Bij een mededingingsonderzoek wordt door de autoriteiten data verzameld, zodat zij onderzoek kunnen doen. Wanneer de autoriteiten data hebben verzameld van een bedrijf, krijgt het bedrijf, van wie de data is, 10 werkdagen de tijd om data te ‘claimen’. Dit betekent dat ze data uit de verzamelde dataset mogen uitzoeken die uit de set gehaald moet worden.
De data die uit de set gehaald mag worden is data die valt onder de “Legal Professional Privilege” (LPP) en de “Niet zakendoende” (NZ) data. Hierbij is LPP communicatie tussen advocaat en cliënt, en NZ data die geen toevoegde waarde voor het onderzoek heeft. Van deze twee moeten rapporten gemaakt worden voor de autoriteiten, zodat ze uit het onderzoek gehaald kunnen worden. Maar hoe bepaal je wat LPP of NZ is en hoe stel je zo’n rapport op?
Zoals hierboven staat, is LPP alle communicatie tussen advocaat en cliënt. Hieronder vallen bijvoorbeeld e-mails en telefoongesprekken. Het kost veel tijd om alle data te vinden die hieronder valt, wanneer je handmatig door alle e-mails heen moet. Als er veel contact is tussen advocaat en cliënt kan het zijn dat je data over het hoofd ziet. Dit risico kan je natuurlijk niet hebben bij een mededingingsonderzoek.
In de vorige blog hebben we al besproken hoe er met ZyLAB ONE geavanceerd door data gezocht kan worden. Zo hadden we het over het gebruiken van query’s en fuzzy search. Voor het vinden van LPP- data kan je query’s gebruiken om makkelijk te zoeken naar e-mails tussen advocaat en cliënt.
ZyLAB ONE maakt gebruik van Auto-classificatie, hiermee kan je snel alle data vinden die onder een query valt. Voor het zoeken van LPP is er een voorgeprogrammeerde query, waarin alle e-mail domeinnamen van advocatenkantoren staan. Hiermee kan je alle verzonden en ontvangen e-mails tussen advocaten en cliënten in één keer vinden, zonder dat je zelf door duizenden e-mails moet zoeken. Alle data die valt onder deze query kan vervolgens getagd worden als “potentieel LPP”, waarna een onderzoeker de gevonden e-mails langs kan gaan om te bevestigen of het om LPP gaat. Zo ga je al snel van zoeken door duizend e-mails naar het bevestigen van honderd e-mails.
Wanneer het gaat om een groot bedrijf dat veel contact heeft met advocatenkantoren, kan het zijn dat er met de query alsnog veel data terug komt. Wanneer er te veel data terug komt, kan de query ook gekoppeld worden aan bepaalde werknemers. Zo kan er met de query gezocht worden naar alle e-mails die verstuurd en ontvangen zijn tussen advocaten en bijvoorbeeld de financiële afdeling. Zo kunnen de e-mails over verkoop en inkoop tussen advocaten en cliënten snel gevonden worden en maak je de resultaten specifieker.
NZ data is alle data die niet relevant is voor het mededingingsonderzoek. Hieronder vallen bijvoorbeeld e-mails over tandartsafspraken of lunchmeetings met collega’s. Het kan zijn dat het grootste deel van de data niet relevant is voor het onderzoek, maar hoe ontdek je dat snel? Alles met de hand doorzoeken kan erg veel tijd kosten en tijdens een mededingingsonderzoek is snelheid een grote factor.
In de vorige blog hebben we het gehad over Topic modelling. Dit is een functie in ZyLAB ONE waarmee je in de data kan zoeken op onderwerpen. Voor het zoeken naar NZ-data kan deze functie goed van pas komen. De computer doet hier het werk voor je, en plaatst alle data in verschillende groepen. Voor deze functie is het niet nodig om voorbeelden te geven, zodat de software al weet waarnaar het moet zoeken, maar zoekt de computer op veel voorkomende woorden in de tekst om de data vervolgens te verdelen over bepaalde onderwerpen. Zo wordt al een groot deel van het werk weggenomen.
Met Topic modelling kan je niet alleen de data opdelen in verschillende onderwerpen, maar je kan de data ook bulk taggen. Hiermee kan je een heel onderwerp taggen als “Potentieel NZ” en hoeft de onderzoeker vervolgens alleen te bevestigen of het ook daadwerkelijk onder NZ valt. Ook is het mogelijk onderwerpen te verdelen over verschillende onderzoekers, zodat er meerdere mensen tegelijk kunnen controleren. Zo kan je de structuur en overzicht van het onderzoek behouden, waardoor het proces ook sneller gaat.
Als alle LPP en NZ data gevonden is, moet hiervan een rapport gemaakt en naar de autoriteiten opgestuurd worden. Zo kunnen de autoriteiten zien welke data ze niet mogen gebruiken voor hun onderzoek, en kunnen ze deze data verzamelde dataset halen.
Om verwarring te voorkomen, is het belangrijk om het rapport over LPP en NZ duidelijk te houden en bij ieder document te laten zien onder welke categorie het valt.
Met ZyLAB ONE kan alle data in één keer geproduceerd worden. Zo kan er een rapport opgesteld worden, waarin staat welke data uit de set gehaald moet worden en waarom. De tags “LPP” en “NZ” laten zien om welke reden de data eruit gehaald moet worden. Van dit rapport kan een PDF-bestand gemaakt worden, dat verstuurd kan worden naar de juiste autoriteiten.
Wanneer de LPP en NZ uitgezocht is, heb je al een deel van het onderzoek achter de rug. Nu kunnen onderzoekers aan de slag met het beantwoorden van de vragen van de autoriteiten. Weten hoe je dit efficiënt en zo snel mogelijk kan doen? Lees dan de volgende blog.
Wilt u meer weten over het uitzoeken van LPP en NZ data? Kijk dan verder op onze website, of vraag een demo aan.