The analysis of the telecommunications sector by the means of data mining techniques, Journal of applied quantitative methods
Notice bibliographique
Résumé
Abstract: Nowadays, the Internet comprises of huge amount of electronic information concerning different companies ’ financial performance. This amount greatly exceeds our capacity to analyze it, the problem being that we often lack tools to quickly and accurately process these data. DM techniques are interesting mechanisms that can be applied to rapidly changing industries, in order to get an overview of the situation. One such market is the international telecommunications industry. In this paper we construct a framework using DM techniques that enables us to make class predictions about telecommunication companies’ financial performance. Our methodology allows us to analyze the movements of the largest telecommunications companies, to see how companies perform financially compared to their competitors, what they are good at, who are the major competitors in this industry, etc. The dataset contains 88 companies from five different regions: Asia, Canada, Continental Europe, Northern Europe, and USA, and consists of seven financial ratios per company per year. The data used to calculate the ratios were collected from companies ’ annual reports (between 1995 and 1999), using the Internet as the primary medium. We used data from 2000 and 2001 to test our classification models. We have obtained good maps (SOMs) in terms of ease-of-readability and the average quantization error and clearly identified the six financial performance clusters. The results of our class prediction models also correspond very well with the SOM model.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».