JMP®의 힘 활용: 경쟁자 분석을 위한 빅데이터 및 소셜 미디어
JMP 디스커버리 컨퍼런스 2015
제임스 위스노스키, 애드서고 LLC
플로르 카스티요, SABIC
앤드류 칼, 애드서고 LLC
히스 러싱, 애드서고 LLC
추상적인:
세계 인구에 비해 사물 인터넷에는 현재 두 배나 많은 센서(예: 스마트폰)가 있으며, 소셜 미디어 계정도 같은 수입니다. 데이터 볼륨의 폭발적인 증가는 이 방대한 비정형적이고 불확실한 노이즈에서 신호를 찾을 수 있는 사람들에게 큰 기회를 제공합니다. 최근 프로젝트에서는 JMP 사용자가 혁신적 기술, 관련 성숙도 수준, 현재 애플리케이션 및 주요 경쟁자에 대한 방대한 양의 오픈 소스 자료를 효율적으로 검색하고 분석할 필요성을 제시했습니다. 고유한 과제로는 이러한 다양한 웹사이트 아키텍처(외부 코드 없음)와 항상 사용 가능한 형식이 아닌 첨부 PDF 및 PowerPoint 파일에서 텍스트를 추출해야 한다는 것이 있습니다. 코퍼스가 개발되면 텍스트를 JMP로 가져와 관심 있는 중요한 주제와 관련 문서를 빠르게 식별했습니다. 이러한 단계는 R에서 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 시장을 더 잘 특성화할 수 있었습니다. 이 강연에서는 관련 웹사이트를 효과적으로 검색하고 소셜 미디어 아울렛(예: Twitter)을 모니터링하고, 방대한 비정형 데이터를 수집하고, 집중적인 연구 질문에 답할 수 있는 일련의 JMP 스크립트와 플랫폼을 시연합니다.
소개:
경쟁 정보(CI)라는 용어는 지난 수십 년 동안만 사용되어 기업이 비즈니스 위협을 가하는 다른 조직에 대한 정보를 수집하는 행위를 설명하지만, 이 관행은 수세기 동안 존재해 왔습니다. 군사 정보와 유사하게, 기업이 경쟁자, 제품 및 고객의 외부 요인에 초점을 맞춰 어려운 환경에서 성공하기 위해 실행해야 할 전략을 정확하게 평가하는 것을 생각해 볼 수 있습니다. 경쟁 정보는 경제적 및 시장적 요인에 의해 지배되는 전략적 환경과 매일 필요한 전술적 정보(예: 경쟁자의 가격 맞추기)의 관점에서 생각할 수 있습니다. 반경쟁 정보는 기업이 자체 독점 정보와 기타 민감한 정보를 보호하고자 하는 곳입니다. 도구와 데이터 소스는 비즈니스 경쟁자에 대한 지식을 효과적으로 얻고 미래 대응을 예상하기 위해 동적으로 진화하는 방법에 발맞춰야 합니다. 이 논문은 SAS Institute의 JMP 소프트웨어가 경쟁 시장 분석 분야에서 데이터를 수집하고 분석하는 데 얼마나 중요한지 보여줍니다.
경쟁 정보 주기:
그림 1의 경쟁 정보 주기는 다른 기업에 대한 악용 가능한 시장 정보를 찾고 분석을 적용하여 실행 가능한 정보를 발견하는 프로세스를 설명하는 군사 정보 모델을 기반으로 하는 여러 구성 요소 중 하나입니다. 정의 단계에서 실제로 조사하고자 하는 차원을 정확히 파악하여 견고한 공격 계획을 수립하는 것으로 시작합니다. 두 번째 단계는 연구를 형성하기 위한 올바른 데이터 소스를 얻는 데 중점을 둡니다. 세 번째 단계는 분석 방법을 적용하여 원시 데이터를 통찰력으로 변환하여 궁극적으로 풍경을 설명하는 설득력 있는 스토리를 생성합니다. 마지막 단계는 이 정보를 정보에 따라 조치를 취할 수 있는 올바른 팀에 제공하는 것입니다.
그림 1. 경쟁 정보 주기
데이터는 CI 프로세스에 활력을 불어넣는 요소입니다. 과거에는 CI 전문가만 의미 있는 데이터와 사이트에 액세스할 수 있었습니다. 그러나 이제는 조직의 모든 사람이 집중적인 "트롤링"을 통해 전문 분야에서 가치 있는 것을 가져올 수 있는 빅데이터로 바뀌었습니다. CI 데이터 소스에는 연례 보고서, 연설, 보도자료(내부 및 외부), 재무 분석, 무역 박람회, 특허 출원, 회사 웹사이트, 소셜 미디어 등이 있습니다. 종종 이러한 소스는 "오픈 소스"이지만 액세스하려면 특별 권한이 필요할 수 있습니다. Dunn and Bradstreet의 Hoover, Salesforce, DataSift, Thomson Reuters 등과 같이 이미 일부 분석이 가능한 독점 데이터베이스가 많이 있습니다. 대부분의 원시 데이터는 인터넷 검색에서 나온 후 관련 데이터 요소를 신중하게 추출합니다. CI 수집 작업에는 필연적으로 다양한 소스와 형식의 비정형 텍스트 데이터라는 과제가 있으며, 분석을 위해 일관된 데이터 세트를 조립하는 데 상당한 노력이 필요합니다.
분석 및 생산 단계는 일반적으로 여러 데이터 소스를 여러 구성 요소로 구성합니다. 잘 알려진 SWOT 기법은 경쟁자의 강점, 약점, 기회 및 위협을 살펴봅니다. PESTLE 방법은 산업 및 경쟁자의 정치적, 경제적, 사회적, 기술적, 법적 및 환경적 차원을 평가합니다. 하버드 교수 마이클 포터의 5가지 힘(진입 장벽, 현재 경쟁자, 대체 위협, 공급업체 협상력, 구매자 협상력)은 시간의 시험을 견뎌냈습니다. 포터는 또한 경쟁자의 미래 움직임을 예측하기 위해 4가지 코너 모델(동력/문화, 현재 전략, 경영 가정 및 역량)을 가지고 있습니다. 다른 분석 프레임워크는 경쟁자를 열로, 유통 채널, 기술적 우위, 가격 책정, 시장 점유율, 고객 중심, 재정적 안정성, 인력, 시설, 파트너십 등과 같은 핵심 성과 지표를 행으로 하는 행렬을 형성합니다. 이러한 프레임워크의 과제는 많은 요소가 신뢰할 수 있는 데이터 소스를 얼마나 잘 찾을 수 있는지에 따라 달라지는 정성적 평가이기 때문에 데이터 요소를 정확하게 채우는 것입니다. JMP에서 이 중요한 데이터를 찾고 탐색하는 데 도움이 되는 몇 가지 방법을 논의해보겠습니다.
공동웹사이트 분석에서 얻은 경쟁 정보 데이터:
A바나쉬 카우식 웹 트래픽을 분석하여 소스, 인구 통계, 이탈률 역학 및 제품 감정에 대한 놀라울 정도로 통찰력 있는 정보를 얻는 데 사용할 수 있는 많은 도구를 설명합니다. 그는 이를 경쟁사 웹사이트를 살펴보는 사이트 중심과 산업 및 특정 기술을 살펴보는 생태계 중심으로 구분합니다. 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/ ) 입니다. 그림 2는 "빅 데이터"라는 용어가 시간이 지남에 따라 어떻게 사용되었는지 보여줍니다. 놀랍지 않게도 이 용어는 지난 3년 동안 인기를 얻었습니다. 플롯에는 그 시점에 웹에서 대표적인 스토리를 선택하는 글자가 있는데, 피크나 밸리가 있는 이유에 대한 통찰력을 제공할 수 있습니다. 또한, 상위 지리적 지역과 상관 관계가 있는 검색어(예: 빅 데이터 Hadoop)가 제공됩니다.
Google Trends는 JMP의 기능을 자체 분석에 사용할 수 있도록 데이터를 내보낼 수 있습니다. 예를 들어, Jordan Spieth는 22세 골퍼로 최근 세계 랭킹 1위에 오르며 뛰어난 한 해를 보냈습니다. 스포츠계에서 골프에 대한 관심이 감소하고 있다는 소식을 듣는 것은 드문 일이 아니며, Spieth가 이 추세를 반전시킬 수 있을지도 모릅니다. 그림 3의 플롯은 확실히 하락 추세뿐만 아니라 경쟁 분석 및 마케팅 역할에 유용할 수 있는 매우 순환적인 패턴도 보여줍니다.
그림 2. Google Trends 시계열 "빅 데이터" 플롯
그림 3. "골프"의 Google 트렌드 시계열 플롯
데이터 내보내기에서 JMP를 사용하여 Graph Builder에서 사용자 정의 시계열 플롯을 만들어 해당 이벤트에 보다 명확하게 레이블을 지정할 수 있으며 그림 4에서 볼 수 있듯이 계절별 ARIMA를 사용하여 미래의 성장을 예측할 수 있습니다. 기업은 이러한 유형의 고급 분석을 사용하여 시장 동향과 광고 캠페인 시기를 예측할 수 있습니다.
그림 4. ARIMA 그룹 시계열 플롯 및 "골프"에 대한 예측
소셜 미디어의 경쟁 정보 데이터:
지난 10년 동안 소셜 미디어 사이트에서 동화될 수 있는 새로운 종류의 인텔리전스 데이터가 폭발적으로 증가했습니다. 모든 유형의 커뮤니케이션이 그 어느 때보다 더 많이 기록되고 있으며, 이 모든 시끄럽고 구조화되지 않은 데이터에서 CI 신호를 찾을 기회가 있습니다. 블로그와 게시판은 업계 및 회사별 정보를 수집하기 위한 뛰어난 사냥터입니다. LinkedIn 및 기타 전문 사이트에서 회사, 직원, 기술 그룹, 구인 정보, 전직 직원을 팔로우할 수 있습니다. Facebook, Twitter, Instagram과 같은 사이트에 게시된 게시물은 시장과 경쟁사의 동향을 파악할 수 있는 기회도 제공합니다. 과제는 같은 단어를 표현하는 여러 가지 방법이 있는 새로운 비공식 영어와 유사한 언어로 특징지어지는 이러한 구조화되지 않은 데이터를 효율적으로 수집하는 것입니다. 오늘 밤 누군가에게 문자를 보낼 때를 생각해 보세요.
우리는 통계적 프로그래밍 언어 R을 호출하여 키워드를 기준으로 지정된 기간 동안 모든(또는 무작위 샘플) Twitter 피드를 다운로드하는 JMP 스크립팅 언어(JSL) 스크립트를 작성했습니다. 이 스크립트는 현재부터 미래의 미리 지정된 기간까지의 데이터를 수집하지만, 회고적 데이터를 수집하는 Twitter 아카이브는 비용을 지불하고 존재합니다. 반환된 데이터에는 실제 트윗, 위치, 시간 및 기타 인구 통계 필드가 포함됩니다. 많은 회사가 주요 제품 출시에 대한 대중의 반응을 확인하기 위해 실시간 트윗을 수집합니다. 자사 제품이든 경쟁사 제품이든 말입니다. 예를 들어, LeBron James가 클리블랜드로 복귀한다고 발표한 후 5분 동안 스크립트를 실행했는데, 제품과 회사에 대한 모든 Twitter 데이터는 독점적이기 때문입니다. 그림 5의 결과 워드클라우드는 일반적인 단어(the, and, or, …)와 공격적인 언어를 제거한 후 가장 자주 발생하는 용어(가장 큰 글꼴)에 대한 통찰력을 제공합니다. 또한, 우리는 일반적으로 긍정적 감정과 관련된 약 1,500개의 단어 목록, 약 2,000개의 부정적 단어 목록, 5분 동안 4,000개의 트윗에서 수집된 모든 단어를 교차 분석하여 트윗에 대한 감정 분석을 수행했습니다. 단일 트윗에는 여러 개의 긍정적 및 부정적 단어가 있거나 둘 중 어느 것도 없을 수 있습니다. 총계는 긍정적 단어 3,533개, 부정적 단어 1,626개였습니다. 워드클라우드와 감정 분석은 텍스트 마이닝을 위한 JMP 추가 기능을 사용하여 수행되며, 텍스트 분석 루틴을 위해 R도 호출합니다.
그림 5. 2014년 여름 "LeBron"의 Twitter JSL 스크립트 인터페이스 및 Wordcloud
경쟁사 웹사이트 스크래핑을 통한 경쟁 정보 데이터:
회사 웹사이트의 아키텍처만으로도 전략적 정보의 유용한 조각이 되는데, 이는 현재 역량과 고객 측면에서 온라인 존재감에서 무엇을 공개할지, 그리고 미래 개선을 위해 무엇을 작업하고 있는지 신중하게 선택하기 때문입니다. 다른 예외적인 데이터 기회로는 회의/컨퍼런스, 리더십, 백서 링크, 뉴스 기사 링크, 모범 사례, 기술 토론, 구인 공고, 검색 엔진 최적화의 키워드가 있습니다. 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 불필요한 정보가 반환될 수 있습니다.
우리는 웹사이트에서 텍스트의 위치와 같은 메타데이터를 추적하는 동안 모든 웹사이트에서 텍스트 데이터를 스크래핑하기 위해 JSL 코드를 개발했습니다. Spider 스크립트는 다시 한 번 R을 호출하고 관심 있는 웹사이트만 입력하면 됩니다. 웹사이트의 구성이 다르기 때문에 수행하고자 하는 스크래핑 유형을 선택할 수 있습니다. 스크래핑 옵션에는 모든 텍스트, 뉴스 기사 또는 기본 설정을 선택하는 것이 포함됩니다. 또한 크롤링할 깊이를 선택할 수 있는데, 여기서 레벨 0은 지정한 웹 페이지이고, 레벨 1은 해당 페이지와 모든 링크된 페이지 등입니다.
예를 들어, 인기 있는 친환경 에너지 기술은 액체 건조제 에어컨으로, 이슬점 이하로 온도를 낮춰 습도를 제거하는 기존의 냉각 공기 또는 냉매 시스템 대신 물 분자를 제거하여 냉각 효과를 얻습니다. 상업용 액체 건조제 에어컨에 대한 간단한 Google 검색 결과, Advantix Systems와 Kathabar라는 두 개의 주요 회사가 나옵니다. JSL 스크립트로 두 사이트를 모두 스크래핑하여 각 행이 웹페이지를 나타내는 JMP 데이터 테이블을 만들었습니다. 그림 6은 Spider 인터페이스와 텍스트 마이닝 추가 기능의 결과 단어 클라우드를 보여줍니다.
그림 6. JSL Spider 인터페이스 및 www.카타바르.com 의 결과 Wordcloud
워드클라우드는 다시 한번 단어의 빈도를 나타냅니다. 이 원시 단어 수는 유용하지만 어떤 단어가 함께 나타나는지, 어떤 주제가 존재할 수 있는지에 대한 많은 정보를 제공하지는 않습니다. 단어 수를 넘어서 통계 분석을 위해 구조화되지 않은 텍스트를 플랫 파일로 변환하려면 각 문서(예: 웹페이지)를 행으로 하고 전체 코퍼스에서 사용되는 모든 고유한 단어를 별도의 열로 하는 문서 용어 행렬(DTM)을 만드는 것이 일반적입니다. 행렬 항목은 특정 행에서 각 용어가 발생하는 빈도이지만 단어가 나타나는지 여부를 나타내는 이진 표현을 사용하는 것이 더 나을 수 있습니다. 행에서 단어가 발생하는 횟수를 기반으로 하는 가중치 체계는 일반적으로 적용되는 또 다른 변환입니다. 즉, 모든 행에 나타나는 단어는 분석적으로 도움이 될 만큼 판별력이 크지 않을 수 있습니다. DTM의 문제점은 일반적으로 매우 크고 매우 희소하다는 것입니다. 따라서 표준 통계적 방법은 유용한 관계를 감지하지 못할 수 있습니다.
크고 희소한 DTM에 대한 한 가지 해결책은 주성분 분석(PCA)과 매우 유사한 훨씬 더 작은 차원 공간에 투영하는 것입니다. 더 나은 해결책은 DTM의 특이값 분해(SVD)를 열이나 단어의 수보다 낮은 차원에서 수행하는 것입니다(100~300으로 줄임). 이 SVD는 DTM M=UDV'로 생각할 수 있습니다. U 행렬의 고유 벡터는 문서를 나타내고, V 행렬의 고유 벡터는 단어를 나타내고, D 행렬의 대각선에 있는 특이값은 각 SVD 열에 대해 설명된 변동성 비율을 설명하는 고유값에서 나옵니다.
V 행렬의 처음 두 고유 벡터의 이변량 플롯을 보면 텍스트 데이터에서 주요 주제를 파악하고 함께 그룹화되는 단어를 찾는 데 도움이 됩니다. 그림 7은 Kathabar 예제의 처음 두 SVD의 이변량 플롯을 보여줍니다. 여기서 우리는 단어가 사용자 지정 액체 건조제 솔루션을 제공하는 것과 공기 온도와 습도를 제어하는 저에너지 장비를 제안하는 다른 그룹을 중심으로 그룹화되는 것을 볼 수 있습니다.
그림 7. Kathabar V 행렬에서 SVD 고유 벡터를 처음으로 구현하고 건조제를 위한 다변수 거리를 계산합니다.
또한 축소된 랭크 SVD에서 V 행렬의 고유 벡터에서 다변량 거리를 사용할 수 있습니다. 이러한 거리는 함께 그룹화된 단어를 보여주므로 코퍼스에서 원하는 단어를 선택하여 밀접하게 연관된 용어를 찾을 수 있습니다. 그림 7의 오른쪽 패널에서 건조제 에 가장 가까운 단어는 놀랍지 않게 liquid, system, process, dry, product, application, reliable, manufacture입니다.
특허에서 얻은 경쟁 정보 데이터:
특허 출원은 기업의 기술적 프로필에 대한 좋은 척도를 제공합니다. 다행히도, 경쟁사의 보호 재산에 대한 데이터를 수집하고 기술 상태를 이해하기 위해 모든 초록, 도면 및 텍스트 필드에 무료로 액세스할 수 있는 훌륭한 특허 검색 엔진이 많이 있습니다. 세계 지식 재산 기구(World Intellectual Property Organization)의 PATENTSCOPE(https://patentscope.wipo.int/search/en/result.jsf)를 사용하여 액상 건조제 에어컨 특허에 대한 초록을 추출했습니다. 초록의 각 문단은 JMP 데이터 테이블에서 별도의 행을 형성했습니다. 소비자 연구 플랫폼( 분석>소비자 연구>범주>응답 역할=다중, 자유 텍스트에 할당된 텍스트 데이터 열 )을 사용하여 단어 수를 확인하고 특허 초록에 나타나는 상위 용어의 파레토 다이어그램을 빠르게 만들 수 있습니다.
그림 8. JMP 자유 텍스트 인터페이스와 특허 데이터의 단어 빈도 수.
JMP를 사용하여 가장 빈번한 200개(예시) 단어에 대한 지표 열을 형성하여 분석>다변량 방법>다변량>쌍별 상관 관계를 사용하여 특정 용어가 상관 관계가 있는지 확인할 수도 있습니다. 그림 9는 미디어 필터, 강한 부식성 캐리오버, 미세 다공성 막 등과 같이 높은 상관 관계가 있는 단어 쌍 중 일부를 강조합니다.
그림 9. 특허 데이터의 다변수 플랫폼에서의 쌍별 상관관계
JMP 텍스트 마이닝 추가 기능을 사용한 주제 추출은 추가 정보를 제공합니다. 그림 10의 처음 두 SVD 플롯은 이러한 특허가 시도하는 것에 대한 일반적인 아이디어를 제공합니다. 습한 기후에서 가장 적용 가능한 냉각 효과를 가져오는 공기의 습기를 제거하기 위해 액체 건조제(중단어)를 사용해야 하는 기술입니다. 대부분의 액체 건조제가 갖는 위험은 공기 공간으로의 캐리오버 위험을 증가시키는 필터 매체 위에 스프레이를 사용한다는 것입니다. 이러한 특허는 이 위험을 제거하기 위해 멤브레인을 사용합니다.
그림 10. 특허에 대한 처음 두 개의 SVD 벡터
기술 저널 기사의 시장 정보:학술 문헌에는 많은 기술적 발전이 자세히 설명되어 있으며, 이는 기술적 풍경을 그리는 데 매우 도움이 될 것이라고 시사합니다. 액체 건조제 기술의 상태와 상업적 응용에 대한 준비 상태를 더 잘 이해하기 위해, 우리는 지난 3년 동안 청정 에너지 분야에서 저명한 저널 간행물에서 최근에 심사를 거친 45개의 기술 논문을 다운로드했습니다. 이러한 휴대용 문서 파일(pdf)은 텍스트 문자가 실제로 이미지에 가깝고 방대한 양의 수학 방정식이 텍스트로 잘 변환되지 않기 때문에 텍스트로 변환하기 어려웠습니다. 우리는 이러한 pdf 파일을 깨끗하게 읽기 위해 수많은 방법(오픈 소스와 독점적 방법 모두)을 실험했고, AdobeAcrobat Standard 또는 Pro를 사용하여 광학 문자 인식(OCR) 기능을 사용하여 pdf를 MS Word 서식 있는 텍스트 파일(rtf)로 저장하는 것이 좋은 중간 단계라는 결론을 내렸습니다. 다음으로, 우리는 Word 문서 파일을 열고 텍스트 파일로 저장하여 매크로에서 사용할 MS Word 매크로를 개발하여 텍스트 파일 폴더를 JMP 테이블로 읽어 코퍼스를 형성합니다. 또한 텍스트 마이닝 애드인에 대한 JSL 스크립트를 업데이트하여 영숫자가 아닌 문자를 제거하는 옵션을 제공해야 했습니다. 참조는 텍스트 분석을 불필요하게 방해하기 때문에 제거되었습니다.
그림 11에서 JMP 텍스트 마이닝 추가 기능의 단어 빈도는 특허와 비슷한 내용을 알려줍니다. 이 친환경 에너지 기술은 액체 건조제(예: LiCl)를 재생하여 습기를 제거하고 멤브레인을 통해 독성 건조제와 공기 흐름을 분리하여 공기를 냉각하고 에너지 소비를 줄이는 시스템입니다.
그림 11. 액체 건조제 멤브레인에 대한 저널 기사 단어 빈도.
SVD를 수행한 후, U 행렬의 고유 벡터 값을 사용하여 저널 기사와 같은 클러스터링을 할 수 있습니다. 문서는 저자 라인과 액체 건조제 내의 일반적인 연구 분야를 따라 클러스터링됩니다(그림 12). 주제 추출을 위해 SVD의 V 행렬을 사용합니다. 이러한 저널에서 선택한 일부 주제(그림 13)는 다음과 같습니다. 1) 액체 건조제를 에어컨 솔루션으로 검증하고 에너지를 절약하는 재생 방법을 통해 효율성을 높이는 비교 실험; 2) 다양한 입구 매개변수 값을 허용하면서 물질 전달 속도와 효율 비율을 예측하는 실험; 3) 하이브리드 전기 압축기와 액체 건조제를 사용하여 증기를 제거하는 대체 방법.
그림 12. Liquid Desiccant 저널 기사의 클러스터 분석 결과
그림 13. 액체 건조제 공기 조절 멤브레인 초록의 주제
V 행렬의 처음 두 고유 벡터의 플롯(그림 14)은 에너지 재생, 제습 개선, 시뮬레이션, 물질 전달, 실험 예측, 모델, 온도 및 멤브레인, 수증기를 이용한 열 공정 등 초록을 기반으로 한 이러한 연구 노력의 몇 가지 일반적인 주제를 보여줍니다.
그림 14. 액체 건조제 에어컨의 첫 번째 두 고유 벡터의 이변량 플롯 저널 초록
주제 추출에서 또 다른 유용한 기술은 특정 단어에 대한 V 행렬의 다변량 거리를 살펴보는 것입니다. 이러한 다변량 거리는 클러스터 분석 중에 JMP에 의해 계산되며 거리 행렬을 저장하여 얻습니다. 특정 단어를 선택하여 가장 밀접하게 관련된 단어를 찾을 수 있습니다. 그림 15에 표시된 관심 있는 몇 가지 단어는 이러한 저널 기사의 초록에서 다음 정보를 제공합니다.
- 비용 - 우려되는 사항은 투자 회수 기간, 주요 설비, 보일러 및 저장 장치입니다.
- 신뢰성 - 에어칠링 서브시스템을 갖춘 멀티존 및 천장형 장치 생산
- 리튬 건조제는 수용액 상태의 염화리튬입니다. 주요 관심사는 주변 환경(독성)과의 접촉이며 미세 다공성 막은 용액입니다.
- 직접 접촉하는 물방울은 유해하므로 경제적으로 실행 가능하게 제거해야 합니다.
그림 15. 액체 건조제 저널 초록에 대한 V 매트릭스의 다변량 거리.
요약:
SWOT, 포터의 5가지 힘, 4가지 코너와 같이 최신의 신뢰할 수 있는 데이터 입력에 의존하는 경쟁 정보 분석을 위한 프레임워크가 많이 있습니다. CI 데이터 소스는 급증하고 민주화되어 기업 전체의 직원이 경쟁자에 대한 악용 가능한 정보를 찾을 수 있게 되었습니다. 문제는 데이터를 쉽게 검색할 수 없고 대부분 노이즈가 많고 구조화되지 않았다는 것입니다. JMP 및 JSL 스크립트의 분석 도구는 웹사이트, 소셜 미디어, 특허, 기술 저널 기사와 같은 소스에서 데이터를 수집하고 이해하는 데 도움이 됩니다. 군사적 비유와 마찬가지로 목표는 구조화되지 않은 오픈 소스 정보에서 조직의 전략적 방향에 영향을 미치는 "기밀" 정보 보고서로 전환하는 것입니다.
참고문헌:
Baglama, James 및 Reichel, Lothar. 증강된 암묵적 재시작 Lanczos Bidiagonalization 방법. 2005, SIAM Journal of Scientific Computing, Vol. 27, pp. 19-42.
Barbera, Pablo. streamR: R을 통한 Twitter 스트리밍 API 접근. [온라인] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John 및 Kerin, Roger. 경쟁자 분석 . [온라인] 2011.http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalytic.pdf.
에바ngelopoulos, Nicholas, Zhang, Xiaoni 및 Prybutok, Victor R. 잠재 의미 분석: 5가지 방법론적 권장 사항. 2012, 유럽 정보 시스템 저널, 제21권, 70-86쪽.
펠로우, 이안. wordcloud: 단어 구름. CRAN. [온라인] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
카우식, 아바니시. 경쟁 정보 분석으로 압도하다: 최고의 지표, 보고서 .[온라인] 2015.http://www.kaushik.net/avinash/competitive-intelligence-analytic-tools-metrics-reports-techniques/.
Lang, Duncan Temple. RCurl: R을 위한 일반 네트워크(HTTP/FTP/...) 클라이언트 인터페이스. 크랜. [온라인] 2015.http://cran.r-project.org/web/packages/RCurl/index.html.
Martin . 전략 프레임워크: 경쟁자 분석 및 경쟁 정보 . [온라인] 2015.http://www.entrepreneurial-insights.com/competitor-analytic-competitive-intelligence/.
Metayer, Estelle. 경쟁 정보 또는 전략적 계획 팀이 숙달해야 할 최고의 분석 기술. [온라인] 2015 http://competia.com/50-competitive-intelligence-analytic-techniques .
세계지식재산권기구 Patentscope. [온라인] 2015.https://patentscope.wipo.int/search/en/result.jsf
