AI ANALYTICS OF AYURVEDIC PRODUCT DEMAND: AN EVIDENCE FROM PROPRIETARY DATA 2025
Notice bibliographique
Résumé
: Objective: This paper analyzes a multi-country sheet of Ayurvedic products to quantify demand across continents, identify leading countries and product clusters, and generate short- to mid‑term projections under two growth scenarios. Background: Global interest in traditional and herbal products has accelerated, with WHO backing a dedicated Global Traditional Medicine Centre and governments digitizing knowledge assets; market estimates for Ayurveda and herbal supplements indicate strong growth trajectories. Methods: We cleaned the dataset, aggregated Grand Total values at continent and country levels, and compared product portfolios via a continent–product heatmap. We then modelled forward projections (2025–2030) using compound annual growth rates (CAGR) representing (a) a conservative herbal‑supplements path (8.9%) and (b) a high‑growth Ayurveda path (27.2%). Results: The sheet indicates pronounced geographic concentration of demand, with a small set of countries contributing a large share of the Grand Total. Product mix differs materially by continent, suggesting localization of preferences and supply chains. Under the conservative scenario the global total approximately doubles over 7 years, whereas the high‑growth path yields a 4–5× expansion. Implications: Distinct product–continent niches (e.g., turmeric extract dominance in select regions; emerging interest in ashwagandha and boswellia) can guide portfolio and sourcing strategies. Conclusions: Combining granular sheet analytics with externally validated growth ranges offers a transparent, scenario‑based view of opportunity while flagging data limitations (single snapshot, no time series).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,008 |
| Science ouverte | 0,009 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».