Nutzen Sie die Leistungsfähigkeit von JMP®: Big Data und soziale Medien für Wettbewerbsanalysen
JMP Discovery-Konferenz 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Abstrakt:
Bezogen auf die Weltbevölkerung gibt es heute doppelt so viele Sensoren (z. B. Smartphones) im Internet der Dinge und ebenso viele Social-Media-Accounts. Das daraus resultierende explosionsartige Wachstum des Datenvolumens stellt große Chancen für diejenigen dar, die in dieser riesigen Sammlung von unstrukturiertem und unsicherem Rauschen ein Signal finden können. Ein kürzlich durchgeführtes Projekt zeigte die Notwendigkeit für JMP-Benutzer, große Mengen an Open-Source-Material zu innovativen Technologien, zugehörigen Reifegraden, aktuellen Anwendungen und Hauptkonkurrenten effizient zu durchsuchen und zu analysieren. Zu den einzigartigen Herausforderungen gehörte die Notwendigkeit, den Text aus diesen unterschiedlichen Website-Architekturen (ohne fremden Code) und aus angehängten PDF- und PowerPoint-Dateien zu extrahieren, die nicht immer in einem verwendbaren Format vorliegen. Sobald das Korpus entwickelt war, wurde der Text in JMP importiert, um wichtige Themen von Interesse und zugehörige Dokumente schnell zu identifizieren. Diese Schritte wurden mithilfe einer intuitiven JMP-Schnittstelle zu Text-Mining-Routinen in R durchgeführt. Textanalysen mit JMP-Datenvisualisierung, Clusteranalyse und Entscheidungsbaumfunktionen ermöglichten eine bessere Charakterisierung des Marktes als herkömmliche Methoden. Dieser Vortrag wird eine Reihe von JMP-Skripten und -Plattformen demonstrieren, um zahlreiche relevante Websites effektiv zu durchsuchen und soziale Medien (wie Twitter) zu überwachen, eine große Sammlung unstrukturierter Daten zusammenzustellen und gezielte Forschungsfragen zu beantworten.
Einführung:
Obwohl der Begriff Competitive Intelligence (CI) erst in den letzten Jahrzehnten verwendet wurde, um die Handlungen eines Unternehmens zu beschreiben, um Informationen über andere Organisationen zu erhalten, die Geschäftsbedrohungen darstellen, gibt es diese Praxis schon seit Jahrhunderten. Analog zum militärischen Geheimdienst können wir uns ein Unternehmen vorstellen, das sich auf die externen Kräfte von Wettbewerbern, Produkten und Kunden konzentriert, um genau einzuschätzen, welche Strategie es umsetzen muss, um in herausfordernden Umgebungen erfolgreich zu sein. Wettbewerbsinformationen können wir uns sowohl im Hinblick auf das strategische Umfeld vorstellen, das von Wirtschafts- und Marktkräften bestimmt wird, als auch auf die täglich erforderliche taktische Intelligenz (z. B. das Angleichen des Preises eines Konkurrenten). Gegenwettbewerbsinformationen sind der Bereich, in dem Unternehmen auch ihre eigenen proprietären und anderen sensiblen Informationen schützen möchten. Tools und Datenquellen müssen mit den sich dynamisch weiterentwickelnden Methoden Schritt halten, um effektiv Erkenntnisse über Geschäftskonkurrenten zu gewinnen und ihre zukünftigen Reaktionen zu antizipieren. Dieses Dokument veranschaulicht den Wert der JMP-Software des SAS Institute für die Erfassung und Analyse von Daten im Bereich der Wettbewerbsmarktanalyse.
Competitive Intelligence-Zyklus:
Der Competitive Intelligence-Zyklus in Abbildung 1 ist eines von vielen Konstrukten, die auf dem Modell des militärischen Geheimdienstes basieren, um den Prozess des Auffindens verwertbarer Marktinformationen über andere Unternehmen und die Anwendung von Analysen zur Ermittlung verwertbarer Informationen zu beschreiben. Es beginnt mit der Definitionsphase, in der Sie genau herausfinden, welche Dimensionen Sie wirklich untersuchen möchten, damit Sie einen soliden Angriffsplan entwickeln können. Die zweite Phase konzentriert sich darauf, die richtigen Datenquellen zu erhalten, um die Forschung zu gestalten. In der dritten Phase sollen analytische Methoden angewendet werden, um die Rohdaten in Erkenntnisse umzuwandeln, die letztendlich eine überzeugende Geschichte zur Beschreibung der Landschaft produzieren. In der letzten Phase werden diese Informationen an die richtigen Teams weitergegeben, die auf die Informationen reagieren können.
Abbildung 1. Der Competitive Intelligence Cycle
Daten sind das, was den CI-Prozess antreibt. In der Vergangenheit hatten nur CI-Experten Zugriff auf aussagekräftige Daten und Websites. Das hat sich jetzt mit Big Data geändert, wo jeder in der Organisation durch gezieltes „Trawling“ etwas Wertvolles aus seinem Fachgebiet einbringen kann. Quellen für CI-Daten sind Jahresberichte, Reden, Pressemitteilungen (intern und extern), Finanzanalysen, Messen, Patentanmeldungen, Unternehmenswebsite und soziale Medien, um nur einige zu nennen. Oft sind diese „Open Source“, obwohl Sie möglicherweise spezielle Berechtigungen benötigen, um Zugriff zu erhalten. Es gibt zahlreiche proprietäre Datenbanken, für die möglicherweise sogar bereits einige Analysen verfügbar sind, wie z. CI-Erfassungsbemühungen werden zwangsläufig mit der Herausforderung unstrukturierter Textdaten aus unterschiedlichen Quellen und Formaten verbunden sein, die einen erheblichen Aufwand erfordern, um einen kohärenten Datensatz für die Analyse zusammenzustellen.
Die Analyse- und Produktionsphase organisiert typischerweise die mehreren Datenquellen in einer Reihe von Konstrukten. Die bekannte SWOT-Technik untersucht die Stärken, Schwächen, Chancen und Bedrohungen der Wettbewerber. Eine PESTLE-Methode bewertet die politischen, wirtschaftlichen, sozialen, technologischen, rechtlichen und ökologischen Dimensionen einer Branche und ihrer Konkurrenten. Die 5 Kräfte des Harvard-Professors Michael Porter (Eintrittsbarrieren, aktuelle Konkurrenten, Ersatzbedrohungen, Verhandlungsmacht der Lieferanten, Verhandlungsmacht der Käufer) haben den Test der Zeit überstanden. Porter verfügt auch über ein Vier-Ecken-Modell (Treiber/Kultur, aktuelle Strategie, Annahmen des Managements und Fähigkeiten), um die zukünftigen Schritte der Wettbewerber vorherzusagen. Andere Analyserahmen bilden Matrizen mit Konkurrenten als Säulen und Leistungskennzahlen wie Vertriebskanäle, technologischer Vorsprung, Preisgestaltung, Marktanteil, Kundenorientierung, finanzielle Stabilität, Belegschaft, Einrichtungen, Partnerschaften usw. als Zeile. Die Herausforderung bei jedem dieser Frameworks besteht darin, die Datenelemente genau zu füllen, da viele qualitative Bewertungen davon abhängen, wie gut Sie glaubwürdige Datenquellen finden können. Wir besprechen einige Methoden in JMP, die dabei helfen können, diese kritischen Daten zu finden und zu untersuchen.
Co Wettbewerbsintelligenzdaten aus Website-Analysen:
EIN Vanash Kausik beschreibt viele Tools, die zur Verfügung stehen, um den Datenverkehr eines Webs zu analysieren, um überraschend aufschlussreiche Informationen zu Quellen, Demografie, Bounce-Dynamik und Produktstimmung zu erhalten. Er unterteilt diese in Site-zentrierte, die sich mit den Websites von Wettbewerbern befassen, versus Ökosystem-zentrierte, die sich mit der Branche und spezifischen Technologien befassen. Beispiele für standortzentrierte Anwendungen sind Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic und AdBeat (für Online-Werbemetriken). Diese Tools liefern detaillierte Informationen über jede Seite (z. B. Quellen, Absprungrate, besuchte Seiten, Schlüsselwörter, …), obwohl sie leider nur für Ihre eigene Seite kostenlos sind.
Ein Beispiel für ein ökosystemzentriertes Tool ist Google Trends ( https://www.google.com/trends/ ) . Abbildung 2 zeigt die Präsenz des Begriffs „Big Data“ im Laufe der Zeit, die wenig überraschend in den letzten 3 Jahren an Bedeutung gewonnen hat. Auf der Handlung befinden sich Buchstaben, die eine repräsentative Geschichte aus dem Internet zu diesem Zeitpunkt auswählen, die Aufschluss darüber geben kann, warum es einen Höhepunkt oder ein Tal gibt. Zusätzlich werden die wichtigsten geografischen Regionen und korrelierte Suchbegriffe (z. B. Big Data Hadoop) bereitgestellt.
Google Trends kann die Daten exportieren, wodurch wir die Möglichkeiten von JMP für unsere eigenen Analysen nutzen können. Ein Beispiel ist Jordan Spieth, ein 22-jähriger Golfer, der ein hervorragendes Jahr hinter sich hat und kürzlich die Nummer 1 der Weltrangliste erreicht hat. Nicht selten hört man in Sportkreisen, dass Golf als Sportart an Interesse zurückgeht und Spieth diesen Trend vielleicht umkehren kann. Das Diagramm in Abbildung 3 zeigt sicherlich nicht nur einen Abwärtstrend, sondern auch ein sehr zyklisches Muster, das für unsere Wettbewerbsanalyse- und Marketingrollen von Nutzen sein kann.
Figur 2. Google Trends Zeitreihendiagramm von „Big Data“
Figur 3. Google Trends Zeitreihendiagramm von „Golf“
Aus dem Datenexport heraus können wir JMP verwenden, um unser eigenes benutzerdefiniertes Zeitreihendiagramm in Graph Builder zu erstellen, das diese Ereignisse klarer kennzeichnet, und wir können das Wachstum in der Zukunft mit saisonalem ARIMA prognostizieren, wie in Abbildung 4 gezeigt. Unternehmen können diese Art von Advanced Analytics nutzen, um vorherzusagen, wohin sich die Märkte entwickeln und wann Werbekampagnen stattfinden.
Figur 4. ARIMA Group Zeitreihenplot und Prognosen für „Golf“
Competitive Intelligence-Daten aus Social Media:
Das letzte Jahrzehnt hat eine Explosion in einer neuen Art von Geheimdienstdaten erlebt, die von Social-Media-Sites assimiliert werden können. Kommunikation aller Art wird heute mehr denn je aufgezeichnet, und wir haben die Möglichkeit, CI-Signale zwischen all diesen verrauschten, unstrukturierten Daten zu finden. Blogs und Schwarze Bretter sind hervorragende Jagdreviere, um branchen- und unternehmensspezifische Informationen zu sammeln. Sie können Unternehmen, Mitarbeitern, Technologiegruppen, Stellenangeboten und ehemaligen Mitarbeitern auf LinkedIn und anderen professionellen Websites folgen. Posts auf Seiten wie Facebook, Twitter und Instagram bieten ebenfalls Möglichkeiten, Trends in Märkten und Wettbewerbern zu verstehen. Die Herausforderung besteht darin, diese unstrukturierten Daten effizient zu sammeln, die durch eine neue informelle, englischähnliche Sprache gekennzeichnet sind, mit vielen Möglichkeiten, dasselbe Wort auszudrücken – stellen Sie sich vor, wie Sie jemandem das Wort schreiben würden heute Abend .
Wir haben ein JMP Scripting Language (JSL)-Skript geschrieben, das die statistische Programmiersprache R aufruft, um alle (oder eine zufällige Stichprobe) der Twitter-Feeds für eine bestimmte Dauer in Bezug auf ein Schlüsselwort herunterzuladen. Das Skript sammelt Daten von der Gegenwart bis zu einem vorher festgelegten Zeitraum in der Zukunft, obwohl kostenpflichtige Twitter-Archive zum Sammeln rückblickender Daten vorhanden sind. Die zurückgegebenen Daten umfassen den tatsächlichen Tweet, Ort, Zeit und andere demografische Felder. Viele Unternehmen sammeln Echtzeit-Tweets, um die öffentliche Reaktion auf wichtige Produktveröffentlichungen zu sehen – ob ihre eigenen oder die der Konkurrenz. Als Beispiel haben wir das Skript 5 Minuten lang ausgeführt, nachdem LeBron James angekündigt hatte, dass er nach Cleveland zurückkehrt, da alle unsere Twitter-Daten zu Produkten und Unternehmen urheberrechtlich geschützt sind. Die resultierende Wortwolke in Abbildung 5 gibt einen Einblick in die am häufigsten vorkommenden Begriffe (größte Schrift), nachdem häufige Wörter (das, und, oder, …) und anstößige Sprache entfernt wurden. Darüber hinaus führten wir eine Stimmungsanalyse der Tweets durch, indem wir eine Liste mit etwa 1.500 Wörtern, die im Allgemeinen mit positiver Stimmung in Verbindung gebracht werden, in Kreuztabellen zusammenfassen, eine Liste mit etwa 2.000 negativen Wörtern mit allen Wörtern, die in diesem 5-Minuten-Zeitraum in 4.000 Tweets gesammelt wurden. Ein einzelner Tweet kann mehrere positive und negative Wörter enthalten oder keines von beidem. Die Gesamtzahl betrug 3.533 positive Wörter und 1.626 negative Wörter. Die Wortwolke und die Stimmungsanalyse werden mit einem JMP-Add-In für Textmining durchgeführt, das auch R für Textanalyseroutinen aufruft.
Abbildung 5. Twitter JSL Script Interface und Wordcloud auf „LeBron“ im Sommer 2014
Competitive Intelligence-Daten von Scraping-Websites von Wettbewerbern:
Allein die Architektur der Website eines Unternehmens ist ein nützliches Stück strategischer Intelligenz, da es sorgfältig auswählt, was es in seiner Online-Präsenz preisgeben möchte, sowohl in Bezug auf aktuelle Fähigkeiten und Kunden als auch auf das, woran es für zukünftige Verbesserungen arbeitet. Andere außergewöhnliche Datenmöglichkeiten umfassen Meetings/Konferenzen, Führung, Links zu Whitepapers, Links zu Nachrichten, Best Practices, Technologiediskussionen, Stellenausschreibungen und Schlüsselwörter in der Suchmaschinenoptimierung. Eine Methode zum Abrufen dieser Daten besteht darin, den gewünschten Text manuell zu kopieren und einzufügen. Alternativ hat ein automatisiertes Web-Scraping-Dienstprogramm den Vorteil, dass es viel schneller und umfassender ist, obwohl möglicherweise zu viele oder irrelevante Informationen zurückgegeben werden.
Wir haben JSL-Code entwickelt, um die Textdaten von jeder Website zu kratzen und gleichzeitig Metadaten wie die Position des Textes auf der Website zu verfolgen. Das Spider-Skript ruft erneut R auf und fordert Sie lediglich auf, die gewünschte Website einzugeben. Sie können die Art des Scrapings auswählen, die Sie durchführen möchten, da Websites unterschiedlich aufgebaut sind. Zu den Scraping-Optionen gehört die Auswahl des gesamten Textes, einer Nachrichtenmeldung oder der Standardeinstellung. Sie können auch auswählen, wie tief Sie crawlen möchten, wobei Level 0 die von Ihnen angegebene Webseite ist, 1 diese Seite plus alle verlinkten Seiten und so weiter.
Eine beliebte umweltfreundliche Energietechnologie ist zum Beispiel die Flüssigentfeuchter-Klimaanlage, die eine Kühlwirkung erzielt, indem sie Wassermoleküle entfernt, und nicht die herkömmlichen Kühlluft- oder Kältemittelsysteme, die Feuchtigkeit entfernen, indem sie Temperaturen unter den Taupunkt senken. Eine schnelle Google-Suche nach kommerziellen Klimaanlagen mit flüssigem Trockenmittel zeigt zwei führende Unternehmen, Advantix Systems und Kathabar. Wir haben beide Sites mit dem JSL-Skript geschabt, um eine JMP-Datentabelle zu erstellen, in der jede Zeile eine Webseite darstellt. Abbildung 6 zeigt die Spider-Oberfläche zusammen mit der resultierenden Wortwolke aus dem Text-Mining-Add-In.
Abbildung 6. JSL Spider Interface und daraus resultierende Wordcloud www.kathabar.com
Die Wortwolke repräsentiert noch einmal die Häufigkeit der Wörter. Obwohl diese rohe Wortzählung nützlich ist, liefert sie nicht viel Informationen darüber, welche Wörter zusammen vorkommen und welche Themen vorhanden sein können. Um unstrukturierten Text für statistische Analysen über die Wortzahl hinaus in eine flache Datei zu übersetzen, ist es üblich, eine Document Term Matrix (DTM) zu erstellen, die jedes Dokument (Webseite in unserem Beispiel) als Zeile und jedes eindeutige Wort enthält, das im gesamten verwendet wird Korpus als separate Spalte. Die Matrixeinträge geben die Häufigkeit an, mit der jeder Begriff in der jeweiligen Zeile vorkommt, obwohl es besser sein kann, nur eine binäre Darstellung zu verwenden, die angibt, ob das Wort vorkommt oder nicht. Ein gewichtetes Schema, das auf der Anzahl der Vorkommen des Wortes in den Zeilen basiert, ist eine weitere häufig angewendete Transformation. Das heißt, ein Wort, das in jeder Zeile erscheint, hat möglicherweise nicht viel Unterscheidungskraft, um analytisch hilfreich zu sein. Das Problem mit dem DTM ist, dass es normalerweise sehr groß und sehr spärlich ist; Daher können statistische Standardmethoden möglicherweise keine nützlichen Beziehungen erkennen.
Eine Lösung für die große und spärliche DTM besteht darin, sie in einen viel kleineren Dimensionsraum zu projizieren, ähnlich wie bei der Hauptkomponentenanalyse (PCA). Eine bessere Lösung besteht darin, die Singulärwertzerlegung (SVD) des DTM in einer niedrigeren Dimension als die Anzahl der Spalten oder Wörter zu nehmen (reduzieren Sie sie beispielsweise auf 100 bis 300). Diese SVD kann man sich als DTM M=UDV' vorstellen. Die Eigenvektoren in der U-Matrix stellen die Dokumente dar, die Eigenvektoren in der V-Matrix stellen die Wörter dar, und die Singularwerte auf den Diagonalen der D-Matrix stammen von den Eigenwerten, die den Anteil der Variabilität erklären, der für jede SVD-Spalte erklärt wird.
Das Betrachten eines bivariaten Diagramms der ersten beiden Eigenvektoren aus der V-Matrix ist hilfreich, um Hauptthemen in den Textdaten aufzugreifen und Wörter zu finden, die zusammen gruppieren. Abbildung 7 zeigt das bivariate Diagramm der ersten beiden SVDs für das Kathabar-Beispiel. Hier sehen wir, wie sich die Wörter gruppieren Bereitstellung einer kundenspezifischen flüssigen Trockenmittellösung und eine andere Gruppe schlägt vor Niedrigenergiegeräte zur Steuerung der Lufttemperatur und -feuchtigkeit.
Abbildung 7. Zuerst zu den SVD-Eigenvektoren aus der Kathabar-V-Matrix und den multivariaten Abständen für Trockenmittel.
Wir können auch multivariate Distanzen von den Eigenvektoren der V-Matrix aus der SVD mit reduziertem Rang verwenden. Diese Entfernungen zeigen Wörter, die sich gruppieren, sodass Sie jedes Wort im Korpus auswählen können, um eng verwandte Begriffe zu finden. Im rechten Feld von Abbildung 7 sehen wir die Wörter, die am nächsten sind Trockenmittel sind nicht überraschend: Flüssigkeit, System, Prozess, trocken, Produkt, Anwendung, zuverlässig, und Herstellung.
Competitive Intelligence-Daten aus Patenten :
Patentanmeldungen bieten ein gutes Barometer für das technologische Profil eines Unternehmens. Glücklicherweise gibt es viele großartige Patentsuchmaschinen, die Ihnen freien Zugriff auf alle Zusammenfassungen, Zeichnungen und Textfelder geben, um Daten über das geschützte Eigentum der Wettbewerber zu sammeln und den Stand der Technik zu verstehen. PATENTSCOPE von der World Intellectual Property Organization ( https://patentscope.wipo.int/search/en/result.jsf ) wurde verwendet, um die Abstracts für Klimaanlagenpatente mit flüssigem Trockenmittel zu extrahieren. Jeder Absatz einer Zusammenfassung bildete eine separate Zeile in der JMP-Datentabelle. Nutzung der Verbraucherforschungsplattform ( Analysieren>Verbraucherforschung>Kategorial> Antwortrollen=Mehrere, Spalte mit Textdaten, die Freitext zugewiesen sind ), können wir die Anzahl der Wörter sehen und schnell ein Pareto-Diagramm der wichtigsten Begriffe erstellen, die in den Patentzusammenfassungen erscheinen.
Abbildung 8. JMP Free Text Interface und Worthäufigkeitszählung für Patentdaten.
Wir können JMP auch verwenden, um Indikatorspalten für die 200 (zum Beispiel) häufigsten Wörter zu bilden, um zu sehen, ob bestimmte Begriffe mit dem korrelieren „Analysieren“ > „Multivariate Methoden“ > „Multivariat“ > „Paarweise Korrelationen“. . Abbildung 9 hebt einige der Wortpaare hervor, die stark korreliert sind wie Medienfilter, stark korrosive Verschleppung, mikroporöse Membranen und so weiter.
Abbildung 9. Paarweise Korrelationen von der multivariaten Plattform von Patentdaten
Die Themenextraktion mit dem JMP-Text-Mining-Add-In bietet zusätzliche Informationen. Die Darstellung der ersten beiden SVDs in Abbildung 10 gibt eine allgemeine Vorstellung davon, was diese Patente zu erreichen versuchen: eine Technologie, die die Verwendung eines flüssigen Trockenmittels (Stoppwort) erfordert, um die Luft zu entfeuchten, was zu einem Kühleffekt führt, der am besten bei feuchter Luft anwendbar ist Klimazonen; Das Risiko, das die meisten flüssigen Trockenmittel haben, besteht darin, dass sie über ein Filtermedium gesprüht werden, was das Risiko einer Verschleppung in den Luftraum erhöht; diese Patente verwenden eine Membran, um dieses Risiko zu eliminieren.
Abbildung 10. Die ersten beiden SVD-Vektoren für Patente
Market Intelligence aus Artikeln in Fachzeitschriften: Viele technologische Fortschritte werden in der akademischen Literatur detailliert beschrieben, was darauf hindeutet, dass diese sehr hilfreich wären, um die technologische Landschaft darzustellen. Um den Stand der Technologie flüssiger Trockenmittel und die Bereitschaft für kommerzielle Anwendungen besser zu verstehen, haben wir 45 kürzlich begutachtete technische Artikel aus angesehenen Zeitschriftenveröffentlichungen im Bereich saubere Energie aus den letzten drei Jahren heruntergeladen. Diese tragbaren Dokumentdateien (pdf) waren schwer in Text und dann in eine JMP-Datentabelle zu übersetzen, da die Textzeichen eigentlich mehr Bilder sind und die große Menge mathematischer Gleichungen nicht gut in Text übersetzt werden können. Wir haben mit zahlreichen Methoden (sowohl Open Source als auch proprietär) experimentiert, um diese PDF-Dateien sauber zu lesen, und sind zu dem Schluss gekommen, dass wir AdobeAcrobat Standard oder Pro verwendet haben, um die PDF-Datei als MS Word-Rich-Text-Datei (rtf) mit der OCR-Funktion (Optical Character Recognition) zu speichern guter Zwischenschritt. Als nächstes haben wir ein MS Word-Makro entwickelt, um eine Datei mit Word-Dokumenten zu öffnen und sie als Textdateien zu speichern, die in unserem Makro verwendet werden, das einen Ordner mit Textdateien in eine JMP-Tabelle liest, um den Korpus zu bilden. Wir mussten auch unser JSL-Skript für das Text-Mining-Add-In aktualisieren, um die Möglichkeit zu haben, die nicht-alphanumerischen Zeichen zu entfernen. Die Verweise wurden entfernt, da sie die Textanalyse unnötig störten.
Die Worthäufigkeiten in Abbildung 11 aus dem JMP-Textmining-Add-In erzählen eine ähnliche Geschichte wie die Patente: Diese grüne Energietechnologie ist ein System zum Kühlen von Luft, das den Energieverbrauch reduziert, indem das flüssige Trockenmittel (z. B. LiCl) regeneriert wird, um die Luft zu entfeuchten und somit zu kühlen Luft, wo die Membran das giftige Trockenmittel vom Luftstrom trennt.
Abbildung 11. Zeitschriftenartikel Worthäufigkeiten für flüssige Trockenmittelmembranen.
Nach Durchführung der SVD können wir ähnliche Zeitschriftenartikel gruppieren, indem wir die Werte der Eigenvektoren aus der U-Matrix verwenden. Die Dokumente gruppieren sich sehr stark nach Autorenlinien sowie nach allgemeinen Forschungsgebieten innerhalb des flüssigen Trockenmittels (Abbildung 12). Für die Themenextraktion verwenden wir die V-Matrix aus der SVD. Einige ausgewählte Themen (Abbildung 13) in diesen Zeitschriften sind: 1) Vergleichsexperimente, die flüssiges Trockenmittel als Klimatisierungslösung validieren und die Effizienz durch eine energiesparende Regenerationsmethode steigern; 2) Experiment zur Vorhersage von Massentransferraten und Effizienzverhältnissen, während unterschiedliche Einlassparameterwerte zugelassen werden; 3) alternatives Verfahren zum Entfernen von Dampf unter Verwendung eines Hybrid-Elektrokompressors und eines flüssigen Trockenmittels.
Abbildung 12. Ergebnisse der Clusteranalyse aus Zeitschriftenartikeln zu flüssigen Trockenmitteln
Abbildung 13. Themen aus den Zusammenfassungen von Membranen für Klimaanlagen mit flüssigem Trockenmittel
Die Diagramme der ersten beiden Eigenvektoren aus der V-Matrix (Abbildung 14) zeigen einige allgemeine Themen aus diesen Forschungsbemühungen basierend auf den Abstracts: Energieregeneration, Verbesserung der Entfeuchtung, Simulation, Massentransfer, Experimentvorhersage, Modell, Temperatur und Membran und Thermik mit Wasserdampf verarbeiten.
Abbildung 14. Bivariate Darstellung der ersten beiden Eigenvektoren von Abstracts der Fachzeitschrift „Liquid Desiccant Air Conditioning“.
Eine weitere nützliche Technik bei der Themenextraktion besteht darin, die multivariaten Abstände von der V-Matrix für bestimmte Wörter zu betrachten. Diese multivariaten Distanzen werden von JMP während der Clusteranalyse berechnet und durch Speichern der Distanzmatrix erhalten. Sie können ein bestimmtes Wort auswählen und herausfinden, welche Wörter am engsten damit verwandt sind. Einige interessante Wörter, die in Abbildung 15 gezeigt werden, liefern die folgenden Informationen aus den Zusammenfassungen dieser Zeitschriftenartikel:
- Kosten – wichtige Treiber sind die Amortisationszeit, die Hauptinstallation, der Heizkessel und die Lagerung
- Zuverlässigkeit – Herstellung von Mehrzonen- und Deckengeräten mit Airchilling-Subsystem
- Lithium-Trockenmittel ist Lithiumchlorid als wässrige Lösung; Das Hauptanliegen ist der Kontakt mit der Umgebung (giftig), die mikroporöse Membran ist eine Lösung
- Tröpfchen, die in direkten Kontakt kommen, sind schädlich, müssen beseitigt werden, um wirtschaftlich vertretbar zu sein
Abbildung 15. Multivariate Abstände von der V-Matrix für Abstracts der Zeitschrift „Liquid Desiccant“.
Zusammenfassung:
Es gibt viele Frameworks für Competitive Intelligence-Analysen wie SWOT, Porters 5 Forces und 4 Corners, die auf aktuelle und zuverlässige Dateneingabe angewiesen sind. CI-Datenquellen sind in die Höhe geschossen und demokratisiert worden, sodass Mitarbeiter im gesamten Unternehmen verwertbare Informationen über ihre Konkurrenten finden können. Das Problem ist, dass die Daten nicht unbedingt leicht abrufbar sind, meist verrauscht und unstrukturiert sind. Analysetools aus JMP- und JSL-Skripten sind hilfreich, um Daten aus Quellen wie Websites, sozialen Medien, Patenten und Fachzeitschriftenartikeln zu sammeln und sinnvoll zu nutzen. Wie bei der militärischen Analogie besteht das Ziel darin, von unstrukturierten Open-Source-Informationen zu „klassifizierten“ Geheimdienstberichten überzugehen, die sich auf die strategische Ausrichtung der Organisation auswirken.
Verweise:
Baglama, James und Reichel, Lothar. Erweiterte implizit neu gestartete Lanczos-Bidiagonalisierungsmethoden. 2005, SIAM Journal of Scientific Computing, Bd. 27, S. 19-42.
Barbara, Pablo. streamR: Zugriff auf die Twitter-Streaming-API über R. [Online] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John und Kerin, Roger. Wettbewerbsanalyse . [Online] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
Eva Ngelopoulos, Nicholas, Zhang, Xiaoni und Prybutok, Victor R. Latente semantische Analyse: fünf methodische Empfehlungen. 2012, Europäische Zeitschrift für Informationssysteme, Bd. 21, S. 70-86.
Gefährten, Ian. Wortwolke: Wortwolken. KRAN. [Online] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
Kaushik, Avanish. Mit Competitive Intelligence Analysis zerschlagen: Beste Metriken, Berichte . [Online] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
Lang, Duncan-Tempel. RCurl: Allgemeines Netzwerk (HTTP/FTP/...)-Client-Schnittstelle für R. KRAN. [Online] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
Martin . Strategie-Frameworks: Wettbewerbsanalyse und Competitive Intelligence . [Online] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
Metayer, Estelle. Top-Analysetechniken, die Ihr Competitive Intelligence- oder strategisches Planungsteam beherrschen sollte. [Online] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
World Intellectual Property Organization Patentscope. [Online] 2015. https://patentscope.wipo.int/search/en/result.jsf
