Навігація
Головна
 
Головна arrow Менеджмент arrow Інноваційний менеджмент
< Попередня   ЗМІСТ   Наступна >

Застосування семантичних технологій для аналізу інноваційних проектів

Семантичні технології, в основі яких лежить смисловий аналіз неструктурованої інформації, дозволяють забезпечити нову якість прийняття рішень на всіх етапах життєвого циклу інновації. Особливо важливим є їх використання на етапах відбору інноваційних проектів. Об'єктивна і компетентна експертиза інноваційних проектів, що знаходяться на початковій стадії реалізації (стадія стартап, "посівні" проекти), є найважливішою і важким завданням. Її складність полягає у великому обсязі робіт, оскільки проведення такої експертизи передбачає оцінку світового рівня розробок у певній сфері; дослідження існуючих ринків збуту високотехнологічних товарів і послуг; аналіз конкуренції і т.д., а також у відсутності надійних кількісних критеріїв оцінки. Очевидно, що повністю замінити експерта в такій високоінтелектуальної роботі неможливо, але автоматизувати процедури відбору відомостей про новизну проекту, проектах-конкурентах, підприємствах, що реалізують ці проекти, і іншу інформацію, що міститься в Інтернеті та інших інформаційних джерелах, можливо.

Технології вилучення даних сьогодні представлені кількома взаємопов'язаними напрямами, до яких відносяться Data Mining, Техт Mining, Web Mining і контент-аналіз, до якого можна віднести і Opinion Mining, Business Intelligence.

Data Mining розвинулася як технологія аналізу сховищ даних, заснована на методах і інструментах підтримки прийняття рішень. Основу її сучасних методологій становить концепція шаблонів, що відображають фрагменти багатоаспектних взаємовідносин у даних. Шаблони є закономірності, властиві підвибірках даних, які можуть бути компактно виражені у зрозумілій людині формі. Технології Data Mining можуть бути ефективно використані для пошуку прибуткових клієнтів, розуміння потреб користувачів, передбачення продажів, побудови ефективних маркетингових кампаній.

Text Mining, використовуючи методи видобутку даних, включає ряд додаткових можливостей. До її основних елементів відносяться: суммарізація, виділення феноменів, понять, кластеризація, класифікація, відповідь на запити, тематичне індексування і пошук за ключовими словами. Ці кошти доповнюються засобами підтримки та створення таксономії і тезаурусів.

Технології Web Mining використовують методи Text Mining і традиційні технології Data Mining для аналізу неоднорідною, розподіленої і значної за обсягом інформації Web-ресурсів. Ряд авторів виділяє технології Web content mining і Web usage mining. Web content mining пов'язаний з автоматичним пошуком і витяганням якісної інформації з інтернет-джерел, використанням засобів автоматичної класифікації і анотування документів. Web usage mining спрямований на виявлення закономірностей в поведінці користувачів конкретного Web-вузла або групи вузлів.

Контент-аналіз являє собою систематичну числову обробку, оцінку та інтерпретацію форми і змісту інформаційного джерела. При цьому увага зосереджується на елементах контекстуального вживання, оцінці інформації, аналізі способу презентації інформації, адекватній оцінці значимості інформації. Виділяють кількісний і якісний контент-аналіз.

Кількісний контент-аналіз орієнтований на дослідження частоти появи в тексті зазначених вище характеристик змісту. Він легше піддасться реалізації в комп'ютерних програмах.

Якісний контент-аналіз передбачає формування думки але певного питання навіть на основі єдиного присутності або відсутності певної характеристики змісту.

Контент-аналіз використовує певний набір категорій, що представляють собою певні концептуальні освіти, в якості яких може виступати набір слів, об'єднаних за певним основи. Набір категорій задає концептуальну сітку, в термінах якої аналізується текст, і має суттєвий вплив на якість результатів аналізу. Це надає особливу значимість завданню автоматичної категоризації слів тексту, тобто виділення обговорюваних в ньому тем.

Сьогодні зазначені технології реалізуються цілим рядом програмних продуктів.

Засоби глибинного аналізу великих масивів даних (Data Mining) з метою виявлення прихованих залежностей, аномалій, кореляцій і тенденцій з використанням методів розпізнавання образів, нечіткої логіки, математичної статистики, виявлення аномалій представлені такими продуктами Angoss KnowledgeStudio, Attar XpertRule Miner, DataEngine, DBMiner Insight, Hummingbird Miner, IBM DB2 Intelligent Miner, Information Discovery, KXEN Analytic Framework, Megaputer Intelligence PolyAnalyst, PolyVista, Quadstone System, RuleQuest Cubist.

Засоби глибинного аналізу (видобутку) тексту (Text Mining) і гіпертестов (Web Mining) представлені такими продуктами, як: ClearForest, NetOwl, Attensity Powerdrill, RCO Extractor, "Медіалогія", "Галактика ZOOM", Intelligent Miner for Text (IBM), Text Analyst, WebAnalyst, Oracle Text (Oracle).

Сьогодні велике значення мають засоби для швидкого аналізу неструктурованої інформації. Їх хорошим прикладом є IBM Content Analytics - платформа для швидкого перетворення необробленої інформації в цінний бізнес-актив.

Використання технологій семантичного аналізу дозволяє підвищити не тільки якість рішень на ранніх стадіях інвестування в інноваційні проекти, а й ефективність маркетингових досліджень, програм лояльності клієнтів, управління ризиками проекту.

 
Якщо Ви помітили помилку в тексті позначте слово та натисніть Shift + Enter
< Попередня   ЗМІСТ   Наступна >
 
Дисципліни
Агропромисловість
Аудит та Бухоблік
Банківська справа
БЖД
Географія
Документознавство
Екологія
Економіка
Етика та Естетика
Журналістика
Інвестування
Інформатика
Історія
Культурологія
Література
Логіка
Логістика
Маркетинг
Медицина
Нерухомість
Менеджмент
Педагогіка
Політологія
Політекономія
Право
Природознавство
Психологія
Релігієзнавство
Риторика
Соціологія
Статистика
Техніка
Страхова справа
Товарознавство
Туризм
Філософія
Фінанси
Пошук