Der Immobilienmarkt in Ontario wird von Tarion reguliert, einer gemeinnützigen Verbraucherschutzorganisation, die 1976 von der Regierung von Ontario gegründet wurde. Wenn ein Hausbesitzer in Ontario ein neu gebautes Haus kauft, wird die Garantie bei Tarion registriert.
Wenn der Käufer ein Problem mit der Konstruktion feststellt, beispielsweise Feuchtigkeit, Elektrik oder Struktur, reicht er in der Regel ein Formular per Freitext an Tarion auf einem Online-Portal ein. Je nach den vorliegenden Problemen kann sich die Einreichung des Hausbesitzers von selbst lösen oder zu kostspieligen und zeitaufwändigen Eingriffen wie einer physischen Inspektion durch einen Gutachter oder einen geeigneten Fachmann führen.
Ihr Browser unterstützt das Video-Tag nicht.
Da Tarion seit 1976 in Betrieb ist und die Anträge der Hausbesitzer und die Antworten der Bauunternehmer meist in einfacher Textform vorliegen, war sich das Management von Tarion bewusst, dass seine Textdaten eine Goldgrube für KI-Initiativen wie Predictive Analytics oder sogar prädiktive Modelle zur Verarbeitung natürlicher Sprache sein würden. Deshalb entschied es sich für eine KI-Strategieberatung durch uns . Wenn die Beschwerden eines Hausbesitzers nicht von einem Bauunternehmer bearbeitet werden, wird das Problem wahrscheinlich eskalieren und eine kostspielige und stressige Inspektion durch einen Gutachter oder einen anderen Fachmann erforderlich machen.
Tarion beauftragte Fast Data Science im Rahmen eines Beratungsauftrags zur KI-Strategie . Der Auftrag bestand aus drei Phasen:
Datenermittlung: Wir haben die bereits im Salesforce-System von Tarion vorhandenen Daten untersucht und einige kleine Sandbox-Vorhersagemodelle erstellt. Wir haben festgestellt, dass sowohl der reine Text der Einreichung eines Hausbesitzers als auch die dazugehörigen Metadaten einen hohen Vorhersagewert haben und dass es möglich wäre, die Wahrscheinlichkeit vorherzusagen, dass eine Einreichung zu einer physischen Inspektion, einem größeren strukturellen Defekt oder sogar einem Rechtsstreit eskaliert.
Identifizierung von Chancen: Wir haben eine Reihe von Brainstorming-Sitzungen mit Vizepräsidenten und anderen Stakeholdern im gesamten Unternehmen abgehalten. Diese Gespräche wurden von den Vizepräsidenten geleitet, die diskutieren konnten, was sie sich von KI für ihre Abteilung und für die Organisation als Ganzes wünschen.
Priorisierung von Chancen: Wir haben die in Frage kommenden Data Science- und NLP-Initiativen zusammengestellt und die Stakeholder bei Tarion gebeten, sie auf einer dreistufigen Skala hinsichtlich ihrer Auswirkungen auf Hausbesitzer, Bauherren, Mitarbeiter und die Finanzen von Tarion zu bewerten. Die Initiative, die beispielsweise von Stakeholdern aller Abteilungen am häufigsten genannt wurde, war „Wenn ein Hausbesitzer ein Formular einreicht, sortieren Sie es nach der Wahrscheinlichkeit einer Eskalation“. Einige andere spannende Initiativen waren für eine bestimmte Abteilung von großem Interesse, aber nicht unbedingt in anderen Bereichen, wie z. B. „Wenn ein Hausbesitzer beginnt, eine Einreichung einzutippen, geben Sie ihm Hilfestellung, ob seine Beschwerden unter die Garantie fallen“. Wir haben diese Punkte auch nach technischem Schwierigkeitsgrad eingestuft und sie in einem interaktiven Streudiagramm platziert, das in Plotly Dash erstellt wurde, sodass die Stakeholder die eingestuften Initiativen erkunden und nach verschiedenen Kriterien segmentieren konnten:
Übung zur Priorisierung von KI-Chancen. Projekte können anhand von zwei Achsen kategorisiert werden: Schwierigkeit und Auswirkung. Attraktive Initiativen würden sich weiter unten rechts im Diagramm befinden, d. h. sie hätten eine hohe Auswirkung bei geringer technischer Schwierigkeit.
Das letzte Ergebnis der Zusammenarbeit mit Tarion war eine Präsentation mit dem CEO und ein 42-seitiger Bericht mit Einzelheiten zu unserer Untersuchung und Empfehlungen für die nächsten Schritte.
Wenn es in Ihrem Unternehmen Geschäftsprozesse gibt, bei denen Kundenprobleme eskalieren können, und Sie vermuten, dass Ihre unstrukturierten Textdaten einen gewissen Vorhersagewert haben könnten, kontaktieren Sie uns bitte, um eine kostenlose Beratung zu vereinbaren ! Man kann es sich so vorstellen: Wenn ich das Budget hätte, einen intelligenten Absolventen einzustellen, der jedes einzelne eingehende Dokument, Formular, jeden Telefonanruf oder jede E-Mail prüft und sortiert, was würde ich von ihm erwarten? Wenn Sie denken, dass dieser intelligente Absolvent einen großen Einfluss auf Ihr Unternehmen haben könnte, stehen die Chancen gut, dass KI das auch könnte. Sie wären überrascht, was NLP-Modelle leisten können, insbesondere nach der explosionsartigen Zunahme an LL.M.
Viele der Diskussionen zu NLP, die ich online gesehen habe, drehen sich darum, wie ein NLP-Modell Einsendungen nach einem einfachen semantischen Satz von Kategorien sortieren könnte, wie im Fall einer Wohnungsbaubehörde Elektrizität, Feuchtigkeit, Bauwesen. Es wäre sehr einfach, GPT-3 eine simple Eingabeaufforderung zu senden und es zu bitten, eine solche Kategorisierung vorzunehmen. Doch wirklich interessant und für ein Unternehmen weitaus wertvoller ist die Sortierung der Probleme nach künftigen Erwartungen , wie etwa den zu erwartenden Prozesskosten oder der Wahrscheinlichkeit einer Eskalation zu einem Mediationsverfahren: Hier kommt die KI ins Spiel. Viele geschäftliche Implementierungen von KI, die ich gesehen habe, haben diesen Punkt vernachlässigt und schrecken davor zurück, Zukunftsprognosen zu treffen.
Bei Fast Data Science konzentrieren wir uns nicht nur auf die Technologie. Die meiste Zeit bei einem KI-Strategie-Engagement verbringen wir damit, mit Stakeholdern zu sprechen, Umfragen durchzuführen, die an Sozialwissenschaften oder Marktforschung erinnern, und Ergebnisse zu kommunizieren. Wenn Geschäftsmöglichkeiten identifiziert wurden, können sich die technischen Probleme von selbst lösen. Sich zuerst auf die Technologie zu konzentrieren („wir wollen XYZ mit GPT-3 machen“), bedeutet, den Karren vor das Pferd zu spannen.
Unsere wichtigste Empfehlung für Tarion war, die Grundlagen für Projekte zur Verarbeitung natürlicher Sprache und KI zu legen. In diesem Fall wären das ein Data Lake, ein Data Warehouse und eine ETL- Pipeline (Extrahieren, Transformieren und Laden) unter Verwendung von Tools wie Snowflake , Google BigQuery oder Apache Spark . Dies würde den Weg für einige wirkungsvolle Predictive-Analytics-Projekte ebnen, die reibungslos ablaufen könnten, wie etwa die Vorhersage von Eskalationen bei Eigenheimbesitzern oder die Vorhersage von Insolvenzen bei Eigenheimbauern. Diese Schlüsselprojekte hatten laut der Einschätzung extrem große Auswirkungen auf nahezu alle Beteiligten und waren nur mäßig schwierig umzusetzen.
Rückblick auf Fast Data Science nach dem Tarion-Projekt auf unserem Google-Profil
What we can do for you
