogen gefunden werden, auch wenn die konkrete Artikelnummer oder

Artikelbezeichnung nicht bekannt ist. Mathematische bzw. statistische Verfahren

knnen diese Beziehungen oft nicht entdecken. Ergebnisse auf Basis semantischer

Analysen sind somit, je nach Zielstellung, fr den Anwender aussagekrftiger, und

er wird umfassender informiert.

Whrend sich statistische Verfahren funktional immer weiter aneinander

angleichen und der Markt fr statistische Analysen in den nchsten Jahren, nach

Experton-Erwartungen, auch eine Konsolidierung erleben wird, ist die semantische

Analyse von Texten noch recht neu. Entsprechende Verfahren waren bisher eher

auf nicht kommerzielle Anwendungen bei Nachrichtendiensten, Militr oder Polizei

konzentriert.

Statistische Verfahren sind sehr gut darin, die Hufung von Begriffen in einer

Datenmenge zu erkennen. So ermitteln sie sehr treffsicher, wie oft zum Beispiel

eine Kreditkartennummer im Zusammenhang mit einem Gegenstand (Handtasche,

Grtel, Halstuch) verwendet wird und an welchen Orten die Kreditkarte benutzt

wird. Solche statistischen Verfahren lassen sich beliebig komplex gestalten. So sind

sie sehr gut geeignet, einen mglichen Kreditkartenbetrug anzuzeigen.


8/16



Bei dem Natural Language Processing geht es jedoch nicht nur darum, statistische

Aufflligkeiten (Hufungen von Begriffen in Transaktionsdatenstzen) eines

Quelldatensatzes anhand von Synonymwrterbchern zu ermitteln. Es geht darum,Synonyme im richtigen Kontext dem richtigen Vorgang zuzuordnen: Kohle, Moos,

Asche, Kies, Schotter knnen jeweils Begriffe fr Geld sein. Jeder dieser Begriffe hat

aber auch seine eigene Bedeutung. Schotter ist selbstverstndlich im

Zusammenhang mit Straenbau nicht als Synonym fr Geld zu werten, es sei denn,

es geht in dem Beispiel um die Aufklrung von Schmiergeldzahlungen, wo dann der

Schotter(die Bestechung) fr die Lieferung des Schotters (Baumaterial) gemeint

sein knnte. Allein dieses Beispiel veranschaulicht bereits die Komplexitt des

Themas.

Relevante Anwendungsbereiche fr modernes und fortgeschrittenes NaturalLanguage Processing lassen sich in nahezu allen Branchensegmenten finden,

angefangen bei Fertigungsunternehmen (Zuordnung von Varianten, Baugruppen

und Bauteilen, in sehr umfangreichen Produkten wie einem Pkw) bis hin zu

hoheitlichen Aufgaben (Strafverfolgung) ffentlicher Organisationen.

Wie wichtig dies sein kann, zeigt beispielsweise die Dokumentation von Flugzeugen

und Hubschraubern. Obwohl diese Verkehrsmittel in Serie gebaut werden, entsteht

das einzelne Produkt mit der Losgre 1. Das bedeutet, dass auch die

Dokumentation eines jeden Produkts von den anderen Produkten abweicht. Eine

alte Redensart unter Flugzeugbauern sagt, dass ein neues Flugzeug erst dann dieZulassung erhlt, wenn das Gewicht der Dokumentation das Startgewicht der

Maschine erreicht hat. Ebenso komplexe Textdokumente finden sich im

wissenschaftlichen Bereich, wo es immer schwieriger wird, existierende wichtige

Verffentlichungen zu finden. Auch bestimmten Berufsgruppen wie z.B.

Patentanwlten und Forschern knnen semantische Verfahren das schnelle Finden

relevanter Dokumente erleichtern, wenn beispielsweise riesige Datenbanken mit

Patentschriften ausgewertet werden mssen. Die Auswertung von Fallstudien,

Testreihen, Patentschriften und wissenschaftlichen Texten ist auch eine der

aufwndigsten Aufgaben in der pharmazeutischen Industrie und in der

medizinischen Forschung. Linguistische Mechanismen stellen bei der intelligenten

Auswertung von Texten die gesuchten Zusammenhnge dar.


9/16



4 Der Markt fr Big-Data-Suche und -Analyse

Die Datenmengen, die in den Unternehmen anfallen, wachsen explosionsartig und

auch die Anzahl und Art der Datenquellen (strukturiert, semi-strukturiert,

unstrukturiert) wchst stetig, beispielsweise durch mobile Endgerte, die Erschlie-

ung von Mail-Archiven, Datenbestnde aus Texten (darunter Produktdokumen-

tationen, Projektberichte, Fallstudien, Wartungsanleitungen), Streaming-Media,

Maschinendaten sowie Daten aus Social-Media. Die heute mgliche Vielfalt an

Daten fhrt zu einer bisher nicht dagewesenen Komplexitt der Eingangsdaten.

Doch diese Daten liefern an sich noch keine Wertschpfung, da erst die Gewinnung

neuer Informationen aus den Daten einen Mehrwert fr das

Anwenderunternehmen darstellt.

Die Aggregation von Daten zu entscheidungsrelevanten Informationen, Ergebnisse

aus Datenbankanfragen und die Entdeckung neuer Zusammenhnge wird

darber hinaus in Echtzeit erwartet. Zudem werden die Informationen an immer

mehr Nutzer im Unternehmen und in der gesamten Wertschpfungskette, vom

Lieferanten bis zum Kunden, verteilt. Es wchst also nicht nur die Zahl der

unterschiedlichen Datenquellen, sondern auch die Zahl der Verbraucher von neu

gewonnen Informationen.

Die Digitalisierung der Wirtschaft und des Alltags erzeugt in den Industrielndern

immer mehr, auch komplexe, Daten, die immer hufiger auch als Text (also als

geschriebene Sprache) entstehen. Untersuchungen zeigen, dass mittlerweile etwa

70 bis 80 Prozent aller vorliegenden internen und externen Unternehmensdaten in

unstrukturierter Form vorliegen. Herkmmliche statistische Verfahren sind daher

nicht immer das Mittel der Wahl fr die Analyse von Big-Data.

Dabei sieht die Experton Group Big Data als eine bergreifende Entwicklung hin zu

komplexen IT-Szenarien wie beispielsweise im Gesundheitswesen (E-Health), im

Straenverkehr (interaktive, sekundenaktuelle Verkehrs- und Routenplanung ber

groe Geografien) und selbstverstndlich in der betriebswirtschaftlichen IT (die

Verknpfung von BI mit Daten aus MES, ERP oder CRM).

Hierbei sind immer mehr unstrukturierte Daten zu verarbeiten, die berwiegend

aus Texten bestehen. Unstrukturiert sind diese Daten, weil sie keinen erkennbaren

tabellen- oder listenartigen Aufbau haben. Es spielt auch keine Rolle, woher die

Daten kommen.

Strukturierte Daten lassen sich leicht mit mathematischen Verfahren verarbeiten.

Je unstrukturierter die Daten sind, desto komplexer sind die Anforderungen an die

Algorithmen. Jedoch liegen erst in der Komplexitt der Big-Data-Szenarien und der

Daten selbst wirkliche Wettbewerbsvorteile.


10/16



Die Komplexitt der Big-Data-Projekte setzt einen Kulturwandel in den

Anwenderunternehmen voraus.

Kulturwandel Schritt 1: Umdenken, denn Big Data lsst sich nicht als ROI ber x

Jahre darstellen. Semantische Analysen wie mit der Software von Sinequa frdern

neue und vor allem neuartige Erkenntnisse und somit neue datengetriebene

Geschftsmodelle, die wiederum zustzliche Umsatzpotenziale ermglichen.

Kulturwandel Schritt 2: Datensilos und hoheitliche Zuordnung von Daten im

Unternehmen aufheben, damit ganz verschiedenen (berechtigten) Beteiligten der

Zugriff auf die Rohdaten ermglicht wird. Keimzellen schaffen, in denen Big-Data-

Ideen zu Big-Data-Szenarien werden. Den Mitarbeitern entsprechend der Data-

Governance und der Big-Data-Ethik geeignete Freirume schaffen und lassen. Auchder spielerische Umgang mit semantischen Verfahren sollte dabei gebt werden.

Kulturwandel Schritt 3: Leitungsentscheidungdarber, ob die Fachabteilung oder

die IT-Abteilung fr die Exploration von Daten und den Aufbau von Big-Data-

Szenarien zustndig ist bzw. ob hier eine Stabsfunktion fr das Unternehmen

hilfreich ist. Oft ist es sinnvoll, eine allen Bereichen bergeordnete Instanz fr die

Big-Data-Thematik zu schaffen.

Kulturwandel Schritt 4: Neue Algorithmen finden statt eines Scale-outs

vorhandener Lsungen. Wenn es bei Big-Data-Szenarien nicht nur darum geht, die

Kennzahlenermittlung auf eine breitere Datenbasis zu stellen, sind auch seman-

tische Analysen in Betracht zu ziehen.

Mit dem spezifischen Ansatz der semantischen Textanalyse erffnet sich

Anwendern eine neue Technologie fr die Erschlieung und Analyse polystruk-

turierter Daten, die gleichermaen aus der Unternehmens-IT (ERP, CRM, u.a.)

stammen knnen wie aus externen Quellen, darunter Social Media, Nachrich-

tenkanle, E-Mails, Brodokumente oder Webseiten.


11/16



Aus der Fhigkeit, diese Daten nicht nur statistisch auszuwerten, sondern logische

Erkenntnisse zu gewinnen, ergeben sich eine Vielzahl denkbarer Anwendungen:

Zielmarkt Denkbare Applikation Mglicher Beitrag von Sinequa

Regierung/

Behrden

Erkennungsdienstliche Aufgaben

Prvention

Natural Language Processing,

Spracherkennung, linguistische und

semantische Analysen in vielen

Sprachen

Automobilindustrie Ersatzteilorganisation Natural Language Processing,

korrekte Zuordnung von

Artikelnummern selbst zu

unscharfen Begriffen

Call-Center/Kunden-

untersttzung

360-Grad-Sicht auf den Kunden Case Based Reasoning und

Natural Language Processing,

Erkennen der richtigen

Zusammenhnge, auch wenn die

verwendeten Begriffe nicht einer

Normung entsprechen

Versicherungen Risikominimierung Natural Language Processing und

Case Based Reasoning fr

semantische Analyse von

Nachrichten zur Erkennung

bestimmter Gefahren-Situationen

und Verhaltensmuster

Pharmazeutische

Industrie

Krzeres Time-to-Market Forschungsdatenbanken,

Laborberichte und klinische

Testreihen effizienter durchsuchen

und redundante Projekte vermeiden


12/16



5 Sinequa als Lsungsanbieter

Sehr schnelle Analysen, unternehmensweites Durchsuchen von Datenbestnden

und der vereinheitlichte Zugriff auf die Unternehmensinformationen (Unified

Information Access) sind die Domne der Sinequa. Die Lsungen von Sinequa

basieren auf Technologien fr die textuelle und inhaltliche - also fr die linguistische

- Analyse. Die ausgereiften Content-Analytics-Funktionen von Sinequa ermglichen

es Konzernen und ffentlichen Verwaltungen, relevante und wertvolle

Informationen aus sehr groen und komplexen Datenbestnden sowie aus

strukturierten und unstrukturierten Datenquellen zu gewinnen. Basierend auf den

Ergebnissen jahrelanger sprachwissenschaftlicher Forschung kombiniert die

flexible Softwarelsung semantische mit statistischer Analyse, stellt Zusammen-

hnge in heterogenen, groen Datenmengen her und liefert Anwendern relevanteErgebnisse fr ihre Arbeitsprozesse. Sinequas hochgradig skalierbare Lsung

durchsucht hunderte Millionen von Dokumenten und Milliarden von Datenbank-

Records uerst effizient und versorgt bei Bedarf zehntausende Nutzer mit den

richtigen Suchergebnissen. Die leistungsstarke Architektur sowie die Out-of-the-

box-Konnektoren fr alle gngigen Unternehmensanwendungen und

Datenquellen gewhrleisten eine schnelle und kosteneffiziente Implementierung

und Integration in bestehende IT-Umgebungen. Viele Anwender in groen

Unternehmen und Organisationen nutzen Sinequa bereits, um effizient auf

geschftskritische Informationen zugreifen zu knnen. Zum renommierten

Kundenkreis des Unternehmens zhlen Airbus, AstraZeneca, Atos, Biogen, Crdit

Agricole, das franzsische Verteidigungsministerium, die Europische Kommission

und Siemens.

Eine Herausforderung ist fr die Anwender das Zusammenfhren von Daten. Viele

Analyse-Lsungen setzen voraus, dass Adapter individuell entwickelt werden. Bei

Sinequa ermglichen 140 Konnektoren die Erschlieung aller gngigen

Datenquellen - von DOCX, PDF, TXT und CSV ber verschiedene zeilen- oder

spaltenorientierte Datenbankformate bis hin zu Social Media und den nativen

Formaten von Data Warehouses. Diese bernehmen auch bereits einen Teil der

Verarbeitung. Zustzlich dazu hat Sinequa weitere Konnektoren seiner Big Data

Such & Analyse-Plattform auch fr Third-Party-Cloud-Storage, Product-Lifecycle-

Management-Systeme und Social-Media-Feeds entwickelt.

Cloud-Dienste, ob privat, ffentlich oder hybrid, werden von groen Unternehmen

aller Branchen immer intensiver genutzt. Sinequa-Kunden knnen jetzt die AWS-

Cloud nutzen, um flexibler die Infrastruktur an ihren Bedarf anpassen zu knnen.

So knnen zustzlich Millionen von Dokumenten und Milliarden von

Datenbankeintrgen analysiert und gleichzeitig die Total Cost of Ownership fr die

bentigte Infrastruktur gesenkt werden. Die Anwender profitieren von


13/16



vollstndiger Transparenz bei der Suche und knnen Informationen ber Cloud-

und Enterprise-Anwendungen schneller abrufen.

Die Grundlage fr den Einsatz semantischer Verfahren ist die Entity Extraction, die

Begriffe in Texten erkennt und sie mit verwandten Begriffen in Beziehung setzen

kann. Unternehmensspezifische Synonymlisten und Ontologien knnen das Wissen

ber Begriffe und deren Beziehungen verstrken. Anwender knnen daher nach

Begriffen fragen, die nicht in den relevanten Texten vorkommen, und trotzdem eine

relevante Antwort erhalten. So kann die Frage nach dem gelben Knopf an einer

Maschine die entsprechende Beschreibung der Prftaste aus der Dokumentation

liefern, auch wenn die Frage weder die genaue Artikelbezeichnung noch diesen

Begriff enthlt.

Es ist vorstellbar, dass zu Beginn der Arbeit mit einer NLP-Software irrtmliche

Treffer (sogenannten false positives) angezeigt werden. Typischerweise werden

diese von den Anwendern individuell markiert, wobei die Software dies

interpretiert. Sinequa untersttzt diesen Lernprozess effektiv durch die Fhigkeit,

nahezu beliebige Ontologien und Thesauren einlesen zu knnen, um die

Anlernphase der Software zu verkrzen.

Fr die Darstellung der Suchergebnisse werden Diagramme und andere

Ergebnisprsentationen genutzt. Getreu dem Motto Ein Bild sagt mehr als tausend

Worte haben sich fr die verschiedenen Arten von Erkenntnissen aus denDatenanalysen auch verschiedene Darstellungsformen durchgesetzt. Besonders

populr sind zur Zeit beispielsweise Graphen. Sinequa beherrscht alle gegenwrtig

typischen Arten von Charts, Diagrammen und Reports.

Die Software von Sinequa wird in Deutschland direkt und ber ein Netz von

Partnern vertrieben. Sinequa hat ihre Partnerlandschaft in den letzten Jahren und

Monaten strategisch ausgebaut. Neue Allianzen und Partnerschaften gibt es zum

Beispiel mit der Atos SE, die mit ihren 93.000 Beschftigten in 72 Lndern Projekte

mit Big-Data-Content-Analyse auch auf Basis der Sinequa-Lsungen durchfhrt.


14/16



6 Fazit

Big-Data-Projekte sind komplex. Das Speichern und Auswerten von einigen hundert

Terabytes ist dabei nur die Einstiegsdroge zu immer komplexeren Szenarien, und

in der Komplexitt liegen die eigentlichen Wettbewerbsvorteile fr die Anwender,

die so aus ihren Daten mehr und neue Informationen gewinnen knnen. Je

komplexer die Datenquellen und -arten sind, desto wichtiger ist es, nicht nur

statistische Verfahren zu nutzen, sondern die Inhalte durch linguistische Verfahren

auch zu verstehen.

Die Datenberge in den Unternehmen werden immer grer. Daher ist absehbar,

dass Enterprise Search-Applikationen und -Lsungen zu wesentlichen - wenn nicht

sogar Kern-Elementen - der Unternehmens-IT werden.

Oftmals stellen sich Anwender, vor allen jene mit einer leistungsfhigen IT-

Organisation, die Frage nach dem Make or Buy?. Der Aufwand fr die komplette

Neuentwicklung einer semantischen Enterprise-Search-Anwendung wurde von der

Experton Group in einem konkreten Projekt auf bestenfalls weit ber 24 Personen-

jahre berechnet. Dabei waren ausreichend linguistisch erfahrene Softwareentwick-

ler Teil der Berechnungsgrundlage. Ohne diese wrde der Aufwand fr eine

Neuentwicklung um ein Vielfaches steigen. Auch der Aufwand fr eine Neuent-

wicklung mit vorhandenen Tools und Open-Source-Komponenten darf nicht

unterschtzt werden.

Bei der Auswahl von Lsungen mit intelligenten semantischen Analysen nahezu

beliebiger Daten ist es zudem oft besser, neue Wege zu beschreiten. Anwender, die

sich zu sehr an Bekanntem orientieren, ben jene Wettbewerbsvorteile ein, die

sich aus einem neuen, unvoreingenommenen Blick auf die Daten ergeben.

Die Experton Group empfiehlt Anwendern aufgrund der Zunahme immer neuer

Datenformate, seien sie strukturiert oder unstrukturiert, sehr intensiv ber

zukunftssichere Analysemethoden nachzudenken und dabei die semantische

Analyse in den Fokus zu rcken. Beschleunigungsverfahren wie In-Memory-

Techniken oder Datenbankbeschleuniger schaffen durch die schnellere Lieferung

von Ergebnissen Reserven fr weitere Iterationen, jedoch immer im Rahmen der

vorherrschenden Denkwelten. Es gilt nun, diese Verfahren und Techniken mit

intelligenter und zukunftssicherer Technologie, zur Gewinnung wirklich neuer

Erkenntnisse, zu erweitern.


15/16



7 Sinequa

Sinequa ist eine der fhrenden Softwarefirmen im Markt fr Big Data Content-

Analyse in Realzeit, Enterprise Search und Unified Information Access. Die

ausgereiften Content Analytics-Funktionen der Sinequa-Lsung ermglichen es

Konzernen und ffentlichen Verwaltungen, wertvolle Informationen aus sehr

groen und komplexen Datenbestnden, aus strukturierten Anwendungen und

unstrukturierten Datenquellen zu gewinnen. Basierend auf den Ergebnissen

jahrelanger, sprachwissenschaftlicher Forschung kombiniert die flexible

Softwarelsung semantische mit statistischer Analyse, stellt Zusammenhnge in

heterogenen, groen Datenmengen her und liefert Anwendern relevante

Ergebnisse fr ihre Arbeitsprozesse. Sinequas hochskalierbare Lsung durchsucht

Milliarden von Dokumenten und Datenstzen in Datenbanken uerst effizient undversorgt zehntausende von Nutzern mit den fr sie relevanten Informationen. Die

leistungsstarke Architektur sowie die gebrauchsfertigen Konnektoren fr alle

gngigen Unternehmensanwendungen und Datenquellen gewhrleisten eine

schnelle und kosteneffiziente Implementierung und Integration in bestehende IT-

Umgebungen. Millionen von Anwendern in groen Unternehmen und

Organisationen nutzen bereits Sinequa, um effizient auf geschftskritische

Informationen zugreifen zu knnen. Zum renommierten Kundenkreis des

Unternehmens zhlen Airbus, AstraZeneca, Atos, Biogen, Crdit Agricole, das

franzsische Verteidigungsministerium, die Europische Kommission und Siemens.

8 Experton Group AG

Experton Group ist ein fhrendes IT-Research- und Beratungsunternehmen. Mit

europaweit 80 erfahrenen Analysten untersttzen wir mittelstndische und groe

Anwenderunternehmen bei der strategischen Planung und Umsetzung ihrer IT-

Strategien. Zudem unterstrzt Experton Group IT-Anbieter in Strategie-,

Marketing- und Wettbewerbsfragen.


16/16



Impressum

Herausgeber:Experton Group AGCarl-Zeiss-Ring 4

D - 85737 IsmaningVorstand: Jrgen Brettel (Vorsitzender), Lutz Peichert, Nils BachmannAufsichtsratsvorsitzender: Wolfgang StbichAmtsgericht Mnchen HRB 158568

Version 3Oktober 2015

2015, Experton Group AG, Ismaning.

Documents

Semantische Analysen mit Sinequa: Neues Whitepaper der Experton Group