De la Analítica al Social Media Intelligence : Una nueva oportunidad de liderar el mercado mediante una importante ventaja competitiva : saber identificar las necesidades del cliente en el Social Media : La reinvención de las investigaciones de mercado

La revolución que significó Internet a finales del siglo XX supone una oportunidad inmensa para el mundo corporativo. Con la aparición del Social Media y, en concreto, de las redes sociales, se han abierto un sinfín de nuevas oportunidades.No existe ningún otro invento que haya penetrado con tanta facilidad como lo han hecho estas plataformas; es el momento de que las empresas saquen provecho de ello.El objetivo principal de este proyecto consiste en identificar los beneficios potenciales para las empresas que conlleva actuar a través del Social Media. No contentos con eso, nos disponemos a mostrar las grandes razones por las que actuar: la posibilidad deidentificar las necesidades de tu público objetivo, huecos en el mercado y, por consiguiente, conseguir una ventaja competitiva clave en tu sector. ¿Cómo? La clave está en saber gestionar grandes volúmenes de información aplicando soluciones de inteligencia competitiva.Teniendo en cuenta que el proyecto gira entorno al Social Media, la estructura del mismo está dividida en dos grandes partes: en primer lugar estudiamos las claves de la investigación de mercados actual y, seguidamente, utilizamos una perspectiva más corporativa para mostrar las principales inquietudes que surgen en las empresas.Mediante ejemplos de casos prácticos muy relevantes, estudios que aporten datos clave y, sobre todo, las opiniones de profesionales del sector dentro y fuera de España, seremos capaces de deducir la importancia que tiene este terreno, así como el largo camino que nos queda a todos por delante.

Testing the competitive exclusion principle using various niche parameters in a native (Natrix maura) and an introduced (N. tessellata) colubrid

Despite the increase of animal and plant introductions worldwide and the strong augmentation of the reptile trade, few invasive snake populations have been studied. Dice snakes (Natrix tessellata) were introduced to the shores of Lake Geneva (Switzerland) in the early 1920s, and are now well established. This region of introduction was previously inhabited by Viperine snakes (N. maura). Ever since these two species have been under monitoring (which began in 1996) the Viperine snake population has shown drastic decline. We examine here the possibility of trophic competition by analysing diet composition, prey size and trophic niche overlap. Spatial distribution is also assessed in order to address the question of spatial competitive exclusion. We found very similar diets, and thus a high trophic niche overlap, indicating no partitioning of the trophic resource. No arguments in favour of spatial competitive exclusion were found. Our study suggests that trophic competition may occur between the two natricines and that it may give an explanation for the drastic decline of the Viperine snake in this area. Other pathways potentially playing a role in the exclusion of the Viperine snake are discussed.

Implantación de una plataforma corporativa de business intelligence

La Universidad UPROMA ha identificado una línea de actuación inicial caracterizada por la implantación de una plataforma de reporting y análisis de la información corporativa.

Estudi sociològic del lleure al món rural de Catalunya i Guatemala. L'oci a la població de 50 a 70 anys de Malla i San Juan la Laguna, semblances i diferències

L’estudi que es presenta a continuació té l’objectiu de comprendre quina és la realitat ociosa de les persones de 50 a 70 anys als municipis de Malla (Catalunya, Espanya) i de San Juan la Laguna (Sololá, Guatemala) des de la perspectiva humanista en termes de concepció i pràctica, i veure quina és la influència i la força que prenen les característiques de la societat en la qual es desenvolupa. Per tal de dur-ho a terme, primerament s’ha realitzat un procés d’aproximació respecte el concepte de l’oci, i una recerca concreta vers l’oci humanista. A partir d’aquí, s’ha fet l’estudi amb una mostra formada per deu persones del municipi de Malla i deu membres de San Juan la Laguna que es troben entre els 50 i 70 anys, i amb unes condicions econòmiques i uns estils de vida diferents. Per tal de realitzar la recerca i l’anàlisi de l’oci humanista en els contexts de Malla i San Juan la Laguna s’ha emprat una metodologia qualitativa, i s’ha utilitzat l’instrument corresponent a l’entrevista. Aquesta ha estat elaborada prenent com a marc de referència la metodologia de la Grounded Theory (Glaser y Strauss, 1967). El projecte també compte amb una vessant d’etnografia. Els resultats que s’han obtingut demostren que hi ha una presència significativa de l’oci humanista en els contexts analitzats, però que en el cas de San Juan la Laguna aquest esdevé un element en construcció.

State of Iowa Organizational Chart, 2005

Organizational Chart of departments for the State of Iowa.

Performance aux tests d'intelligence : vers une inversion de l'effet Flynn ?

Des nombreuses études ont montré une augmentation des scores aux tests d'aptitudes à travers les générations (« effet Flynn »). Différentes hypothèses d'ordre biologique, social et/ou éducationnels ont été élaborées afin d'expliquer ce phénomène. L'objectif de cette recherche est d'examiner l'évolution des performances aux tests d'aptitudes sur la base d'étalonnages datant de 1991 et de 2002. Les résultats suggèrent une inversion non homogène de l'effet Flynn. La diminution concerne plus particulièrement les tests d'aptitudes scolaires, comme ceux évaluant le facteur verbal et numérique. Cette étude pourrait refléter un changement de l'importance accordée aux différentes aptitudes peu évaluées en orientation scolaire et professionnelle.

Machine learning for geospatial data : algorithms, software tools and case studies

Résumé Cette thèse est consacrée à l'analyse, la modélisation et la visualisation de données environnementales à référence spatiale à l'aide d'algorithmes d'apprentissage automatique (Machine Learning). L'apprentissage automatique peut être considéré au sens large comme une sous-catégorie de l'intelligence artificielle qui concerne particulièrement le développement de techniques et d'algorithmes permettant à une machine d'apprendre à partir de données. Dans cette thèse, les algorithmes d'apprentissage automatique sont adaptés pour être appliqués à des données environnementales et à la prédiction spatiale. Pourquoi l'apprentissage automatique ? Parce que la majorité des algorithmes d'apprentissage automatiques sont universels, adaptatifs, non-linéaires, robustes et efficaces pour la modélisation. Ils peuvent résoudre des problèmes de classification, de régression et de modélisation de densité de probabilités dans des espaces à haute dimension, composés de variables informatives spatialisées (« géo-features ») en plus des coordonnées géographiques. De plus, ils sont idéaux pour être implémentés en tant qu'outils d'aide à la décision pour des questions environnementales allant de la reconnaissance de pattern à la modélisation et la prédiction en passant par la cartographie automatique. Leur efficacité est comparable au modèles géostatistiques dans l'espace des coordonnées géographiques, mais ils sont indispensables pour des données à hautes dimensions incluant des géo-features. Les algorithmes d'apprentissage automatique les plus importants et les plus populaires sont présentés théoriquement et implémentés sous forme de logiciels pour les sciences environnementales. Les principaux algorithmes décrits sont le Perceptron multicouches (MultiLayer Perceptron, MLP) - l'algorithme le plus connu dans l'intelligence artificielle, le réseau de neurones de régression généralisée (General Regression Neural Networks, GRNN), le réseau de neurones probabiliste (Probabilistic Neural Networks, PNN), les cartes auto-organisées (SelfOrganized Maps, SOM), les modèles à mixture Gaussiennes (Gaussian Mixture Models, GMM), les réseaux à fonctions de base radiales (Radial Basis Functions Networks, RBF) et les réseaux à mixture de densité (Mixture Density Networks, MDN). Cette gamme d'algorithmes permet de couvrir des tâches variées telle que la classification, la régression ou l'estimation de densité de probabilité. L'analyse exploratoire des données (Exploratory Data Analysis, EDA) est le premier pas de toute analyse de données. Dans cette thèse les concepts d'analyse exploratoire de données spatiales (Exploratory Spatial Data Analysis, ESDA) sont traités selon l'approche traditionnelle de la géostatistique avec la variographie expérimentale et selon les principes de l'apprentissage automatique. La variographie expérimentale, qui étudie les relations entre pairs de points, est un outil de base pour l'analyse géostatistique de corrélations spatiales anisotropiques qui permet de détecter la présence de patterns spatiaux descriptible par une statistique. L'approche de l'apprentissage automatique pour l'ESDA est présentée à travers l'application de la méthode des k plus proches voisins qui est très simple et possède d'excellentes qualités d'interprétation et de visualisation. Une part importante de la thèse traite de sujets d'actualité comme la cartographie automatique de données spatiales. Le réseau de neurones de régression généralisée est proposé pour résoudre cette tâche efficacement. Les performances du GRNN sont démontrées par des données de Comparaison d'Interpolation Spatiale (SIC) de 2004 pour lesquelles le GRNN bat significativement toutes les autres méthodes, particulièrement lors de situations d'urgence. La thèse est composée de quatre chapitres : théorie, applications, outils logiciels et des exemples guidés. Une partie importante du travail consiste en une collection de logiciels : Machine Learning Office. Cette collection de logiciels a été développée durant les 15 dernières années et a été utilisée pour l'enseignement de nombreux cours, dont des workshops internationaux en Chine, France, Italie, Irlande et Suisse ainsi que dans des projets de recherche fondamentaux et appliqués. Les cas d'études considérés couvrent un vaste spectre de problèmes géoenvironnementaux réels à basse et haute dimensionnalité, tels que la pollution de l'air, du sol et de l'eau par des produits radioactifs et des métaux lourds, la classification de types de sols et d'unités hydrogéologiques, la cartographie des incertitudes pour l'aide à la décision et l'estimation de risques naturels (glissements de terrain, avalanches). Des outils complémentaires pour l'analyse exploratoire des données et la visualisation ont également été développés en prenant soin de créer une interface conviviale et facile à l'utilisation. Machine Learning for geospatial data: algorithms, software tools and case studies Abstract The thesis is devoted to the analysis, modeling and visualisation of spatial environmental data using machine learning algorithms. In a broad sense machine learning can be considered as a subfield of artificial intelligence. It mainly concerns with the development of techniques and algorithms that allow computers to learn from data. In this thesis machine learning algorithms are adapted to learn from spatial environmental data and to make spatial predictions. Why machine learning? In few words most of machine learning algorithms are universal, adaptive, nonlinear, robust and efficient modeling tools. They can find solutions for the classification, regression, and probability density modeling problems in high-dimensional geo-feature spaces, composed of geographical space and additional relevant spatially referenced features. They are well-suited to be implemented as predictive engines in decision support systems, for the purposes of environmental data mining including pattern recognition, modeling and predictions as well as automatic data mapping. They have competitive efficiency to the geostatistical models in low dimensional geographical spaces but are indispensable in high-dimensional geo-feature spaces. The most important and popular machine learning algorithms and models interesting for geo- and environmental sciences are presented in details: from theoretical description of the concepts to the software implementation. The main algorithms and models considered are the following: multi-layer perceptron (a workhorse of machine learning), general regression neural networks, probabilistic neural networks, self-organising (Kohonen) maps, Gaussian mixture models, radial basis functions networks, mixture density networks. This set of models covers machine learning tasks such as classification, regression, and density estimation. Exploratory data analysis (EDA) is initial and very important part of data analysis. In this thesis the concepts of exploratory spatial data analysis (ESDA) is considered using both traditional geostatistical approach such as_experimental variography and machine learning. Experimental variography is a basic tool for geostatistical analysis of anisotropic spatial correlations which helps to understand the presence of spatial patterns, at least described by two-point statistics. A machine learning approach for ESDA is presented by applying the k-nearest neighbors (k-NN) method which is simple and has very good interpretation and visualization properties. Important part of the thesis deals with a hot topic of nowadays, namely, an automatic mapping of geospatial data. General regression neural networks (GRNN) is proposed as efficient model to solve this task. Performance of the GRNN model is demonstrated on Spatial Interpolation Comparison (SIC) 2004 data where GRNN model significantly outperformed all other approaches, especially in case of emergency conditions. The thesis consists of four chapters and has the following structure: theory, applications, software tools, and how-to-do-it examples. An important part of the work is a collection of software tools - Machine Learning Office. Machine Learning Office tools were developed during last 15 years and was used both for many teaching courses, including international workshops in China, France, Italy, Ireland, Switzerland and for realizing fundamental and applied research projects. Case studies considered cover wide spectrum of the real-life low and high-dimensional geo- and environmental problems, such as air, soil and water pollution by radionuclides and heavy metals, soil types and hydro-geological units classification, decision-oriented mapping with uncertainties, natural hazards (landslides, avalanches) assessments and susceptibility mapping. Complementary tools useful for the exploratory data analysis and visualisation were developed as well. The software is user friendly and easy to use.

Forensic intelligence for medicine anti-counterfeiting

Medicine counterfeiting is a crime that has increased in recent years and now involves the whole world. Health and economic repercussions have led pharmaceutical industries and agencies to develop many measures to protect genuine medicines and differentiate them from counterfeits. Detecting counterfeit is chemically relatively simple for the specialists, but much more information can be gained from the analyses in a forensic intelligence perspective. Analytical data can feed criminal investigation and law enforcement by detecting and understanding the criminal phenomenon. Profiling seizures using chemical and packaging data constitutes a strong way to detect organised production and industrialised forms of criminality, and is the focus of this paper. Thirty-three seizures of a commonly counterfeited type of capsule have been studied. The results of the packaging and chemical analyses were gathered within an organised database. Strong linkage was found between the seizures at the different production steps, indicating the presence of a main counterfeit network dominating the market. The interpretation of the links with circumstantial data provided information about the production and the distribution of counterfeits coming from this network. This forensic intelligence perspective has the potential to be generalised to other types of products. This may be the only reliable approach to help the understanding of the organised crime phenomenon behind counterfeiting and to enable efficient strategic and operational decision making in an attempt to dismantle counterfeit network.

Emotional intelligence and social interest : are they related constructs?

In the last 15 years, a new psychological construct has emerged in the field of psychology: Emotional Intelligence. Some models of Emotional Intelligence bear ressemblence with aspects of one of the core constructs of Adlerian Psychology: Social Interest. The authors investigated, if both constructs are also empirically related and which is their capacity to predict psychiatric symptoms and antisocial behavior. Results indicate that Social Interest and Emotional Intelligence are empirically different constructs; Social Interest was negatively correlated to aspects of antisocial attitudes (but not to antisocial behavior). Social Interest also failed to predict symptoms of psychological distress. Emotional Intelligence, in change, was a better predictor for mental problems than Social Interest. The results are discussed in view of the validity of Social Interest measurement.

The competitive position of the Nordic wood industry in Germany : intangible quality dimensions

Abstract