✨ какая-то библиотека в ChatGPT ✨

Коллеги, теперь у вас есть бот, обученный именно для того, чтобы помогать с кабинетными исследованиями и библиографией. Всё, что нужно, — это задать вопрос, и он подскажу, как искать, анализировать и систематизировать информацию, будто вы настоящий исследователь. 📚

🧐 Что такое обученные GPTs?
Это модели ИИ, которые специально обучаются для определённых задач. Я создала бота, чтобы он был экспертом в информационном поиске, работе с источниками и всех тонкостях исследовательской работы.

Что умеет мой бот?

🔍 Помощь в кабинетных исследованиях: он знает, как искать, систематизировать и анализировать информацию, не выходя из дома. От базовых запросов до сложных аналитических задач — бот предложит эффективные методы и подходы.

📚 Библиографическая поддержка: рекомендации по управлению источниками и использованием библиографических менеджеров.

⚙️ Техники поиска: бот подскажет, как грамотно формулировать запросы, использовать поисковые операторы и фильтры для точных результатов.

🧠 Обучение методам анализа: бот делится советами по извлечению знаний из текста, реферированию, контент- и фрейм-анализу.

📊 Инструменты автоматизации: советы по использованию цифровых ресурсов, ИИ, программ для систематизации данных.

Этот бот сочетает в себе профессиональные знания, собранные из учебных пособий, книг и методичек по кабинетным исследованиям, а также практический опыт исследователей, чтобы стать вашим незаменимым помощником.

➡️ https://chatgpt.com/g/g-0kBivfcO4-kakaia-to-biblioteka

Методологический кейс: ✔️ использование государственных данных для оценки доли устаревшей сельскохозяйственной техники

🔤 Задача
Вы — агротехнический стартап, который разрабатывает роботов для сельского хозяйства. Необходимо понять, как много техники в отрасли уже используется и какая доля из неё не является инновационной, чтобы оценить рынок для замещения своей продукцией.

❓ Вопрос
Можно ли выполнить расчёты доли устаревшей техники исключительно на основе государственной статистики?

📊 Мой ответ

1. Госстатистика: доступные данные
- Использование робототехники по субъектам РФ: общие показатели по промышленности без детализации по секторам сельского хозяйства.
- Инновационная активность организаций: есть данные по сельскому хозяйству, но они не отражают роль робототехники или степень устаревания техники.
- Число новых и используемых передовых технологий: присутствует разбивка по видам деятельности, но роль роботов не уточняется.

2. Ограничения данных
- Отсутствие информации об устаревшей технике: невозможно напрямую оценить объём техники, которую можно заменить.
- Нехватка детализации по робототехнике: ключевой сегмент рынка — роботы — слабо отражён в госстатистике.
- Косвенные индикаторы: данные по инновациям в целом дают общую картину развития, но не точные цифры.

✉️ Предлагаемое решение

Для точной оценки потенциала замещения необходимо комбинировать госстатистику с дополнительными источниками:

1. Использование доступной статистики
- Анализ трендов инновационной активности. Определить долю организаций, внедряющих инновации в сельском хозяйстве, чтобы выделить перспективные ниши.
- Распределение робототехники по регионам. Изучить использование роботов в промышленности как индикатор их проникновения.

2. Дополнительные источники данных
- Новости Минсельхоза и рыночные отчёты. Например, сайт specagro.ru может содержать кейсы о внедрении роботов, что даст представление о состоянии отрасли.
- Отраслевые исследования и консалтинговые отчёты. Для уточнения количества устаревшей техники и конкретных моделей роботов.
- Экспертные интервью. Собрать мнения участников рынка о текущих тенденциях и доле техники, подлежащей замене.

📌

Государственная статистика предоставляет основу для понимания общих трендов в сельском хозяйстве, но не позволяет полноценно оценить долю устаревшей техники. Для агротехнического стартапа наиболее эффективным будет использование смешанного подхода, включающего кабинетные исследования, анализ рыночных отчётов и экспертные интервью. Это обеспечит более точное и детализированное понимание целевого рынка.

▶️Рубрика "Как было проведено это исследование"

Методологический разбор кабинетного исследования: анализ конкурентоспособности сельской местности на примере муниципалитета Раковски (Болгария)

Данное исследование анализирует конкурентоспособность сельской местности, используя модель «Ромб» Майкла Портера и кейс-стади муниципалитета Раковски в Болгарии.

Выбор метода кабинетного исследования и конкретного кейса обусловлен ограниченным количеством работ, посвященных конкурентоспособности именно сельских регионов, а также необходимостью продемонстрировать применимость модели Портера в условиях конкретного региона.

Исследовательский вопрос: Как модель «Ромб» Портера может быть применена для оценки конкурентоспособности сельской местности, и какие факторы оказывают наибольшее влияние на ее развитие?

Методология:

Исследование основывается на качественном анализе вторичных данных, что обусловлено ограничениями в ресурсах и времени, характерными для кабинетных исследований. Использовался подход кейс-стади, позволяющий глубоко изучить специфику одного региона. Выбор муниципалитета Раковски обусловлен его разносторонней экономикой, сочетающей сельское хозяйство и промышленность, что делает его репрезентативным для многих сельских регионов Болгарии.

💬Источники данных:

⭕️Официальные документы: План комплексного развития муниципалитета Раковски (2021-2027) служил основным источником информации о демографической ситуации, инфраструктуре, экономической деятельности и стратегических планах региона. Эти данные позволили оценить факторные условия, внутренний спрос и поддерживающие отрасли.

⭕️Статистические данные: Данные Национального статистического института Болгарии (NSI) предоставили дополнительную информацию о демографии, образовании и занятости населения, уточняя картину факторных условий.

⭕️Отраслевые данные: Данные Министерства сельского хозяйства Болгарии (2022) дали более точное представление о состоянии сельского хозяйства в регионе.

⭕️Инфраструктурные данные: Информация с портала "EU Funds Portal" позволила оценить состояние и перспективы развития региональной инфраструктуры.

⭕️Данные о кластерах: Материалы о "Тракийском экономическом поясе" предоставили данные о вкладе кластеризации в развитие региона.

💬Процедура анализа:

Данные были систематизированы и проанализированы в рамках четырех составляющих модели «Ромб»:

⭕️Факторные условия: Анализ ресурсов (природных, человеческих, инфраструктура), доступных в муниципалитете Раковски.

⭕️Внутренний спрос: Оценка спроса на товары и услуги внутри региона.

⭕️Поддерживающие отрасли: Анализ взаимосвязей между различными секторами экономики региона.

⭕️Структура, стратегия и соперничество: Оценка конкурентной среды и стратегий компаний в регионе.

Для каждого из четырех факторов были выявлены как сильные, так и слабые стороны муниципалитета Раковски.

⭐️ИИ в исследованиях: анализ данных вместо поиска

Использование искусственного интеллекта в исследованиях открывает огромные возможности, но важно понимать, где его применение наиболее эффективно. Сегодня хочу поговорить о том, почему стоит доверять ИИ анализ собранных данных, а не процесс их поиска.

Почему анализ важнее поиска?

1. Качество данных зависит от источника
Алгоритмы поиска, даже самые мощные, часто не в состоянии отличить релевантные данные от нерелевантных. Например, при сборе информации из интернета вы можете получить устаревшие или некачественные данные, не заметив этого на этапе загрузки.

2. Предвзятость и неполнота в результатах поиска
Многие инструменты, включая AI, настраиваются под определенные запросы и могут выдавать результаты с предвзятостью. Это особенно критично в академической или коммерческой среде, где полнота и достоверность данных играют ключевую роль.

3. Фокус на глубоком анализе
ИИ гораздо эффективнее, когда вы уже собрали данные из проверенных источников и хотите выявить закономерности, тренды или скрытые взаимосвязи. Например:
- Кластеризация данных для выявления групп.
- Текстовый анализ для поиска ключевых слов и идей.
- Построение предсказательных моделей на основе уже известных фактов.

✔️Преимущества подхода "анализ вместо поиска"

- Контроль за качеством данных: исследователь самостоятельно выбирает источники, что минимизирует ошибки.
- Углубленное понимание: ИИ помогает раскрыть смысл данных, а не просто собрать их.
- Экономия времени: процесс анализа автоматизируется, но вы точно знаете, что работаете с нужной информацией.

Не гонитесь за автоматизацией на всех этапах. Позвольте ИИ стать вашим аналитиком, а не архивариусом. Собирайте данные самостоятельно из надежных источников, а потом передавайте их ИИ для извлечения пользы.

💜

🦔Подписчики-на-Бусти, извините, что давно нет видео. Я переезжала, угробила один микрофон и не могла разобраться с новым. На неделе наверстаю, ждите видео на Бусти

〰️Анализ контекста в кабинетных исследованиях

Контекст — это ключевой элемент, позволяющий понять глубинные смыслы данных, их взаимосвязь и значимость.

Почему контекст важен?
Избежание манипуляций. Манипулятивные данные часто вырываются из контекста, чтобы исказить их значение. Например, статистика может быть представлена таким образом, чтобы выгодно подчеркнуть определённый аспект проблемы, игнорируя другие.

Понимание условий формирования данных. Каждая информация существует в рамках своей системы условий — социальной, экономической, политической или исторической. Без учёта этих условий невозможно понять, что именно означают данные и как они могут быть использованы.

〰️Ключевые элементы анализа контекста

Историческая перспектива
Любое событие или явление связано с историей. Анализируйте, как развивалась ситуация, чтобы понять её предысторию и причины. Например, экономические показатели текущего года имеют смысл только в сравнении с предыдущими периодами и трендами.

Социально-экономические факторы
Рассматривайте, в каких условиях собиралась информация. Например:
- Уровень доверия к источникам в обществе.
- Экономическое состояние региона или страны.
- Политические интересы, которые могут влиять на интерпретацию данных.
- Географические и культурные особенности. Различия в восприятии одних и тех же данных между странами или даже регионами могут быть значительными.
Например, восприятие уровня безработицы может зависеть от исторически сложившихся норм занятости и социальной поддержки.

Цели и мотивы
Учитывайте цели, которые могут преследовать авторы данных:
- Рекламный или PR-контент может акцентировать позитивные моменты и игнорировать негативные.
- Политические заявления часто адаптируются к интересам целевой аудитории.

Информационная среда
Важен анализ того, как распространялась информация:
- Были ли использованы социальные сети?
- Какие средства массовой информации поддерживали распространение?
- Какие реакции вызвала информация?

〰️Методы анализа контекста

Сравнительный анализ
Сравнивайте данные из разных источников, чтобы выявить возможные расхождения. Это поможет увидеть, где информация могла быть искажена.

Анализ тональности
Изучите язык, которым представлены данные. Нейтральное ли это изложение или эмоционально окрашенное? Например, использование терминов вроде «катастрофический рост» вместо «значительное увеличение» может сигнализировать о предвзятости.

Работа с первоисточниками
Обратитесь к оригинальным данным, на которых основаны отчёты или статьи. Это позволяет избежать интерпретаций и узнать, как информация выглядела изначально.

Социальный и политический анализ
Рассмотрите, какие группы поддерживали или критиковали опубликованные данные. Это может указать на мотивы и скрытые интересы.

🔍 У меня появилась еще одна довольно амбициозная задача — научить продакт-менеджеров банка работать с данными как настоящие дата-сайентисты. И не просто так, а с конкретной целью: чтобы они могли по-умному сегментировать клиентов.

Сейчас сегментация делается "на глазок" — выделяются 5-10 групп клиентов и проводится дальнейшая работа с ними. Но представляете, насколько круче будет, если будет выделиться 100-500 сегментов и к каждому будет свой особенный подход? Говорить с каждым на его языке, цеплять за то, что действительно важно именно для него.

Пробовали раньше освоить Power BI для этих целей — не пошло: сложно и не хватает времени на изучение.

👨‍💻Я начал экспериментировать с Клодом. Взял тестовые данные по кредитным картам и начал с ним копать. Всего за 5 подходов в течение 30 минут мы нашли реально интересные группы клиентов и поняли, что для каждой из них может быть важно. И это только на основе 10 простых параметров — пол, возраст, транзакционная активность.

🚀 Скоро у меня будет намного больше реальных данных — 300-400 параметров на клиента. Уверен, из этого предстоящего анализа пушка получится!

💡 Лайфхак для начинающего датасатаниста:
Я открыл открыл для себя платформу Kaggle. Там постоянно проходят соревнования по машинному обучению с денежными призами. И лучшие специалисты выкладывают свои решения в открытый доступ!
Для нас это отличная возможность перенять готовые идеи и адаптировать их под свои задачи. В общем, велосипед не изобретаем, а катаемся на созданном ранее🛒

▶️Кабинетное исследование страхования грузов в зонах конфликта: рубрика "Как было проведено это исследование"

Статья Магдалены Клопотт анализирует проблемы страхования грузов, перевозимых через зоны вооруженных конфликтов, используя метод анализа вторичных данных (desk research). Фокус исследования направлен на анализ стандартных положений страховых полисов от рисков войны и забастовок, выявление пробелов в покрытии и потенциальных решений для улучшения страховых механизмов.

Исследовательский вопрос: Какие риски связаны со страхованием грузов в зонах конфликта, и какие пробелы существуют в стандартном покрытии страховых полисов?

Методология:

В качестве методологии используется desk research – качественный анализ уже существующих данных. Этот подход выбран в связи с ограниченностью ресурсов и необходимостью оперативного получения результатов, что характерно для кабинетных исследований. Основной акцент сделан на анализе вторичных источников информации, позволяющих составить целостную картину исследуемой проблематики.

💬Сбор и анализ данных

⭕️Выявление источников
В качестве источников использовались публикации авторитетных организаций в сфере страхования и логистики, включая отчеты и аналитические материалы от таких организаций, как Council on Foreign Relations (CFR), Lloyd’s List Intelligence, UNCTAD (Конференция ООН по торговле и развитию), Institute of London Underwriters, International Underwriting Association of London (IUA), S&P Global, а также данные от Bloomberg и других ведущих мировых изданий.

⭕️Систематизация данных
Информация систематизирована по кластерам: на основе информации о географических зонах конфликтов, распространенных рисках (пиратство, терроризм, государственное насилие), стандартных условиях страхования (Институтские Клаузулы по Грузам, ICC), специализированных страховых положениях (IWC и ISC), и механизмах оценки рисков (JCC Global Cargo Watchlist).

⭕️Анализ данных
Проведен сравнительный анализ стандартных страховых клаузул (ICC) и специализированных положений (IWC и ISC), выявляющий существующие пробелы в покрытии.
Проанализированы особенности страхования грузов в разных видах транспорта (морской, воздушный, наземный) и влияние географических факторов (зона конфликта, торговые пути). Изучены механизмы установления страховых тарифов и наценок, связанных с рисками войны и забастовок, а также влияние динамики конфликтов на стоимость страхования.
Особое внимание уделено анализу проекта "Unity" как примера инновационного подхода к страхованию грузов в зоне конфликта.

💬Источники данных

⭕️Официальные отчеты и публикации
Данные от международных организаций (ООН, Lloyd's и т.д.), регулирующих органов и правительственных учреждений.

⭕️Научные публикации и аналитические материалы
Статьи, обзоры и аналитические материалы от ведущих экспертов в области страхования и логистики.

⭕️Данные из финансовой прессы
Информация о страховых тарифах, премиях и надбавках, а также общая экономическая ситуация в зоне конфликта.

💬Выводы исследования

Стандартные страховые полисы не охватывают все риски, связанные с перевозкой грузов в зонах конфликта. Существуют значительные пробелы в покрытии, особенно в отношении наземных рисков. Специализированные страховые положения (IWC и ISC) частично компенсируют эти пробелы, но не являются универсальным решением.

>>> опен-колл на конференцию
«Актуальные ошибки гуманитарных наук»

27–29 марта проведём вторую конференцию DH-центра. В этом году поговорим о роли ошибок в исследованиях, науках и проектах. Приглашаем всех, кто совершал и планирует совершать ошибки, достойные обсуждения.

{ концепция }
Необсуждённые ошибки ложатся в основу алгоритмической рациональности, а она становится инфраструктурой для решения новых задач. Порой исследователи примечают конкретные неточности (bias) или галлюцинации, но обходят вниманием системные недочёты.

Как выявить ошибку? Из какой позиции человек может спорить с машиной, если она сформирована на основе экспертизы или «объективных» данных? Как без возможности находить ошибки в теории, можно обнаружить их в данных или методе? И обречён ли учёный, сторонящийся обнаружения и исправления ошибок, на вечное применение кем-то изобретённых подходов?

Эти вопросы могут получить ответы, если мы обратимся к ошибкам. Этой конференцией мы хотим попробовать сделать разговор об ошибках — задачей академической дискуссии.

{ темы }
— Лишняя дисциплина
— Доверяй, но проверяй
— Ошибки внедрения
— Различия ошибок человека и машины
— Право на ошибку
— Ошибка как результат и достоинство

{ детали }
Части программы будут соответствовать одному из четырёх идолов — так Фрэнсис Бэкон называл препятствия к познанию истины. Мы интерпретируем его идолов, обращаясь к ним в рамках художественного приёма, чтобы определить ситуации разговора об ошибках:

> идолы рода: ошибки, связанные с происхождением знания — науками и канонами
> идолы пещеры: ошибки «здравого смысла», происходящие от доверия обыденному знанию
> идолы рынка: ошибочные смешения понятий, методов и подходов
> идолы театра: ошибки моделирования и представления

{ участие }
Ждём доклады, дискуссионные панели, постеры, экспериментальные формы. Подробности о форматах и темах в документе.

Отправляйте заявку на почту [email protected]

шаблон заявки
тема письма: заявка на Актуальные ошибки гуманитарных наук
дедлайн 17 февраля

🤍 🤍 🤍🤍 🤍

Анализ конкурентной среды для AI-стартапа DataVision Italia: рубрика "Как было проведено это исследование"

✔️Исследовательский вопрос: Кто является основными конкурентами DataVision Italia, каковы их сильные и слабые стороны, и как DataVision Italia может позиционировать себя на рынке, чтобы добиться конкурентного преимущества?

💬Методология
Анализ конкурентной среды проводился в рамках кабинетного исследования (desk research), с использованием качественных методов анализа вторичных данных. Особое внимание уделялось изучению прямых и косвенных конкурентов.

⭕️Этап 1: Определение конкурентного поля:
В первую очередь, были выделены ключевые игроки на итальянском рынке, предлагающие решения в области AI, связанные с:
- Обработкой изображений и компьютерным зрением.
- Разработкой AI-платформ для бизнеса.
- Автоматизацией бизнес-процессов с использованием AI.

⭕️Этап 2: Сбор данных о конкурентах
Информация о конкурентах собиралась из различных источников:
- Официальные сайты компаний: Анализ сайтов конкурентов позволил получить информацию об их продуктах, услугах, целевой аудитории, географическом охвате и истории развития.
- Отраслевые отчеты и публикации: Изучение аналитических материалов, публикуемых отраслевыми ассоциациями и консалтинговыми компаниями, позволило оценить доли рынка основных игроков, тенденции развития рынка и прогнозы на будущее.
- Новости и пресс-релизы: Анализ новостных сообщений и пресс-релизов конкурентов позволил отслеживать их активность на рынке, новые продукты и партнерства.
- Социальные сети: Мониторинг активности конкурентов в социальных сетях позволил оценить их маркетинговые стратегии и взаимодействие с целевой аудиторией.

⭕️Этап 3: SWOT-анализ конкурентов
Для каждого ключевого конкурента был проведен SWOT-анализ, который позволил систематизировать информацию о его сильных и слабых сторонах, а также о возможностях и угрозах, связанных с его деятельностью. Особое внимание уделялось таким факторам, как:
- Технологические возможности: Наличие инновационных технологий, уровень развития продуктов и услуг.
- Рыночная позиция: Доля рынка, репутация бренда, лояльность клиентов.
- Финансовые показатели: Объемы продаж, прибыльность, инвестиции.
- Управленческая команда: Опыт и квалификация руководства.

💬Источники данных
- Сайты конкурентов: Vedrai, Indigo.ai, Aiko, и другие.
- Отраслевые отчеты: Anitec-Assinform, Osservatorio Digital Innovation.
- Публикации в СМИ: Forbes, Harvard Business Review, La Repubblica.
- Социальные сети: LinkedIn, Twitter, Facebook.
- Базы данных: Crunchbase.

На основе проведенного анализа были выявлены ключевые факторы дифференциации DataVision Italia и ее продукта AutoCrash, что позволило разработать эффективную стратегию позиционирования на рынке.