Nutzen Sie die Leistungsfähigkeit von JMP®: Big Data und Social Media für die Wettbewerbsanalyse
JMP Discovery Conference 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Abstrakt:
Bezogen auf die Weltbevölkerung gibt es mittlerweile doppelt so viele Sensoren (z. B. Smartphones) im Internet der Dinge und ebenso viele Social-Media-Konten. Das daraus resultierende explosionsartige Wachstum des Datenvolumens stellt große Chancen für diejenigen dar, die in dieser riesigen Ansammlung unstrukturierten und unsicheren Rauschens ein Signal finden können. Ein aktuelles Projekt zeigte, dass JMP-Benutzer große Mengen an Open-Source-Material zu innovativen Technologien, damit verbundenen Reifegraden, aktuellen Anwendungen und Hauptkonkurrenten effizient durchsuchen und analysieren müssen. Zu den besonderen Herausforderungen gehörte die Notwendigkeit, den Text aus diesen unterschiedlichen Website-Architekturen (ohne überflüssigen Code) und aus angehängten PDFs 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 im Vergleich zu herkömmlichen Methoden. In diesem Vortrag wird eine Reihe von JMP-Skripten und -Plattformen vorgestellt, 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 geschäftliche Bedrohungen 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 zu beurteilen, welche Strategie es umsetzen muss, um in herausfordernden Umgebungen erfolgreich zu sein. Wir können uns Wettbewerbsintelligenz sowohl im Hinblick auf das strategische Umfeld vorstellen, das von Wirtschafts- und Marktkräften bestimmt wird, als auch im Hinblick auf die täglich erforderliche taktische Intelligenz (z. B. die Anpassung an den Preis eines Konkurrenten). Bei wettbewerbsfeindlichen Erkenntnissen wollen Unternehmen auch ihre eigenen geschützten und anderen sensiblen Informationen schützen. Tools und Datenquellen müssen mit den sich dynamisch entwickelnden Methoden Schritt halten, um effektiv Erkenntnisse über Geschäftskonkurrenten zu gewinnen und deren zukünftige Reaktionen vorherzusehen. Dieses Papier veranschaulicht den Wert der JMP-Software des SAS Institute für die Erfassung und Analyse von Daten im Bereich der wettbewerbsorientierten Marktanalyse.
Competitive Intelligence-Zyklus:
Der Competitive-Intelligence-Zyklus in Abbildung 1 ist eines von vielen Konstrukten, die auf dem militärischen Geheimdienstmodell basieren und den Prozess beschreiben, bei dem verwertbare Marktinformationen über andere Unternehmen gefunden und Analysen angewendet werden, um umsetzbare Informationen zu ermitteln. 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 auf die Beschaffung der richtigen Datenquellen zur Gestaltung der Forschung. In der dritten Phase geht es darum, analytische Methoden anzuwenden, um die Rohdaten in Erkenntnisse umzuwandeln, die letztendlich zu einer überzeugenden Geschichte führen, die die Landschaft beschreibt. In der letzten Phase geht es darum, diese Informationen an die richtigen Teams weiterzuleiten, die auf die Informationen reagieren können.
Abbildung 1. Der Competitive Intelligence-Zyklus
Daten sind der Antrieb für den CI-Prozess. In der Vergangenheit hatten nur CI-Experten Zugriff auf aussagekräftige Daten und Websites. Das hat sich nun mit Big Data geändert, wo jeder in der Organisation durch gezieltes „Trawling“ etwas Wertvolles aus seinem Fachgebiet einbringen kann. Zu den Quellen für CI-Daten gehören Jahresberichte, Reden, Pressemitteilungen (intern und extern), Finanzanalysen, Messen, Patentanmeldungen, Unternehmenswebsites und soziale Medien, um nur einige zu nennen. Oft handelt es sich dabei um „Open Source“, für den Zugriff benötigen Sie jedoch möglicherweise spezielle Berechtigungen. Es gibt zahlreiche proprietäre Datenbanken, in denen möglicherweise sogar einige Analysen bereits verfügbar sind, beispielsweise Hoover von Dunn and Bradstreet, Salesforce, DataSift, Thomson Reuters usw. Ein Großteil der Rohdaten stammt aus Internetsuchen und anschließender sorgfältiger Extraktion der relevanten Datenelemente. CI-Erfassungsbemühungen werden zwangsläufig mit der Herausforderung verbunden sein, dass unstrukturierte Textdaten aus unterschiedlichen Quellen und Formaten einen erheblichen Aufwand erfordern, um einen kohärenten Datensatz für die Analyse zusammenzustellen.
In der Analyse- und Produktionsphase werden die verschiedenen Datenquellen typischerweise in einer Reihe von Konstrukten organisiert. Die bekannte SWOT-Technik untersucht die Stärken, Schwächen, Chancen und Risiken der Wettbewerber. Eine PESTLE-Methode bewertet die politischen, wirtschaftlichen, sozialen, technologischen, rechtlichen und ökologischen Dimensionen einer Branche und ihrer Konkurrenten. Die 5 Kräfte von Harvard-Professor Michael Porter (Eintrittsbarrieren, aktuelle Konkurrenten, Ersatzbedrohungen, Verhandlungsmacht der Lieferanten, Verhandlungsmacht der Käufer) haben den Test der Zeit bestanden. Porter verfügt außerdem über ein Four-Corners-Modell (Treiber/Kultur, aktuelle Strategie, Managementannahmen und Fähigkeiten), um die zukünftigen Schritte der Wettbewerber vorherzusagen. Andere Analyserahmen bilden Matrizen mit Konkurrenten als Spalten und wichtigen Leistungsindikatoren wie Vertriebskanälen, technologischem Vorsprung, Preisgestaltung, Marktanteil, Kundenorientierung, finanzieller Stabilität, Arbeitskräften, Einrichtungen, Partnerschaften usw. als Zeile. Die Herausforderung bei jedem dieser Frameworks besteht darin, die Datenelemente genau auszufüllen, da es sich bei vielen um qualitative Bewertungen handelt, die 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:
A Vanash Kausik beschreibt viele verfügbare Tools zur Analyse des Web-Verkehrs, um überraschend aufschlussreiche Informationen zu Quellen, Demografie, Absprungdynamik und Produktstimmung zu erhalten. Er unterteilt diese in die Site-zentrierten, die sich mit Wettbewerber-Websites befassen, und die Ökosystem-zentrierten, die sich mit der Branche und bestimmten Technologien befassen. Beispiele für standortzentrierte Anwendungen sind Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic und AdBeat (für Online-Werbekennzahlen). Diese Tools liefern detaillierte Informationen zu jeder Website (z. B. Quellen, Absprungrate, besuchte Seiten, Schlüsselwörter usw.), obwohl sie leider nur für Ihre eigene Website kostenlos sind.
Ein Beispiel für ein ökosystemorientiertes Tool ist Google Trends ( https://www.google.com/trends/ ) . Abbildung 2 zeigt die Präsenz des Begriffs „Big Data“ im Zeitverlauf, der, was nicht überraschend ist, in den letzten drei Jahren an Bedeutung gewonnen hat. Auf der Handlung stehen Buchstaben, die eine repräsentative Geschichte aus dem Internet zu diesem Zeitpunkt auswählen und Aufschluss darüber geben könnten, warum es einen Gipfel oder ein Tal gibt. Darüber hinaus werden die wichtigsten geografischen Regionen und entsprechende 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. Beispielsweise ist Jordan Spieth ein 22-jähriger Golfer, der ein herausragendes Jahr hatte und kürzlich die Nummer 1 der Weltrangliste erreichte. In Sportkreisen ist es nicht ungewöhnlich, dass Golf als Sport an Interesse verliert, und vielleicht kann Spieth diesen Trend umkehren. Das Diagramm in Abbildung 3 zeigt sicherlich nicht nur einen Abwärtstrend, sondern auch ein sehr zyklisches Muster, das für unsere Wettbewerbsanalyse- und Marketingfunktionen von Nutzen sein kann.
Figur 2. Google Trends-Zeitreihendiagramm von „Big Data“
Figur 3. Google Trends-Zeitreihendiagramm von „Golf“
Aus dem Datenexport können wir JMP verwenden, um in Graph Builder unser eigenes benutzerdefiniertes Zeitreihendiagramm zu erstellen, das diese Ereignisse klarer beschriftet, und wir können das Wachstum in der Zukunft mithilfe von saisonalem ARIMA vorhersagen, wie in Abbildung 4 dargestellt. Unternehmen können diese Art von erweiterten Analysen nutzen, um die Marktentwicklung und den Zeitpunkt von Werbekampagnen vorherzusagen.
Figur 4. Zeitreihendiagramm und Prognosen der ARIMA Group für „Golf“
Competitive Intelligence-Daten aus sozialen Medien:
Im letzten Jahrzehnt kam es zu einem explosionsartigen Anstieg einer neuen Art von Geheimdienstdaten, die von Social-Media-Websites übernommen werden können. Kommunikation aller Art wird heute mehr denn je aufgezeichnet und wir haben die Möglichkeit, in all diesen verrauschten, unstrukturierten Daten CI-Signale zu finden. Blogs und Schwarze Bretter sind hervorragende Reviere für die Sammlung branchen- und unternehmensspezifischer Informationen. Sie können Unternehmen, Mitarbeitern, Technologiekonzernen, Stellenangeboten und ehemaligen Mitarbeitern auf LinkedIn und anderen professionellen Websites folgen. Beiträge auf Websites wie Facebook, Twitter und Instagram bieten auch die Möglichkeit, Markt- und Wettbewerbstrends zu verstehen. Die Herausforderung besteht darin, diese unstrukturierten Daten effizient zu sammeln, die durch eine neue informelle, englischähnliche Sprache mit vielen Möglichkeiten gekennzeichnet sind, dasselbe Wort auszudrücken – denken Sie daran, wie Sie jemandem das Wort per SMS schicken würden heute Abend .
Wir haben ein JSL-Skript (JMP Scripting Language) geschrieben, das die statistische Programmiersprache R aufruft, um alle (oder eine zufällige Stichprobe) der Twitter-Feeds für eine bestimmte Dauer relativ zu einem Schlüsselwort herunterzuladen. Das Skript sammelt Daten von der Gegenwart bis zu einem vorher festgelegten Zeitraum in der Zukunft, obwohl Twitter-Archive zum Sammeln retrospektiver Daten kostenpflichtig sind. Zu den zurückgegebenen Daten gehören der tatsächliche Tweet, Ort, Zeit und andere demografische Felder. Viele Unternehmen sammeln Echtzeit-Tweets, um die öffentliche Reaktion auf wichtige Produktveröffentlichungen zu sehen – sei es ihre eigene oder die der Konkurrenz. Beispielsweise haben wir das Skript fünf Minuten lang ausgeführt, nachdem LeBron James seine Rückkehr nach Cleveland angekündigt hatte, da alle unsere Twitter-Daten zu Produkten und Unternehmen urheberrechtlich geschützt sind. Die resultierende Wortwolke in Abbildung 5 gibt Einblick in die am häufigsten vorkommenden Begriffe (größte Schriftart), nachdem gebräuchliche 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 einer positiven Stimmung assoziiert werden, eine Liste mit etwa 2.000 negativen Wörtern und alle Wörter, die in diesem Zeitraum von 5 Minuten in 4.000 Tweets gesammelt wurden, kreuztabelllisch erstellten. Ein einzelner Tweet kann mehrere positive und negative Wörter enthalten oder auch keines davon. Die Gesamtzahl betrug 3.533 positive und 1.626 negative Wörter. Die Wortwolke und die Stimmungsanalyse werden mithilfe eines JMP-Add-Ins für Text Mining 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 Mitbewerbern:
Allein die Architektur der Website eines Unternehmens ist ein nützliches Stück strategischer Intelligenz, da das Unternehmen sorgfältig auswählt, was es in seiner Online-Präsenz preisgeben möchte, sowohl im Hinblick auf die aktuellen Fähigkeiten und Kunden als auch darauf, woran es für zukünftige Verbesserungen arbeitet. Weitere 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 bietet ein automatisiertes Web-Scraping-Dienstprogramm den Vorteil, dass es viel schneller und umfassender ist, obwohl möglicherweise zu viele oder überflüssige Informationen zurückgegeben werden.
Wir haben JSL-Code entwickelt, um die Textdaten von jeder Website zu extrahieren und gleichzeitig Metadaten wie die Position des Textes auf der Website zu verfolgen. Das Spider-Skript ruft erneut R auf und erfordert nur, dass Sie die gewünschte Website eingeben. Sie können die Art des Scrapings auswählen, das Sie durchführen möchten, da sich Websites im Aufbau unterscheiden. Zu den Scraping-Optionen gehören die Auswahl des gesamten Textes, einer Nachrichtenmeldung oder der Standardeinstellung. Sie können auch auswählen, wie tief Sie crawlen möchten, wobei Ebene 0 die von Ihnen angegebene Webseite ist, 1 diese Seite plus alle verknüpften Seiten usw. ist.
Eine beliebte Technologie für umweltfreundliche Energie ist beispielsweise die Klimaanlage mit flüssigem Trockenmittel, die einen Kühleffekt durch die Entfernung von Wassermolekülen erzielt, im Gegensatz zu herkömmlichen Systemen mit gekühlter Luft oder Kältemitteln, die Feuchtigkeit entfernen, indem sie die Temperatur 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 Websites mit dem JSL-Skript gescrapt, um eine JMP-Datentabelle zu erstellen, in der jede Zeile eine Webseite darstellt. Abbildung 6 zeigt die Spider-Schnittstelle zusammen mit der resultierenden Wortwolke aus dem Text-Mining-Add-In.
Abbildung 6. JSL Spider-Schnittstelle und resultierende Wordcloud von www.kathabar.com
Die Wortwolke repräsentiert noch einmal die Häufigkeit der Wörter. Obwohl diese Rohwortzählung nützlich ist, liefert sie nicht viel Aufschluss darüber, welche Wörter zusammen vorkommen und welche Themen vorhanden sein könnten. Um unstrukturierten Text zur statistischen Analyse über die Wortzahl hinaus in eine Flatfile zu übersetzen, ist es üblich, eine Document Term Matrix (DTM) zu erstellen, die jedes Dokument (in unserem Beispiel die Webseite) als Zeile und jedes einzelne Wort enthält, das im gesamten Dokument verwendet wird Korpus als separate Spalte. Die Matrixeinträge geben die Häufigkeit an, mit der jeder Begriff in der jeweiligen Zeile vorkommt. Es kann jedoch besser sein, einfach eine binäre Darstellung zu verwenden, die angibt, ob das Wort vorkommt oder nicht. Eine weitere häufig angewandte Transformation ist ein gewichtetes Schema, das auf der Häufigkeit des Vorkommens des Worts in den Zeilen basiert. Das heißt, ein Wort, das in jeder Zeile vorkommt, hat möglicherweise nicht viel Unterscheidungskraft, um analytisch hilfreich zu sein. Das Problem mit dem DTM besteht darin, dass er normalerweise sehr groß und sehr spärlich ist. Daher können statistische Standardmethoden möglicherweise keine nützlichen Beziehungen erkennen.
Eine Lösung für das große und spärliche DTM besteht darin, es in einen viel kleineren Dimensionsraum zu projizieren, ähnlich wie bei der Hauptkomponentenanalyse (PCA). Eine bessere Lösung besteht darin, die Singularwertzerlegung (SVD) des DTM in einer niedrigeren Dimension als der Anzahl der Spalten oder Wörter vorzunehmen (reduzieren Sie sie auf beispielsweise 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 Singulärwerte auf den Diagonalen der D-Matrix stammen aus den Eigenwerten, die den Anteil der erklärten Variabilität für jede SVD-Spalte erklären.
Die Betrachtung eines bivariaten Diagramms der ersten beiden Eigenvektoren der V-Matrix ist hilfreich, um Hauptthemen in den Textdaten zu erkennen und Wörter zu finden, die sich zu einer Gruppe zusammenfügen. Abbildung 7 zeigt das bivariate Diagramm der ersten beiden SVDs für das Kathabar-Beispiel. Hier sehen wir, wie sich die Wörter gruppieren Bereitstellung einer maßgeschneiderten Lösung für flüssiges Trockenmittel und eine andere Gruppe schlägt vor Niedrigenergiegeräte zur Steuerung der Lufttemperatur und -feuchtigkeit.
Abbildung 7. Zuerst SVD-Eigenvektoren aus der Kathabar-V-Matrix und multivariate Abstände für Trockenmittel.
Wir können auch multivariate Abstände von den Eigenvektoren der V-Matrix aus der SVD mit reduziertem Rang verwenden. Diese Abstände zeigen Wörter an, die in Gruppen zusammengefasst sind, sodass Sie jedes Wort im Korpus auswählen können, um eng miteinander verbundene Begriffe zu finden. Im rechten Bereich 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 einen guten Gradmesser für das technologische Profil eines Unternehmens. Glücklicherweise gibt es viele großartige Patentsuchmaschinen, die Ihnen freien Zugriff auf alle Abstracts, Zeichnungen und Textfelder ermöglichen, um Daten über das geschützte Eigentum der Wettbewerber zu sammeln und den Stand der Technik zu verstehen. PATENTSCOPE von der Weltorganisation für geistiges Eigentum ( https://patentscope.wipo.int/search/en/result.jsf ) wurde verwendet, um die Abstracts für Patente für Klimaanlagen mit flüssigem Trockenmittel zu extrahieren. Jeder Absatz einer Zusammenfassung bildete eine separate Zeile in der JMP-Datentabelle. Nutzung der Consumer Research-Plattform ( Analysieren > Verbraucherforschung > Kategorisch > Antwortrollen = Mehrere, Spalte mit Textdaten, die dem Freitext zugewiesen sind ) können wir die Wortanzahl sehen und schnell ein Pareto-Diagramm der wichtigsten Begriffe erstellen, die in den Patentzusammenfassungen erscheinen.
Abbildung 8. JMP-Freitextschnittstelle und Worthäufigkeitszählung für Patentdaten.
Wir können JMP auch verwenden, um Indikatorspalten für die (zum Beispiel) häufigsten 200 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 Medienfilter, stark korrosive Verschleppung, mikroporöse Membranen und so weiter.
Abbildung 9. Paarweise Korrelationen aus der multivariaten Plattform von Patentdaten
Die Themenextraktion mit dem JMP-Text-Mining-Add-In liefert zusätzliche Informationen. Das Diagramm der ersten beiden SVDs in Abbildung 10 vermittelt eine allgemeine Vorstellung davon, was diese Patente erreichen wollen: eine Technologie, die die Verwendung von flüssigem Trockenmittel (Stoppwort) zur Entfeuchtung der Luft erfordert, was zu einem Kühleffekt führt, der bei feuchter Luft am besten anwendbar ist Klimazonen; Das Risiko besteht bei den meisten flüssigen Trockenmitteln 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 beseitigen.
Abbildung 10. Die ersten beiden SVD-Vektoren für Patente
Marktinformationen aus Artikeln in Fachzeitschriften: Viele technologische Fortschritte werden in der wissenschaftlichen Literatur detailliert beschrieben, was darauf hindeutet, dass diese für die Darstellung der technologischen Landschaft sehr hilfreich sein könnten. Um den Stand der Technologie für flüssige Trockenmittel und die Bereitschaft für kommerzielle Anwendungen besser zu verstehen, haben wir 45 kürzlich begutachtete technische Artikel aus angesehenen Fachzeitschriftenpublikationen im Bereich saubere Energie aus den letzten drei Jahren heruntergeladen. Es war schwierig, diese portablen Dokumentdateien (PDF) in Text und dann in eine JMP-Datentabelle zu übersetzen, da es sich bei den Textzeichen eher um Bilder handelt und die große Menge an mathematischen Gleichungen sich nicht gut in Text übersetzen lässt. Wir haben mit zahlreichen Methoden (sowohl Open-Source- als auch proprietären) experimentiert, um diese PDF-Dateien sauber zu lesen, und kamen zu dem Schluss, dass die Verwendung von AdobeAcrobat Standard oder Pro zum Speichern des PDF als MS Word Rich Text File (RTF) mithilfe der OCR-Funktion (Optical Character Recognition) eine war 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, um sie in unserem Makro zu verwenden, das einen Ordner mit Textdateien in eine JMP-Tabelle einliest, um den Korpus zu bilden. Wir mussten auch unser JSL-Skript für das Text-Mining-Add-in aktualisieren, um die Option zum Entfernen der nicht-alphanumerischen Zeichen zu haben. Die Verweise wurden entfernt, da sie die Textanalyse unnötig beeinträchtigten.
Die Worthäufigkeiten in Abbildung 11 aus dem JMP-Text-Mining-Add-In erzählen eine ähnliche Geschichte wie die Patente: Bei dieser grünen Energietechnologie handelt es sich um ein System zur Luftkühlung, das den Energieverbrauch durch die Regenerierung des flüssigen Trockenmittels (z. B. LiCl) reduziert, um die Luft zu entfeuchten und somit zu kühlen Luft, wo die Membran das giftige Trockenmittel vom Luftstrom trennt.
Abbildung 11. Worthäufigkeiten in Zeitschriftenartikeln für flüssige Trockenmittelmembranen.
Nach der Durchführung der SVD können wir wie Zeitschriftenartikel Cluster erstellen, indem wir die Werte der Eigenvektoren aus der U-Matrix verwenden. Die Dokumente gruppieren sich stark nach Autorenlinien sowie nach allgemeinen Forschungsbereichen im Bereich flüssiger Trockenmittel (Abbildung 12). Zur Themenextraktion verwenden wir die V-Matrix aus der SVD. Einige ausgewählte Themen (Abbildung 13) in diesen Zeitschriften sind: 1) Vergleichsexperimente zur Validierung von flüssigem Trockenmittel als Klimaanlagenlösung und Effizienzsteigerung durch energiesparende Regenerationsmethode; 2) Experimentieren, um Massentransferraten und Effizienzverhältnisse vorherzusagen und dabei unterschiedliche Einlassparameterwerte zuzulassen; 3) alternative Methode zur Dampfentfernung mithilfe eines Hybrid-Elektrokompressors und eines flüssigen Trockenmittels.
Abbildung 12. Ergebnisse der Clusteranalyse aus Artikeln im Liquid Desiccant Journal
Abbildung 13. Themen aus den Zusammenfassungen von Klimaanlagenmembranen mit flüssigem Trockenmittel
Die Diagramme der ersten beiden Eigenvektoren aus der V-Matrix (Abbildung 14) zeigen einige allgemeine Themen dieser Forschungsbemühungen basierend auf den Zusammenfassungen: Energieregeneration, Verbesserung der Entfeuchtung, Simulation, Stofftransfer, Experimentvorhersage, Modell, Temperatur und Membran sowie Thermik Prozess mit Wasserdampf.
Abbildung 14. Bivariate Darstellung der ersten beiden Eigenvektoren von Zeitschriftenzusammenfassungen für Klimaanlagen mit flüssigem Trockenmittel
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 in Abbildung 15 dargestellte interessante Wörter liefern die folgenden Informationen aus den Zusammenfassungen dieser Zeitschriftenartikel:
- Bei den Kosten geht es um die Amortisationszeit, die Hauptinstallation, den Kessel und die Lagerung
- Zuverlässigkeit – Herstellung von Mehrzonen- und Deckengeräten mit Luftkühlungs-Subsystem
- Lithium-Trockenmittel ist Lithiumchlorid als wässrige Lösung; Hauptproblem ist der Kontakt mit der Umgebung (giftig), mikroporöse Membranen sind die Lösung
- Der direkte Kontakt von Tröpfchen ist schädlich und muss beseitigt werden, um wirtschaftlich machbar zu sein
Abbildung 15. Multivariate Abstände von der V-Matrix für Liquid Desiccant Journal Abstracts.
Zusammenfassung:
Es gibt viele Frameworks für Competitive Intelligence-Analysen wie SWOT, Porters 5 Forces und 4 Corners, die auf aktuellen und zuverlässigen Dateneingaben basieren. CI-Datenquellen sind sprunghaft angestiegen und demokratisiert worden, sodass Mitarbeiter im gesamten Unternehmen verwertbare Informationen über ihre Konkurrenten finden können. Das Problem besteht darin, 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.
Barbera, 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, European Journal of Information Systems, Bd. 21, S. 70-86.
Gefährten, Ian. Wortwolke: Wortwolken. CRAN. [Online] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
Kaushik, Avanish. Mit Competitive-Intelligence-Analysen den Durchbruch schaffen: Beste Kennzahlen und Berichte . [Online] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
Lang, Duncan-Tempel. RCurl: Allgemeine Netzwerk-Client-Schnittstelle (HTTP/FTP/...) für R. CRAN. [Online] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
Martin . Strategierahmen: Wettbewerbsanalyse und Wettbewerbsinformationen . [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 .
Patentscope der Weltorganisation für geistiges Eigentum. [Online] 2015. https://patentscope.wipo.int/search/en/result.jsf
