NO20100464A1

NO20100464A1 - Metode og arrangement for matching av virksomheter og deteksjon av endringer for en virksomhet ved bruk av matematiske modeller

Info

Publication number: NO20100464A1
Application number: NO20100464A
Authority: NO
Inventors: Harald Jellum
Original assignee: Companybook
Priority date: 2010-03-29
Filing date: 2010-03-29
Publication date: 2011-09-30
Also published as: US20160019561A1; SG184271A1; CN103026373A; WO2011122956A1; EP2553649A1; EP2553649A4; US20130031018A1

Abstract

Metode og arrangement for matching av virksomheter og deteksjon av endringer for en virksomhet ved bruk av matematiske modeller som gjør det mulig å matche, finne likeheter mellom virksomheter samt oppdage endringer i en virksomhet. Metoden benytter seg av matematiske representasjonsmodeller for virksomheter og er egnet for å gjøre stort antall sammenligninger automatisk. Virksomhetenes egenskaper representeres med ulike vektorer(74). Vektorenes retning og lengde sammenlignes ved å ta skalarproduktet mellom disse(76). Endringer for en virksomhets egenskaper kommer frem som endringer i vektorenes retning og lengde. Ved og kontinuerlig overvåke den deriverte av virksomhetenes egenskaper viser dette hvor stor og hvor raskt en endring har inntruffet(78). Markedet for oppfinnelsen er lokale og globale virksomheter som ønsker å finne ny kunder, partnere, distributører eller andre forretningsforbindelser samt oppdage endringer i sine kunder, partnere eller andre forretningsforbindelser slik at de kan få en "early warning" ved større endringer som får konsekvenser for forbindelsen.

Description

Metode og arrangement for matching av virksomheter og deteksjon av endringer for en virksomhet ved bruk av matematiske modeller.

ANDVENDELSES OMRÅDE:

Oppfinnelsen er en helt ny måte å matche, finne likeheter, egenskaper mellom to eller flere virksomheter samt oppdage endringer i en virksomhet. Metoden benytter seg av matematiske representasjonsmodeller for virksomheter og er svært godt egnet for å gjøre stort antall sammenligninger automatisk for et dataprogram. Markedet for oppfinnelsen er lokale og globale virksomheter som ønsker å finne ny kunder, partnere, distributører eller andre forretningsforbindelser samt oppdage endringer i sine kunder, partnere eller andre forretningsforbindelser slik at de kan få en "early warning" ved større endringer som får konsekvenser for forbindelsen. Det kan f. eks være noen av dine kunder som får store økonomiske utfordringer og som gjør at du ønsker å håndtere betaling på en annen måte. Oppfinnelsen vil være anvendbar for alle størrelser av virksomheter og deres ansatte. Virksomhetene kan være offentlige eller private. Oppfinnelsen tilgjengeliggjøres brukere igjennom en portal på internett.

TEKNIKKENS STAND

Dagens tradisjonelle metoder for å finne andre virksomheter som har et bestemt sett med egenskaper som f. eks likhet med et annet selskap eller å oppdage endringer, er ofte svært manuell og består ofte i oppslag i flere informasjonskilder og hvor du må gjøre en manuell sammenligning selv. Hvor de typiske er:

Oppslag i kataloger:

Det finnes i dag mange katalog tjenester hvor en kan finne virksomheter på navn, adresse, telefon etc. Mange av disse har også mulighet for sortering og oppslag etter bransje. Eksempler på disse tjenestene kan være Gulesider, 1881, Kompass, Ditt Distrikt, Summa med flere. Typisk for disse er de inneholder informasjon basert på offentlige registre(f. eks fra Brønnøysund registrene for Norge). Disse mangler ofte mer detaljert beskrivelse av egenskapene (produkt, tjenester, marked, størrelse, finans..).Det finnes også en del katalog tjenester for rene finansielle oppslag som baserer seg mye på innleverte regnskapstall. Eksempler på dette er f. eks Purehelp.no og Proff.no. Mye av utfordringen med disse katalog oppslagene er at det er relativt tidkrevende og at det krever mye manuelt arbeid både i oppslaget og i selve sammenligningen. I tillegg mangler de ofte vesentlige detaljer om en virksomhets egenskaper som gjør at en ikke finner det man søker. For svært mange virksomheter blir dette i alt for liten grad gjennomført systematisk da det er for ressurskrevende.

Oppslag via søkemotorer

Oppslag og leting etter virksomheter med et bestemt sett av egenskaper kan gjøres gjennom søk etter nøkkelord med bruk av internett søkemotorer som Google, Bing eller andre. Fordelen her er at en ofte kan søke mer detaljer enn katalog oppslag da Internett søkemotorene ofte har indeksert hele virksomhetens web sider. Utfordringen her er at en ofte får mye treff som oppleves som støy og er svært tidkrevende å skille ut. En annen stor utfordring er at en ikke kan søke på for mange egenskaper samtidig da sannsynligheten er liten for at akkurat den kombinasjonen av nøkkelord er tilstede på en virksomhets web side. Ofte resulterer dette i at du går glipp av mange treff fordi virksomheten kanskje har brukt et annet ord for å beskrive egenskapen enn det du har i din nøkkelord kombinasjon. Samtidig mangler de informasjon om finans, størrelse, bransje som gjør at du også må slå opp i katalog i etterkant. Dette er også en svært tidkrevende og manuell prosess.

Messer og utstillinger

Tradisjonelt har dette vært en arena for å finne nye kunder, partnere eller andre businesss forbindelser på. Er man utstiller vil andre forbipasserende se hva du gjør å ta kontakt med deg. Eller ved selv å vandre rundt å se hva andre gjør for så å ta kontakt dersom de har de rette egenskapene. Dette er også veldig manuelt og tidkrevende, samt at utvalget kun blir blant de tilstedeværende. Man ser i dag tendenser innenfor en del bransjer at dette blir erstattet av synligheten på internett og ved manuelle oppslag igjennom søkemotorer.

Markedsføring

Dette er en annen tradisjonell måte å finne nye kunder, partnere eller andre forretningsforbindelser på. Man søker gjennom markedsføring som f. eks annonsering etter andre med deønskede egenskaper. Disse tar så kontakt og du kan avgjør om de har deønskede egenskapene. Utfordringen med dette er at det ofte er svært kostbart.

Sosiale medier

Det finnes i dag en rekke date-portaler for private person hvor en kan beskrive seg selv gjennom en rekke spørsmål og så få et automatisk forslag på andre personer som matcher deg gjennom ved at disse også har svart på de samme spørsmålene. Disse matching metodene er ofte basert på et sett med "manuelle regler" som er programmert. Utfordringene her er at alle må ha svart på spørsmålene først og at dette i liten grad finnes for bedrifter med alle de egenskaper som de innehar. En slik løsning er omtalt i US2003/0131120.

Oppdagelse av endringer i en virksomhets egenskaper

I dag finnes det svært få metoder som gjør dette annet enn ved manuelt oppslags arbeid som beskrevet ovenfor. Unntaket er på ren finansiell overvåkning hvor det finnes programmer som sammenlikner sist innleverte regnskapstall med tidligere tall. På denne måten kan du abonnere på tjenester som gir deg en varsling dersom en virksomhet ikke lenger er kredittverdige etc. Utfordringen med denne tjenesten er at den kun gjelder for finansielle egenskaper og som ofte er litt "gamle" i og med at regnskaps tallene ofte kun levers årlig for mange virksomheter. I US2009/0327914 omtales et system for deteksjon av endringer i informasjon vedrørende inte nettsider.

HVA SOM OPPNÅS I FORHOLD TIL TEKNIKKENS STAND

Basert på det som finnes av ulike metoder i dag for å finne andre virksomheter med et bestemt sett med egenskaper inneholder denne oppfinnelsen en helt ny måte å kunne matche, finne andre virksomheter medønskede egenskaper gjennom å bruke en matematisk modell som egner seg svært godt til automatisk matching mellom to eller flere virksomheter. Denne samme modellen gir også mulighet for mye lettere oppdagelse av endringer.

HVILKE MIDLER SOM ER NØDVENDIGE

Oppfinnelsen anvender vektor matematikk i en ny kombinasjon for representering av virksomhets informasjon innsamlet ved hjelp av søkemotor teknologi.

INDUSTRIELL UTNYTTELSE

Oppfinnelsen kan føre til en helt ny måte å matche, finne likeheter, egenskaper mellom to eller flere virksomheter samt oppdage endringer i en virksomhet. Dette kan bety store besparelser i forhold til måten vi i dag skaffer oss ny forretning på. Veldig ofte er dette i dag manuelle og tidkrevende prosesser som nå kan erstattes er systematiske og automatiske prosesser.

BESKRIVELSE AV OPPFINNELSEN

Basert på alt det ovennevnte er det behov for en mer effektiv måte å matche, finne likheter, egenskaper mellom to eller flere virksomheter samt oppdage endringer i en virksomhet. De ovennevnte problemstillinger er adressert av oppfinnelsen som er beskrevet i det følgende.

Oppfinnelsen baserer seg på bruk av database, avansert søk & matching teknologi ved bruk av matematiske modeller kombinert med sosiale media. Med utgangspunkt i Fig 1 består oppfinnelsen av en serverfarm bestående av servere for Crawlere(80), Search & Matching(70), Database(60), Sosialt Media(50) og Web servere(40). Hensikten med Crawlere(80) er i første omgang å lese alle informasjonskildene(90,100,110,120,130,140) og hvor Search & Matching (70) vil lage en matematisk modell av hver virksomhets egenskap. Deretter vil Crawlere(80) kontinuerlig lese alle informasjonskildene(90,100,110,120,130,140) for endringer og oppdateringer. Disse justerer de matematiske modellene og lagres i Databasen(60).

Informasjonskildene(90,100,110,120,130,140) består av virksomheters Websider(90) som crawles på likt linje som fra en standard søkemotor. Offentlige registre(lOO) og Finansielle registre(llO) er begge tilgjengelig registre for adresser, kontakt og finansiell informasjon som regnskapstall og kredit informasjon. Noen av registrene vil være offentlige, mens andre kan være private og som det eventuell må kjøpes tilgang til. Det kan være flere registre innen hver av informasjonskildene (100, 110). Forbrukere(120) kan være andre virksomheter, ansatte eller privat person som gir tilbakemeldinger på en virksomhet. Nyheter(130) består av en nyhets strøm som kontinuerlig oppdateres med nyheter fra aviser, magasiner, radio, TV, organisasjoner, kommuner, direktorater, politisk partier eller lignende. Denne tjenesten leveres av tilgjengelig 3.part leverandører i markedet (f.eks MoreOver, Retriever, Cyberwather eller andre).

På samme måte som Nyheter(130) vil en også få en nyhetsstrøm fra Forum, Blogger, Sosiale Nettverk(140) levert av 3.parts aktører. Brukerne(10,20,30) av oppfinnelsen vil nå oppfinnelsen via en internett portal som tilgjengeliggjøres via Webservere(40). Når databasen(60) har fått all informasjon fra lnformasjonskildene(90,100,110,130,140) med unntak av Forbrukere(120) som kommer underveis når oppfinnelsen er tatt i bruk, vil alle brukere(10,20) motta en personalisert e-post (fra e-post adresser fra Firma Websider(90) og eller offentlige registre(lOO)). Denne e-posten linker så til en ferdig oppsatte profil for virksomheten som gjør deg til bruker i løpet av få klikk. Du kan nå som bruker av oppfinnelsen invitere dine kunder, partnere eller andre forretningsforbindelser til også være med i din kundegruppe, partnergruppe eller annen gruppe som du har laget. Dette er på samme måte som i andre sosiale media for privat personer. På denne måten lager du et nettverk med dine forretningsforbindelser. En av de unike egenskapene med denne oppfinnelsen er at med all denne informasjonen fra alle informasjonskildene(90,100,110,120,130,140), ditt nettverk som du har skapt via det sosiale media(50) og med Search&Matching(70) i kombinasjon med Database(60) er å automatisk kunne foreslå ny kunder, partnere eller andre forretnings forbindelser.

Denne automatiske forståelsen basert på at systemet vet mye om hver virksomhet. Hvor den holder til, hva den holder på med, hva som skrives i media, hvilke typer kunder og partnere som den har, når du har inngått nettverket. Hvor mye dialog som er imellom virksomhetene. Med oppfinnelsen vil du automatisk få foreslått nye kunder, partnere eller andre forretnings forbindelser på som matcher dine behov.

Oppfinnelsens Search & Matching metode og arrangement er beskrevet i figur 2, 3, 4 og 5 som beskrives i det følgende. I figur 2 - Search & Matching oversikt kommer informasjon om virksomhetene fra Crawlere(80). Denne informasjonen kategoriseres(72) etter hvor den kommer fra og hva slags informasjon det er. Dette kan være informasjon om hvor selskapet holder til, hvilken bransje/marked de operer i, hva slags produkter og tjenester de leverer, organisasjon/finans eller andre kategoriseringer. Hver av disse egenskapene som nå er kategorisert(72) blir nå representert matematisk ved hjelp av hver sin vektor som har en retning og lengde i et mange dimensjonalt rom(74). Egenskapene for en virksomhet kan nå lett sammenliknes ved å sammenlikne retning og lengde gjennom å ta skalar produktet mellom to vektorer(76). I figur 3 - Matematisk representasjon av en virksomhets egenskap, ser vi hvordan en slik egenskaps vektor er oppbygget. Fig 3 viser et eksempel på en virksomhets produkt egenskap. Figuren illustrerer hvordan hvert ord som beskriver produktet blir representert med hver sin vektor (74a, 74b, 74c, 74d, 74e). Hver av de unike ordene(del egenskapene) har sin egen retning i det mange dimensjonale rommet (i figuren er kun 3 retninger illustrert). Lengden på hver av disse del egenskapene(74a, 74b, 74c, 74d, 74e) er avhengig av hvor unikt hvert ord er. Ordene(del egenskapene) med størst unikhet får lengst lengde på vektoren. I fig 3, ser vi at NOARK(74a) er den lengste vektoren da dette er det mest unike ordet. Til å holde orden på de forskjellige unikheter til hvert ord (del egenskaper) lages det en adaptiv ordliste (74g) som holder orden på alle ord som er crawlet(80) fra alle informasjonskilder(90-140 fra fig 1) for alle virksomheter. Denne adapative ordlisten(74g) teller antall forekomster av et ord(del egenskap) for alle virksomheter. Unikheten blir omvendt proporsjonal med antall forekomster. De ord (del egenskaper) som det finnes færrest forekomster av er de mest unike. I den adpative ordlisten(74g) ser vi at NOARK er mest unikt med 10, mens software er minst unik med relativ verdi 2. I tillegg til ord unikheten teller man også antall forekomster av ordet innenfor en virksomheten. Dersom det er mange forekomsterøker også lengden på vektoren. Dersom ordene står mer sentralt i teksten, f. eks i overskriften eller med ekstra store bokstaver kan dette også tillegges betydnings slik at vektoren også kan øke sin lengde. Man kan også sette sammen flere ord til en vektor. Det betyr i praksis at man får mange flere retninger, men prinsippene er de samme. For å lage et matematisk uttrykk for en virksomhets egenskap summeres alle del-egenskap vektorene (74a, 74b, 74c, 74d, 74e) til sammen til en resultant vektor(74f) som er summen av alle den andre. Denne resultant vektoren(74f) er et fingeravtrykk eller matematisk representasjon av en virksomhets egenskap. En kan også slå sammen flere egenskaper for å lage nye fingeravtrykk for kombinasjoner av egenskaper. Man kan f. eks slå sammen alle de ulike egenskaps vektorene(74) som for produkt, marked, organisasjon/finans eller annen relevant egenskap til en hovedvektor for hele virksomheten. I figur 4 - Matematisk sammenligning av to virksomheters egenskaper vises hvordan to virksomheter representert med hver sin vektor a (76a) og b (76b) sammenlignes ved å ta skalar produktet mellom vektorene som vist med matematisk ligning i figur 4 (76d). Skalar produktet er et uttrykk for retning(vinkel mellom vektorene) og lengde på vektorene. To virksomheters egenskaper som peker i samme retning og med relativt lik lengde er to virksomheter med samme egenskap. Ved søk etter virksomheter og matching mellom disse angis likeheten med et uttrykk omregnet til 0-100% som tilsvarer resultatet fra Skalar produktet. Dette gjør det mye lettere for brukeren å lese hvor like to virksomheter er hverandre. I figur 3 så vi hvordan en virksomhets egenskap representeres ved hjelp av en matematisk vektor. I figur 5 - Matematisk endring av en virksomhets egenskap, ser vi hvordan en virksomhets egenskaps endring fører til en endring i virksomhetens vektor. Siden informasjonskildene(90-140) fra figur 1 avleses kontinuerlig og tilhørende vektorer utregnes kontinuerlig vil alle endringer påvirke retning og lengde for en virksomhets egenskaper. Ved å kontinuerlig følge med på hvor raske og store disse endringene er, vil dette avspeile endringens art. Det gjøres ved å kontinuerlig "derivere" virksomhetens egenskaper eller måle hvor store endringene i vektoren er. Dette er illustrert i figur 5 hvor vektor a (78c) varierer til retning og lengde angitt nede med stiplet linje (78b) eller til retning og lengde angitt med stiplet linje oppe (78a). Størrelsen på dette utslaget (78c) angis av den deriverte av vektoren og er et utrykk for hvor stor endringen har vært for en virksomhet. Denne endringen kan f.eks være at en virksomhet lanserer et nytt produkt, endrer finansiell status, endrer markedet eller lokasjon eller annen relevant endring. Dersom disse endringene er for noen av dine partnere, kunder eller andre forretningsforbindelser som du har koblet sammen i ditt sosial nettverk (50) vil du kunne få en "early warning" på dette. På denne måten kan du automatisk få "tips" om endringer svært raskt og for så å kunne gjøre eventuelle mottiltak dersom dette erønskelig.

Claims

1. Fremgangsmåte for matching av virksomheter og deteksjon av endringer for en virksomhet ved bruk av matematiske modeller som gjør det mulig å matche, finne likeheter mellom virksomheter samt oppdage endringer i en virksomhet karakterisert vedat fremgangsmåten omfatter følgende trinn: a) Kombinasjon av virksomhets informasjon innsamlet ved søkemotor teknologi og hvor virksomhetens egenskaper representeres ved hjelp av vektor matematikk; b) hvor søkemotoren kontinuerlig leser virksomheters websider(90), offentlige virksomhetsregistre(lOO), finansielle registre(llO), nyheter(130), forum(140), blogger(140), sosiale nettverk(50) og tilbakemeldinger fra brukere(120); c) og hvor denne informasjonen kategoriserer(72) som egenskaper innenfor lokasjon, bransje, marked, produkt, tjenester, organisasjon, finans eller andre relevante kategorier; d) og som gjøres om til matematiske vektorer som representerer virksomhetens egenskaper(74); e) og hvor virksomheter sammenlignes ved å sammenligne skalarproduktet(76) mellom virksomhetens egenskaps vektorer;

2. Frengangsmåte ifølge krav 1, der endringer for en virksomhets egenskap uttrykkes som endringer av egenskaps vektor med hastighet, lengde og retning (78).

3. Fremgangsmåte ifølge krav 1, der en virksomhets egenskap representeres som en vektor(74) i et mange dimensjonalt rom hvor hver retning representerer et unikt ord(del egenskap).

4. Fremgangsmåte ifølge krav 3, der en virksomhets egenskaps vektor består av summen av hver del egenskap som består av vektorer representert med et eller flere unike ord eller sammensetninger(74f).

5. Fremgangsmåte ifølge krav 4, der en del egenskaps vektor(74a) har en lengde som er omvendt proporsjonal med total ord forekomst gitt av en adaptiv ordliste(74g) og proporsjonal med forekomsten, plasseringen, størrelse eller betydning innenfor en virksomhet.

6. Fremgangsmåte ifølge krav 1, der sammenligningen mellom en eller flere virksomheter gjøres ved å ta skalarproduktet(76d) som omgjøres til en lesbar verdi mellom 0-100%.

7. Fremgangsmåte ifølge krav 1, der endring i en virksomhet representeres som endringer i retning og lengde av en virksomhets egenskaps vektor som gjøres ved å se på den deriverte av en vektor(78).

8. Fremgangsmåte ifølge krav 1, der en virksomhets egenskap representeres som en vektor med en normalisert lengde ved lagring i database(60) og at selve lengden utregnes dynamisk ved sammenlignings tidspunktet for hele tiden å reflektere den adaptive o rdl iste n(74g) som hele tiden oppdateres ved crawling av informasjonskildene(90-140).

9. Fremgangsmåte ifølge krav 1, der en virksomhets vektor kan bestå av en eller flere virksomhets egenskaps vektorer(74).

10. Fremgangsmåte ifølge krav 1, der en virksomhet kan overstyre lengden av en vektor som gis av den adaptive ordlisten(74g) grunnet andre prioriteringer som er viktige for virksomheten slik som kampanjer, strategi endringer, synlighet eller andre forretningsgrunner.

11. Fremgangsmåte ifølge krav 1, der en virksomhet matching kan kombinere vektor sammenligning med flere andre parametre som regelverk, ytre påvirkninger, strategier eller andre ønsker som er av betydning for virksomheten eller dens omgivelser.

12. Fremgangsmåte ifølge krav 1, der en virksomhets endringer i vektorene kan føre til "early warning" som sendes som en melding til brukere.

13. Fremgangsmåte ifølge krav 1, der virksomheters vektorer som har relativt lik retning og lengde automatisk kan danne grupper med virksomheter som har mange felles trekk.

14. Fremgangsmåte ifølge krav 1, der virksomheters endringer i vektorene kan detektere markedstrender og konjunktur endringer.

15. Fremgangsmåte ifølge krav 1, der virksomheters endringer i vektorene kan detektere positive eller negative retninger for en virksomhet.

16. Fremgangsmåte ifølge krav 1, der virksomheters endringer i vektorene kan detektere nye kunder, partnere, konkurrenter eller andre forretningsforbindelser.

17. Fremgangsmåte ifølge krav 1, der virksomheters endringer i vektorene kan detektere nye markeder basert på trender innen andre virksomheters marked og produkt endringer.

18. Fremgangsmåte ifølge krav 1, der virksomheters vektorer basert på informasjon fra forum, blogger, sosiale nettverk(140), nyheter(130) eller forbrukere(120) kan gi en live indikasjon på virksomhetens produkt, tjenester og merkevare status og dens utvikling i positiv eller negativ retninger ved å sammenligne med definerte positive og negative vektorer.

19. System for matching av virksomheter og deteksjon av endringer for en virksomhet ved bruk av matematiske modeller som gjør det mulig å matche, finne likheter mellom virksomheter samt oppdage endringer i en virksomhet karakterisert vedat systemet omfatter: a) en søkemotor koblet til et nettverk innrettet til innsamling av virksomhetsinformasjon; b) der søkemotoren er innrettet til i det vesentlige kontinuerlig å lese virksomheters websider(90), offentlige virksomhetsregistre(lOO), finansielle registre(llO), nyheter(130), forum(140), blogger(140), sosiale nettverk(50) og tilbakemeldinger fra brukere(120); c) kategoriseringsenhet innrettet til å kategorisere den av søkemotoren innsamlede informasjonen som egenskaper innenfor lokasjon, bransje, marked, produkt, tjenester, organisasjon, finans eller andre relevante kategorier; d) en beregningsenhet innrettet til å gjøre den kategoriserte informasjonen til matematiske vektorer som representerer virksomhetens egenskaper(74); e) en sammenligningsenhet for sammenligning av virksomheter lagret i minnet ved å ta skalar produktet(76) mellom virksomhetens egenskaps vektorer;

20. System ifølge krav 19, der hvor endringer for en virksomhets egenskap uttrykkes som endringer av egenskaps vektor med hastighet, lengde og retning (78).