JMP®의 힘 활용: 경쟁사 분석을 위한 빅데이터 및 소셜 미디어
JMP 디스커버리 컨퍼런스 2015
James Wisnowski, Adsurgo LLC
플로르 카스티요, SABIC
앤드류 칼, 애드서고 LLC
히스 러싱, 애드서고 LLC
추상적인:
전 세계 인구 대비 사물 인터넷(IoT)에는 현재 두 배나 많은 센서(예: 스마트폰)가 있으며, 소셜 미디어 계정 수도 그에 비례하여 증가하고 있습니다. 이로 인한 폭발적인 데이터 양 증가는 방대한 비정형적이고 불확실한 노이즈 속에서 신호를 포착할 수 있는 사람들에게 큰 기회를 제공합니다. 최근 한 프로젝트에서는 JMP 사용자가 혁신 기술, 관련 성숙도, 현재 애플리케이션 및 주요 경쟁사에 대한 방대한 오픈 소스 자료를 효율적으로 검색하고 분석해야 할 필요성을 제시했습니다. JMP의 고유한 과제는 다양한 웹사이트 아키텍처(관련 코드 제외)와 사용 가능한 형식이 아닌 첨부된 PDF 및 PowerPoint 파일에서 텍스트를 추출해야 한다는 점이었습니다. 코퍼스가 개발된 후, 텍스트를 JMP로 가져와 중요한 관심 주제와 관련 문서를 신속하게 파악했습니다. 이러한 단계는 R의 텍스트 마이닝 루틴에 대한 직관적인 JMP 인터페이스를 사용하여 수행되었습니다. JMP 데이터 시각화, 클러스터 분석 및 의사 결정 트리 기능을 활용한 텍스트 분석은 기존 방식보다 시장의 특성을 더 정확하게 파악할 수 있게 해주었습니다. 이 강연에서는 수많은 관련 웹사이트를 효과적으로 검색하고 소셜 미디어 매체(예: Twitter)를 모니터링하고, 대규모의 비정형 데이터를 수집하고, 집중적인 연구 질문에 답하기 위한 일련의 JMP 스크립트와 플랫폼을 시연합니다.
소개:
경쟁 정보(CI)라는 용어는 기업이 비즈니스 위협을 가하는 다른 조직에 대한 정보를 획득하는 행위를 설명하는 데 사용된 지 불과 수십 년밖에 되지 않았지만, 이러한 관행은 수 세기 동안 이어져 왔습니다. 군사 정보와 유사하게, 기업이 경쟁사, 제품, 그리고 고객이라는 외부 요인에 집중하여 어려운 환경에서 성공하기 위해 어떤 전략을 실행해야 할지 정확하게 평가하는 것을 생각해 볼 수 있습니다. 경쟁 정보는 경제 및 시장 요인이 지배하는 전략적 환경과 매일 필요한 전술적 정보(예: 경쟁사의 가격 경쟁) 모두의 관점에서 볼 수 있습니다. 기업은 또한 경쟁 정보(Counter Competitive Intelligence)를 통해 자사의 독점 정보 및 기타 민감한 정보를 보호해야 합니다. 도구와 데이터 소스는 경쟁사에 대한 지식을 효과적으로 확보하고 향후 대응을 예측하기 위해 끊임없이 진화하는 방법론에 발맞춰야 합니다. 본 논문은 SAS Institute의 JMP 소프트웨어가 경쟁 시장 분석 분야에서 데이터를 수집하고 분석하는 데 얼마나 중요한지 보여줍니다.
경쟁 정보 주기:
그림 1의 경쟁 정보 사이클은 다른 기업에 대한 활용 가능한 시장 정보를 찾고 분석을 적용하여 실행 가능한 정보를 발견하는 과정을 설명하는 군사 정보 모델을 기반으로 하는 여러 구성 요소 중 하나입니다. 이 사이클은 정의 단계에서 시작하여, 실제로 어떤 측면을 조사하고 싶은지 정확히 파악하여 탄탄한 공격 계획을 수립합니다. 두 번째 단계는 조사에 필요한 적절한 데이터 소스를 확보하는 데 중점을 둡니다. 세 번째 단계는 분석 방법을 적용하여 원시 데이터를 통찰력으로 변환하고, 궁극적으로 해당 시장을 설명하는 설득력 있는 스토리를 생성합니다. 마지막 단계는 이 정보를 정보에 따라 조치를 취할 수 있는 적절한 팀에 제공하는 것입니다.
그림 1. 경쟁 정보 주기
데이터는 CI 프로세스의 원동력입니다. 과거에는 CI 전문가만 유의미한 데이터와 사이트에 접근할 수 있었습니다. 하지만 이제는 빅데이터 시대로 바뀌었습니다. 조직 내 모든 구성원이 집중적인 "트롤링"을 통해 자신의 전문 분야에서 가치 있는 정보를 얻을 수 있습니다. CI 데이터 소스에는 연례 보고서, 연설문, 보도자료(내부 및 외부), 재무 분석, 무역 박람회, 특허 출원, 회사 웹사이트, 소셜 미디어 등이 있습니다. 이러한 데이터는 대부분 "오픈 소스"이지만, 접근 권한을 얻으려면 특별 허가가 필요할 수 있습니다. Dunn and Bradstreet의 Hoover, Salesforce, DataSift, Thomson Reuters 등 이미 일부 분석 기능을 제공하는 독점 데이터베이스도 많이 있습니다. 원시 데이터의 상당 부분은 인터넷 검색을 통해 수집되며, 관련 데이터 요소를 신중하게 추출해야 합니다. CI 데이터 수집 작업은 다양한 소스와 형식의 비정형 텍스트 데이터를 분석에 활용할 수 있는 일관된 데이터 세트를 구축하는 데 상당한 노력이 필요합니다.
분석 및 생산 단계에서는 일반적으로 여러 데이터 소스를 다양한 구조로 정리합니다. 잘 알려진 SWOT 분석 기법은 경쟁사의 강점, 약점, 기회, 위협을 분석합니다. PESTLE 분석 기법은 산업 및 경쟁사의 정치적, 경제적, 사회적, 기술적, 법적, 환경적 측면을 평가합니다. 하버드 대학교 마이클 포터 교수의 5가지 힘(진입 장벽, 기존 경쟁사, 대체재 위협, 공급업체 협상력, 구매자 협상력)은 오랜 시간 검증을 거쳤습니다. 포터 교수는 또한 경쟁사의 미래 움직임을 예측하기 위해 4가지 코너 모델(동력/문화, 현재 전략, 경영 가정, 역량)을 제시합니다. 다른 분석 프레임워크는 경쟁사를 열로, 유통 채널, 기술적 우위, 가격 책정, 시장 점유율, 고객 중심, 재무 안정성, 인력, 시설, 파트너십 등과 같은 핵심 성과 지표를 행으로 하는 행렬을 형성합니다. 이러한 프레임워크의 과제는 신뢰할 수 있는 데이터 소스를 얼마나 잘 찾을 수 있는지에 따라 달라지는 정성적 평가가 많은 데이터 요소를 정확하게 채우는 것입니다. JMP에서 이 중요한 데이터를 찾고 탐색하는 데 도움이 되는 몇 가지 방법을 논의해 보겠습니다.
주식회사웹사이트 분석을 통한 경쟁력 있는 정보 데이터:
A바나쉬 카우식 웹 트래픽을 분석하여 소스, 인구 통계, 이탈률, 제품 선호도 등에 대한 놀랍도록 통찰력 있는 정보를 얻을 수 있는 다양한 도구를 설명합니다. 그는 이러한 도구를 경쟁사 웹사이트를 분석하는 사이트 중심 도구와 산업 및 특정 기술을 분석하는 생태계 중심 도구로 구분합니다. 사이트 중심 도구의 예로는 Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic, AdBeat(온라인 광고 지표) 등이 있습니다. 이러한 도구는 각 사이트에 대한 자세한 정보(예: 소스, 이탈률, 방문 페이지, 키워드 등)를 제공하지만, 안타깝게도 자신의 사이트에만 무료로 제공됩니다.
생태계 중심 도구의 한 예로 구글 트렌드( https://www.google.com/trends/ ) 를 들 수 있습니다. 그림 2는 "빅데이터"라는 용어의 사용 추이를 보여주는데, 이는 놀랍지 않게도 지난 3년 동안 크게 증가했습니다. 그림에는 해당 시점의 웹에서 대표적인 기사를 골라낸 글자들이 있는데, 이를 통해 왜 정점이나 저점이 존재하는지에 대한 통찰력을 얻을 수 있습니다. 또한, 주요 지역과 관련 검색어(예: 빅데이터 Hadoop)도 제공됩니다.
Google 트렌드는 JMP 기능을 자체 분석에 활용할 수 있도록 데이터를 내보낼 수 있습니다. 예를 들어, 조던 스피스는 22세 골퍼로 최근 세계 랭킹 1위에 오르며 뛰어난 한 해를 보냈습니다. 스포츠계에서는 골프에 대한 관심이 감소하고 있다는 이야기를 흔히 접할 수 있는데, 스피스가 이러한 추세를 반전시킬 수 있을지도 모릅니다. 그림 3의 그래프는 하락 추세뿐만 아니라, 경쟁 분석 및 마케팅 업무에 유용하게 활용될 수 있는 매우 순환적인 패턴을 보여줍니다.
그림 2. "빅 데이터"의 Google 트렌드 시계열 플롯
그림 3. "골프"에 대한 Google 트렌드 시계열 플롯
데이터를 내보낸 후 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 시장의 동향과 광고 캠페인의 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 수집할 수 있는 새로운 유형의 인텔리전스 데이터가 폭발적으로 증가했습니다. 모든 유형의 커뮤니케이션이 그 어느 때보다 더 많이 기록되고 있으며, 이러한 노이즈가 많고 구조화되지 않은 데이터 속에서 CI 신호를 찾을 기회가 있습니다. 블로그와 게시판은 업계 및 회사별 정보를 수집하는 데 매우 유용한 정보 수집 장소입니다. LinkedIn 및 기타 전문 사이트에서 회사, 직원, 기술 그룹, 채용 정보, 전직 직원을 팔로우할 수 있습니다. Facebook, Twitter, Instagram과 같은 사이트의 게시물은 시장 및 경쟁사의 동향을 파악할 수 있는 기회도 제공합니다. 과제는 같은 단어를 표현하는 다양한 방법을 가진 새로운 비공식 영어와 유사한 언어로 특징지어지는 이러한 비구조화 데이터를 효율적으로 수집하는 것입니다. 예를 들어, 누군가에게 " 오늘 밤 "이라는 단어를 문자로 보낼 때를 생각해 보세요.
우리는 통계 프로그래밍 언어 R을 호출하여 키워드를 기준으로 지정된 기간 동안의 모든(또는 무작위 샘플) 트위터 피드를 다운로드하는 JMP 스크립팅 언어(JSL) 스크립트를 작성했습니다. 이 스크립트는 현재부터 미래의 미리 지정된 기간까지의 데이터를 수집하지만, 회고적 데이터를 수집하는 트위터 아카이브는 유료로 존재합니다. 반환되는 데이터에는 실제 트윗, 위치, 시간 및 기타 인구 통계 필드가 포함됩니다. 많은 회사가 자사 제품이나 경쟁사의 주요 제품 출시에 대한 대중의 반응을 파악하기 위해 실시간 트윗을 수집합니다. 예를 들어, 르브론 제임스가 클리블랜드로 복귀한다고 발표한 후 5분 동안 스크립트를 실행했습니다. 모든 제품 및 회사에 대한 트위터 데이터는 독점적이므로, 그림 5의 결과 워드클라우드는 일반적인 단어(the, and, or, …)와 불쾌한 언어를 제거한 후 가장 자주 등장하는 용어(가장 큰 글꼴)에 대한 통찰력을 제공합니다. 또한, 5분 동안 수집된 4,000개의 트윗에서 수집된 단어들을 포함하여, 일반적으로 긍정적 감정과 관련된 약 1,500개의 단어 목록과 약 2,000개의 부정적 단어 목록을 교차 분석하여 트윗에 대한 감정 분석을 수행했습니다. 하나의 트윗에는 긍정적 단어와 부정적 단어가 여러 개 포함될 수도 있고, 둘 중 어느 것도 포함되지 않을 수도 있습니다. 총합은 긍정적 단어 3,533개, 부정적 단어 1,626개였습니다. 워드클라우드와 감정 분석은 텍스트 마이닝용 JMP 추가 기능(R을 텍스트 분석 루틴에 포함)을 사용하여 수행되었습니다.
그림 5. 2014년 여름 "LeBron"의 Twitter JSL 스크립트 인터페이스 및 Wordcloud
경쟁사 웹사이트 스크래핑을 통한 경쟁 정보 데이터:
회사 웹사이트의 아키텍처 자체만으로도 전략적 정보의 중요한 부분을 차지합니다. 회사는 현재 역량과 고객, 그리고 향후 개선을 위해 어떤 노력을 하고 있는지 등 온라인에서 무엇을 공개할지 신중하게 선택해야 하기 때문입니다. 회의/컨퍼런스, 리더십, 백서 링크, 뉴스 기사 링크, 모범 사례, 기술 토론, 채용 공고, 검색 엔진 최적화(SEO) 키워드 등도 유용한 데이터 기회로 활용할 수 있습니다. 이러한 데이터를 얻는 한 가지 방법은 관심 있는 텍스트를 직접 복사하여 붙여넣는 것입니다. 자동화된 웹 스크래핑 유틸리티는 훨씬 빠르고 포괄적인 이점을 제공하지만, 너무 많거나 관련 없는 정보가 반환될 수 있습니다.
저희는 웹사이트에서 텍스트 위치와 같은 메타데이터를 추적하면서 모든 웹사이트에서 텍스트 데이터를 스크래핑하는 JSL 코드를 개발했습니다. Spider 스크립트는 다시 한번 R을 호출하며, 원하는 웹사이트만 입력하면 됩니다. 웹사이트의 구조가 다르므로 원하는 스크래핑 유형을 선택할 수 있습니다. 스크래핑 옵션에는 모든 텍스트, 뉴스 기사 또는 기본 설정 선택이 있습니다. 또한 크롤링 깊이를 선택할 수 있는데, 레벨 0은 지정한 웹 페이지, 레벨 1은 해당 페이지와 모든 링크된 페이지 등입니다.
예를 들어, 널리 사용되는 친환경 에너지 기술 중 하나인 액체 건조식 에어컨은 기존의 냉방이나 냉매 시스템이 이슬점 이하로 온도를 낮춰 습기를 제거하는 방식과 달리, 물 분자를 제거하여 냉각 효과를 냅니다. 상업용 액체 건조식 에어컨에 대한 간단한 구글 검색 결과, Advantix Systems와 Kathabar라는 두 주요 기업이 나타났습니다. JSL 스크립트를 사용하여 두 사이트 모두에서 스크래핑하여 각 행이 웹페이지를 나타내는 JMP 데이터 테이블을 생성했습니다. 그림 6은 Spider 인터페이스와 텍스트 마이닝 추가 기능에서 생성된 워드 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 등장하는지, 어떤 주제가 존재하는지에 대한 정보를 제공하지는 않습니다. 비정형 텍스트를 단어 수 이외의 통계 분석을 위한 플랫 파일로 변환하려면 각 문서(예: 웹페이지)를 행으로, 전체 코퍼스에서 사용되는 모든 고유 단어를 별도의 열로 구성하는 문서 용어 행렬(DTM)을 만드는 것이 일반적입니다. 행렬 항목은 특정 행에서 각 용어가 발생하는 빈도를 나타내지만, 단어의 출현 여부를 나타내는 이진 표현을 사용하는 것이 더 나을 수 있습니다. 행에서 단어가 발생한 횟수를 기반으로 하는 가중치 체계는 일반적으로 적용되는 또 다른 변환입니다. 즉, 모든 행에 나타나는 단어는 분석에 도움이 될 만큼 판별력이 높지 않을 수 있습니다. DTM의 문제점은 일반적으로 매우 크고 희소하다는 것입니다. 따라서 표준 통계 방법으로는 유용한 관계를 감지하지 못할 수 있습니다.
크고 희소한 DTM에 대한 한 가지 해결책은 주성분 분석(PCA)처럼 훨씬 더 작은 차원 공간에 DTM을 투영하는 것입니다. 더 나은 해결책은 DTM의 특이값 분해(SVD)를 열이나 단어 수보다 작은 차원(100~300으로 줄임)으로 처리하는 것입니다. 이 SVD는 DTM M=UDV'로 생각할 수 있습니다. U 행렬의 고유벡터는 문서를, V 행렬의 고유벡터는 단어를 나타내며, D 행렬의 대각선에 있는 특이값은 각 SVD 열에 대해 설명되는 변동성의 비율을 설명하는 고유값에서 추출됩니다.
V 행렬의 처음 두 고유벡터에 대한 이변량 플롯을 살펴보면 텍스트 데이터의 주요 주제를 파악하고 함께 그룹화되는 단어를 찾는 데 도움이 됩니다. 그림 7은 Kathabar 예제에 대한 처음 두 개의 SVD에 대한 이변량 플롯을 보여줍니다. 여기서 단어들은 맞춤형 액체 건조제 솔루션을 제공하는 것과 기온과 습도를 제어하는 저에너지 장비를 제안하는 것을 중심으로 그룹화되어 있습니다.
그림 7. Kathabar V 행렬과 건조제의 다변수 거리에서 SVD 고유 벡터를 처음으로 구현한 사례.
감소된 랭크 SVD에서 V 행렬의 고유벡터로부터 다변량 거리를 사용할 수도 있습니다. 이 거리는 함께 그룹화된 단어를 보여주므로, 코퍼스에서 원하는 단어를 선택하여 밀접하게 연관된 용어를 찾을 수 있습니다. 그림 7의 오른쪽 패널에서 건조제 와 가장 가까운 단어는 놀랍게도 liquid, system, process, dry, product, application, reliability, 그리고 manufacturer입니다.
특허로부터 얻은 경쟁 정보 데이터:
특허 출원은 기업의 기술적 현황을 보여주는 좋은 지표입니다. 다행히도, 경쟁사의 보호 재산에 대한 데이터를 수집하고 기술 현황을 파악하기 위해 모든 초록, 도면 및 텍스트 필드에 무료로 접근할 수 있는 훌륭한 특허 검색 엔진이 많이 있습니다. 세계지식재산기구(WIP)의 PATENTSCOPE(특허권)https://patentscope.wipo.int/search/ko/result.jsf)을 사용하여 액체 건조제 에어컨 특허의 초록을 추출했습니다. 초록의 각 단락은 JMP 데이터 테이블에서 별도의 행을 형성했습니다. 소비자 조사 플랫폼( 분석>소비자 조사>범주형>응답 역할=다중, 텍스트 데이터 열은 자유 텍스트에 할당 )을 사용하여 단어 수를 확인하고 특허 초록에 가장 많이 등장하는 용어에 대한 파레토 다이어그램을 빠르게 만들 수 있습니다.
그림 8. JMP 자유 텍스트 인터페이스와 특허 데이터의 단어 빈도 수.
JMP를 사용하여 가장 자주 등장하는 200개 단어(예시)에 대한 지표 열을 생성하고 , 분석>다변량 분석>다변량>쌍별 상관관계 분석 을 통해 특정 용어 간의 상관관계를 확인할 수도 있습니다. 그림 9는 미디어 필터, 강한 부식성 이월, 미세다공성 막 등과 같이 상관관계가 높은 단어 쌍을 보여줍니다.
그림 9. 특허 데이터의 다변수 플랫폼에서의 쌍별 상관관계
JMP 텍스트 마이닝 추가 기능을 사용한 주제 추출은 추가 정보를 제공합니다. 그림 10의 처음 두 개의 SVD 그래프는 이 특허들이 무엇을 하려는지 대략적으로 보여줍니다. 액체 건조제(불용어)를 사용하여 공기를 제습하여 습한 기후에 가장 적합한 냉각 효과를 얻는 기술입니다. 대부분의 액체 건조제가 갖는 위험은 필터 매체 위에 분무하는 방식으로, 공기 중으로의 이월(carry-over) 위험이 증가한다는 것입니다. 이 특허들은 이러한 위험을 제거하기 위해 멤브레인을 사용합니다.
그림 10. 특허에 대한 처음 두 개의 SVD 벡터
기술 저널 기사에서 얻은 시장 정보:학술 문헌에는 많은 기술 발전이 자세히 설명되어 있으며, 이는 기술 환경을 파악하는 데 매우 유용할 것임을 시사합니다. 액체 건조제 기술의 현황과 상업적 적용 가능성을 더 잘 이해하기 위해, 지난 3년간 청정 에너지 분야에서 저명한 학술지에 게재된 최근 심사를 거친 기술 논문 45편을 다운로드했습니다. 이러한 휴대용 문서 파일(PDF)은 텍스트로 변환하는 것이 어려웠는데, 텍스트 문자가 실제로는 이미지에 가깝고 방대한 양의 수학 방정식이 텍스트로 잘 변환되지 않기 때문입니다. 저희는 이러한 PDF 파일을 깨끗하게 읽기 위해 다양한 방법(오픈 소스 및 독점 소프트웨어 모두)을 시험해 보았고, Adobe Acrobat 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, Word 문서 파일을 열고 텍스트 파일로 저장하는 MS Word 매크로를 개발했습니다. 이 매크로는 텍스트 파일 폴더를 읽어 JMP 테이블로 변환하여 코퍼스를 구성하는 데 사용됩니다. 또한 텍스트 마이닝 추가 기능의 JSL 스크립트를 업데이트하여 영숫자가 아닌 문자를 제거하는 옵션을 추가해야 했습니다. 참조는 텍스트 분석에 불필요하게 방해가 되어 삭제되었습니다.
그림 11의 JMP 텍스트 마이닝 추가 기능의 단어 빈도는 특허와 비슷한 이야기를 알려줍니다. 이 친환경 에너지 기술은 액체 건조제(예: LiCl)를 재생하여 습기를 제거하고 멤브레인을 통해 독성 건조제와 공기 흐름을 분리하여 공기를 냉각함으로써 에너지 소비를 줄이는 시스템입니다.
그림 11. 액체 건조제 막에 대한 저널 기사 단어 빈도.
SVD를 수행한 후, U 행렬의 고유벡터 값을 사용하여 유사한 저널 논문들을 클러스터링할 수 있습니다. 논문들은 저자 계열뿐만 아니라 액체 건조제 내 일반적인 연구 분야를 따라 클러스터링됩니다(그림 12). 주제 추출에는 SVD에서 추출한 V 행렬을 사용합니다. 이러한 저널에서 선정된 주제(그림 13)는 다음과 같습니다. 1) 액체 건조제를 냉방 솔루션으로 검증하고 에너지를 절약하는 재생 방식을 통해 효율을 높이는 비교 실험; 2) 다양한 입구 매개변수 값을 허용하면서 물질 전달률과 효율비를 예측하는 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 멤브레인 초록의 주제
V 행렬의 처음 두 고유 벡터의 플롯(그림 14)은 초록을 기반으로 한 이러한 연구 노력의 몇 가지 일반적인 주제를 보여줍니다. 에너지 재생, 제습 개선, 시뮬레이션, 물질 전달, 실험 예측, 모델, 온도 및 멤브레인, 수증기를 이용한 열 공정입니다.
그림 14. 액체 건조제 에어컨의 처음 두 고유 벡터의 이변량 플롯 저널 초록
주제 추출에 유용한 또 다른 기법은 V 행렬에서 특정 단어에 대한 다변량 거리를 분석하는 것입니다. 이러한 다변량 거리는 군집 분석 과정에서 JMP를 통해 계산되며, 거리 행렬을 저장하여 얻습니다. 특정 단어를 선택하면 해당 단어와 가장 밀접한 관련이 있는 단어를 찾을 수 있습니다. 그림 15에 표시된 몇 가지 관심 있는 단어는 이러한 저널 논문 초록에서 발췌한 다음 정보를 제공합니다.
- 비용 - 투자 회수 기간, 주요 설비, 보일러 및 저장 공간이 주요 요인입니다.
- 신뢰성 - 에어 칠링 서브시스템을 갖춘 다중 구역 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 실현 가능하게 제거해야 합니다.
그림 15. 액체 건조제 저널 초록에 대한 V 매트릭스의 다변량 거리.
요약:
SWOT, 포터의 5가지 힘, 4가지 코너 등 경쟁 정보 분석 프레임워크는 최신의 신뢰할 수 있는 데이터 입력에 의존합니다. 경쟁 정보(CI) 데이터 소스는 급증하고 민주화되어 기업 전체의 직원들이 경쟁사에 대한 유용한 정보를 찾을 수 있게 되었습니다. 문제는 데이터가 쉽게 검색되지 않고, 대부분 노이즈가 많고 비정형적이라는 것입니다. JMP 및 JSL 스크립트의 분석 도구는 웹사이트, 소셜 미디어, 특허, 기술 저널 기사 등의 소스에서 데이터를 수집하고 이해하는 데 유용합니다. 군사 비유처럼, 목표는 비정형적인 오픈 소스 정보에서 조직의 전략적 방향에 영향을 미치는 "기밀" 정보 보고서로 전환하는 것입니다.
참고문헌:
Baglama, James 및 Reichel, Lothar. 증강된 암묵적 재시작 Lanczos 편대각화 방법. 2005, SIAM 과학 컴퓨팅 저널, 제27권, 19-42쪽.
Barbera, Pablo. streamR: R을 통한 Twitter 스트리밍 API 접근. [온라인] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John 및 Kerin, Roger. 경쟁사 분석 . [온라인] 2011.http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf.
에바ngelopoulos, Nicholas, Zhang, Xiaoni 및 Prybutok, Victor R. 잠재 의미 분석: 5가지 방법론적 권고. 2012, 유럽 정보 시스템 저널, 제21권, 70-86쪽.
펠로우즈, 이안. 워드클라우드: 워드 클라우드. CRAN. [온라인] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
카우식, 아바니시. 경쟁 정보 분석을 통한 성공: 최고의 지표와 보고서 .[온라인] 2015.http://www.kaushik.net/avinash/경쟁-정보-분석-도구-메트릭스-리포트-테크닉/.
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.
마틴 . 전략 프레임워크: 경쟁사 분석 및 경쟁 정보 . [온라인] 2015.http://www.entrepreneurial-insights.com/경쟁자-분석-경쟁-인텔리전스/.
메타이어, 에스텔. 경쟁 정보 또는 전략 기획팀이 숙달해야 할 최고의 분석 기법. [온라인] 2015 http://competia.com/50-경쟁-지능-분석-기술 .
세계지식재산권기구 Patentscope. [온라인] 2015.https://patentscope.wipo.int/search/ko/result.jsf
