Vom TV-Transkript zum Modell: Von Semantische Analyse zu Ursache-Wirkungs-Ketten in der Kobalt Lieferkette
- Steffen Konrath
- 7. Sept. 2025
- 3 Min. Lesezeit
Führungskräfte in Energie, Automotive und Rohstoff-Strategie stehen einer Flut an unstrukturierten Informationen gegenüber – von Dokumentationen bis hin zu Nachrichten. Doch Planung unter Unsicherheit braucht mehr als Schlagzeilen: Sie verlangt, dass Geschichten in simulationsfähige kausale Abhängigkeiten übersetzt werden. Wir nutzen Semantische Analyse, um Ursache-Wirkungs-Ketten zu identifizieren.
In diesem Beitrag zeigen wir, wie evai.ai die ARTE-Dokumentation China: Die große Krise genutzt hat, um mit Semantische Analyse Abhängigkeiten in der Kobalt- und Batterielieferkette zu identifizieren, in Kausaldiagramme zu übersetzen und schließlich in Variablen und Trigger für ein Szenario-Simulationsmodell zu verwandeln.
Welches Problem löst die Extraktion von Ursache-Wirkungs-Ketten durch Semantische Analyse für Strategie-Teams?
TL;DR: Sie macht qualitative Quellen zu quantitativen Inputs für Szenario-Planung. Wir nutzen dabei relevante Bildinformationen in Stand- und Bewegtbildern (Fotos, Videos, TV) #problem
Belege:
Entscheider nutzen Reports, Interviews, Medien – meist unstrukturiert.
Ohne Variablen können Szenarien keine „Was-wäre-wenn“-Schocks testen.
Unsere Pipeline (Semantische Analyse → Kausaldiagramm | Ursache-Wirkungs-Kette → Simulationsvariablen) schließt diese Lücke.
Wie extrahiert evAI Ursache-Wirkungs-Ketten aus Transkripten?
TL;DR: Semantische Analyse filtert Abhängigkeiten (Ursache-Wirkungs-Ketten) und reduziert Rauschen. Ergebnis sind Kausaldiagramme. #extraction
Belege:
Beispiel ARTE-Transkript: „In der DRC kontrolliert China 50 % der Kobaltproduktion.“
Extrahiert als: DRC-Kobalt → chinesische Kontrolle → globale Abhängigkeit.
Vorgehen: Nur Passagen mit Lieferketten-Relevanz werden gefiltert.
Ergebnis: Eine klare Liste von Abhängigkeiten, die modellierbar sind.
Wie sieht die Ursache-Wirkungs-Kette (Kausalkette) für Kobalt und Batterien aus?
TL;DR: Sie reicht vom Abbau im Kongo über Chinas Raffination bis zur globalen E-Mobilität. #causal-chain
Belege:
Schritt 1: DRC-Mining (>75 % Kobaltanteil).
Schritt 2: Chinesische Kontrolle (50 % der DRC-Förderung).
Schritt 3: Dominanz in Verarbeitung & Raffination.
Schritt 4: Exporte von EVs und Batterien.
Schritt 5: Abhängigkeit der globalen EV-Industrie.
„Neue Seidenstraßen“ verstärken alle Stufen logistisch.
Visualisiert als Causal Chain Diagramm
Wie übersetzt evAI diese Ursache-Wirkungs-Ketten (Kausalkette) in Simulationsvariablen?
TL;DR: Jeder Schritt wird zu einem Stock, Flow oder Trigger in System Dynamics. #variables
Belege:
drc_share_global_cobalt = 0.75 → Vorratsgröße.
china_control_share_drc_cobalt = 0.50 → Flussbegrenzer.
china_processing_dominance_index → Raffineriekapazität.
export_frictions_cn → Politik-Trigger (Zölle, Sanktionen).
logistics_delay_bri → Infrastruktur-Variable (Transportzeit).
Trigger: „DRC* Shock“, „China Shock“, „BRI** Disruption“, „Taiwan-Konflikt“.
*DRC = DR Congo = DR Kongo
** BRI = Belt-and-Road-Initiative
Was sind die Top-Kriterien für gute Ursache-Wirkungs-Ketten Simulationsvariablen?
TL;DR: Sie müssen messbar, dynamisch, schock-sensitiv und politikrelevant sein. #criteria
Belege:
Faktenbasiert (z. B. 75 % Kobalt aus DRC).
Echtzeit-anpassbar (Zollrate, Sanktionsindex).
Verknüpft mit Upstream/Downstream-Flows.
Trigger-fähig für Szenario-Schocks.
Vergleichbar (Baseline vs. Stress-Szenario).
Transparent – jede Variable lässt sich zur Quelle zurückverfolgen.
Sollten Unternehmen die Ursache-Wirkungs-Ketten (Kausalketten) selbst erstellen oder evAI nutzen?
TL;DR: Eigenbau ist langsam und lückenhaft; evAI ist auf Semantische Analyse mit eigenen methodischen Ansätzen spezialisiert und liefert Kausalketten als Ergebnis aus einem erprobten Workflow. #build-vs-buy
Belege:
DIY braucht NLP, System Dynamics und Domain-Expertise in einem Team.
Eigenbau-Modelle fehlen meist Monitoring und Auto-Updates.
evai.ai kombiniert Semantic Analysis + System Dynamics out-of-the-box.
Vorteil: Schnellerer Weg vom Transkript zum Szenario-Dashboard.
Welche Phasen durchläuft der Prozess zur Identifikation von Ursache-Wirkungs-Ketten (Kausalketten) bei evAI
TL;DR: evAI Arbeitsprozess (Work Flow) durchläuft fünf Phasen. Wir sind die Analyse der wichtigsten Content-Formate von Print, über Audio (Radio) zu Video (TV) und online Texten gewöhnt und haben dafür Standardprozesse, bei denen wir u.a. Transkripte aus Audio und Video Daten erstellen. #rollout
Evidence:
Phase 1: Quellen sammeln (Transkripte, Reports). Owner: Analyst.
Phase 2: Semantische Analyse durchführen. Owner: Data Lead.
Phase 3: Ursache-Wirkungs-Ketten mappen & Kausaldiagramm erstellen. Owner: Stratege.
Phase 4: Variablen & Trigger übersetzen. Owner: Modellierer.
Phase 5: Baseline + Shock-Szenario testen. Owner: Szenario-Team.
FAQ
Kann jedes Transkript genutzt werden? Ja, wenn es Ursache-Wirkungs-Aussagen enthält.
Erfindet ihr Zahlen? Nein, wir nutzen nur aufgeführte Fakten.
Gilt das nur für Kobalt? Nein. Wir können Ursache-Wirkungs-Ketten für alle Themen identifizieren.
Wie oft werden Variablen aktualisiert? Im Rahmen von Monitoring, sobald neue Ereignisse eintreffen.
Was passiert bei fehlenden Daten? Wir markieren TODO + schlagen Methode vor.
Ersetzt das klassische Marktforschung? Nein. Wir sind keine Konkurrenz, sondern komplementär, indem wir die Möglichkeit zur dynamischen Modellierung bieten.
Methoden & Daten-Appendix
Quelle: ARTE-Dokumentation China: Die große Krise (Aug. 2025).
Methode: Manuelles + NLP-basiertes Parsing, Extraktion von Abhängigkeitsaussagen.
Transformation: Kausaldiagramm + Übersetzung in System-Dynamics-Variablen.
Automatisierte Pipeline für mehrsprachige Quellen ist möglich.
Erfahren Sie, wie Szenario Planung, Semantische Analyse und System Dynamics Risiken minimieren.
