2019-2021授权战新专利决策变量分析

今天我们介绍一个全新的专利分析维度：决策变量分析

什么是决策变量分析呢？简单的说就是中国的一句俗语：知其然而知其所以然，即不仅仅了解事物的表面，更要了解其背后的来源与缘由。

举例而言，现有的专利分析中，都非常关注一个数，专利申请量，但是也是就此止步于此。随着大数据分析的深入，我们发现专利申请量后面还有许多驱动因子，比如申请创新保护的主体数 - 申请人数、实施创新的发明人数以及覆盖创新的技术领域数 - IPC数，等等。

传统分析下，用户可能只能看到本地区，本部门的最多申请量的10个、20个申请人、IPC分类的申请量排名，而忽略了驱动这些申请量后面的申请人个数、发明人个数、IPC分类数以及其它计数。例如，当我们通过决策变量分析，发现北京超大型申请人2019-2021年申请授权的中国发明战新专利19287篇，是由607个超大型标准申请人申请，43315个发明人创新，12039个IPC小组技术覆盖，并由664个代理所代理（无代理算1个代理所）。。。

由这些决策变量直接驱动专利申请量，往往成为解决问题的关键抓手。我们定义这些变量为决策变量。在这些决策变量中，我们进一步定义任意一组专利的单位产出率。如下，

单位申请人产出率 = 申请量/申请人个数

即，平均一个申请人的申请量。这样2组专利中，发现对应的单位申请人产出率不同，我们应该知道提升单位申请人产出率，是提升专利申请量的有效途径。还有其他决策变量的单位申请人产出率，如

单位发明人产出率 = 申请量/发明人个数

单位IPC产出率 = 申请量/IPC个数

单位代理所产出率 = 申请量/代理所个数

充分了解这些背后的联动因素，即通过决策分析展现后的数据很可能给数据使用者们带来全新的认知。比如，某代理所希望决策哪里去开设新代理业务，可以通过Patentics大数据计算多地的单位代理所产出率，立刻看出当地的代理机构是否存在商业的垄断状态，垄断的又是哪些，决策自然可以有的放矢的去选择单位代理所产出率最低的地区为新代理业务的开设点，或者针对自己既有的优势去竞争。

不一而足，决策分析的能力还有太多，随后我们会放出更多的示例来为大家展现这个全新的视角，跟随Patentics进入立体专利数据分析的时代，做知识数据的弄潮儿！

6.下一步我们将提供系列中国战新授权专利数字画像（超大型、大型、中型、小型和微型申请人）创新主体的决策变量分析图谱以及简单操作步骤，敬请期待！