Nutzen Sie die Leistungsfähigkeit von JMP®: Big Data und Social Media für die Wettbewerbsanalyse
JMP Discovery Konferenz 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Abstrakt:
Im Verhältnis zur 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 bietet enorme Chancen für diejenigen, die in dieser riesigen Ansammlung unstrukturierter und unsicherer Daten ein Signal finden können. Ein aktuelles Projekt zeigte, dass JMP-Anwender große Mengen an Open-Source-Material zu innovativen Technologien, deren Reifegraden, aktuellen Anwendungen und Hauptwettbewerbern effizient durchsuchen und analysieren müssen. Zu den besonderen Herausforderungen gehörte die Extraktion des Textes aus diesen vielfältigen Website-Architekturen (ohne den überflüssigen Code) sowie aus angehängten PDF- und PowerPoint-Dateien, die nicht immer in einem nutzbaren Format vorliegen. Nachdem das Korpus erstellt war, wurde der Text in JMP importiert, um wichtige Themen und zugehörige Dokumente schnell zu identifizieren. Diese Schritte wurden mithilfe einer intuitiven JMP-Schnittstelle zu Text-Mining-Routinen in R durchgeführt. Die Textanalyse mithilfe der JMP-Datenvisualisierung, Clusteranalyse und Entscheidungsbaumfunktionen ermöglichte eine bessere Charakterisierung des Marktes als herkömmliche Methoden. In diesem Vortrag werden eine Reihe von JMP-Skripten und -Plattformen demonstriert, mit denen sich zahlreiche relevante Websites effektiv durchsuchen und soziale Medien (wie etwa Twitter) überwachen, eine große Sammlung unstrukturierter Daten zusammenstellen und gezielte Forschungsfragen beantworten lassen.
Einführung:
Obwohl der Begriff Competitive Intelligence (CI) erst in den letzten Jahrzehnten verwendet wurde, um die Aktivitäten eines Unternehmens zu beschreiben, Informationen über andere Organisationen zu erlangen, die eine Geschäftsbedrohung darstellen, existiert diese Praxis bereits seit Jahrhunderten. Analog zum militärischen Geheimdienst konzentriert sich ein Unternehmen auf die externen Einflüsse von Wettbewerbern, Produkten und Kunden, um die richtige Strategie für den Erfolg in einem herausfordernden Umfeld zu entwickeln. Competitive Intelligence umfasst sowohl das strategische Umfeld, das von Wirtschafts- und Marktkräften bestimmt wird, als auch die täglich benötigte taktische Intelligenz (z. B. die Anpassung an den Preis eines Mitbewerbers). Im Bereich der Wettbewerbsanalyse geht es Unternehmen auch darum, ihre eigenen proprietären und anderen sensiblen Informationen zu 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 Dokument veranschaulicht den Nutzen der JMP-Software des SAS Institute für die Erfassung und Analyse von Daten im Bereich der Wettbewerbsmarktanalyse.
Wettbewerbsanalysezyklus:
Der Wettbewerbsanalysezyklus in Abbildung 1 ist eines von vielen Konstrukten, die auf dem militärischen Aufklärungsmodell basieren und den Prozess der Gewinnung verwertbarer Marktinformationen über andere Unternehmen und der Anwendung von Analysen zur Gewinnung verwertbarer Informationen beschreiben. Er beginnt mit der Definitionsphase, in der Sie genau herausfinden, welche Dimensionen Sie wirklich untersuchen möchten, um einen soliden Angriffsplan zu entwickeln. In der zweiten Phase geht es darum, die richtigen Datenquellen für die Forschung zu gewinnen. In der dritten Phase werden analytische Methoden angewendet, um die Rohdaten in Erkenntnisse umzuwandeln und so eine überzeugende Darstellung der Situation zu erstellen. In der letzten Phase werden diese Informationen an die richtigen Teams weitergeleitet, die auf der Grundlage der Erkenntnisse handeln können.
Abbildung 1. Der Competitive Intelligence-Zyklus
Daten sind der Motor des CI-Prozesses. Früher hatten nur CI-Experten Zugriff auf aussagekräftige Daten und Websites. Das hat sich dank Big Data geändert, wo jeder im Unternehmen durch gezieltes „Durchforsten“ wertvolle Erkenntnisse aus seinem Fachgebiet gewinnen kann. Quellen für CI-Daten sind unter anderem Jahresberichte, Reden, Pressemitteilungen (intern und extern), Finanzanalysen, Messen, Patentanmeldungen, die Unternehmenswebsite und soziale Medien. Oft handelt es sich dabei um Open Source, für den Zugriff benötigen Sie jedoch möglicherweise spezielle Berechtigungen. Es gibt zahlreiche proprietäre Datenbanken, die möglicherweise bereits einige Analysefunktionen bieten, wie beispielsweise Hoover von Dunn & Bradstreet, Salesforce, DataSift, Thomson Reuters usw. Ein Großteil der Rohdaten stammt aus Internetrecherchen, gefolgt von einer sorgfältigen Extraktion der relevanten Datenelemente. Die Erfassung von CI-Daten ist zwangsläufig mit der Herausforderung unstrukturierter Textdaten aus unterschiedlichen Quellen und Formaten verbunden, was einen erheblichen Aufwand erfordert, um einen zusammenhängenden Datensatz für die Analyse zusammenzustellen.
In der Analyse- und Produktionsphase werden die verschiedenen Datenquellen typischerweise in verschiedene Konstrukte eingeteilt. Die bekannte SWOT-Analyse untersucht die Stärken, Schwächen, Chancen und Risiken der Wettbewerber. Die 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 (Markteintrittsbarrieren, aktuelle Konkurrenten, Bedrohungen durch Substitutionsprodukte, Verhandlungsmacht der Lieferanten, Verhandlungsmacht der Käufer) haben sich bewährt. Porter entwickelt außerdem ein „Four Corners“-Modell (Treiber/Kultur, aktuelle Strategie, Managementannahmen und Fähigkeiten), um zukünftige Entwicklungen der Wettbewerber vorherzusagen. Andere Analyserahmen bilden Matrizen mit den Konkurrenten als Spalten und den wichtigsten Leistungsindikatoren wie Vertriebskanälen, technologischem Vorsprung, Preisgestaltung, Marktanteil, Kundenorientierung, finanzieller Stabilität, Belegschaft, Standorten, Partnerschaften usw. als Zeilen. Die Herausforderung bei all diesen Rahmenwerken besteht darin, die Datenelemente korrekt zu befüllen, da es sich bei vielen um qualitative Bewertungen handelt, die von der Verfügbarkeit glaubwürdiger Datenquellen abhängen. Wir besprechen einige Methoden in JMP, die beim Auffinden und Erkunden dieser wichtigen Daten helfen können.
CoWettbewerbsintelligenzdaten aus Website-Analysen:
AVanash Kausik beschreibt zahlreiche Tools zur Analyse des Webverkehrs, um überraschend aufschlussreiche Informationen zu Quellen, demografischen Merkmalen, Absprungraten und Produktstimmung zu erhalten. Er unterteilt diese in Site-zentrierte Tools, die sich auf Websites von Wettbewerbern konzentrieren, und Ökosystem-zentrierte Tools, die sich auf die Branche und spezifische Technologien konzentrieren. Beispiele für Site-zentrierte Anwendungen sind Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic und AdBeat (für Online-Werbemetriken). Diese Tools liefern detaillierte Informationen zu jeder Site (z. B. Quellen, Absprungrate, besuchte Seiten, Keywords usw.), sind aber leider nur für die eigene Site kostenlos.
Ein Beispiel für ein ökosystemzentriertes Tool ist Google Trends ( https://www.google.com/trends/ ) . Abbildung 2 zeigt die Verbreitung des Begriffs „Big Data“ im Zeitverlauf, der – wenig überraschend – in den letzten drei Jahren stark an Bedeutung gewonnen hat. Die Abbildung zeigt Buchstaben, die eine repräsentative Geschichte aus dem Internet zu diesem Zeitpunkt auswählen und Aufschluss über die Ursachen von Spitzen oder Tälern geben können. Zusätzlich werden die wichtigsten geografischen Regionen und die zugehörigen Suchbegriffe (z. B. Big Data, Hadoop) angezeigt.
Google Trends kann die Daten exportieren, sodass wir die Funktionen von JMP für unsere eigenen Analysen nutzen können. Jordan Spieth beispielsweise, ein 22-jähriger Golfer, hatte ein herausragendes Jahr und erreichte kürzlich die Weltrangliste. In Sportkreisen hört man immer wieder, dass das Interesse an Golf als Sportart nachlässt, und vielleicht kann Spieth diesen Trend umkehren. Das Diagramm in Abbildung 3 zeigt nicht nur einen Abwärtstrend, sondern auch ein stark zyklisches Muster, das für unsere Wettbewerbsanalyse und unser Marketing von Nutzen sein könnte.
Abbildung 2. Google Trends-Zeitreihendiagramm von „Big Data“
Abbildung 3. Google Trends-Zeitreihendiagramm von „Golf“
Aus dem Datenexport können wir mithilfe von JMP unser eigenes benutzerdefiniertes Zeitreihendiagramm im Graph Builder erstellen, das diese Ereignisse deutlicher kennzeichnet, und wir können das zukünftige Wachstum mithilfe von saisonalem ARIMA prognostizieren, wie in Abbildung 4 gezeigt. Unternehmen können diese Art von erweiterter Analyse verwenden, um die Marktentwicklung und den Zeitpunkt von Werbekampagnen vorherzusagen.
Abbildung 4. ARIMA Group-Zeitreihendiagramm und Prognosen für „Golf“
Wettbewerbsanalysedaten aus sozialen Medien:
Im letzten Jahrzehnt hat es eine explosionsartige Zunahme neuer Arten von Geheimdienstdaten gegeben, die aus sozialen Medien gewonnen werden können. Kommunikationen aller Art werden heute mehr denn je aufgezeichnet, und wir haben die Möglichkeit, in diesen vielen unstrukturierten Daten CI-Signale zu finden. Blogs und Bulletin Boards sind hervorragende Jagdgründe 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 außerdem die Möglichkeit, Markttrends und Wettbewerbstrends zu verstehen. Die Herausforderung besteht darin, diese unstrukturierten Daten effizient zu sammeln, die durch eine neue, dem Englischen ähnliche Umgangssprache gekennzeichnet sind, in der dasselbe Wort auf viele Arten ausgedrückt wird – denken Sie daran, wie Sie jemandem heute Abend das Wort „ heute Abend “ per SMS schicken würden.
Wir haben ein JMP Scripting Language (JSL)-Skript geschrieben, das die statistische Programmiersprache R aufruft, um alle (oder eine zufällige Auswahl) der Twitter-Feeds für einen bestimmten Zeitraum relativ zu einem Schlüsselwort herunterzuladen. Das Skript sammelt Daten von der Gegenwart bis zu einem vorab festgelegten Zeitraum in der Zukunft, obwohl es kostenpflichtige Twitter-Archive zur Erfassung retrospektiver Daten gibt. Die zurückgegebenen Daten umfassen den eigentlichen Tweet, Ort, Zeit und andere demografische Felder. Viele Unternehmen sammeln Tweets in Echtzeit, um die öffentliche Reaktion auf wichtige Produktveröffentlichungen zu sehen – seien es ihre eigenen oder die der Konkurrenz. Da alle unsere Twitter-Daten zu Produkten und Unternehmen urheberrechtlich geschützt sind, ließen wir das Skript beispielsweise fünf Minuten lang laufen, nachdem LeBron James seine Rückkehr nach Cleveland bekannt gab. Die resultierende Wortwolke in Abbildung 5 gibt Aufschluss über die am häufigsten vorkommenden Begriffe (größte Schriftart), nachdem gängige Wörter (das, und, oder, …) und anstößige Sprache entfernt wurden. Zusätzlich führten wir eine Sentimentanalyse der Tweets durch. Dazu erstellten wir eine Kreuztabelle mit etwa 1.500 Wörtern, die allgemein mit positiver Stimmung assoziiert werden, einer Liste mit etwa 2.000 negativen Wörtern und allen Wörtern aus 4.000 Tweets in diesem 5-Minuten-Zeitraum. Ein einzelner Tweet kann mehrere positive und negative Wörter enthalten oder auch keines von beiden. Insgesamt ergaben sich 3.533 positive und 1.626 negative Wörter. Die Wortwolke und die Sentimentanalyse werden mit einem JMP-Add-In für Text Mining durchgeführt, das auch R für Textanalyseroutinen nutzt.
Abbildung 5. Twitter JSL-Skriptschnittstelle und Wortwolke zu „LeBron“ im Sommer 2014
Competitive Intelligence-Daten aus dem Scraping von Konkurrenz-Websites:
Allein die Architektur der Website eines Unternehmens liefert wertvolle strategische Informationen, da das Unternehmen sorgfältig auswählt, was es in seiner Online-Präsenz präsentiert – sowohl aktuelle Fähigkeiten und Kunden als auch zukünftige Verbesserungen. Weitere hervorragende Datenquellen sind Meetings/Konferenzen, Führungskräfte, Links zu Whitepapers, Links zu Nachrichtenartikeln, Best Practices, Technologiediskussionen, Stellenausschreibungen und Schlüsselwörter der Suchmaschinenoptimierung. Eine Möglichkeit, diese Daten abzurufen, besteht darin, den gewünschten Text manuell zu kopieren und einzufügen. Alternativ bietet ein automatisiertes Web Scraping-Tool den Vorteil, deutlich schneller und umfassender zu sein, kann jedoch zu viele oder irrelevante Informationen liefern.
Wir haben JSL-Code entwickelt, um Textdaten von jeder Website zu extrahieren und gleichzeitig Metadaten wie die Position des Textes auf der Website zu erfassen. Das Spider-Skript ruft erneut R auf und erfordert lediglich die Eingabe der gewünschten Website. Sie können die Art des Scrapings frei wählen, da Websites unterschiedlich aufgebaut sind. Sie können den gesamten Text, einen Nachrichtenartikel oder die Standardeinstellung auswählen. Sie können auch die Crawling-Tiefe festlegen: Ebene 0 entspricht der von Ihnen angegebenen Webseite, Ebene 1 entspricht dieser Seite plus allen verlinkten Seiten usw.
Ein Beispiel für eine beliebte Ökoenergietechnologie ist die Trockenmittel-Klimaanlage. Diese erzielt einen Kühleffekt durch die Entfernung von Wassermolekülen, im Gegensatz zu herkömmlichen Kühlluft- oder Kältesystemen, die Feuchtigkeit durch Absenken der Temperatur unter den Taupunkt entfernen. Eine schnelle Google-Suche nach kommerziellen Trockenmittel-Klimaanlagen zeigt zwei führende Unternehmen: Advantix Systems und Kathabar. Wir haben beide Websites mit dem JSL-Skript gescraped, um eine JMP-Datentabelle zu erstellen, in der jede Zeile eine Webseite darstellt. Abbildung 6 zeigt die Spider-Oberfläche zusammen mit der resultierenden Wortwolke des Text Mining-Add-Ins.
Abbildung 6. JSL Spider-Schnittstelle und resultierende Wortwolke von www.kathabar.com
Die Wortwolke stellt wiederum die Häufigkeit der Wörter dar. Diese reine Wortzählung ist zwar nützlich, liefert aber keine ausreichenden Informationen darüber, welche Wörter zusammen vorkommen und welche Themen vorhanden sein könnten. Um unstrukturierten Text für statistische Analysen über die Wortzählung hinaus in eine einfache Datei zu übertragen, wird häufig eine Dokument-Term-Matrix (DTM) erstellt, die jedes Dokument (z. B. eine Webseite) als Zeile und jedes einzelne Wort im gesamten Korpus als separate Spalte enthält. Die Matrixeinträge geben die Häufigkeit des Auftretens jedes Begriffs in der jeweiligen Zeile an. Es kann jedoch besser sein, eine binäre Darstellung zu verwenden, die angibt, ob das Wort vorkommt oder nicht. Eine gewichtete Transformation basierend auf der Häufigkeit des Vorkommens des Wortes in den Zeilen ist eine weitere häufig angewandte Transformation. Das bedeutet, dass ein Wort, das in jeder Zeile vorkommt, möglicherweise nicht die erforderliche Unterscheidungskraft besitzt, um analytisch hilfreich zu sein. Das Problem der DTM besteht darin, dass sie in der Regel sehr groß und spärlich ist. Daher können Standardmethoden der Statistik möglicherweise keine nützlichen Beziehungen erkennen.
Eine Lösung für das große und spärlich besetzte DTM besteht darin, es in einen deutlich kleineren Dimensionsraum zu projizieren, ähnlich der Hauptkomponentenanalyse (PCA). Eine bessere Lösung ist die Singulärwertzerlegung (SVD) des DTM in einer niedrigeren Dimension als der Anzahl der Spalten oder Wörter (reduzieren Sie sie beispielsweise auf 100 bis 300). Diese SVD kann als DTM M=UDV' betrachtet werden. Die Eigenvektoren in der U-Matrix repräsentieren die Dokumente, die Eigenvektoren in der V-Matrix die Wörter, und die Singulärwerte auf den Diagonalen der D-Matrix stammen von den Eigenwerten, die den Anteil der Variabilität erklären, der für jede SVD-Spalte erklärt wird.
Die Betrachtung eines bivariaten Diagramms der ersten beiden Eigenvektoren der V-Matrix ist hilfreich, um wichtige Themen in den Textdaten zu erkennen und Wörter zu finden, die in Gruppen zusammengefasst sind. Abbildung 7 zeigt das bivariate Diagramm der ersten beiden SVDs für das Kathabar-Beispiel. Hier sehen wir, dass sich die Wörter um die Bereitstellung einer speziellen flüssigen Trockenmittellösung gruppieren, während eine andere Gruppe auf energiesparende Geräte zur Regelung von Lufttemperatur und -feuchtigkeit hindeutet.
Abbildung 7. Erste SVD-Eigenvektoren aus der Kathabar-V-Matrix und multivariate Distanzen für Trockenmittel.
Wir können auch multivariate Distanzen von den Eigenvektoren der V-Matrix aus der reduzierten Rang-SVD verwenden. Diese Distanzen zeigen Wörter, die gruppiert sind, sodass Sie jedes Wort im Korpus auswählen können, um eng verwandte Begriffe zu finden. Im rechten Bereich von Abbildung 7 sehen wir, dass die Wörter, die dem Begriff „Trockenmittel“ am nächsten kommen, wenig überraschend folgende sind: Flüssigkeit, System, Prozess, trocken, Produkt, Anwendung, zuverlässig und Herstellung.
Wettbewerbsinformationen aus Patenten:
Patentanmeldungen bieten einen guten Einblick in das technologische Profil eines Unternehmens. Glücklicherweise gibt es viele hervorragende Patentsuchmaschinen, die kostenlosen Zugriff auf alle Abstracts, Zeichnungen und Textfelder bieten, um Daten zum geschützten Eigentum von Wettbewerbern zu sammeln und den Stand der Technik zu verstehen. PATENTSCOPE der Weltorganisation für geistiges Eigentum (https://patentscope.wipo.int/search/en/result.jsf) wurde verwendet, um die Abstracts von Patenten für Klimaanlagen mit flüssigen Trockenmitteln zu extrahieren. Jeder Absatz eines Abstracts bildete eine separate Zeile in der JMP-Datentabelle. Mithilfe der Consumer Research-Plattform ( Analysieren > Consumer Research > Kategorisch > Antwortrollen = Mehrere, Spalte mit Textdaten zugewiesen als Freitext ) können wir die Wortanzahl sehen und schnell ein Pareto-Diagramm der wichtigsten Begriffe in den Patentabstracts erstellen.
Abbildung 8. JMP-Freitextschnittstelle und Worthäufigkeitszählung für Patentdaten.
Wir können JMP auch verwenden, um Indikatorspalten für die 200 häufigsten Wörter (zum Beispiel) zu erstellen, um mithilfe von „ Analysieren > Multivariate Methoden > Multivariat > Paarweise Korrelationen“ zu sehen, ob bestimmte Begriffe korrelieren. Abbildung 9 hebt einige der Wortpaare hervor, die stark korreliert sind, wie z. B. „Medienfilter“, „stark korrosive Verschleppung“, „mikroporöse Membranen“ usw.
Abbildung 9. Paarweise Korrelationen aus der multivariaten Plattform von Patentdaten
Die Themenextraktion mit dem JMP-Textmining-Add-In liefert zusätzliche Informationen. Die Darstellung der ersten beiden SVDs in Abbildung 10 vermittelt einen allgemeinen Eindruck davon, was diese Patente bezwecken: eine Technologie, die den Einsatz von flüssigem Trockenmittel (Stoppwort) zur Entfeuchtung der Luft erfordert, was zu einem Kühleffekt führt, der vor allem in feuchten Klimazonen anwendbar ist; das Risiko der meisten flüssigen Trockenmittel 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 auszuschließen.
Abbildung 10. Die ersten beiden SVD-Vektoren für Patente
Marktinformationen aus Artikeln technischer Fachzeitschriften:Viele technologische Fortschritte werden in der Fachliteratur detailliert beschrieben, was darauf schließen lässt, dass diese sehr hilfreich wären, um die technologische Landschaft darzustellen. Um den Stand der Technologie für flüssige Trockenmittel und ihre kommerzielle Einsatzreife besser zu verstehen, luden wir 45 kürzlich begutachtete Fachartikel aus renommierten Fachzeitschriften im Bereich saubere Energie der letzten drei Jahre herunter. Diese Portable Document Files (PDF) ließen sich nur schwer in Text und nicht in eine JMP-Datentabelle konvertieren, da die Textzeichen eher Bilder darstellen und sich die zahlreichen mathematischen Gleichungen nicht gut in Text übersetzen lassen. Wir experimentierten mit verschiedenen Methoden (sowohl Open Source als auch proprietäre), um diese PDF-Dateien sauber zu lesen, und kamen zu dem Schluss, dass die Verwendung von Adobe Acrobat Standard oder Pro zum Speichern der PDF-Datei als MS Word Rich Text File (rtf) mithilfe der optischen Zeichenerkennung (OCR) ein guter Zwischenschritt ist. Anschließend entwickelten wir ein MS Word-Makro, um eine Datei mit Word-Dokumenten zu öffnen und als Textdateien zu speichern. Dieses Makro liest einen Ordner mit Textdateien in eine JMP-Tabelle ein, um das Korpus zu bilden. Wir mussten außerdem unser JSL-Skript für das Text Mining-Add-In aktualisieren, um die Möglichkeit zu haben, nicht-alphanumerische Zeichen zu entfernen. Die Referenzen 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 Kühlung von Luft, das den Energieverbrauch durch Regeneration des flüssigen Trockenmittels (z. B. LiCl) senkt, um die Luft zu entfeuchten und somit zu kühlen, wobei die Membran das giftige Trockenmittel vom Luftstrom trennt.
Abbildung 11. Worthäufigkeiten in Zeitschriftenartikeln für „Flüssigtrockenmittelmembran“.
Nach der SVD können wir ähnliche Zeitschriftenartikel mithilfe der Werte der Eigenvektoren aus der U-Matrix clustern. Die Dokumente gruppieren sich stark nach Autoren und allgemeinen Forschungsgebieten im Bereich flüssiger Trockenmittel (Abbildung 12). Zur Themenextraktion verwenden wir die V-Matrix aus der SVD. Einige ausgewählte Themen (Abbildung 13) aus diesen Zeitschriften sind: 1) Vergleichsexperimente zur Validierung von flüssigem Trockenmittel als Klimatisierungslösung und zur Effizienzsteigerung durch energiesparende Regenerationsmethode; 2) Experiment zur Vorhersage von Stoffaustauschraten und Wirkungsgraden unter Berücksichtigung verschiedener Einlassparameterwerte; 3) alternative Methode zur Dampfentfernung mithilfe eines Hybrid-Elektrokompressors und flüssigem Trockenmittel.
Abbildung 12. Ergebnisse der Clusteranalyse aus Fachzeitschriftenartikeln zu flüssigen Trockenmitteln
Abbildung 13. Themen aus den Abstracts der Flüssigtrockenmittel-Klimaanlagenmembran
Die Diagramme der ersten beiden Eigenvektoren aus der V-Matrix (Abbildung 14) zeigen einige allgemeine Themen dieser Forschungsbemühungen basierend auf den Abstracts: Energierückgewinnung, Verbesserung der Entfeuchtung, Simulation, Massentransfer, experimentelle Vorhersage, Modell, Temperatur und Membran sowie thermischer Prozess mit Wasserdampf.
Abbildung 14. Bivariates Diagramm der ersten beiden Eigenvektoren von Flüssig-Trockenmittel-Klimaanlagen. Journal Abstracts
Eine weitere nützliche Technik zur Themenextraktion ist die Betrachtung der multivariaten Distanzen aus der V-Matrix für bestimmte Wörter. Diese multivariaten Distanzen werden von JMP während der Clusteranalyse berechnet und durch Speichern der Distanzmatrix ermittelt. Sie können ein bestimmtes Wort auswählen und herausfinden, welche Wörter am engsten damit verwandt sind. Einige interessante Wörter in Abbildung 15 liefern die folgenden Informationen aus den Abstracts dieser Zeitschriftenartikel:
- Kosten – Amortisationszeit, Hauptinstallation, Kessel und Lagerung sind wichtige Faktoren
- Zuverlässigkeit – Herstellung von Mehrzonen- und Deckengeräten mit Luftkühlungs-Subsystem
- Lithium-Trockenmittel ist Lithiumchlorid als wässrige Lösung; größte Sorge ist der Kontakt mit der Umgebung (giftig), mikroporöse Membran ist Lösung
- Tröpfchen-kommen in direktem Kontakt ist schädlich, müssen beseitigen, um wirtschaftlich machbar
Abbildung 15. Multivariate Distanzen aus der V-Matrix für Zeitschriftenzusammenfassungen zu flüssigen Trockenmitteln.
Zusammenfassung:
Es gibt zahlreiche Frameworks für Competitive Intelligence-Analysen, wie beispielsweise SWOT, Porters 5-Kräfte- und 4-Ecken-Analyse, die auf aktuellen und zuverlässigen Daten basieren. Die Zahl der CI-Datenquellen ist rasant gestiegen und wurde demokratisiert, sodass Mitarbeiter unternehmensweit wertvolle Informationen über ihre Konkurrenten finden können. Das Problem ist jedoch, dass die Daten nicht unbedingt leicht abrufbar, meist verrauscht und unstrukturiert sind. Analysetools wie JMP und JSL-Skripte helfen dabei, Daten aus Quellen wie Websites, sozialen Medien, Patenten und Fachzeitschriften zu sammeln und zu interpretieren. Wie im militärischen Vergleich besteht das Ziel darin, von unstrukturierten Open-Source-Informationen zu geheimen Geheimdienstberichten zu gelangen, die die strategische Ausrichtung des Unternehmens beeinflussen.
Quellen:
Baglama, James und Reichel, Lothar. Erweiterte implizit neu gestartete Lanczos-Bidiagonalisierungsmethoden. 2005, SIAM Journal of Scientific Computing, Vol. 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.
Evangelopoulos, Nicholas, Zhang, Xiaoni und Prybutok, Victor R. Latent Semantic Analysis: fünf methodologische Empfehlungen. 2012, European Journal of Information Systems, Band 21, S. 70-86.
Fellows, Ian. wordcloud: Wortwolken. CRAN. [Online] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
Kaushik, Avanish. Mit Competitive Intelligence-Analysen zum Erfolg: Beste Kennzahlen, Berichte .[Online] 2015.http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/.
Lang, Duncan Temple. RCurl: Allgemeine Netzwerk-Clientschnittstelle (HTTP/FTP/...) für R. CRAN. [Online] 2015.http://cran.r-project.org/web/packages/RCurl/index.html.
Martin . Strategierahmen: Wettbewerbsanalyse und Wettbewerbsanalyse . [Online] 2015.http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/.
Metayer, Estelle. Die wichtigsten Analysetechniken, die Ihr Competitive Intelligence- oder strategisches Planungsteam beherrschen sollte. [Online] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
Weltorganisation für geistiges Eigentum Patentscope. [Online] 2015.https://patentscope.wipo.int/search/en/result.jsf
