Performancing Metrics

Geschatte leestijd: 5 minuten
Tender information overload! How to find information fast.

Overload aan aanbestedingsinformatie! Snel informatie vinden

Er circuleren nu meer gegevens en informatie dan op enig ander moment in de geschiedenis. Aanbestedingen lijken groter te worden en meer informatie te bevatten dan ooit tevoren. Aanbestedingen zijn nu al een essentieel onderdeel van de bedrijfsactiviteiten van veel organisaties. Volgens TED is de aanbestedingsmarkt in Europa groot en groeiende. Niet alleen vanwege de groeiende behoefte van de publieke sector aan transparantie over de besteding van belastinggeld, maar ook veel grote bedrijven in de particuliere sector volgen deze trend, op zoek naar betere prijzen en een meer gestructureerde manier om te onderhandelen met potentiële leveranciers. Deze blog post gaat niet over hoe de aankondigingen of publicaties van aanbestedingen te volgen, het gaat over hoe snel de juiste informatie te vinden zodra de aanbestedingsdocumenten zijn ontvangen. 

Bij Brainial zien we dat onze klanten gemiddeld 100 tot 150 documenten per aanbesteding ontvangen, met soms uitschieters naar meer dan 2.000 documenten per aanbesteding. Zelfs na het lezen of scannen van de documenten, is het nog steeds moeilijk om de informatie te vinden die u zoekt. Ctrl F wordt heel vaak gebruikt, maar je moet weten in welk document je moet kijken om de juiste informatie te vinden. Erger nog, meerdere teamleden gebruiken de Ctrl F-functie per document van de aanbesteding en proberen dezelfde aandachtspunten of informatie te vinden. Collega's nemen contact met elkaar op via digitale kanalen zoals Teams, Slack en e-mail, maar ook telefonisch of lopen naar elkaar toe met vragen over waar ze bepaalde informatie kunnen vinden. Denk hierbij aan informatie binnen de aanbesteding zelf, of historische aanbestedingsinformatie en informatie uit antwoorden die in het verleden zijn geschreven. Herken je dat? 

Hoe ga je om met de stortvloed aan informatie? En hoe zorg je ervoor dat je jouw collega's niet steeds lastig hoeft te vallen met onnodige vragen die voor afleiding zorgen? De zoekmogelijkheden van een gedeelde of lokale schijf of zoeken binnen jouw Document Management Systeem helpen je niet verder. Wij zullen je uitleggen hoe de Brainial oplossing kan helpen en hoe wij dit probleem kunnen aanpakken.

Hoe helpen we?

Met de Brainial-oplossing kun je direct alle informatie vinden door gebruik te maken van zogenaamde functies "Smart Search" (vector zoeken) en exact zoeken. Zoekresultaten kunnen worden gefilterd op categorieën, documenten, documenttypes, tags, taken, enz.

In het ideale geval wil je direct de informatie vinden die je zoekt. Het filteren van informatie op zaken als categorie, document, documenttype en tags wordt dan erg handig om de juiste resultaten te vinden. Brainial heeft het makkelijk gemaakt om automatisch de relevante informatie te vinden met onze geavanceerde zoekmogelijkheden waarmee je zelfs gerelateerde informatie kunt vinden op basis van compleet andere trefwoorden of zelfs een andere taal. Hoe hebben we dit gedaan? Dat leggen we uit in het volgende deel van deze blogpost. En ja, we worden er een beetje wetenschappelijk over :-). 

Natural Language Processing (NLP) analyseert taalgegevens in de vorm van documenten met behulp van verschillende computertechnieken¹. De machine leert de structuur en betekenis van menselijke taal en geeft de output aan de gebruiker². Het doel van NLP is om correcte tekstgegevens te produceren die structuur aanbrengen in de ongestructureerde gegevens door gebruik te maken van taalkundige kennis¹. De toegevoegde waarde van NLP in de toekomst helpt bij het omgaan met tekst om processen en modellen op te bouwen en deze te manipuleren volgens het algoritme in de computer². Wanneer de structuur grammaticale relaties kan leggen tussen de componenten van de tekst, is de tekst syntactisch. Wanneer ze de betekenis van de tekst weergeeft, heet de tekst semantisch¹. Om de juiste verbanden te leggen tussen woorden in een stuk tekst, is syntactische informatie essentieel. Dit is op het basisniveau van het bepalen van de grammaticale functie van een woord¹. 

Een NLP-systeem bestaat uit een pijplijn met een aantal componenten die zorgen voor de verwerking van de tekst. Elke component zorgt voor structuur in de tekst zodat de verdere verwerking gemakkelijker wordt zoals bijvoorbeeld het verwijderen van stopwoorden of het vervangen van alle taalspecifieke letters door normale (bijvoorbeeld van é naar e). De eerste componenten verschillen in taak ten opzichte van de latere componenten, die meer gericht zijn op het analyseren van concepten en relaties. Methoden die hiervoor gebruikt worden variëren van regelgebaseerde methoden waaronder regular expressions tot statistische en machine learning modellen¹. Bij Brainial gebruiken we een combinatie van op regels gebaseerde methoden en modellen voor machinaal leren. 

Search Brainial

In ons geval is vectorisatie een belangrijk onderdeel van de NLP-pijplijn. Wat is vectorisatie? Woordinsluitingen of woordvectorisatie is een methodologie in NLP om woorden of zinnen uit woordenschat toe te wijzen aan een overeenkomstige vector van reële getallen die wordt gebruikt om woordvoorspellingen, woordovereenkomsten / semantiek te vinden. Het proces van het omzetten van woorden in getallen wordt Vectorization³ genoemd. Het voordeel van vectorisatie voor de gebruiker is dat u de specifieke zoekterm niet hoeft te kennen om de relevante informatie te vinden die u zoekt. Bij Brainial gebruiken we zoeken op tekstovereenkomst om redenen van eenvoud en het feit dat we vectorzoekacties kunnen uitbreiden met exacte tekenreeksovereenkomsten om te zoeken op de exacte zoekinvoer van de gebruiker.

Dus hoe kunnen helpen wij organisaties helpen? Met de Brainial oplossing zijn gebruikers in staat om direct alle informatie te vinden die ze willen door gebruik te maken van zogenaamde "Smart Search" (vector zoeken) of exact zoeken. Zoekresultaten kunnen worden gefilterd op categorieën, documenten, documenttypes, tags, taken, enz. omdat wij de aanbestedingsgegevens categoriseren, labelen en classificeren tijdens de eerste analyse als onderdeel van de NLP-pijplijnactiviteiten. Verspil geen tijd meer en val jouw collega's niet langer lastig met de vraag waar je informatie kunt vinden. Begin met het verkennen van de Brainial Smart Search functionaliteit door een demo aan te vragen.

Bronnen:

  1. Verspoor, K., & Cohen, K. B. (2013). Natural Language Processing. Encyclopedia of Systems Biology, 1495–1498. 
  2. Jain, A., Kulkarni, G., & Shah, V. (2018). Natural Language Processing. International Journal of Computer Sciences and Engineering, 6(1), 161–167. 
  3. Towards Data Science, 2019, https://towardsdatascience.com/understanding-nlp-word-embeddings-text-vectorization-1a23744f7223

Auteur: Fedor Klinkenberg is de mede-oprichter en chief executive officer van Brainial. Hij leidt de bedrijfsstrategie en de algemene en commerciële teams. Fedor heeft >11 jaar ervaring bij een van de snelst groeiende tech bedrijven van Nederland: Mendix. Fedor heeft een Master of Science diploma in Management of Innovation van de Rotterdam School of Management, Erasmus University.