Probeer het nu
New call-to-action
New call-to-action
New call-to-action
New call-to-action
New call-to-action
Menu
Probeer het nu
Blog header general

Mededingingsonderzoek in de praktijk: snel & efficiënt data doorzoeken

Lennert Hoogvliet
30 juli 2020 10:15:00 CEST

Mededingingsonderzoeken kunnen door de hoeveelheid data en complexiteit veel tijd kosten. Dit kan een probleem zijn, omdat snelheid een grote factor is in het Mededingingsrecht: hoe sneller de relevante informatie bij de autoriteiten aankomt, hoe meer kans het bedrijf heeft op clementie (een vermindering of kwijtschelding van de boete voor kartelvorming).

Het snelste bedrijf krijgt de meeste reductie, waardoor het een soort wedstrijd wordt wie als eerst de meeste informatie indient bij de autoriteiten. Hierbij maakt het ook uit hoe waardevol de ingediende informatie is.

In de vorige blogs hebben we besproken hoe je snel alle niet-relevante data uit de dataset kan halen en rapporten kunt opstellen voor de autoriteiten om deze data uit de door autoriteiten verzamelde dataset te laten halen. Dit is echter maar een deel van het gehele onderzoek. Nu alle niet-relevante data uit de set is, is het tijd om de vragen van de autoriteiten te beantwoorden. Hiervoor moet een onderzoeker goed door de relevante data gaan zoeken. Maar hoe kan je dit snel en efficiënt doen?

eDiscovery

Tijdens een mededingingsonderzoek is het belangrijk om overzicht en structuur te behouden. Met behulp van overzicht en structuur kan een onderzoeker namelijk efficiënter en gerichter te werk gaan, wat vaak essentieel is in mededingingsonderzoeken. Hoe sneller onderzoekers bij de relevante informatie komen om de vragen van autoriteiten te beantwoorden, hoe meer geld het bedrijf kan besparen op de boete.

Handmatig alle data indelen in mappen of categorieën is een tijdrovende taak, wat in een groot mededingingsonderzoek net zoveel tijd in beslag kan nemen als alles handmatig beoordelen. Bij grote mededingingsonderzoeken is de hulp van technologie daarom een uitkomst.

Verschillende aanbieders bieden platformen waarop data kan worden geüpload die automatisch wordt ingedeeld. Door de metadata en de tekst te analyseren, kunnen documenten worden verdeeld over meerdere categorieën. Hiermee wordt structuur aangebracht in de data. Aangezien er meerdere aanbieders zijn van eDiscovery-platformen is het belangrijk om altijd uitgebreid te kijken naar de verschillende aanbieders, en te bepalen welk platform het beste past bij de werkzaamheden die moeten worden uitgevoerd.

Efficiënt werken met ZyLAB ONE

ZyLAB ONE biedt ook de mogelijkheid om data te structureren, met behulp van zogenaamde “Early Case Assessment” (ECA). Hierbij wordt text-mining gebruikt om de tekst uitvoerig te analyseren.

Eerder hebben we besproken dat snelheid erg belangrijk is bij het beantwoorden van een informatieverzoek. Hoe sneller een bedrijf de meest relevante informatie geeft, hoe meer kans ze maken op clementie. Om de vragen van de autoriteiten te beantwoorden, zal een advocaat eerst antwoord geven op de relatief makkelijke vragen, die snel beantwoord kunnen worden. Dit zijn de vragen waarvan een advocaat parate kennis heeft, zoals om welk bedrijf het gaat en welke personen betrokken zijn. Wanneer deze vragen beantwoord zijn, volgen de vragen te beantwoorden die moeilijker te beantwoorden zijn.

Early Case Assessment zorgt ervoor dat een advocaat de antwoorden op die vragen door de computer kan laten zoeken. Zo kan de advocaat snel alle informatie vinden, zonder alle informatie aan zijn cliënt te vragen en vervolgens handmatig te zoeken naar data die de antwoorden voorziet. Dit werkt efficiënter, en alle informatie is direct op één plek. Dit scheelt advocaat en cliënt werk, en is ook veel sneller. Het gebruik van een computer versnelt hierdoor het gehele beantwoordingsproces van een informatieverzoek.

Automatische classificatie

Data wordt ingedeeld op basis van autoclassificatie-regels. Deze regels zijn aanpasbaar, en kunnen daarom voor elk mededingingsonderzoek naar behoefte worden veranderd. Documenten kunnen op deze manier worden ingedeeld per eigenaar, datum, type document, wel of niet beoordeeld, etc., en worden weergegeven in zogenaamde facets (taartpuntjes).

Op deze manier kan er makkelijker worden gezocht naar antwoorden op de meest voorkomende vragen in een mededingingsonderzoek: de W-vragen. (Wat, Wie, Waar, Wanneer etc.)

Op W-vragen kan met behulp van community detection (een overzicht van connecties tussen personen binnen de data), geo mapping (overzicht waar e-mails en documenten vandaan komen) en Topic rivers (Een weergave van de verschillende onderwerpen door de tijd heen) antwoord worden gegeven.

Tagging

Daarnaast kan tijdens het beoordelen van documenten gebruik worden gemaakt van tags. Hiermee kan een onderzoeker aangeven dat een document bijvoorbeeld bewijs bevat of juist niet, waardoor het document meteen ingedeeld wordt in de categorieën ‘bewijs’ en ‘geen bewijs’. Ook deze tags zijn aanpasbaar wanneer nodig. Zo kan je tags maken voor iedere vraag, waardoor je de documenten die nodig zijn voor het beantwoorden van die vraag aan de tag kan toevoegen. Vervolgens kan je onderzoekers verdelen over de vragen, zodat iedereen een eigen onderdeel onderzoekt. Zo kan je de structuur behouden, verloopt het proces sneller en is er minder kans dat er informatie over het hoofd wordt gezien.

Het inzetten van geavanceerde technieken bij het structuren en organiseren van data zorgt voor een versneld onderzoeksproces. Dit kan in een mededingingsonderzoek dus niet alleen tijd, maar ook veel geld kan besparen.

Wellicht ook interessant

Deze blogs over Bedrijven

No Comments Yet

Let us know what you think