JMP®의 강력한 기능 활용: 경쟁사 분석을 위한 빅 데이터 및 소셜 미디어
JMP 디스커버리 컨퍼런스 2015
James Wisnowski, Adsurgo LLC
플로르 카스티요, SABIC
Andrew Karl, Adsurgo LLC
히스 러싱, Adsurgo LLC
추상적인:
전 세계 인구에 비해 이제 사물 인터넷에는 두 배나 많은 센서(예: 스마트폰)가 있고 그에 상응하는 수의 소셜 미디어 계정이 있습니다. 폭발적인 데이터 양의 증가는 구조화되지 않고 불확실한 노이즈의 방대한 컬렉션에서 신호를 찾을 수 있는 사람들에게 큰 기회를 제공합니다. 최근 프로젝트에서는 JMP 사용자가 혁신적인 기술, 관련 성숙도, 현재 애플리케이션 및 주요 경쟁사에 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 해당 텍스트를 JMP로 가져와 중요한 관심 주제 및 관련 문서를 신속하게 식별했습니다. 이러한 단계는 R의 텍스트 마이닝 루틴에 대한 직관적인 JMP 인터페이스를 사용하여 수행되었습니다. JMP 데이터 시각화, 클러스터 분석 및 의사 결정 트리 기능을 사용한 텍스트 분석을 통해 기존 방법보다 시장 특성을 더 잘 파악할 수 있었습니다. 이 강연에서는 관련 웹사이트 점수를 효과적으로 검색하고 소셜 미디어 매체(Twitter 등)를 모니터링하고 구조화되지 않은 대규모 데이터 모음을 취합하고 집중적인 연구 질문에 답하기 위한 일련의 JMP 스크립트 및 플랫폼을 시연합니다.
소개:
경쟁 인텔리전스(CI)라는 용어는 기업이 비즈니스 위협을 가하는 다른 조직에 대한 정보를 수집하는 행위를 설명하기 위해 지난 수십 년 동안만 사용되었지만 이러한 관행은 수세기 동안 존재해 왔습니다. 군사 정보와 유사하게 우리는 도전적인 환경에서 성공하기 위해 어떤 전략을 실행해야 하는지 정확하게 평가하기 위해 경쟁업체, 제품 및 고객의 외부 세력에 초점을 맞추는 기업을 생각할 수 있습니다. 우리는 경제 및 시장 세력이 지배하는 전략적 환경과 일상적으로 요구되는 전술적 지능(예: 경쟁업체의 가격 일치) 측면에서 경쟁 지능을 생각할 수 있습니다. 대항 경쟁 인텔리전스는 기업이 자체 독점 정보 및 기타 민감한 정보를 보호하기를 원하는 곳이기도 합니다. 도구와 데이터 소스는 비즈니스 경쟁자에 대한 지식을 효과적으로 얻고 향후 대응을 예측하기 위해 동적으로 진화하는 방법에 보조를 맞춰야 합니다. 이 백서는 경쟁 시장 분석 공간에서 데이터를 수집하고 분석하는 SAS Institute의 JMP 소프트웨어의 가치를 설명합니다.
경쟁 인텔리전스 주기:
그림 1의 경쟁 인텔리전스 주기는 다른 비즈니스에서 악용 가능한 시장 정보를 찾고 실행 가능한 정보를 발견하기 위해 분석을 적용하는 프로세스를 설명하는 군사 인텔리전스 모델을 기반으로 하는 많은 구조 중 하나입니다. 견고한 공격 계획을 개발할 수 있도록 실제로 조사하려는 차원을 정확히 파악하는 정의 단계부터 시작합니다. 두 번째 단계는 연구를 형성하기 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 인텔리전스에 따라 조치를 취할 수 있는 올바른 팀에 이 정보를 제공하는 것입니다.
그림 1. 경쟁 인텔리전스 주기
데이터는 CI 프로세스의 원동력입니다. 과거에는 CI 전문가만이 의미 있는 데이터와 사이트에 액세스할 수 있었습니다. 이제는 조직의 모든 사람이 집중적인 "트롤링"을 통해 자신의 전문 분야에서 가치 있는 것을 가져올 수 있는 빅 데이터로 인해 상황이 바뀌었습니다. CI 데이터의 소스에는 연례 보고서, 연설, 보도 자료(내부 및 외부), 재무 분석, 무역 박람회, 특허 출원, 회사 웹 사이트 및 소셜 미디어가 포함됩니다. 액세스 권한을 얻으려면 특별한 권한이 필요할 수 있지만 종종 "오픈 소스"입니다. Dunn and Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters 등과 같이 일부 분석이 이미 사용 가능한 수많은 독점 데이터베이스가 존재합니다. 원시 데이터의 대부분은 관련 데이터 요소를 주의 깊게 추출한 후 인터넷 검색에서 나옵니다. CI 수집 노력은 분석을 위해 일관된 데이터 세트를 조합하는 데 상당한 노력이 필요한 서로 다른 소스 및 형식의 구조화되지 않은 텍스트 데이터라는 문제를 안고 있습니다.
분석 및 생산 단계는 일반적으로 여러 데이터 소스를 여러 구성으로 구성합니다. 잘 알려진 SWOT 기법은 경쟁자의 강점, 약점, 기회 및 위협을 살펴볼 것입니다. PESTLE 방법은 산업 및 경쟁자에 대한 정치적, 경제적, 사회적, 기술적, 법적 및 환경적 차원을 평가합니다. 하버드 교수 마이클 포터(Michael Porter)의 5가지 힘(진입 장벽, 현재 경쟁자, 대체 위협, 공급업체 협상력, 구매자 협상력)은 시간의 테스트를 견뎌냈습니다. Porter는 또한 Four Corners 모델(동인/문화, 현재 전략, 관리 가정 및 기능)을 사용하여 경쟁업체의 향후 움직임을 예측합니다. 다른 분석 프레임워크는 경쟁사를 열로 하고 유통 채널, 기술 우위, 가격, 시장 점유율, 고객 중심, 재무 안정성, 인력, 시설, 파트너십 등과 같은 핵심 성과 지표를 행으로 하는 매트릭스를 형성합니다. 이러한 프레임워크의 문제는 신뢰할 수 있는 데이터 소스를 얼마나 잘 찾을 수 있는지에 따라 정성적 평가가 달라지기 때문에 데이터 요소를 정확하게 채우는 것입니다. 이 중요한 데이터를 찾고 탐색하는 데 도움이 될 수 있는 JMP의 몇 가지 방법에 대해 논의합니다.
공동 웹사이트 분석에서 얻은 경쟁 인텔리전스 데이터:
ㅏ 바나쉬 카우식 웹의 트래픽을 분석하여 소스, 인구 통계, 바운스 역학 및 제품 감정에 대한 놀라울 정도로 통찰력 있는 정보를 얻는 데 사용할 수 있는 많은 도구를 설명합니다. 그는 이를 경쟁사 웹사이트를 보는 사이트 중심과 산업 및 특정 기술을 보는 생태계 중심으로 분류합니다. 사이트 중심 애플리케이션의 예로는 Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic 및 AdBeat(온라인 광고 지표용)가 있습니다. 이러한 도구는 각 사이트에 대한 자세한 정보(예: 소스, 이탈률, 방문한 페이지, 키워드 등)를 제공하지만 불행히도 자신의 사이트에서만 무료입니다.
생태계 중심 도구의 한 예는 Google Trends( https://www.google.com/trends/ ) . 그림 2는 시간 경과에 따른 "빅 데이터"라는 용어의 존재를 보여줍니다. 당연히 지난 3년 동안 인기를 끌었습니다. 플롯에는 그 시점에서 웹에서 피크 또는 밸리가 있는 이유에 대한 통찰력을 제공할 수 있는 대표적인 이야기를 선택하는 편지가 있습니다. 또한 상위 지리적 지역 및 상관 검색어(예: 빅 데이터 Hadoop)가 제공됩니다.
Google 트렌드는 자체 분석을 위해 JMP의 기능을 사용할 수 있도록 데이터를 내보낼 수 있습니다. 예를 들어 Jordan Spieth는 22세의 골퍼로 최근 세계 랭킹 1위에 오르는 놀라운 한 해를 보냈습니다. 스포츠계에서 스포츠로서의 골프에 대한 관심이 줄어들고 있으며 아마도 Spieth가 이러한 추세를 반전시킬 수 있다는 소식을 스포츠계에서 듣는 것은 드문 일이 아닙니다. 그림 3의 플롯은 확실히 하향 추세일 뿐만 아니라 우리의 경쟁 분석 및 마케팅 역할에 사용될 수 있는 매우 주기적 패턴을 보여줍니다.
그림 2. Google Trends "빅 데이터"의 시계열 도표
그림 3. Google Trends "골프"의 시계열 도표
데이터 내보내기에서 JMP를 사용하여 Graph Builder에서 이러한 이벤트에 더 명확하게 레이블을 지정하는 자체 사용자 정의 시계열 그림을 생성할 수 있으며 그림 4와 같이 계절 ARIMA를 사용하여 향후 성장을 예측할 수 있습니다. 기업은 이러한 유형의 고급 분석을 사용하여 시장의 방향과 광고 캠페인의 시기를 예측할 수 있습니다.
그림 4. "골프"에 대한 ARIMA 그룹 시계열 도표 및 예측
소셜 미디어의 경쟁 인텔리전스 데이터:
지난 10년 동안 소셜 미디어 사이트에서 동화될 수 있는 새로운 종류의 인텔리전스 데이터가 폭발적으로 증가했습니다. 모든 유형의 통신이 그 어느 때보다 많이 기록되고 있으며 이 모든 시끄럽고 구조화되지 않은 데이터 중에서 CI 신호를 찾을 수 있는 기회가 있습니다. 블로그와 게시판은 산업 및 회사별 정보를 수집할 수 있는 뛰어난 사냥터입니다. LinkedIn 및 기타 전문 사이트에서 회사, 직원, 기술 그룹, 채용 기회, 이전 직원을 팔로우할 수 있습니다. Facebook, Twitter 및 Instagram과 같은 사이트에 대한 게시물은 시장 및 경쟁사의 추세를 이해할 수 있는 기회를 제공합니다. 문제는 동일한 단어를 표현하는 여러 가지 방법이 있는 영어와 유사한 새로운 비정형 언어로 특징지어지는 이 구조화되지 않은 데이터를 효율적으로 수집하는 것입니다. 오늘 밤 .
통계 프로그래밍 언어 R을 호출하여 키워드와 관련하여 지정된 기간 동안 Twitter 피드의 모든(또는 임의 샘플)을 다운로드하는 JSL(JMP 스크립팅 언어) 스크립트를 작성했습니다. 회고적 데이터를 수집하기 위한 Twitter 아카이브가 유료로 존재하지만 스크립트는 현재부터 미래의 미리 지정된 기간까지 데이터를 수집합니다. 반환되는 데이터에는 실제 트윗, 위치, 시간 및 기타 인구 통계 필드가 포함됩니다. 많은 기업들이 자체 제품이든 경쟁 제품이든 주요 제품 출시에 대한 대중의 반응을 보기 위해 실시간 트윗을 수집합니다. 예를 들어 LeBron James가 클리블랜드로 복귀한다고 발표한 후 5분 동안 스크립트를 실행했습니다. 제품 및 회사에 대한 모든 Twitter 데이터는 독점적이기 때문입니다. 그림 5의 결과 단어 구름은 일반적인 단어(the, and, or, …)와 불쾌감을 주는 언어를 제거한 후 가장 자주 발생하는 용어(가장 큰 글꼴)에 대한 통찰력을 제공합니다. 또한 우리는 일반적으로 긍정적인 감정과 관련된 약 1,500개의 단어 목록과 5분 동안 4,000개의 트윗에서 수집된 모든 단어로 약 2,000개의 부정적인 단어 목록을 교차 표로 작성하여 트윗에 대한 감정 분석을 수행했습니다. 하나의 트윗에 긍정적인 단어와 부정적인 단어가 여러 개 있을 수도 있고 둘 중 하나도 없을 수도 있습니다. 총계는 긍정적인 단어 3,533개와 부정적인 단어 1,626개였습니다. wordcloud 및 감정 분석은 텍스트 분석 루틴을 위해 R을 호출하는 텍스트 마이닝용 JMP 추가 기능을 사용하여 수행됩니다.
그림 5. 2014년 여름 "LeBron"의 Twitter JSL 스크립트 인터페이스 및 Wordcloud
경쟁사 웹사이트 스크래핑의 경쟁 인텔리전스 데이터:
회사 웹사이트의 아키텍처만으로도 유용한 전략적 인텔리전스가 됩니다. 현재 기능과 고객 측면에서 온라인 상태에서 무엇을 공개할지, 그리고 향후 개선을 위해 작업 중인 내용을 신중하게 선택하기 때문입니다. 기타 탁월한 데이터 기회에는 회의/컨퍼런스, 리더십, 백서 링크, 뉴스 스토리 링크, 모범 사례, 기술 토론, 채용 공고 및 검색 엔진 최적화의 키워드가 포함됩니다. 이 데이터를 얻는 한 가지 방법은 관심 있는 텍스트를 수동으로 복사하여 붙여넣는 것입니다. 또는 자동화된 웹 스크래핑 유틸리티는 훨씬 빠르고 포괄적이라는 장점이 있지만 너무 많거나 관련 없는 정보가 반환될 수 있습니다.
우리는 웹 사이트에서 텍스트 위치와 같은 메타 데이터를 추적하면서 모든 웹 사이트에서 텍스트 데이터를 스크랩하는 JSL 코드를 개발했습니다. Spider 스크립트는 다시 한 번 R을 호출하고 관심 있는 웹사이트를 입력하기만 하면 됩니다. 웹 사이트 구성이 다르기 때문에 수행하려는 스크래핑 유형을 선택할 수 있습니다. 스크래핑 옵션에는 모든 텍스트, 뉴스 기사 또는 기본 설정 선택이 포함됩니다. 크롤링할 깊이를 선택할 수도 있습니다. 여기에서 수준 0은 지정한 웹 페이지이고, 1은 해당 페이지와 연결된 모든 페이지 등입니다.
예를 들어, 인기 있는 녹색 에너지 기술은 이슬점 이하로 온도를 낮추어 습기를 제거하는 기존의 냉기 또는 냉매 시스템이 아닌 물 분자를 제거하여 냉각 효과를 달성하는 액체 건조제 공조입니다. 상업용 액체 건조제 에어컨에 대한 빠른 Google 검색은 Advantix Systems와 Kathabar라는 두 개의 선도 기업을 보여줍니다. JSL 스크립트로 두 사이트를 스크랩하여 각 행이 웹 페이지를 나타내는 JMP 데이터 테이블을 생성했습니다. 그림 6은 텍스트 마이닝 추가 기능의 결과 단어 구름과 함께 Spider 인터페이스를 보여줍니다.
그림 6. JSL Spider 인터페이스 및 결과 Wordcloud www.kathabar.com
wordcloud는 다시 한 번 단어의 빈도를 나타냅니다. 이 원시 단어 수는 유용하지만 어떤 단어가 함께 나타나고 어떤 주제가 나타날 수 있는지에 대한 정보를 많이 제공하지 않습니다. 구조화되지 않은 텍스트를 단어 수 이상의 통계 분석을 위해 플랫 파일로 변환하려면 각 문서(예: 웹 페이지)를 행으로 포함하고 전체 문서에서 사용되는 모든 고유 단어를 포함하는 DTM(문서 용어 매트릭스)을 형성하는 것이 일반적입니다. 말뭉치를 별도의 열로. 행렬 항목은 단어가 나타나는지 여부를 나타내는 이진 표현을 사용하는 것이 더 나을 수 있지만 특정 행에서 각 용어가 발생하는 빈도입니다. 단어가 여러 행에서 나타나는 횟수를 기반으로 하는 가중 스키마는 일반적으로 적용되는 또 다른 변환입니다. 즉, 모든 행에 나타나는 단어는 분석적으로 도움이 될 정도의 변별력이 없을 수 있습니다. DTM의 문제점은 일반적으로 매우 크고 희박하다는 것입니다. 따라서 표준 통계 방법은 유용한 관계를 감지하지 못할 수 있습니다.
크고 희박한 DTM에 대한 한 가지 솔루션은 이를 주성분 분석(PCA)과 같이 훨씬 더 작은 차원 공간에 투영하는 것입니다. 더 나은 솔루션은 열 또는 단어 수보다 낮은 차원에서 DTM의 SVD(singular value decomposition)를 취하는 것입니다(100에서 300으로 줄임). 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 설명되는 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 예제에 대한 처음 2 SVD의 이변량 플롯을 보여줍니다. 여기에서 단어가 그룹화되는 것을 볼 수 있습니다. 맞춤형 액체 건조제 솔루션 제공 그리고 다른 그룹 제안 공기 온도와 습도를 제어하는 저에너지 장비.
그림 7. Kathabar V 매트릭스의 SVD 고유 벡터 및 건조제에 대한 다변량 거리.
감소된 순위 SVD에서 V 행렬의 고유 벡터로부터 다변량 거리를 사용할 수도 있습니다. 이 거리는 밀접하게 관련된 용어를 찾기 위해 말뭉치에서 단어를 선택할 수 있도록 함께 그룹화되는 단어를 보여줍니다. 그림 7의 오른쪽 패널에서 가장 가까운 단어를 볼 수 있습니다. 건조제 놀랍지 않습니다: 액체, 체계, 과정, 건조한, 제품, 신청, 믿을 수 있는, 그리고 제조.
특허의 경쟁 인텔리전스 데이터 :
특허 출원은 기업의 기술적 프로필에 대한 좋은 바로미터를 제공합니다. 다행스럽게도 모든 초록, 도면 및 텍스트 필드에 대한 무료 액세스를 제공하여 경쟁자가 보호하는 재산에 대한 데이터를 수집하고 기술 상태를 이해할 수 있는 훌륭한 특허 검색 엔진이 많이 있습니다. 세계지적재산권기구의 PATENTSCOPE( https://patentscope.wipo.int/search/en/result.jsf ) 액체 건조제 공조 특허에 대한 초록을 추출하는 데 사용되었습니다. 초록의 각 단락은 JMP 데이터 테이블에서 별도의 행을 형성했습니다. 소비자 조사 플랫폼 사용( 분석>소비자 조사>범주형> 응답 역할=여러, 자유 텍스트에 할당된 텍스트 데이터의 열 ), 단어 수를 확인하고 특허 초록에 나타날 상위 용어의 파레토 다이어그램을 빠르게 만들 수 있습니다.
그림 8. 특허 데이터에 대한 JMP 무료 텍스트 인터페이스 및 단어 빈도 수.
또한 JMP를 사용하여 가장 빈번한 200개(예:) 단어에 대한 지표 열을 구성하여 특정 용어가 분석>다변량 방법>다변량>쌍별 상관관계 . 그림 9는 다음과 같이 높은 상관 관계가 있는 일부 단어 쌍을 강조 표시합니다. 미디어 필터, 강력한 부식성 캐리오버, 미세 다공성 멤브레인 기타 등등.
그림 9. 다변량 특허 데이터 플랫폼의 쌍별 상관관계
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. 액체 건조제(비의어)를 사용하여 공기를 제습하여 습한 환경에서 가장 적합한 냉각 효과를 가져오는 기술입니다. 기후; 대부분의 액체 건조제의 위험은 공기 공간으로의 이월 위험을 증가시키는 필터 매체에 스프레이를 사용하는 것입니다. 이러한 특허는 멤브레인을 사용하여 이러한 위험을 제거합니다.
그림 10. 특허에 대한 처음 두 개의 SVD 벡터
기술 저널 기사의 시장 정보: 많은 기술적 진보가 학술 문헌에 자세히 설명되어 있으며, 이는 기술적 지형을 그리는 데 매우 도움이 될 것이라고 제안합니다. 액체 건조제 기술의 상태와 상업적 응용에 대한 준비를 더 잘 이해하기 위해 지난 3년 동안 청정 에너지 분야의 저명한 저널 간행물에서 최근 참조된 45개의 기술 기사를 다운로드했습니다. 이러한 휴대용 문서 파일(pdf)은 텍스트 문자가 실제로 이미지에 더 가깝고 대량의 수학 방정식이 텍스트로 잘 변환되지 않기 때문에 텍스트로 변환한 다음 JMP 데이터 테이블로 변환하기가 어려웠습니다. 우리는 이러한 PDF 파일을 깨끗하게 읽기 위해 다양한 방법(오픈 소스 및 독점 모두)을 실험했으며 AdobeAcrobat Standard 또는 Pro를 사용하여 OCR(광학 문자 인식) 기능을 사용하여 PDF를 MS Word 서식 있는 텍스트 파일(rtf)로 저장하는 것으로 결론을 내렸습니다. 좋은 중간 단계. 다음으로 MS Word 매크로를 개발하여 Word 문서 파일을 열고 텍스트 파일 폴더를 JMP 테이블로 읽어 코퍼스를 형성하는 매크로에서 사용할 텍스트 파일로 저장했습니다. 또한 영숫자가 아닌 문자를 제거하는 옵션을 갖도록 텍스트 마이닝 추가 기능에 대한 JSL 스크립트를 업데이트해야 했습니다. 텍스트 분석을 불필요하게 방해하는 참조가 제거되었습니다.
JMP 텍스트 마이닝 추가 기능의 그림 11에 있는 단어 빈도는 특허와 비슷한 이야기를 합니다. 이 녹색 에너지 기술은 공기를 냉각하여 에너지 소비를 줄이는 시스템입니다. 멤브레인이 공기 흐름에서 독성 건조제를 분리하는 공기.
그림 11. 액체 건조제 멤브레인에 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 선택한 일부 주제(그림 13)는 다음과 같습니다. 2) 다른 주입구 매개변수 값을 허용하면서 물질 전달 속도와 효율 비율을 예측하기 위한 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 초록에서 주제
V 행렬의 처음 두 고유 벡터의 플롯(그림 14)은 에너지 재생, 제습 개선, 시뮬레이션, 물질 전달, 실험 예측, 모델, 온도 및 멤브레인, 열 수증기로 처리하십시오.
그림 14. 액체 건조제 공조 저널 초록의 처음 두 고유 벡터의 이변량 플롯
주제 추출의 또 다른 유용한 기술은 특정 단어에 대한 V 행렬의 다변량 거리를 확인하는 것입니다. 이러한 다변량 거리는 군집 분석 중에 JMP에 의해 계산되며 거리 행렬을 저장하여 얻습니다. 특정 단어를 선택하고 가장 밀접하게 관련된 단어를 찾을 수 있습니다. 그림 15에 표시된 몇 가지 흥미로운 단어는 이러한 저널 기사의 초록에서 다음 정보를 제공합니다.
- 비용—문제는 투자 회수 기간, 주요 설치, 보일러 및 스토리지 큰 동인입니다.
- 신뢰성 - 공기 냉각 하위 시스템이 있는 다중 구역 및 천장 장치 생산
- 리튬-건조제는 수용액으로서 염화리튬이고; 주요 관심사는 주변 환경과의 접촉(독성), 미세다공성 막이 해결책
- 물방울이 직접 닿으면 해롭기 때문에 제거해야 경제적
그림 15. 액체 건조제 저널 초록에 대한 V 매트릭스로부터의 다변량 거리.
요약:
현재의 신뢰할 수 있는 데이터 입력에 의존하는 SWOT, 포터의 5가지 힘 및 4가지 코너와 같은 경쟁 인텔리전스 분석을 위한 많은 프레임워크가 있습니다. CI 데이터 소스가 급증하고 민주화되어 기업 전체의 직원이 경쟁사에 대한 악용 가능한 정보를 찾을 수 있습니다. 문제는 데이터가 반드시 쉽게 검색할 수 있는 것은 아니며 대부분 시끄럽고 구조화되지 않았다는 것입니다. JMP 및 JSL 스크립트의 분석 도구는 웹 사이트, 소셜 미디어, 특허 및 기술 저널 기사와 같은 소스에서 데이터를 수집하고 이해하는 데 유용합니다. 군사 비유와 마찬가지로 목표는 구조화되지 않은 오픈 소스 정보에서 조직의 전략적 방향에 영향을 미치는 "기밀" 정보 보고서로 전환하는 것입니다.
참조:
Baglama, James 및 Reichel, Lothar. 암시적으로 다시 시작된 Lanczos 이중대각화 방법을 보강했습니다. 2005, SIAM 과학 컴퓨팅 저널, Vol. 27, pp. 19-42.
바베라, 파블로. streamR: R을 통해 Twitter Streaming API에 액세스합니다. [온라인] 2014. http://CRAN.R-project.org/package=streamR .
체피엘, 존, 케린, 로저. 경쟁사 분석 . [온라인] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
에바 ngelopoulos, Nicholas, Zhang, Xiaoni 및 Prybutok, 빅터 R. 잠재 의미 분석: 다섯 가지 방법론적 권장 사항. 2012, 유럽 정보 시스템 저널, Vol. 21, pp. 70-86.
여러분, 이안. wordcloud: 워드 클라우드. CRAN. [온라인] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
카우식, 아바니쉬. 경쟁 인텔리전스 분석으로 압도: 최고의 지표, 보고서 . [온라인] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
랭, 던컨 사원. RCurl: R용 일반 네트워크(HTTP/FTP/...) 클라이언트 인터페이스. CRAN. [온라인] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
남자 이름 . 전략 프레임워크: 경쟁사 분석 및 경쟁 정보 . [온라인] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
메타예르, 에스텔. 경쟁 정보 또는 전략 계획 팀이 숙달해야 하는 최고의 분석 기술입니다. [온라인] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
세계지적재산권기구 특허범위. [온라인] 2015. https://patentscope.wipo.int/search/en/result.jsf
