世界各国のリアルタイムなデータ・インテリジェンスで皆様をお手伝い

マテリアルズ・インフォマティクス 2024-2034：市場、戦略、プレーヤー


Materials Informatics 2024-2034: Markets, Strategies, Players

もっと見る

　

　

出版社 出版年月 価格 言語
IDTechEx
アイディーテックエックス 		2024年2月15日 お問い合わせください
ライセンス・価格情報
注文方法はこちら 		英語

　

ページTOPに戻る


目次

1. 要旨
1.1. 材料情報学とは何か？
1.2. 素材設計・開発の各段階におけるAIの機会
1.3. 材料科学データの問題点
1.4. MIアルゴリズムの種類 - 教師あり vs 教師なし
1.5. MIにおけるアルゴリズム進歩の主要分野
1.6. シミュレーション・データはMIプロセスの重要なインプットである。
1.7. 大規模言語モデルとMI：その可能性とは？(I)
1.8. 大規模言語モデルとMI：その可能性とは？(II)
1.9. 素材情報学プレーヤー - カテゴリー
1.10. 戦略的アプローチの結論と展望：エンドユーザーへのアプローチ（I）
1.11. 戦略的アプローチの結論と展望：エンドユーザーへのアプローチ（II）
1.12. MIのエンドユーザーにとって、万能なアプローチは存在しない。
1.13. 外部プロバイダーの主要パートナーおよび顧客
1.14. 主な業界プレーヤー（I）：確立されたリーダー
1.15. 主な業界プレーヤー（II）：有望な挑戦者たち
1.16. 注目すべきMIコンソーシアム
1.17. マテリアルズ・インフォマティクス：2024年の業界状況
1.18. MI州のプロジェクトカテゴリー
1.19. 市場予測：外材インフォマティクス・プレーヤー
1.20. 外部MI会社の市場見通し
1.21. 材料インフォマティクス - 成熟度別市場浸透度
1.22. 材料情報学ロードマップ
2. はじめに
2.1. 材料情報学とは何か？
2.2. 材料情報学 - なぜ今なのか？
2.3. ML/AIは材料科学で何ができるのか？
2.4. マテリアルズ・インフォマティクス - カテゴリー定義
2.5. 科学と工学における広範なインフォマティクス領域
2.6. 素材全般にわたるMIの主な課題
2.7. 伝統的な合成アプローチのループを閉じる
2.8. ハイスループット・バーチャル・スクリーニング(HTVS)
2.9. 化学と材料科学におけるMLの利点 - 加速化
2.10. 化学と材料科学におけるMLの利点 - スコープとスクリーニング
2.11. 化学と材料科学におけるMLの利点 - スコープとスクリーニング(2)
2.12. 化学と材料科学におけるMLの利点 - 新しい生物種とその関係
2.13. 化学と材料科学のためのデータ基盤
2.14. ELN/LIMSソフトウェアと材料情報学
3. テクノロジー・アセスメント
3.1. 概要
3.1.1. 材料インフォマティクス・アルゴリズムのインプットとアウトプット
3.1.2. 素材情報学に必要なものは何か？
3.1.3. 技術アプローチのまとめ
3.1.4. 実験データの不確実性が分析を損なう
3.1.5. QSARとQSPR：構造と特性の関係
3.2. MIアルゴリズム
3.2.1. 概要のMIアルゴリズム
3.2.2. 材料科学データの問題点
3.2.3. 記述子とモデルのトレーニング
3.2.4. コンピュータに材料を説明する（I）
3.2.5. コンピュータに素材を描写する（II）
3.2.6. MIアルゴリズムの種類 - 教師あり vs 教師なし
3.2.7. 教師あり学習と教師なし学習における問題クラス
3.2.8. 強化学習：試行錯誤による学習
3.2.9. 自動化された特徴選択
3.2.10. 探索と探査：知っていることを使うか、新しい分野に目を向けるか？
3.2.11. 材料インフォマティクスにおける純粋搾取とイプシロン・グリーディの比較
3.2.12. アクティブ・ラーニングとMI：改善を最大化するための実験の選択
3.2.13. 教師あり学習モデル：「より洗練されている」ことが必ずしも良いとは限らない
3.2.14. ベイズ最適化：機械学習における万能ツール
3.2.15. 遺伝的アルゴリズム自然淘汰を模倣する
3.2.16. 教師なし学習のケーススタディ - フェーズのマッピング
3.2.17. ディープラーニング脳を模倣する
3.2.18. Deep learning: Typesの neural network
3.2.19. 生成的アルゴリズムと識別的アルゴリズム - 説明とラベリング
3.2.20. Transformer models are at the coreの the AI boom
3.2.21. 材料情報学における生成アルゴリズム：ケーススタディ
3.2.22. ディープラーニングMIの例
3.2.23. 無機化合物の生成モデル (I)
3.2.24. 無機化合物の生成モデル (II)：生成的敵対ネットワーク
3.2.25. 小さな材料データセットの扱い方
3.2.26. 小さな材料データセットによるディープラーニング：例（I）
3.2.27. 小さな材料データセットによるディープラーニング：例（II）
3.2.28. 大規模言語モデル（LLM）と素材R＆D
3.2.29. Capabilitiesの LLMs in science
3.2.30. 概要MIにおけるアルゴリズム進歩の主要分野
3.3. データインフラの構築
3.3.1. データ・インフラはMIに不可欠
3.3.2. 化学および材料科学を対象とした開発
3.3.3. ELN/LIMS、材料インフォマティクス、R&Dプロセスの管理
3.4. 外部データベース
3.4.1. データ・リポジトリ - 組織
3.4.2. データリポジトリの活用
3.4.3. テキスト抽出と分析
3.4.4. ChemDataExtractor V1.0: Data mining publications and patents
3.4.5. ChemDataExtractor V2.0: Mining relational data
3.4.6. 注釈を付け、関連情報を抽出する：商業空間
3.5. 物理的実験と特性評価を伴うMI
3.5.1. Achieving high-volumesの physical experimental data
3.5.2. Achieving high-volumesの physical experimental data(2)
3.5.3. ハイスループット分光法
3.5.4. In-situ分光法の開発
3.6. 計算材料科学とのMI
3.6.1. 化学・材料科学シミュレーション R＆D
3.6.2. 密度汎関数理論（DFT） - CAMDの量子力学的モデリング
3.6.3. Surrogate models reduce the computational expenseの atomistic simulation
3.6.4. 長さスケールの連続体にまたがる物質のシミュレーション：マルチスケールモデリング
3.6.5. ICME and the roleの machine learning
3.6.6. ICME：なぜそれが重要なのですか？
3.6.7. QuesTek InnovationsとICME：サービスからSaaSへ
3.6.8. Thermo-CalcとCompuTherm: ICMEソフトウェアの提供とQuesTekとの提携
3.6.9. 最大の計算材料科学データベースの作成と利用
3.6.10. クラウドベースのシミュレーションを活用した探索的デザイン
3.6.11. 量子コンピューター活用の可能性
3.6.12. 材料探索のための計算自律性
3.6.13. 概要シミュレーション・データはMIプロセスの重要なインプットである。
3.7. 自律型ラボ
3.7.1. 未来 - 完全自律型ラボ
3.7.2. 未来 - "ケムコンピューター"
3.7.3. ディープマターとケムコンピューター
3.7.4. 検査室自動化のためのワークフロー管理
3.7.5. 自律的なハイスループット実験
3.7.6. 商用自動運転研究所
3.7.7. ギアルー：移動可能な自律型ロボット科学者の商業化を試みる
3.7.8. レトロシンセシスからロボット実行まで
3.7.9. 化学的自律性のための技術の柱
4. 業界分析
4.1. 概要
4.1.1. マテリアルズ・インフォマティクス：2024年の業界状況
4.2. MIへの戦略的アプローチ
4.2.1. 素材情報学プレーヤー - カテゴリー
4.2.2. 戦略的アプローチの結論と展望：エンドユーザーへのアプローチ（I）
4.2.3. 戦略的アプローチの結論と展望：エンドユーザーへのアプローチ（II）
4.2.4. 戦略的アプローチの結論と展望；社外素材情報企業へのアプローチ(I)
4.2.5. 戦略的アプローチの結論と展望；社外素材情報企業へのアプローチ（II）
4.3. 選手分析
4.3.1. 材料インフォマティクスのプレーヤー - 概要
4.3.2. 外部プロバイダーの主要パートナーおよび顧客
4.3.3. エンジニアリング・シミュレーション・ソフトウェアとのパートナーシップ
4.3.4. 民間企業による資金調達(I)：自社開発により高額の資金が必要となる
4.3.5. 民間企業による資金調達（II）：AIブームがMIへの関心を高めている可能性
4.3.6. NobleAI：MI、マイクロソフト、AIブームとクラウドマーケットプレイス
4.3.7. 主な業界プレーヤー（I）：確立されたリーダー
4.3.8. 主な業界プレーヤー（II）：有望な挑戦者たち
4.3.9. 主要MIプレーヤー：黒字化への道筋？
4.3.10. MI SaaSのプレーヤーにとって、収益性の障壁は何か？
4.3.11. 素材情報学の内製化
4.3.12. 施設内業務をサービスとして提供
4.3.13. 内製化：まず何が必要か？
4.3.14. エンソート科学・工学R＆Dにおけるデジタルトランスフォーメーション
4.3.15. レゾナック／昭和電工 - 外部エンゲージメントから社内MI戦略へ？
4.3.16. 逆合成の予測：「この化合物は作れるか？
4.3.17. 市販のレトロシンセシス予測器
4.3.18. 注目すべきMIコンソーシアム(1) - NIMSと材料オープンプラットフォーム
4.3.19. 注目すべきMIコンソーシアム(2) - 産総研データ駆動型コンソーシアム
4.3.20. 注目すべきMIコンソーシアム(3) - 豊田研究所と大学の連携
4.3.21. 注目すべきMIコンソーシアム(4) - グローバル・アクセラレーション・ネットワーク
4.3.22. 過去の著名なMIコンソーシアム（1） - IBMとのコラボレーション
4.3.23. Notable past MI consortia(2): CHiMaD and the CMD Network
4.3.24. 官民コラボレーション
4.3.25. オープン・カタリスト・プロジェクトクラウドソーシングMI
4.3.26. マテリアル・ゲノム・イニシアティブ（MGI）
4.3.27. 材料ゲノム工学（MGE）または国家材料ゲノムプロジェクト（中国）
4.3.28. その他の主な取り組みと世界の研究センター（1）
4.3.29. その他の主な取り組みと世界各地の研究センター(2)
4.3.30. 結論：MIのエンドユーザーにとって、万能なアプローチは存在しない
4.4. Applicationsの materials informatics
4.4.1. MI州のプロジェクトカテゴリー
4.4.2. アプリケーションの進行
4.4.3. 材料情報学ロードマップ
4.5. 市場予測と見通し
4.5.1. Signsの growth in the MI industry
4.5.2. 市場予測：外材インフォマティクス・プレーヤー
4.5.3. 予測データと市場見通し
4.6. MI業界プレーヤーデータ
4.6.1. Listsの MI players
4.6.2. 全選手リスト - 民間企業（稼働確認済み） (1)
4.6.3. 全選手リスト - 民間企業（稼働確認済み）(2)
4.6.4. 全選手リスト - 民間企業（稼働確認済み）(3)
4.6.5. 全選手リスト - 民間企業（稼働確認済み）(4)
4.6.6. 全選手リスト - 民間企業（稼働確認済み）(5)
4.6.7. 全選手リスト - 民間企業（稼働確認済み）(6)
4.6.8. 全選手リスト - 民間企業（稼働確認済み）(7)
4.6.9. 全選手リスト - 民間企業（稼働確認済み）(8)
4.6.10. 全選手リスト - 民間企業（稼働確認済み）(9)
4.6.11. Full player list - Commercial companies (likely industry leavers in2023)
4.6.12. 選手リスト - 公的機関（I）
4.6.13. 選手リスト - 公的機関 (II)
5. 会社概要
5.1. アルバート・インベント
5.2. アルケミークラウド
5.3. AIアプローチ
5.4. シトリン・インフォマティクス（2020年）
5.5. シトリン・インフォマティクス（2022年）
5.6. シトリン・インフォマティクス（2023/4更新）
5.7. コペルニクス触媒
5.8. シノーラ
5.9. エリックス社
5.10. 思想
5.11. エキソマター
5.12. エクスポネンシャル・テクノロジーズ
5.13. FEHRMANNマテリアルX
5.14. フルエンス・アナリティクス
5.15. インテルレジェンズ
5.16. ケボティクス（2020）
5.17. ケボティクス（2022年）
5.18. キュラックス
5.19. 材料
5.20. マテリアルゾーン（2020年）
5.21. マテリアルゾーン（2022年）
5.22. マトメライズ
5.23. メタ
5.24. OTIルミオニクス
5.25. フェーズシフト・テクノロジーズ
5.26. 重合する
5.27. 望ましい計算化学/Matlantis
5.28. QuesTek Innovations LLC
5.29. シュルジンガー
5.30. ストイキア
5.31. 数え切れない（2020年）
5.32. 数え切れない（2022年）
5.33. シンターラ

 

　

ページTOPに戻る


　

ページTOPに戻る


Table of Contents

1. EXECUTIVE SUMMARY
1.1. What is materials informatics?
1.2. AI opportunities at every stage of materials design and development
1.3. Problems with materials science data
1.4. Types of MI algorithms - Supervised vs unsupervised
1.5. Key areas of algorithm advancements in MI
1.6. Simulation data is an important input to MI processes
1.7. Large Language Models and MI: what are the possibilities? (I)
1.8. Large Language Models and MI: what are the possibilities? (II)
1.9. Materials informatics players - categories
1.10. Conclusions and outlook for strategic approaches: approaches for end-users (I)
1.11. Conclusions and outlook for strategic approaches: approaches for end-users (II)
1.12. For MI end-users, there is no one-size-fits-all approach
1.13. Key Partners and Customers of External Providers
1.14. Main industry players (I): Established leaders
1.15. Main industry players (II): Promising challengers
1.16. Notable MI consortia
1.17. Materials Informatics: the state of the industry in 2024
1.18. Project categories in MI
1.19. Market forecast: external materials informatics players
1.20. Market outlook for external MI companies
1.21. Materials informatics - Market penetration by maturity
1.22. Materials informatics roadmap
2. INTRODUCTION
2.1. What is materials informatics?
2.2. Materials informatics - Why now?
2.3. What can ML/AI do in materials science?
2.4. Materials Informatics - Category definitions
2.5. The broader informatics space in science and engineering
2.6. Key challenges for MI across the full materials spectrum
2.7. Closing the loop on traditional synthetic approaches
2.8. High Throughput Virtual Screening (HTVS)
2.9. Advantages of ML for chemistry and materials science - Acceleration
2.10. Advantages of ML for chemistry and materials science - Scoping and screening
2.11. Advantages of ML for chemistry and materials science - Scoping and screening (2)
2.12. Advantages of ML for chemistry and materials science - New species and relationships
2.13. Data infrastructures for chemistry and materials science
2.14. ELN/LIMS Software and Materials Informatics
3. TECHNOLOGY ASSESSMENT
3.1. Overview
3.1.1. Inputs and outputs of materials informatics algorithms
3.1.2. What is needed for materials informatics?
3.1.3. Summary of technology approaches
3.1.4. Uncertainty in experimental data undermines analysis
3.1.5. QSAR and QSPR: relating structure to properties
3.2. MI algorithms
3.2.1. Overview of MI algorithms
3.2.2. Problems with materials science data
3.2.3. Descriptors and training a model
3.2.4. Describing materials to a computer (I)
3.2.5. Describing materials to a computer (II)
3.2.6. Types of MI algorithms - Supervised vs unsupervised
3.2.7. Problem classes in supervised and unsupervised learning
3.2.8. Reinforcement learning: Learning by trial and error
3.2.9. Automated feature selection
3.2.10. Exploitation vs exploration: Use what you know or look into new areas?
3.2.11. Pure exploitation vs epsilon-greedy policies in materials informatics
3.2.12. Active learning and MI: Choosing experiments to maximize improvement
3.2.13. Supervised learning models: "More sophisticated" is not always better
3.2.14. Bayesian optimization: A versatile tool in machine learning
3.2.15. Genetic algorithms: Mimicking natural selection
3.2.16. Unsupervised learning case study - Mapping phases
3.2.17. Deep learning: Imitating the brain
3.2.18. Deep learning: Types of neural network
3.2.19. Generative vs discriminative algorithms - Explaining vs labelling
3.2.20. Transformer models are at the core of the AI boom
3.2.21. Generative algorithms in materials informatics: case study
3.2.22. Deep learning: An example in MI
3.2.23. Generative models for inorganic compounds (I)
3.2.24. Generative models for inorganic compounds (II): Generative adversarial networks
3.2.25. How to work with small material datasets
3.2.26. Deep learning with small material datasets: examples (I)
3.2.27. Deep learning with small material datasets: examples (II)
3.2.28. Large Language Models (LLMs) and Materials R&D
3.2.29. Capabilities of LLMs in science
3.2.30. Summary: Key areas of algorithm advancements in MI
3.3. Establishing a data infrastructure
3.3.1. A data infrastructure is critical for MI
3.3.2. Developments targeted for chemical and materials science
3.3.3. ELN/LIMS, materials informatics and managing R&D processes
3.4. External databases
3.4.1. Data repositories - Organizations
3.4.2. Leveraging data repositories
3.4.3. Text extraction and analysis
3.4.4. ChemDataExtractor V1.0: Data mining publications and patents
3.4.5. ChemDataExtractor V2.0: Mining relational data
3.4.6. Annotating and extracting the relevant information: The commercial space
3.5. MI with physical experiments and characterization
3.5.1. Achieving high-volumes of physical experimental data
3.5.2. Achieving high-volumes of physical experimental data (2)
3.5.3. High-throughput spectroscopy
3.5.4. In-situ spectroscopy developments
3.6. MI with computational materials science
3.6.1. Simulations for chemistry and materials science R&D
3.6.2. Density functional theory (DFT) - Quantum mechanical modelling for CAMD
3.6.3. Surrogate models reduce the computational expense of atomistic simulation
3.6.4. Simulating matter across the length scale continuum: multiscale modelling
3.6.5. ICME and the role of machine learning
3.6.6. ICME: Why is it important?
3.6.7. QuesTek Innovations and ICME: from service to SaaS
3.6.8. Thermo-Calc and CompuTherm: ICME software provision and QuesTek collaboration
3.6.9. Generating and using the largest computational materials science database
3.6.10. Explorative design utilizing cloud-based simulation
3.6.11. The potential in leveraging quantum computing
3.6.12. Computation autonomy for materials discovery
3.6.13. Summary: simulation data is an important input to MI processes
3.7. Autonomous labs
3.7.1. The future - fully autonomous labs
3.7.2. The future - "Chemputer"
3.7.3. DeepMatter and the Chemputer
3.7.4. Workflow management for laboratory automation
3.7.5. Autonomous high throughput experimentation
3.7.6. Commercial self-driving-laboratories
3.7.7. Gearu: attempting to commercialize mobile autonomous robotic scientists
3.7.8. Retrosynthesis through to robot execution
3.7.9. Technology pillars for chemical autonomy
4. INDUSTRY ANALYSIS
4.1. Overview
4.1.1. Materials Informatics: the state of the industry in 2024
4.2. Strategic approaches to MI
4.2.1. Materials informatics players - categories
4.2.2. Conclusions and outlook for strategic approaches: approaches for end-users (I)
4.2.3. Conclusions and outlook for strategic approaches: approaches for end-users (II)
4.2.4. Conclusions and outlook for strategic approaches; approaches for external materials informatics companies (I)
4.2.5. Conclusions and outlook for strategic approaches; approaches for external materials informatics companies (II)
4.3. Player analysis
4.3.1. Materials informatics players - overview
4.3.2. Key Partners and Customers of External Providers
4.3.3. Partnerships with engineering simulation software
4.3.4. Funding raised by private companies (I): in-house development leads to high capital requirements
4.3.5. Funding raised by private companies (II): the AI boom may be raising interest in MI
4.3.6. NobleAI: MI, Microsoft, the AI boom and cloud marketplaces
4.3.7. Main industry players (I): Established leaders
4.3.8. Main industry players (II): Promising challengers
4.3.9. Major MI players: on a path to profitability?
4.3.10. What are the barriers to profitability for MI SaaS players?
4.3.11. Taking materials informatics in-house
4.3.12. Offering in-housed operations as a service
4.3.13. Taking the operation in-house: What needs to happen first?
4.3.14. Enthought: Digital transformation in scientific/engineering R&D
4.3.15. Resonac/Showa Denko - from external engagements to in-housed MI strategy?
4.3.16. Retrosynthesis prediction: "Can I make this compound?"
4.3.17. Commercial retrosynthesis predictors
4.3.18. Notable MI consortia (1) - NIMS and Materials Open Platforms
4.3.19. Notable MI consortia (2) - AIST Data-Driven Consortium
4.3.20. Notable MI consortia (3) - Toyota Research Institute and university collaboration
4.3.21. Notable MI consortia (4) - The Global Acceleration Network
4.3.22. Notable past MI consortia (1) - IBM collaborations
4.3.23. Notable past MI consortia (2): CHiMaD and the CMD Network
4.3.24. Public-private collaborations
4.3.25. The Open Catalyst Project: Crowdsourcing MI
4.3.26. Materials Genome Initiative (MGI)
4.3.27. Materials Genome Engineering (MGE) or National Materials Genome Project (China)
4.3.28. Additional key initiatives and research centers around the world (1)
4.3.29. Additional key initiatives and research centers around the world (2)
4.3.30. Conclusion: for MI end-users, there is no one-size-fits-all approach
4.4. Applications of materials informatics
4.4.1. Project categories in MI
4.4.2. Application Progression
4.4.3. Materials informatics roadmap
4.5. Market forecast and outlook
4.5.1. Signs of growth in the MI industry
4.5.2. Market forecast: external materials informatics players
4.5.3. Forecast data and market outlook
4.6. MI industry player data
4.6.1. Lists of MI players
4.6.2. Full player list - Commercial companies (confirmed operational) (1)
4.6.3. Full player list - Commercial companies (confirmed operational) (2)
4.6.4. Full player list - Commercial companies (confirmed operational) (3)
4.6.5. Full player list - Commercial companies (confirmed operational) (4)
4.6.6. Full player list - Commercial companies (confirmed operational) (5)
4.6.7. Full player list - Commercial companies (confirmed operational) (6)
4.6.8. Full player list - Commercial companies (confirmed operational) (7)
4.6.9. Full player list - Commercial companies (confirmed operational) (8)
4.6.10. Full player list - Commercial companies (confirmed operational) (9)
4.6.11. Full player list - Commercial companies (likely industry leavers in 2023)
4.6.12. Player list - Public organizations (I)
4.6.13. Player list - Public organizations (II)
5. COMPANY PROFILES
5.1. Albert Invent
5.2. Alchemy Cloud
5.3. Ansatz AI
5.4. Citrine Informatics (2020)
5.5. Citrine Informatics (2022)
5.6. Citrine Informatics (2023/4 update)
5.7. Copernic Catalysts
5.8. Cynora
5.9. Elix, Inc
5.10. Enthought
5.11. Exomatter
5.12. Exponential Technologies
5.13. FEHRMANN MaterialsX
5.14. Fluence Analytics
5.15. Intellegens
5.16. Kebotix (2020)
5.17. Kebotix (2022)
5.18. Kyulux
5.19. MaterialsIn
5.20. Materials Zone (2020)
5.21. Materials Zone (2022)
5.22. Matmerize
5.23. META
5.24. OTI Lumionics
5.25. Phaseshift Technologies
5.26. Polymerize
5.27. Preferred Computational Chemistry/Matlantis
5.28. QuesTek Innovations LLC
5.29. Schrödinger
5.30. Stoicheia
5.31. Uncountable (2020)
5.32. Uncountable (2022)
5.33. Xinterra

 

　

ページTOPに戻る

ご注文は、お電話またはWEBから承ります。お見積もりの作成もお気軽にご相談ください。

webからのご注文・お問合せはこちらのフォームから承ります

本レポートと同分野の最新刊レポート

  • 本レポートと同分野の最新刊レポートはありません。

IDTechEx社の分野での最新刊レポート

  • 最新刊レポートはありません。

本レポートと同じKEY WORD（）の最新刊レポート

  • 本レポートと同じKEY WORDの最新刊レポートはありません。

よくあるご質問


IDTechEx社はどのような調査会社ですか?


IDTechExはセンサ技術や3D印刷、電気自動車などの先端技術・材料市場を対象に広範かつ詳細な調査を行っています。データリソースはIDTechExの調査レポートおよび委託調査（個別調査）を取り扱う日... もっと見る


調査レポートの納品までの日数はどの程度ですか?


在庫のあるものは速納となりますが、平均的には 3-４日と見て下さい。
但し、一部の調査レポートでは、発注を受けた段階で内容更新をして納品をする場合もあります。
発注をする前のお問合せをお願いします。


注文の手続きはどのようになっていますか?


1)お客様からの御問い合わせをいただきます。
2)見積書やサンプルの提示をいたします。
3)お客様指定、もしくは弊社の発注書をメール添付にて発送してください。
4)データリソース社からレポート発行元の調査会社へ納品手配します。
5) 調査会社からお客様へ納品されます。最近は、pdfにてのメール納品が大半です。


お支払方法の方法はどのようになっていますか?


納品と同時にデータリソース社よりお客様へ請求書（必要に応じて納品書も）を発送いたします。
お客様よりデータリソース社へ（通常は円払い）の御振り込みをお願いします。
請求書は、納品日の日付で発行しますので、翌月最終営業日までの当社指定口座への振込みをお願いします。振込み手数料は御社負担にてお願いします。
お客様の御支払い条件が60日以上の場合は御相談ください。
尚、初めてのお取引先や個人の場合、前払いをお願いすることもあります。ご了承のほど、お願いします。


データリソース社はどのような会社ですか?


当社は、世界各国の主要調査会社・レポート出版社と提携し、世界各国の市場調査レポートや技術動向レポートなどを日本国内の企業・公官庁及び教育研究機関に提供しております。
世界各国の「市場・技術・法規制などの」実情を調査・収集される時には、データリソース社にご相談ください。
お客様の御要望にあったデータや情報を抽出する為のレポート紹介や調査のアドバイスも致します。



詳細検索

このレポートへのお問合せ

お問合せはこちらから

03-3582-2531

電話お問合せもお気軽に

 

2024/11/21　10:26

156.13 円

165.08 円

200.38 円

ページTOPに戻る

株式会社 データリソース　Data Resources, Inc.
東京都港区赤坂1-14-5　アークヒルズエグゼクティブタワー N313

電話：03-3582-2531
FAX：03-3582-2861
Eメール：office@dri.co.jp

FAQ サイトマップ プライバシーポリシー お問合せ

関連会社:
株式会社ユーディーアール

COPYRIGHT(C) 2011-2023　DATA RESOURCES, Inc. ALL RIGHTS RESERVED.