Enterprise-Search-Systeme sind längst nicht mehr auf die Volltextsuche beschränkt. Mit ihrem umfassenden Instrumentarium für intelligente Content Analytics ermöglichen sie Unternehmen heute, bessere Entscheidungen zu treffen und zahlreiche Prozesse zu automatisieren.

Enterprise-Search-Systeme wurden in den letzten Jahren massiv aufgerüstet. Verfahren der künstlichen Intelligenz wie Machine Learning gehören heute ebenso zur Ausstattung von High-End-Systemen wie fortgeschrittene Textanalyseverfahren oder Graphdatenbanken. Damit sind sie in der Lage, natürlichsprachliche Suchanfragen zu verstehen, Eigennamen zu erkennen, Relationen zwischen diesen Entitäten zu extrahieren, Zusammenhänge über Dokumentengrenzen hinweg etwa durch Knowledge-Graphen aufzuzeigen, Content intelligent zu verlinken oder die Nutzer durch automatisch generierte, zur Suchanfrage korrelierende Begriffe in ihrem Rechercheprozess zu führen. Zudem agieren moderne Systeme proaktiv. Gefundene Dokumente listen sie nach Aktualität und die Nutzer erhalten – ähnlich wie bei Amazon – Empfehlungen, die aus bereits erfolgten Suchanfragen anderer Anwender generiert wurden.

Mit diesen Fähigkeiten können die Systeme einerseits eine optimierte User Experience bieten und dafür sorgen, dass die Nutzer relevante Informationen schneller und zielgerichteter erhalten. Andererseits erschließen sich aber auch viele zusätzliche Business Cases, denn die neuen Technologien bauen die Enterprise-Search-Systeme zu einer umfassenden Plattform für intelligente Content Analytics aus. Die Basis dafür liefert eine geeignete Enterprise-Search-Lösung durch ein breites Set an Standard-Konnektoren, mit denen sich beliebige Datenquellen unkompliziert anbinden lassen. Das können cloudbasierte Filesharing-Dienste, Datei-, Datenbank-, E-Mail-, Content-Management- und ERP-Systeme, Wikis, Collaborations-Plattformen und Unternehmensportale, aber auch externe Inhalte wie Norm-, Fachliteratur- oder Patentdatenbanken sein. Dabei spielt es keine Rolle, ob sich diese Quellen auf den eigenen Servern oder in der Cloud befinden; und es ist auch unerheblich, ob es sich um strukturierte oder unstrukturierte Datenbestände handelt. Alle diese Datensilos werden vernetzt und in einem intelligenten Index, sozusagen einem automatisch aufgebauten „Data Lake“, zusammengeführt. Dieser Index stellt eine zentrale Wissensdatenbank dar, auf die sich eine Vielzahl von Use Cases und Applikationen aufsetzen lässt.

Experten identifizieren und Trends erkennen

So kann beispielsweise für neue Projekte oder neue Kunden ermittelt werden, welcher Mitarbeiter im Unternehmen die beste Expertise dafür mitbringt. In einem semantischen Modell lassen sich dazu mit Informationen zu jedem Mitarbeiter, die direkt aus einer Benutzerverwaltung wie Active Directory auslesbar sind, wichtige organisatorische Relationen abbilden, die dann in die Suche einfließen können. Diese Informationen werden mit zusätzlichen Angaben zu den Tätigkeiten und Fähigkeiten der Mitarbeiter angereichert, die das System aus E-Mails und weiteren Dokumenten erkennt, extrahiert und ebenfalls im semantischen Modell hinterlegt. Anhand dieser Daten lassen sich dann – in Abstimmung mit dem Betriebsrat – für jeden Fall zuverlässig die passenden Experten identifizieren.

Bei neuen Projekten – aber auch ganz generell – ist es für Unternehmen außerdem oft entscheidend, die aktuelle Marktentwicklung zu analysieren und neue Trends zu erkennen; sei es, um über die Schritte der Mitbewerber oder über technische Fortschritte informiert zu sein. Mit den im Enterprise-Search-System verbauten Verfahren für tiefes Textverständnis lassen sich externe Quellen wie Fachartikel in Wikipedia, Patente oder Präsentationen thematisch erfassen, mit hinterlegtem Domänenwissen abgleichen und bewerten. Dabei können neben frei verfügbaren Informationen aus dem Internet auch Inhalte analysiert werden, die sich im Deep Web befinden – also etwa Content aus Fachinformationsdatenbanken, die dem Zugriff von Standardsuchmaschinen entzogen sind. Um unnötige Mehrarbeiten zu verhindern, filtert das System redundante Informationen dabei automatisch heraus.

Neben fest eingerichteten Analyseszenarien wie einer kontinuierlichen Wettbewerbsbeobachtung ermöglicht es ein modernes Enterprise-Search-System wie iFinder aber auch, jederzeit beliebige Ad-hoc-Auswertungen über den kompletten Datenbestand durchzuführen. Die Nutzer können sich benötigte Auswertungen aus dem Stand schnell und einfach zusammenstellen und durch intelligente Drill-Downs analysieren. Mit Hilfe einer Wissenslandkarte beispielsweise erhalten die Nutzer eine 360-Grad-Sicht auf den gesamten Datenbestand ihres Unternehmens und können ihn über Filterelemente dynamisch eingrenzen. Damit verfügen sie über ein wertvolles Recherchewerkzeug, um sich einen schnellen Überblick über ein Thema zu verschaffen.

Enterprise-Search-Systeme werden zu Insight Engines

Mit diesen Fähigkeiten hören Enterprise-Search-Systeme auf, reine Suchlösungen zu sein. Sie werden zu Insight Engines, die es Unternehmen ermöglichen, tiefe Einblicke in ihre Daten zu gewinnen und damit bessere Geschäftsentscheidungen zu treffen. Das macht sie zu einem wichtigen Bestandteil innerhalb der Business-Intelligence- und Analytics-Landschaften von Unternehmen. Ihre Wirkungsmacht reicht aber sogar noch weiter. Mit ihrem Technologie-Stack für intelligente Content-Analysen stellen sie eine leistungsfähige Infrastruktur zur Verfügung, die sich auch für die Automatisierung zahlreicher Prozesse nutzen lässt.

Ein Beispiel dafür, das derzeit besonders im Mittelpunkt der Aufmerksamkeit steht, sind KI-Chatbots im Online-Support. Technologien einer Insight Engine wie Natural Language Processing, Entitäten-Erkennung und Linguistik ermöglichen es solch einem Chatbot, die Fragen der Nutzer richtig zu verstehen und zu analysieren. Gleichzeitig kann die Insight Engine für den Bot Lösungsdatenbanken, Support-Mails oder FAQ-Inhalte durchsuchen und die Beschreibung von Problemlösungen mit der Frage abgleichen. Wird eine passende Beschreibung gefunden, kann der Bot die richtige Antwort automatisch ausliefern; wird sie nicht gefunden, kann er die Frage direkt an den zuständigen Mitarbeiter weiterleiten.

Ein weiterer Automatisierungs-Use-Case ist die Sortierung von Inhalten durch Textklassifikation. Die lernenden Algorithmen einer Insight Engine lassen sich anhand von Beispieldokumenten darauf trainieren, neue, unbekannte Texte automatisch den richtigen Kategorien zuzuordnen. Unternehmen, in denen täglich oder wöchentlich sehr viele eingehende Texte zur Bearbeitung manuell vorsortiert werden müssen – seien es gescannte Briefe, E-Mails oder sonstige digitale Dokumente –, eröffnet sich damit ein erhebliches Potenzial. Das trainierte System kann innerhalb von Millisekunden ein eingehendes Dokument klassifizieren, und zwar deutlich objektiver und weniger fehleranfällig als ein Mensch. Zusätzlich lässt sich die automatische Einordnung in digitale Workflows integrieren. Dann können die IT-Systeme den gesamten digitalisierten Posteingang eines Unternehmens aus Neuverträgen, Kündigungen oder Beschwerden eigenständig vordefinierten Kategorien oder Rubriken zuordnen und direkt an die zuständigen Mitarbeiter weiterleiten.

Mächtige Plattformen für intelligente Analysen

Mit ihren modernen Technologie-Stacks ermöglichen Enterprise-Search-Systeme heute erheblich mehr als nur die klassische Volltextsuche – und auch mehr als nur fortschrittliches unternehmensweites Suchen. Sie sind mächtige Plattformen für die intelligente Analyse von Content geworden und eröffnen damit völlig neue Anwendungsszenarien. Mit ihrer Hilfe können Unternehmen in einem immer umkämpfteren Marktumfeld bessere Entscheidungen treffen, smartere Prozesse aufsetzen und erhebliche Kosteneinsparungen erzielen.