martes, 17 de abril de 2012

El Instituto de Ingeniería del Conocimiento desarrolla una innovadora herramienta de marketing basada en el análisis de las redes de relaciones sociales

Tomada de: http://www.uam.es/ss/Satellite/es/1242649910548/1242662549435/noticia/noticia/El_Instituto_de_Ingenieria_del_Conocimiento_desarrolla_una_innovadora_herramienta_de_marketing_basad.htm

El Instituto de Ingeniería del Conocimiento (IIC) es un centro de I+D+i asociado a la Universidad Autónoma de Madrid que se especializa en extraer valor de datos obtenidos de las tecnologías de la información. A partir de esto desarrolla herramientas que ayudan a las empresas a mejorar su productividad. Ejemplo de estas herramientas son los “modelos para la predicción de la adopción de innovaciones”, los cuales permiten a las empresas calcular la probabilidad con la que sus productos o servicios serán adquiridos. Recientemente, el IIC ha desarrollado uno de estos modelos que, al incluir análisis de redes de relaciones sociales, constituye un novedoso y prometedor avance en materia de marketing.
El modelo surgió de procesar los datos de llamadas de los clientes de una compañía de tecnología móvil líder en España. A partir de este procesamiento de datos los especialistas del IIC lograron reconstruir una red de relación social, identificando comunidades, grupos y roles de dichos clientes. Esta reconstrucción, sumada al análisis histórico de la adopción de un servicio específico ofrecido por la compañía, permitió elaborar algoritmos predictivos dinámicos. Es decir: algoritmos capaces de asignar —a los clientes que aún no han adoptado el servicio— índices respectivos de probabilidad de adoptar el servicio en un futuro próximo, esto en función de su red social, comunidad de pertenencia y perfil.
Según un comunicado de prensa del IIC, este modelo demuestra que la inclusión de las variables de relación social en los modelos predictivos aumenta, en un 100%, la tasa de detección de nuevas adopciones con respecto a modelos que no incluyen la parte social.
Los modelos para la predicción de la adopción de innovaciones —o simplemente “modelos de adopción”— se fundamentan en la difusión de innovaciones, una teoría sociológica que pretende explicar cómo, porqué y a qué velocidad se mueven las nuevas ideas (y tecnologías) a través de las diversas culturas.
Estos modelos (también llamados de contagio) asumen que la propensión de adoptar un producto o servicio por parte de un individuo aumenta cuando crece el número de vecinos en su red social que ya la han adoptado. Es a partir de esta premisa que es posible elaborar algoritmos predictivos dinámicos, cuyos parámetros se estiman con un conjunto histórico de datos de entrenamiento. Una vez entrenado, el modelo se utiliza para determinar la influencia que un conjunto de clientes, usuarios de determinado servicio, puede ejercer sobre el resto de clientes no-usuarios que forman su entorno social.
La precisión de estas predicciones se mide, entre otros métodos, a través del ratio de falsos positivos (FPR), que es la tasa de predicciones de adopción erróneas sobre el total de las que han resultado correctas. El modelo desarrollado por el IIC ha demostrado que la inclusión de datos sociales en los modelos predictivos reduce en un 30% el ratio de falsos positivos.
De este modelo, asegura el IIC en su comunicado, se pueden beneficiar todas aquellas empresas que dispongan de información relacional de sus clientes.

martes, 10 de abril de 2012

Oficina española de Patentes y Marcas. Canales RSS.


sábado, 7 de abril de 2012

viernes, 6 de abril de 2012

domingo, 1 de abril de 2012

Lista de feeds de solicitudes de patente españolas, europeas y PCT


Lista de feeds correspondientes a solicitudes de patente españolas, europeas y PCT en los sectores que se han considerado más importantes: alimentación y energías renovables. En cada caso, se indican los símbolos de clasificación empleados.
 Alimentación

Energías renovables

Strategic knowledge maps of the techno-scientific network (SK maps)


Tomado de http://onlinelibrary.wiley.com/doi/10.1002/asi.21712/abstract