encoway GmbH: Automatisierte Sammlung von Markt-Daten - Automatisierte Analyse von Unternehmenswebseiten und Social Media Kanälen
Video Zusammenfassung
Selbstbeschreibung des Partners
encoway ist führender Fullservice-Anbieter rund um Configure-Price-Quote (CPQ) und marktorientiertes Variantenmanagement für die Fertigungsindustrie in der DACH-Region.
Unsere Produkte und Leistungen beschleunigen Verkaufsprozesse, erschließen neue Absatzkanäle und steigern durchgängig die Prozesseffizienz. Wir bringen die Digitalisierung unserer Kunden voran und sorgen für eine effiziente Vermarktung variantenreicher Produkte, Systeme und Lösungen.
encoway GmbH bietet insgesamt zwei Challenges an:
Challenge Nr. 1: Automatisierte Sammlung von Markt-Daten zur Bewertung von Größen und Wachstum von Industrien/Branchen
encoway hat ein Innovationsprojekt mit ersten Konsortial-Partnern gestartet, in dem es darum geht, das eigene Produktportfolio zu analysieren und sowohl mit den Marktbedürfnissen als auch den Wettbewerbsprodukten abzugleichen, um so Produkte kreieren zu können, die erfolgreich sind.
Dafür wurde ein Datenmodell entwickelt, in dem Produkte (eigene und fremde), Unternehmen, Regionen, Industrien, Applikationen und Preise eigenständige Datenobjekte sind – beliebig erweiterbar und untereinander verlinkt. Auf diesem Wege lassen sich Fragestellungen klären, die heutige Wettbewerbsanalysen nicht können. State-of-the-Art sind simple Feature-Benchmarks – also der Abgleich wer
„bessere” Werte zu den Merkmalen hat. Das sagt aber wenig aus, wenn man den Einsatz des Produkts nicht mit einbezieht. Das Datenmodell aus dem Innovationsprojekt ermöglicht z.B. die Frage: „Mit welchen Produkten / Technologien gehen Wettbewerber in der Region Nord Deutschland die Industrie Off-Shore Windenergie an, was sind die vorherrschenden Merkmalswerte in dieser Industrie, und wie ist das Preisgefüge je Hersteller?“
Das Projekt trägt den Namen „compass“ (Competition- and Market-Product-Alignment)
Innerhalb dieses Projekts gibt es verschiedene Anforderungen, die sich super kapseln lassen, und die einen Anspruch an Data Literacy Kompetenzen mitbringen. Ein Knackpunkt ist immer auch die Datenbeschaffung und das Aktuell-Halten dieser Daten. Daher setzt das Innovationsprojekt auf Automation, z.B. durch Web-Scraper. Zusätzlich zu den bisherigen Projektinhalten ist auch dieser Use Cases interessant.
Es gibt Quellen wie den „Bundesanzeiger“ in Deutschland, aus dem viele Informationen über Unternehmen und deren Umsatz auszulesen sind. Wie sieht das für andere Länder und Regionen aus? Wie gut kann man damit bestimmte Industrien oder Branchen in Hinsicht auf Größe, Anteile oder Wachstum bewerten? Und wie vergleichbar sind diese Daten? Also: wie gut kann man das nutzen, um z.B. den Anteil des eigenen Unternehmens in einem Segment wie „Komponentenhersteller für Antriebe in der Industrial Automation in D-A-CH“ zu berechnen?
Ziel der Challenge Nr. 1:
Der SOLL-Zustand ist in den obigen Beschreibungen schon heraus zu lesen. Es geht darum, das bestehende „Dreieck“ aus eigenen Produkten, Wettbewerb und Marktbedürfnissen mit neuen Informationen anzureichern, die die Qualität der Analysen steigern. Der Nutzer erhält auf diese Weise noch bessere Insights und Argumente für oder gegen neue Produktentwicklungen.
Für die Studierenden ist es sicherlich spannend, die Qualität von Datenquellen zu erkennen und zu bewerten. Zum einen geht es darum wie glaubwürdig bestimmte Quellen sind – oder ob denen nicht vertraut werden kann. Zum anderen geht es darum, die Qualität der Daten – und somit die Qualität der Analyseergebnisse zu bewerten. Nicht alles, was irgendwo im Internet steht, ist zu 100% glaubwürdig, und selbst wenn es das ist (Beispiel: Bundesanzeiger), ist nicht jede Information eine gute (und vollständige) Basis, um basierend darauf Business-Entscheidungen zu treffen.
Bereitstellung von Daten & Infrastruktur
Die oben beschriebene Aufgabe kann erst einmal eigenständig bearbeitet werden. Hier geht es vor allem darum, neue Daten zu beschaffen, zu organisieren und zu analysieren.
Für die Verknüpfung dieser neuen Daten mit den bestehenden Daten innerhalb des Innovationsprojekts gibt es zwei Möglichkeiten: (1) wir arbeiten mit Dummy-Daten, oder (2 – viel sinnvoller) wir arbeiten mit den echten Produkte- und Hersteller-Daten unserer Projektpartner. Im ersten Fall gibt es keine wesentlichen Restriktionen. Im zweiten Fall ist ein NDA die Vorbedingung einer Zusammenarbeit. Grundsätzlich ist encoway bereit und in der Lage, Systeme bereit zu stellen. Je nach Aufgabe ist dies aber ggf. gar nicht nötig. Wir sollten mit frei verfügbaren Web-Scrapern arbeiten, es kann remote gearbeitet werden, und für den Abgleich von Daten kann z.B. ein gemeinsamer SharePoint Ordner verwendet werden, und / oder die „compass“ Anwendung läuft im Browser, sodass remote ein Datenimport durchgeführt werden kann.
Erwartete Kompetenzen von Lehrenden und Studierenden
Die Verknüpfung der Aufgaben, um die Data Challenge zu lösen, legt nahe, dass ein interdisziplinäres Team am besten geeignet ist. Neben den Informatik-lastigen Themen rund um Datenmodelle, Datenqualität und Web Scraping ist die Interpretation dieser Daten aus Business-Sicht eine gute Aufgabe für Wirtschaftsinformatiker oder BWL’er. Auch andere Studiengänge können hier sicherlich einen wertvollen Beitrag leisten.
Über die Summe des (interdisziplinären) Teams hinweg sind folgende Anforderungen an Kompetenzen und Methodenkenntnisse gegeben:
Vorkenntnisse in Datenmodellen und Analytics sind von Vorteil, um innerhalb kurzer Zeit starten und sinnvolle Ergebnisse erzielen zu können. Darüber hinaus benötigen Studierende vor allem gesunden Menschenverstand, um die Datenquellen und Datenqualität zu hinterfragen und bewerten zu können. Eine direkte Kommunikation mit allen Projektpartnern wäre wünschenswert, kann je nach Introvertiertheit der Personen auch über einen einzelnen Ansprechpartner gekapselt werden. Erwartet wird von Studieren unbedingt ein gewisses Maß an Zielstrebigkeit und Eigenständigkeit.
Projektdauer
Ein oder zwei Semester.
Interesse an einer Kooperation?
Schreiben Sie bzw. schreibt eine Mail an unsere Transfer-Koordinatorin Eylem Tas unter: eylem.tas"AT"uni-hamburg.de.
Challenge Nr. 2: Automatisierte Analyse von Unternehmenswebseiten und Social Media Kanälen zur Bewertung der Fokusthemen, Herausforderungen oder Innovationsfähigkeit produzierender Unternehmen
encoway hat ein Innovationsprojekt mit ersten Konsortial-Partnern gestartet, in dem es darum geht, das eigene Produktportfolio zu analysieren und sowohl mit den Marktbedürfnissen als auch den Wettbewerbsprodukten abzugleichen, um so Produkte kreieren zu können, die erfolgreich sind.
Dafür wurde ein Datenmodell entwickelt, in dem Produkte (eigene und fremde), Unternehmen, Regionen, Industrien, Applikationen und Preise eigenständige Datenobjekte sind – beliebig erweiterbar und untereinander verlinkt. Auf diesem Wege lassen sich Fragestellungen klären, die heutige Wettbewerbsanalysen nicht können. State-of-the-Art sind simple Feature-Benchmarks – also der Abgleich wer „bessere” Werte zu den Merkmalen hat. Das sagt aber wenig aus, wenn man den Einsatz des Produkts nicht mit einbezieht. Das Datenmodell aus dem Innovationsprojekt ermöglicht z.B. die Frage: „Mit welchen Produkten / Technologien gehen Wettbewerber in der Region Nord Deutschland die Industrie Off-Shore Windenergie an, was sind die vorherrschenden Merkmalswerte in dieser Industrie, und wie ist das Preisgefüge je Hersteller?“
Das Projekt trägt den Namen „compass“ (Competition- and Market-Product-Alignment)
Innerhalb dieses Projekts gibt es verschiedene Anforderungen, die sich super kapseln lassen, und die einen Anspruch an Data Literacy Kompetenzen mitbringen. Ein Knackpunkt ist immer auch die Datenbeschaffung und das Aktuell-Halten dieser Daten. Daher setzt das Innovationsprojekt auf Automation, z.B. durch Web-Scraper. Zusätzlich zu den bisherigen Projektinhalten ist auch dieser Use Cases interessant.
Es gibt viele Quellen wie den News-Bereich auf der eigenen Website, ein Newsletter oder Social Media (LinkedIn, Twitter, Facebook, …). Über diese Kanäle werden immer wieder Informationen zu Innovationen eines Unternehmens verbreitet. Wie gut kann man diesen Fließtext scrapen, parsen und analysieren, um Fragestellungen wie z.B. den Fokusbranchen der Wettbewerber, neue Technologien oder technische Herausforderungen herauszulesen und bewerten?
Ziel der Challenge Nr. 1:
Der SOLL-Zustand ist in den obigen Beschreibungen schon heraus zu lesen. Es geht darum, das bestehende „Dreieck“ aus eigenen Produkten, Wettbewerb und Marktbedürfnissen mit neuen Informationen anzureichern, die die Qualität der Analysen steigern. Der Nutzer erhält auf diese Weise noch bessere Insights und Argumente für oder gegen neue Produktentwicklungen.
Für die Studierenden ist es sicherlich spannend, die Qualität von Datenquellen zu erkennen und zu bewerten. Zum einen geht es darum wie glaubwürdig bestimmte Quellen sind – oder ob denen nicht vertraut werden kann. Zum anderen geht es darum, die Qualität der Daten – und somit die Qualität der Analyseergebnisse zu bewerten. Nicht alles, was irgendwo im Internet steht, ist zu 100% glaubwürdig, und selbst wenn es das ist (Beispiel: Bundesanzeiger), ist nicht jede Information eine gute (und vollständige) Basis, um basierend darauf Business-Entscheidungen zu treffen.
Bereitstellung von Daten & Infrastruktur
Die oben beschriebene Aufgabe kann erst einmal eigenständig bearbeitet werden. Hier geht es vor allem darum, neue Daten zu beschaffen, zu organisieren und zu analysieren.
Für die Verknüpfung dieser neuen Daten mit den bestehenden Daten innerhalb des Innovationsprojekts gibt es zwei Möglichkeiten: (1) wir arbeiten mit Dummy-Daten, oder (2 – viel sinnvoller) wir arbeiten mit den echten Produkte- und Hersteller-Daten unserer Projektpartner. Im ersten Fall gibt es keine wesentlichen Restriktionen. Im zweiten Fall ist ein NDA die Vorbedingung einer Zusammenarbeit.
Grundsätzlich ist encoway bereit und in der Lage, Systeme bereit zu stellen. Je nach Aufgabe ist dies aber ggf. gar nicht nötig. Wir sollten mit frei verfügbaren Web-Scrapern arbeiten, es kann remote gearbeitet werden, und für den Abgleich von Daten kann z.B. ein gemeinsamer SharePoint Ordner verwendet werden, und / oder die „compass“ Anwendung läuft im Browser, sodass remote ein Datenimport durchgeführt werden kann.
Erwartete Kompetenzen von Lehrenden und Studierenden
Die Verknüpfung der Aufgaben, um die Data Challenge zu lösen, legt nahe, dass ein interdisziplinäres Team am besten geeignet ist. Neben den Informatik-lastigen Themen rund um Datenmodelle, Datenqualität und Web Scraping ist die Interpretation dieser Daten aus Business-Sicht eine gute Aufgabe für Wirtschaftsinformatiker oder BWL’er. Auch andere Studiengänge können hier sicherlich einen wertvollen Beitrag leisten.
Über die Summe des (interdisziplinären) Teams hinweg sind folgende Anforderungen an Kompetenzen und Methodenkenntnisse gegeben:
Vorkenntnisse in Datenmodellen und Analytics sind von Vorteil, um innerhalb kurzer Zeit starten und sinnvolle Ergebnisse erzielen zu können. Darüber hinaus benötigen Studierende vor allem gesunden Menschenverstand, um die Datenquellen und Datenqualität zu hinterfragen und bewerten zu können. Eine direkte Kommunikation mit allen Projektpartnern wäre wünschenswert, kann je nach Introvertiertheit der Personen auch über einen einzelnen Ansprechpartner gekapselt werden. Erwartet wird von Studieren unbedingt ein gewisses Maß an Zielstrebigkeit und Eigenständigkeit.
Projektdauer
Ein oder zwei Semester.
Interesse an einer Kooperation?
Schreiben Sie bzw. schreibt eine Mail an unsere Transfer-Koordinatorin Eylem Tas unter: eylem.tas"AT"uni-hamburg.de.