Analysis of collaboration between companies in the cosmetics sector: a study based on patents
Notice bibliographique
Résumé
A análise das redes sociais é de crucial importância para o entendimento de diversos fenômenos organizacionais dentre eles, podemos destacar a busca das redes de cooperação entre empresas e outras instituições, ajudando os pesquisadores a compreenderem melhor como a empresa se relaciona e busca inovação por meio de agentes externos. Para esta pesquisa foram escolhidas as 5 maiores indústrias do setor de cosméticos, que tem como seu core business a divisão de cosméticos. A partir das bases de patentes a análise de redes sociais (ARS), foram lançadas mão para buscar compreender e analisar como a colaboração acontece nessas organizações. O período de analise compreendo os anos de 1998 até 2017 de todas as unidades que integram as corporações em estudo, utilizou-se o banco de dados de patentes Derwent Innovation da Clarivate Analytics, agrupando as patentes em famílias (INPADOC) e seus respectivos depositantes. A escolha de indústria de cosméticos, deve-se ao fato que a mesma é responsável por mais de 195 bilhões de dólares de faturamento segundo estudos publicados pela Statista (2018), e de intensa movimentação por inovação e diferenciais tecnológicos. Destaca-se que embora existam várias pessoas físicas como co-titulares de todas as organizações, elas não foram consideradas neste estudo em razão de focarmos nas colaborações interorganizacionais. Foram encontradas três diferentes classificações das empresas quanto a sua colaboração e depósito de patentes: Alone `n forward: empresas de intensa atividade que não colaboram; Share to Grow: empresas de intensa atividade patentária e com alto índice de colaboração e por fim, GTM (Go-to-Market), empresas de baixa atividade de proteção das tecnologias e com maior foco em distribuição e marketing
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| 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 ».