JMP®의 힘 활용: 경쟁사 분석을 위한 빅 데이터 및 소셜 미디어
JMP 디스커버리 컨퍼런스 2015
James Wisnowski, Adsurgo LLC
플로르 카스티요, SABIC
앤드류 칼, Adsurgo LLC
히스 러싱, Adsurgo LLC
추상적인:
전 세계 인구에 비해 이제 사물 인터넷에는 두 배의 센서(예: 스마트폰)가 있고 이에 상응하는 수의 소셜 미디어 계정이 있습니다. 결과적으로 데이터 볼륨의 폭발적인 증가는 이 방대한 비정형 및 불확실한 노이즈 컬렉션에서 신호를 찾을 수 있는 사람들에게 큰 기회를 나타냅니다. 최근 프로젝트에서는 JMP 사용자가 혁신적인 기술, 관련 성숙도, 현재 애플리케이션 및 주요 경쟁자에 대한 대량의 오픈 소스 자료를 효율적으로 검색하고 분석해야 할 필요성을 제시했습니다. 고유한 문제에는 이러한 다양한 웹 사이트 아키텍처(외부 코드 없음)와 항상 사용 가능한 형식이 아닌 첨부된 PDF 및 PowerPoint 파일에서 텍스트를 추출해야 하는 필요성이 포함되었습니다. 코퍼스가 개발되면 텍스트를 JMP로 가져와서 중요한 관심 주제 및 관련 문서를 빠르게 식별할 수 있습니다. 이러한 단계는 R의 텍스트 마이닝 루틴에 대한 직관적인 JMP 인터페이스를 사용하여 수행되었습니다. JMP 데이터 시각화, 클러스터 분석 및 의사결정 트리 기능을 사용하는 텍스트 분석은 기존 방법보다 시장을 더 잘 특성화할 수 있게 해주었습니다. 이 강연에서는 관련 웹사이트의 점수를 효과적으로 검색하고 소셜 미디어 매체(예: Twitter)를 모니터링하고, 비정형 데이터의 대규모 컬렉션을 수집하고, 집중 연구 질문에 답하기 위한 일련의 JMP 스크립트 및 플랫폼을 시연할 것입니다.
소개:
경쟁 인텔리전스(CI)라는 용어는 비즈니스 위협을 제기하는 다른 조직에 대한 정보를 획득하기 위해 기업이 수행하는 행위를 설명하는 데 지난 수십 년 동안만 사용되었지만 이러한 관행은 수세기 동안 사용되었습니다. 군사 정보와 유사하게 경쟁사, 제품 및 고객의 외부 세력에 초점을 맞춰 도전적인 환경에서 성공하기 위해 실행해야 하는 전략을 정확하게 평가하는 비즈니스를 생각할 수 있습니다. 우리는 경제력과 시장력이 지배하는 전략적 환경과 일상적으로 필요한 전술적 인텔리전스(예: 경쟁업체의 가격 일치) 측면에서 경쟁 인텔리전스를 생각할 수 있습니다. 반경쟁 인텔리전스는 기업이 자신의 독점 정보 및 기타 민감한 정보를 보호하기를 원하는 곳이기도 합니다. 도구와 데이터 소스는 비즈니스 라이벌에 대한 지식을 효과적으로 얻고 미래 대응을 예측하기 위해 동적으로 진화하는 방법에 보조를 맞춰야 합니다. 이 백서는 경쟁 시장 분석 공간에서 데이터를 수집하고 분석하기 위한 SAS Institute의 JMP 소프트웨어의 가치를 보여줍니다.
경쟁 정보 주기:
그림 1의 경쟁 정보 주기는 군사 정보 모델을 기반으로 하는 많은 구성 요소 중 하나로서, 다른 비즈니스에서 활용할 수 있는 시장 정보를 찾고 분석을 적용하여 실행 가능한 정보를 찾는 프로세스를 설명합니다. 그것은 당신이 정말로 조사하기를 원하는 차원을 정확히 파악하는 정의 단계에서 시작하여 견고한 공격 계획을 개발할 수 있습니다. 두 번째 단계는 연구를 구체화하기 위해 올바른 데이터 소스를 얻는 데 중점을 둡니다. 세 번째 단계는 분석 방법을 적용하여 원시 데이터를 통찰력으로 변환하여 궁극적으로 풍경을 설명하는 매력적인 스토리를 생성하는 것입니다. 마지막 단계는 이 정보를 인텔리전스에 따라 행동할 수 있는 적합한 팀에 제공하는 것입니다.
그림 1. 경쟁 인텔리전스 주기
데이터는 CI 프로세스의 원동력입니다. 과거에는 CI 전문가만 의미 있는 데이터와 사이트에 액세스할 수 있었습니다. 이제 조직의 모든 사람이 집중적인 "트롤링"을 통해 전문 분야에서 가치 있는 것을 가져올 수 있는 빅 데이터로 바뀌었습니다. CI 데이터의 출처에는 연례 보고서, 연설, 보도 자료(내부 및 외부), 재무 분석, 무역 박람회, 특허 출원, 회사 웹사이트 및 소셜 미디어가 포함됩니다. 액세스 권한을 얻으려면 특별한 권한이 필요할 수 있지만 종종 이들은 "오픈 소스"입니다. Dunn and Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters 등과 같은 일부 분석 기능을 이미 사용할 수 있는 수많은 독점 데이터베이스가 있습니다. 원시 데이터의 대부분은 관련 데이터 요소의 신중한 추출이 뒤따르는 인터넷 검색에서 나옵니다. CI 수집 노력에는 분석을 위해 일관된 데이터 세트를 수집하기 위해 상당한 노력이 필요한 서로 다른 소스 및 형식의 비정형 텍스트 데이터가 있어야 합니다.
분석 및 생산 단계에서는 일반적으로 여러 데이터 소스를 여러 구성으로 구성합니다. 잘 알려진 SWOT 기법은 경쟁자의 강점, 약점, 기회 및 위협을 살펴볼 것입니다. PESTLE 방법은 산업 및 경쟁업체에 대한 정치적, 경제적, 사회적, 기술적, 법적, 환경적 차원을 평가합니다. 마이클 포터 하버드 교수의 5가지 힘(진입장벽, 현재 경쟁자, 대체 위협, 공급자 교섭력, 구매자 교섭력)은 시간의 시험을 견뎌왔다. Porter는 또한 경쟁자의 미래 움직임을 예측하기 위한 Four Corners 모델(동인/문화, 현재 전략, 관리 가정 및 기능)을 가지고 있습니다. 다른 분석 프레임워크는 열로 경쟁자와 매트릭스를 형성하고 유통 채널, 기술 우위, 가격, 시장 점유율, 고객 중심, 재무 안정성, 인력, 시설, 파트너십 등과 같은 핵심 성과 지표를 행으로 구성합니다. 이러한 프레임워크의 문제는 신뢰할 수 있는 데이터 소스를 얼마나 잘 찾을 수 있는지에 따라 많은 질적 평가가 이루어지므로 데이터 요소를 정확하게 채우는 것입니다. 이 중요한 데이터를 찾고 탐색하는 데 도움이 될 수 있는 JMP의 몇 가지 방법에 대해 설명합니다.
공동 웹사이트 분석의 경쟁 인텔리전스 데이터:
ㅏ 바나쉬 카우식 소스, 인구 통계, 바운스 역학 및 제품 감정에 대한 놀랍도록 통찰력 있는 정보를 얻기 위해 웹 트래픽을 분석하는 데 사용할 수 있는 많은 도구에 대해 설명합니다. 그는 이를 경쟁 웹사이트를 보는 사이트 중심과 산업 및 특정 기술을 보는 생태계 중심으로 나눕니다. 사이트 중심 애플리케이션의 예로는 Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic 및 Adbeat(온라인 광고 측정항목용)가 있습니다. 이러한 도구는 각 사이트에 대한 자세한 정보(예: 소스, 이탈률, 방문한 페이지, 키워드 등)를 제공하지만 불행히도 귀하의 사이트에 대해서만 무료입니다.
생태계 중심 도구의 한 예는 Google 트렌드( https://www.google.com/trends/ ) . 그림 2는 시간이 지남에 따라 "빅 데이터"라는 용어가 존재함을 보여줍니다. 이 용어는 당연하게도 지난 3년 동안 등장했습니다. 플롯에는 피크 또는 계곡이 있는 이유에 대한 통찰력을 제공할 수 있는 해당 시점의 웹에서 대표적인 이야기를 선택하는 문자가 있습니다. 또한 상위 지리적 지역 및 상관 검색어(예: 빅 데이터 Hadoop)가 제공됩니다.
Google 트렌드는 JMP의 기능을 자체 분석에 사용할 수 있도록 데이터를 내보낼 수 있습니다. 예를 들어, Jordan Spieth는 22세의 골퍼로 최근 세계 랭킹 1위에 오른 뛰어난 해를 보냈습니다. 스포츠계에서 스포츠로서의 골프에 대한 관심이 줄어들고 있고 Spieth가 이러한 추세를 뒤집을 수 있다는 소식을 듣는 것은 드문 일이 아닙니다. 그림 3의 플롯은 하락 추세뿐 아니라 경쟁 분석 및 마케팅 역할에 사용될 수 있는 매우 주기적 패턴을 확실히 보여줍니다.
그림 2. "빅 데이터"의 Google 트렌드 시계열 도표
그림 3. "골프"의 Google 트렌드 시계열 도표
데이터 내보내기에서 JMP를 사용하여 그래프 빌더에서 해당 이벤트에 보다 명확하게 레이블을 지정하는 자체 사용자 지정 시계열 플롯을 생성할 수 있으며 그림 4와 같이 계절별 ARIMA를 사용하여 미래의 성장을 예측할 수 있습니다. 기업은 이러한 유형의 고급 분석을 사용하여 시장이 어디로 가고 있고 광고 캠페인의 시기를 예측할 수 있습니다.
그림 4. ARIMA Group 시계열 도표 및 "Golf"에 대한 예측
소셜 미디어의 경쟁 정보 데이터:
지난 10년 동안 소셜 미디어 사이트에서 동화될 수 있는 새로운 종류의 지능 데이터가 폭발적으로 증가했습니다. 모든 유형의 통신이 그 어느 때보다 더 많이 기록되고 있으며 우리는 이 모든 시끄러운 비정형 데이터 중에서 CI 신호를 찾을 수 있습니다. 블로그와 게시판은 산업 및 회사 관련 정보를 수집하는 탁월한 사냥터입니다. LinkedIn 및 기타 전문 사이트에서 회사, 직원, 기술 그룹, 취업 기회, 전 직원을 팔로우할 수 있습니다. Facebook, Twitter 및 Instagram과 같은 사이트에 게시하는 게시물은 시장 및 경쟁업체의 추세를 이해할 수 있는 기회도 제공합니다. 문제는 동일한 단어를 여러 가지 방법으로 표현하는 새로운 비공식적인 영어와 같은 언어로 특징지어지는 이 비정형 데이터를 효율적으로 수집하는 것입니다. 오늘 밤 .
통계 프로그래밍 언어 R을 호출하여 키워드에 대해 지정된 기간 동안 Twitter 피드의 모든(또는 임의의 샘플)을 다운로드하는 JSL(JMP Scripting Language) 스크립트를 작성했습니다. 스크립트는 현재 시간부터 미래의 미리 지정된 기간까지 데이터를 수집하지만, 소급 데이터를 수집하는 Twitter 아카이브는 유료입니다. 반환된 데이터에는 실제 트윗, 위치, 시간 및 기타 인구 통계 필드가 포함됩니다. 많은 회사에서 자사 또는 경쟁업체에 관계없이 주요 제품 릴리스에 대한 대중의 반응을 확인하기 위해 실시간 트윗을 수집합니다. 예를 들어, LeBron James가 클리블랜드로 복귀한다고 발표한 후 5분 동안 스크립트를 실행했습니다. 제품 및 회사에 대한 모든 Twitter 데이터는 독점이기 때문입니다. 그림 5의 결과 워드클라우드는 일반적인 단어(the, and, or, …)와 불쾌감을 주는 언어를 제거한 후 가장 자주 발생하는 용어(가장 큰 글꼴)에 대한 통찰력을 제공합니다. 또한 일반적으로 긍정적인 감정과 관련된 약 1,500개의 단어 목록과 해당 5분 동안 4,000개의 트윗에서 수집된 모든 단어와 약 2,000개의 부정적인 단어 목록을 교차 도표화하여 트윗에 대한 감정 분석을 수행했습니다. 하나의 트윗에는 긍정적인 단어와 부정적인 단어가 여러 개 있거나 둘 중 하나가 없을 수 있습니다. 총계는 긍정적인 단어 3,533개, 부정적인 단어 1,626개였습니다. 워드클라우드 및 감정 분석은 텍스트 분석 루틴을 위해 R을 호출하는 텍스트 마이닝을 위한 JMP 추가 기능을 사용하여 수행됩니다.
그림 5. 2014년 여름 "LeBron"의 Twitter JSL 스크립트 인터페이스 및 Wordcloud
경쟁 웹사이트 스크랩의 경쟁 인텔리전스 데이터:
회사 웹 사이트의 아키텍처만으로도 현재 기능 및 고객 측면에서뿐만 아니라 향후 개선을 위해 노력하고 있는 측면에서 온라인에서 무엇을 공개할지 신중하게 선택하기 때문에 전략적 인텔리전스의 유용한 부분입니다. 기타 뛰어난 데이터 기회에는 회의/컨퍼런스, 리더십, 백서 링크, 뉴스 기사 링크, 모범 사례, 기술 토론, 채용 공고 및 검색 엔진 최적화의 키워드가 포함됩니다. 이 데이터를 가져오는 한 가지 방법은 관심 있는 텍스트를 수동으로 복사하여 붙여넣는 것입니다. 또는 자동화된 웹 스크래핑 유틸리티는 너무 많거나 관련 없는 정보가 반환될 수 있지만 훨씬 빠르고 포괄적이라는 이점이 있습니다.
우리는 웹사이트의 텍스트 위치와 같은 메타데이터를 추적하면서 모든 웹사이트의 텍스트 데이터를 긁어내는 JSL 코드를 개발했습니다. Spider 스크립트는 다시 한 번 R을 호출하고 관심 있는 웹사이트에 입력하기만 하면 됩니다. 웹 사이트는 구성이 다르기 때문에 수행하려는 스크래핑 유형을 선택할 수 있습니다. 스크래핑 옵션에는 모든 텍스트, 뉴스 기사 또는 기본 설정 선택이 포함됩니다. 또한 수준 0은 지정한 웹 페이지, 1은 해당 페이지와 연결된 모든 페이지 등을 크롤링할 깊이를 선택할 수도 있습니다.
예를 들어, 인기있는 그린 에너지 기술은 온도를 이슬점 이하로 낮추어 습도를 제거하는 기존의 냉기 또는 냉매 시스템보다 물 분자를 제거하여 냉각 효과를 얻는 액체 건조식 공조입니다. 상업용 액체 건조제 에어컨에 대한 빠른 Google 검색은 Advantix Systems와 Kathabar라는 두 개의 선두 회사를 보여줍니다. JSL 스크립트로 두 사이트를 모두 스크랩하여 웹 페이지를 나타내는 각 행이 있는 JMP 데이터 테이블을 생성했습니다. 그림 6은 텍스트 마이닝 추가 기능의 결과 단어 구름과 함께 Spider 인터페이스를 표시합니다.
그림 6. JSL 스파이더 인터페이스 및 결과 Wordcloud www.kathabar.com
워드 클라우드는 다시 한 번 단어의 빈도를 나타냅니다. 이 원시 단어 수는 유용하지만 어떤 단어가 함께 발생하고 어떤 주제가 존재할 수 있는지에 대한 정보를 많이 제공하지 않습니다. 단어 수를 넘어 통계 분석을 위해 구조화되지 않은 텍스트를 플랫 파일로 번역하려면 각 문서(이 예의 경우 웹페이지)를 행으로 포함하고 전체에서 사용되는 모든 고유한 단어를 포함하는 DTM(Document Term Matrix)을 형성하는 것이 일반적입니다. 별도의 열로 말뭉치. 행렬 항목은 각 용어가 특정 행에서 발생하는 빈도이지만 단어가 나타나는지 여부를 나타내는 이진 표현을 사용하는 것이 더 나을 수 있습니다. 단어가 행 전체에서 발생하는 횟수를 기반으로 하는 가중치 체계는 일반적으로 적용되는 또 다른 변환입니다. 즉, 모든 행에 나타나는 단어는 분석적으로 도움이 될 만큼 많은 분별력이 없을 수 있습니다. DTM의 문제는 일반적으로 매우 크고 희소하다는 것입니다. 따라서 표준 통계 방법은 유용한 관계를 감지하지 못할 수 있습니다.
크고 희소한 DTM에 대한 한 가지 솔루션은 PCA(주성분 분석)와 같이 훨씬 더 작은 차원 공간으로 DTM을 투영하는 것입니다. 더 나은 솔루션은 열 또는 단어 수보다 낮은 차원에서 DTM의 특이값 분해(SVD)를 수행하는 것입니다(100에서 300으로 줄이십시오). 이 SVD는 DTM M=UDV'로 생각할 수 있습니다. U 행렬의 고유 벡터는 문서를 나타내고, V 행렬의 고유 벡터는 단어를 나타내며, D 행렬의 대각선에 있는 특이값은 각 SVD 열에 대해 설명된 가변성의 비율을 설명하는 고유값에서 가져옵니다.
V 행렬에서 처음 두 고유 벡터의 이변량 플롯을 보면 텍스트 데이터에서 주요 주제를 선택하고 함께 그룹화되는 단어를 찾는 데 도움이 됩니다. 그림 7은 Kathabar 예에 대한 처음 2개의 SVD에 대한 이변량 플롯을 보여줍니다. 여기에서 단어가 그룹화되어 있는 것을 볼 수 있습니다. 맞춤형 액체 건조제 솔루션 제공 그리고 제안하는 또 다른 그룹 공기 온도와 습도를 제어하는 저에너지 장비.
그림 7. Kathabar V Matrix 및 Desiccant에 대한 다변량 거리의 SVD 고유 벡터에 대한 첫 번째.
감소된 랭크 SVD에서 V 행렬의 고유 벡터에서 다변량 거리를 사용할 수도 있습니다. 이러한 거리는 함께 그룹화되는 단어를 표시하므로 코퍼스에서 단어를 선택하여 밀접하게 관련된 용어를 찾을 수 있습니다. 그림 7의 오른쪽 패널에서 가장 가까운 단어를 볼 수 있습니다. 건조제 놀랍지 않습니다: 리퀴드,시스템,프로세스,드라이,제품,적용,안정감, 그리고 제조.
특허의 경쟁 정보 데이터 :
특허 출원은 기업의 기술 프로필에 대한 좋은 지표를 제공합니다. 다행히도 모든 초록, 그림 및 텍스트 필드에 무료로 액세스하여 경쟁사의 보호 자산에 대한 데이터를 수집하고 기술 상태를 이해할 수 있는 훌륭한 특허 검색 엔진이 많이 있습니다. 세계지적재산권기구(World Intellectual Property Organization)의 PATENTSCOPE( https://patentscope.wipo.int/search/en/result.jsf )는 액체 건조제 공조 특허에 대한 초록을 추출하는 데 사용되었습니다. 초록의 각 단락은 JMP 데이터 테이블에서 별도의 행을 형성했습니다. 소비자 조사 플랫폼 사용( Analyze>Consumer Research>Categorical> Response Roles=자유 텍스트에 할당된 다중, 텍스트 데이터 열 ), 우리는 단어 수를 볼 수 있고 특허 초록에 나타날 상위 용어의 파레토 다이어그램을 빠르게 만들 수 있습니다.
그림 8. 특허 데이터를 위한 JMP 자유 텍스트 인터페이스 및 단어 빈도 수.
또한 JMP를 사용하여 가장 빈번한 200개(예:) 단어에 대한 표시기 열을 형성하여 특정 용어가 분석>다변량 방법>다변량>쌍별 상관 . 그림 9는 다음과 같이 상관관계가 높은 일부 단어 쌍을 강조 표시합니다. 미디어 필터, 강한 부식성 캐리오버, 미세 다공성 멤브레인 기타 등등.
그림 9. 특허 데이터의 다변량 플랫폼에서 쌍별 상관 관계
JMP 텍스트 마이닝 추가 기능을 사용한 주제 추출은 추가 정보를 제공합니다. 그림 10의 처음 두 SVD의 플롯은 이러한 특허가 수행하려는 작업에 대한 일반적인 아이디어를 제공합니다. 기후; 대부분의 액체 건조제가 가지고 있는 위험은 공기 공간으로의 이월 위험을 증가시키는 필터 매체에 스프레이를 사용하는 것입니다. 이러한 특허는 이러한 위험을 제거하기 위해 멤브레인을 사용합니다.
그림 10. 특허를 위한 처음 두 개의 SVD 벡터
기술 저널 기사의 시장 정보: 많은 기술 발전이 학술 문헌에 자세히 설명되어 있으며 이는 기술 환경을 그리는 데 매우 도움이 될 것이라고 제안합니다. 액체 건조제 기술의 상태와 상업적 응용을 위한 준비를 더 잘 이해하기 위해 우리는 지난 3년 동안 청정 에너지 분야의 저명한 저널 간행물에서 최근에 참조된 기술 기사 45개를 다운로드했습니다. 이러한 휴대용 문서 파일(pdf)은 텍스트로 변환한 다음 JMP 데이터 테이블로 변환하는 것이 어려웠습니다. 왜냐하면 텍스트 문자는 실제로 더 많은 이미지이고 많은 양의 수학 방정식이 텍스트로 잘 변환되지 않기 때문입니다. 우리는 이러한 pdf 파일을 깔끔하게 읽기 위한 다양한 방법(오픈 소스 및 독점 모두)을 실험했으며 AdobeAcrobat Standard 또는 Pro를 사용하여 광학 문자 인식(OCR) 기능을 사용하여 pdf를 MS Word 서식 있는 텍스트 파일(rtf)로 저장하는 것으로 결론지었습니다. 좋은 중간 단계. 다음으로 우리는 MS Word 매크로를 개발하여 Word 문서 파일을 열고 텍스트 파일 폴더를 JMP 테이블로 읽어 코퍼스를 형성하는 매크로에서 사용할 텍스트 파일로 저장합니다. 또한 텍스트 마이닝 추가 기능에 대한 JSL 스크립트를 업데이트하여 영숫자가 아닌 문자를 제거할 수 있는 옵션이 있어야 했습니다. 참조는 텍스트 분석을 불필요하게 방해하여 제거되었습니다.
JMP 텍스트 마이닝 추가 기능의 그림 11에 있는 단어 빈도는 특허와 비슷한 이야기를 합니다. 이 친환경 에너지 기술은 공기를 식히는 시스템으로 액체 건조제(예: LiCl)를 재생하여 제습 및 냉각을 통해 에너지 소비를 줄입니다. 막이 공기 흐름에서 독성 건조제를 분리하는 공기.
그림 11. 액체 건조제 막에 대한 저널 기사 단어 빈도.
SVD를 수행한 후 U 행렬의 고유 벡터 값을 사용하여 저널 기사처럼 클러스터링할 수 있습니다. 문서는 저자 라인과 액체 건조제 내의 일반 연구 영역을 따라 매우 많이 모여 있습니다(그림 12). 주제 추출을 위해 SVD의 V 행렬을 사용합니다. 이 저널에서 선택된 몇 가지 주제(그림 13)는 다음과 같습니다. 1) 액체 건조제를 공조 솔루션으로 검증하고 에너지를 절약하는 재생 방법의 효율성 증가를 검증하는 비교 실험; 2) 다른 입구 매개변수 값을 허용하면서 물질 전달 속도 및 효율 비율을 예측하는 실험; 3) 하이브리드 전기 압축기와 액체 건조제를 사용하여 증기를 제거하는 대체 방법.
그림 12. 액체 건조제 저널 기사의 클러스터 분석 결과
그림 13. 액체 건조제 공조 멤브레인의 요약에서 주제
V 행렬(그림 14)의 처음 두 고유벡터 플롯은 에너지 재생, 제습 개선, 시뮬레이션, 물질 전달, 실험 예측, 모델, 온도 및 멤브레인, 열과 같은 초록을 기반으로 한 이러한 연구 노력의 몇 가지 일반적인 주제를 보여줍니다. 수증기로 처리합니다.
그림 14. Liquid Desiccant Air Conditioning Journal 초록의 처음 두 고유 벡터의 이변량 플롯
주제 추출의 또 다른 유용한 기술은 특정 단어에 대한 V 행렬에서 다변량 거리를 확인하는 것입니다. 이러한 다변량 거리는 클러스터 분석 중에 JMP에 의해 계산되며 거리 행렬을 저장하여 얻습니다. 특정 단어를 선택하고 가장 밀접하게 관련된 단어를 찾을 수 있습니다. 그림 15에 표시된 몇 가지 관심 단어는 이러한 저널 기사의 초록에서 다음 정보를 제공합니다.
- 비용 - 투자 회수 기간, 주요 설치, 보일러 및 스토리지의 주요 동인이 우려됨
- 신뢰성 - 공냉식 하위 시스템이 있는 다중 구역 및 천장 장치 생산
- 리튬 건조제는 수용액으로서 염화리튬입니다. 주요 관심사는 주변 환경과의 접촉(독성), 미세 다공성 멤브레인이 용액입니다.
- 직접 접촉하는 물방울은 유해하며 경제적으로 실현 가능하도록 제거해야 함
그림 15. 액체 건조제 저널 초록에 대한 V 매트릭스로부터의 다변량 거리.
요약:
현재의 신뢰할 수 있는 데이터 입력에 의존하는 SWOT, Porter's 5 Forces 및 4 Corners와 같은 Competitive Intelligence 분석을 위한 많은 프레임워크가 있습니다. CI 데이터 소스가 급증하고 민주화되어 기업 전체의 직원이 경쟁업체에 대해 악용 가능한 정보를 찾을 수 있습니다. 문제는 데이터가 반드시 쉽게 검색할 수 있는 것은 아니며 대부분 시끄럽고 구조화되어 있지 않다는 것입니다. JMP 및 JSL 스크립트의 분석 도구는 웹 사이트, 소셜 미디어, 특허 및 기술 저널 기사와 같은 소스에서 데이터를 수집하고 이해하는 데 유용합니다. 군사적 비유와 마찬가지로 목표는 구조화되지 않은 오픈 소스 정보에서 조직의 전략적 방향에 영향을 미치는 "기밀화된" 정보 보고서로 전환하는 것입니다.
참조:
Baglama, James 및 Reichel, Lothar. 강화된 암시적으로 다시 시작된 Lanczos Bidiagonalization 방법. 2005, SIAM 과학 컴퓨팅 저널, Vol. 27, 19-42페이지.
바베라, 파블로. streamR: R을 통해 Twitter 스트리밍 API에 액세스합니다. [온라인] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John 및 Kerin, Roger. 경쟁사 분석 . [온라인] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
에바 ngelopoulos, Nicholas, Zhang, Xiaoni 및 Prybutok, Victor R. 잠재 의미 분석: 5가지 방법론적 권장 사항. 2012, 유럽 정보 시스템 저널, Vol. 21, 70-86쪽.
여러분, 이안. wordcloud: 단어 구름. 크랜. [온라인] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
카우식, 어바니쉬. 경쟁 인텔리전스 분석으로 무너뜨리기: 최고의 지표, 보고서 . [온라인] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
랭, 던컨 템플. RCurl: R용 일반 네트워크(HTTP/FTP/...) 클라이언트 인터페이스. 크랜. [온라인] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
남자 이름 . 전략 프레임워크: 경쟁사 분석 및 경쟁 인텔리전스 . [온라인] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
메타에르, 에스텔. 경쟁 인텔리전스 또는 전략 계획 팀이 마스터해야 하는 최고의 분석 기술. [온라인] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
세계 지적 재산권 기구 특허 범위. [온라인] 2015. https://patentscope.wipo.int/search/en/result.jsf
