Sfrutta la potenza di JMP®: Big Data e social media per l'analisi della concorrenza
Conferenza sulla scoperta di JMP 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Astratto:
Rispetto alla popolazione globale, ora ci sono il doppio dei sensori (ad es. smartphone) nell'Internet delle cose e un numero equivalente di account sui social media. La conseguente crescita esplosiva del volume di dati rappresenta grandi opportunità per coloro che possono trovare un segnale in questa vasta raccolta di rumore non strutturato e incerto. Un recente progetto ha presentato la necessità per gli utenti di JMP di cercare e analizzare in modo efficiente grandi volumi di materiale open source su tecnologie innovative, livelli di maturità associati, applicazioni attuali e concorrenti primari. Le sfide uniche includevano la necessità di estrarre il testo da queste diverse architetture di siti Web (in assenza del codice estraneo) e da PDF allegati e file PowerPoint che non sono sempre in un formato utilizzabile. Una volta sviluppato il corpus, il testo è stato importato in JMP per identificare rapidamente i temi critici di interesse ei documenti associati. Questi passaggi sono stati eseguiti utilizzando un'interfaccia JMP intuitiva per le routine di estrazione di testo in R. L'analisi del testo che utilizza la visualizzazione dei dati JMP, l'analisi dei cluster e le capacità dell'albero decisionale ha consentito una migliore caratterizzazione del mercato rispetto ai metodi tradizionali. Questo discorso dimostrerà una serie di script e piattaforme JMP per cercare in modo efficace decine di siti Web rilevanti e monitorare i social media (come Twitter), assemblare un'ampia raccolta di dati non strutturati e rispondere a domande di ricerca mirate.
Introduzione:
Sebbene il termine intelligence competitiva (CI) sia stato utilizzato solo negli ultimi decenni per descrivere gli atti di una società per acquisire informazioni su altre organizzazioni che pongono minacce per il business, la pratica è in circolazione da secoli. Analogamente all'intelligence militare, possiamo pensare a un'azienda incentrata sulle forze esterne di concorrenti, prodotti e clienti per valutare con precisione quale strategia deve eseguire per prosperare in ambienti difficili. Possiamo pensare all'intelligenza competitiva in termini sia dell'ambiente strategico governato dalle forze economiche e di mercato, sia dell'intelligenza tattica richiesta ogni giorno (ad es. corrispondere al prezzo di un concorrente). L'intelligence contro la concorrenza è anche il luogo in cui le aziende vorranno proteggere le proprie informazioni proprietarie e altre informazioni sensibili. Gli strumenti e le origini dati devono tenere il passo con i metodi in evoluzione dinamica per acquisire efficacemente la conoscenza dei concorrenti commerciali e anticipare le loro risposte future. Questo documento illustra il valore del software JMP di SAS Institute sia per l'acquisizione che per l'analisi dei dati nello spazio competitivo dell'analisi del mercato.
Ciclo di intelligenza competitiva:
Il ciclo dell'intelligence competitiva nella Figura 1 è uno dei tanti costrutti basati sul modello dell'intelligence militare per descrivere il processo di ricerca di informazioni di mercato sfruttabili su altre attività e l'applicazione dell'analisi per scoprire informazioni utilizzabili. Inizia con la fase di definizione per capire esattamente quali dimensioni vuoi davvero indagare in modo da poter sviluppare un solido piano di attacco. La seconda fase si concentra sull'ottenimento delle fonti di dati corrette per modellare la ricerca. La terza fase cerca di applicare metodi analitici per trasformare i dati grezzi in intuizioni producendo in definitiva una storia avvincente che descrive il paesaggio. L'ultima fase consiste nel fornire queste informazioni ai team giusti che possono agire in base all'intelligence.
Figura 1. Il ciclo dell'intelligenza competitiva
I dati sono ciò che alimenta il processo CI. In passato, solo i professionisti della CI avevano accesso a dati e siti significativi. Ora le cose sono cambiate con i Big Data, dove tutti nell'organizzazione possono apportare qualcosa di valore dal proprio dominio di competenza attraverso una "pesca a strascico" mirata. Le fonti dei dati di CI includono relazioni annuali, discorsi, comunicati stampa (interni ed esterni), analisi finanziarie, fiere, domande di brevetto, sito Web aziendale e social media per citarne alcuni. Spesso questi sono "open source", anche se potresti aver bisogno di autorizzazioni speciali per ottenere l'accesso. Esistono numerosi database proprietari che potrebbero anche avere alcune analisi già disponibili come Dunn e Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters, ecc. Gran parte dei dati grezzi proverrà da ricerche su Internet seguite da un'attenta estrazione degli elementi di dati pertinenti. Gli sforzi di raccolta dei CI dovranno necessariamente affrontare la sfida dei dati di testo non strutturati provenienti da fonti e formati disparati che richiedono uno sforzo significativo per assemblare un set di dati coerente per l'analisi.
La fase di analisi e produzione in genere organizza le molteplici fonti di dati in uno qualsiasi di una serie di costrutti. La nota tecnica SWOT esaminerà i punti di forza, i punti deboli, le opportunità e le minacce dei concorrenti. Un metodo PESTLE valuta le dimensioni politiche, economiche, sociali, tecnologiche, legali e ambientali di un'industria e dei rivali. Le 5 forze del professor Michael Porter di Harvard (barriere all'ingresso, rivali attuali, minacce sostitutive, potere contrattuale dei fornitori, potere contrattuale dell'acquirente) hanno resistito alla prova del tempo. Porter ha anche un modello Four Corners (fattori trainanti/cultura, strategia attuale, ipotesi di gestione e capacità) per prevedere le mosse future della concorrenza. Altri quadri analitici formano matrici con rivali come le colonne e gli indicatori chiave di prestazione come canali di distribuzione, vantaggio tecnologico, prezzi, quota di mercato, attenzione al cliente, stabilità finanziaria, forza lavoro, strutture, partnership e così via. La sfida con uno qualsiasi di questi framework è popolare accuratamente gli elementi dei dati poiché molti dipendono da valutazioni qualitative che dipendono dalla capacità di trovare fonti di dati credibili. Discutiamo alcuni metodi in JMP che possono aiutare a trovare ed esplorare questi dati critici.
co Dati di intelligence competitivi dalle analisi del sito Web:
UN vanash Kausik descrive molti strumenti disponibili per analizzare il traffico di un Web per ottenere informazioni sorprendentemente approfondite su fonti, dati demografici, dinamiche di rimbalzo e sentiment del prodotto. Li suddivide in siti incentrati sul sito che guardano i siti Web della concorrenza rispetto a quelli incentrati sull'ecosistema che guardano al settore e alle tecnologie specifiche. Esempi di applicazioni site-centric sono Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic e AdBeat (per le metriche pubblicitarie online). Questi strumenti forniscono informazioni dettagliate su ciascun sito (es. fonti, frequenza di rimbalzo, pagine visitate, parole chiave,...), anche se sfortunatamente sono gratuiti solo per il tuo sito.
Un esempio di strumento incentrato sull'ecosistema è Google Trends ( https://www.google.com/trends/ ) . La figura 2 mostra la presenza nel tempo del termine “Big Data” che, non a caso, è decollato negli ultimi 3 anni. Sulla trama ci sono lettere che scelgono una storia rappresentativa dal web in quel momento che può fornire informazioni sul motivo per cui c'è un picco o una valle. Inoltre, vengono fornite le principali aree geografiche e termini di ricerca correlati (ad es. Big Data Hadoop).
Google Trends può esportare i dati che ci consentono di utilizzare le capacità di JMP per le nostre analisi. Ad esempio, Jordan Spieth è un giocatore di golf di 22 anni che ha avuto un anno eccezionale recentemente raggiungendo il numero 1 della classifica mondiale. Non è raro sentire negli ambienti sportivi che il golf come sport sta perdendo interesse e forse Spieth può invertire questa tendenza. Il grafico nella Figura 3 mostra certamente non solo una tendenza al ribasso, ma anche un modello molto ciclico che può essere utile nei nostri ruoli di analisi e marketing competitivi.
Figura 2. Grafico delle serie temporali di Google Trends di "Big Data"
Figura 3. Trama di Google Trends Time Series di "Golf"
Dall'esportazione dei dati, possiamo utilizzare JMP per creare il nostro grafico personalizzato delle serie temporali in Graph Builder che etichetti questi eventi in modo più chiaro e possiamo prevedere la crescita in futuro utilizzando ARIMA stagionale come mostrato nella Figura 4. Le aziende possono utilizzare questi tipi di analisi avanzate per prevedere dove stanno andando i mercati e i tempi delle campagne pubblicitarie.
Figura 4. Grafico delle serie storiche del Gruppo ARIMA e previsioni per il “Golf”
Dati di intelligence competitiva dai social media:
L'ultimo decennio ha visto un'esplosione di un nuovo tipo di dati di intelligence che possono essere assimilati dai siti di social media. Le comunicazioni di tutti i tipi vengono registrate ora più che mai e abbiamo l'opportunità di trovare segnali CI tra tutti questi dati rumorosi e non strutturati. I blog e le bacheche sono luoghi di caccia eccezionali per la raccolta di informazioni specifiche sull'industria e sull'azienda. Puoi seguire aziende, dipendenti, gruppi tecnologici, opportunità di lavoro, ex dipendenti su LinkedIn e altri siti professionali. I post su siti come Facebook, Twitter e Instagram offrono anche l'opportunità di comprendere le tendenze nei mercati e nei concorrenti. La sfida è raccogliere in modo efficiente questi dati non strutturati caratterizzati da una nuova lingua informale simile all'inglese con molti modi per esprimere la stessa parola: pensa a come scriveresti a qualcuno la parola stasera .
Abbiamo scritto uno script JMP Scripting Language (JSL) che chiama il linguaggio di programmazione statistica R per scaricare tutti (o un campione casuale) dei feed di Twitter per una durata specificata rispetto a una parola chiave. Lo script raccoglie i dati dal momento presente a un periodo prestabilito nel futuro, sebbene gli archivi Twitter per raccogliere dati retrospettivi esistano a pagamento. I dati restituiti includono il Tweet effettivo, la posizione, l'ora e altri campi demografici. Molte aziende raccolgono Tweet in tempo reale per vedere la reazione del pubblico ai principali rilasci di prodotti, siano essi propri o della concorrenza. Ad esempio, abbiamo eseguito la sceneggiatura per 5 minuti dopo che LeBron James ha annunciato che sarebbe tornato a Cleveland, poiché tutti i nostri dati Twitter su prodotti e società sono di proprietà. Il wordcloud risultante nella Figura 5 fornisce informazioni sui termini più frequenti (carattere più grande) dopo aver rimosso le parole comuni (the, e, o, ...) e il linguaggio offensivo. Inoltre, abbiamo condotto un'analisi del sentiment sui Tweet incrociando un elenco di circa 1.500 parole generalmente associate a sentimento positivo, un elenco di circa 2.000 parole negative con tutte le parole raccolte in 4.000 Tweet in quel periodo di 5 minuti. Un singolo Tweet può contenere più parole positive e negative o nessuna delle due. Il grande conteggio è stato di 3.533 parole positive e 1.626 parole negative. Il wordcloud e l'analisi del sentiment vengono condotti utilizzando un componente aggiuntivo JMP per l'estrazione di testo che chiama anche R per le routine di analisi del testo.
Figura 5. Twitter JSL Script Interface e Wordcloud su "LeBron" nell'estate 2014
Dati di intelligence sulla concorrenza provenienti da siti Web di concorrenti di scraping:
L'architettura del sito Web di un'azienda da sola è un utile pezzo di intelligenza strategica in quanto scelgono attentamente cosa rivelare nella loro presenza online sia in termini di capacità attuali e clienti, sia su cosa stanno lavorando per miglioramenti futuri. Altre eccezionali opportunità di dati includono riunioni/conferenze, leadership, collegamenti a whitepaper, collegamenti a notizie, migliori pratiche, discussioni sulla tecnologia, annunci di lavoro e parole chiave nell'ottimizzazione dei motori di ricerca. Un metodo per ottenere questi dati consiste nel copiare e incollare manualmente il testo di interesse. In alternativa, un'utilità di scraping web automatizzata ha i vantaggi di essere molto più rapida e completa, sebbene possano essere restituite troppe informazioni o estranee.
Abbiamo sviluppato il codice JSL per raschiare i dati di testo da qualsiasi sito Web tenendo traccia dei metadati come la posizione del testo sul sito Web. Lo script Spider ancora una volta chiama R e richiede solo di inserire il sito Web di interesse. Puoi scegliere il tipo di scraping che desideri eseguire poiché i siti Web differiscono nella costruzione. Le opzioni di scraping includono la selezione di tutto il testo, una notizia o l'impostazione predefinita. Puoi anche selezionare la profondità della scansione dove il livello 0 è la pagina web specificata, 1 è quella pagina più tutte le pagine collegate e così via.
Ad esempio, una popolare tecnologia per l'energia verde è il condizionamento dell'aria ad essiccante liquido che ottiene un effetto di raffreddamento rimuovendo le molecole d'acqua piuttosto che l'aria refrigerata convenzionale o i sistemi refrigeranti che rimuovono l'umidità abbassando le temperature al di sotto del punto di rugiada. Una rapida ricerca su Google sul condizionamento d'aria ad essiccante liquido commerciale mostra due aziende leader, Advantix Systems e Kathabar. Abbiamo raschiato entrambi i siti con lo script JSL per creare una tabella di dati JMP con ogni riga che rappresenta una pagina web. La figura 6 mostra l'interfaccia Spider insieme alla nuvola di parole risultante dal componente aggiuntivo di estrazione di testo.
Figura 6. Interfaccia JSL Spider e Wordcloud risultante da www.kathabar.com
Il wordcloud rappresenta ancora una volta la frequenza delle parole. Sebbene questo conteggio grezzo delle parole sia utile, non fornisce molta intelligenza su quali parole si trovano insieme e quali temi possono essere presenti. Per tradurre il testo non strutturato in un file piatto per l'analisi statistica oltre il conteggio delle parole, è comune formare una matrice dei termini del documento (DTM) che ha ogni documento (pagina Web per il nostro esempio) come riga e ogni parola univoca utilizzata nell'intero corpus come colonna separata. Le voci della matrice sono la frequenza con cui ogni termine ricorre in una riga particolare, anche se potrebbe essere meglio usare solo una rappresentazione binaria che indica se la parola appare o meno. Uno schema ponderato basato sul numero di occorrenze della parola nelle righe è un'altra trasformazione comunemente applicata. Cioè, una parola che appare in ogni riga potrebbe non avere molto potere di discriminazione per essere utile analiticamente. Il problema con il DTM è che di solito è molto grande e molto sparso; pertanto, i metodi statistici standard potrebbero non riuscire a rilevare relazioni utili.
Una soluzione al DTM ampio e sparso è proiettarlo in uno spazio dimensionale molto più piccolo, proprio come l'analisi dei componenti principali (PCA). Una soluzione migliore è prendere la scomposizione del valore singolare (SVD) del DTM in una dimensione inferiore rispetto al numero di colonne o parole (riducila a dire da 100 a 300). Questo SVD può essere pensato come DTM M=UDV'. Gli autovettori nella matrice U rappresentano i documenti, gli autovettori nella matrice V rappresentano le parole e i valori singolari sulle diagonali della matrice D derivano dagli autovalori che spiegano la proporzione di variabilità spiegata per ciascuna colonna SVD.
Osservare un grafico bivariato dei primi due autovettori dalla matrice V è utile per raccogliere i temi principali nei dati del testo e trovare parole che si raggruppano insieme. La Figura 7 mostra il grafico bivariato dei primi 2 SVD per l'esempio Kathabar. Qui vediamo le parole raggrupparsi fornendo una soluzione essiccante liquida personalizzata e un altro gruppo che suggerisce apparecchiature a basso consumo energetico per il controllo della temperatura e dell'umidità dell'aria.
Figura 7. Primo per autovettori SVD da Kathabar V Matrix e distanze multivariate per essiccante.
Possiamo anche usare distanze multivariate dagli autovettori della matrice V dal rango ridotto SVD. Queste distanze mostrano le parole che si raggruppano insieme, consentendo di scegliere qualsiasi parola nel corpus per trovare termini strettamente associati. Nel pannello di destra della Figura 7, possiamo vedere le parole più vicine a essiccante non sono sorprendentemente: Liquido, sistema, processo, secco, prodotto, applicazione, affidabile, e produzione.
Dati di intelligence competitiva da brevetti :
Le domande di brevetto offrono un buon barometro del profilo tecnologico di un'azienda. Fortunatamente, sono disponibili molti ottimi motori di ricerca sui brevetti che ti danno libero accesso a tutti gli abstract, i disegni e i campi di testo per raccogliere dati sulla proprietà protetta della concorrenza e comprendere lo stato della tecnologia. PATENTSCOPE dall'Organizzazione Mondiale della Proprietà Intellettuale ( https://patentscope.wipo.int/search/en/result.jsf ) è stato utilizzato per estrarre gli abstract dei brevetti per il condizionamento dell'aria con essiccante liquido. Ciascun paragrafo di un riassunto formava una riga separata nella tabella dei dati JMP. Utilizzando la piattaforma Consumer Research ( Analizza>Ricerca sui consumatori>Categorico> Ruoli di risposta=Multiplo, Colonna di dati di testo assegnata a Testo libero ), possiamo vedere il conteggio delle parole e creare rapidamente un diagramma di Pareto dei termini principali da visualizzare negli abstract dei brevetti.
Figura 8. Interfaccia di testo gratuita JMP e conteggio della frequenza delle parole per i dati sui brevetti.
Possiamo anche utilizzare JMP per formare colonne indicatrici per le 200 parole più frequenti (ad esempio) per vedere se determinati termini sono correlati utilizzando il Analizza>Metodi multivariati>Multivariati>Correlazioni a coppie . La Figura 9 evidenzia alcune delle coppie di parole che sono altamente correlate come media filtrante, riporto fortemente corrosivo, membrane microporose e così via.
Figura 9. Correlazioni a coppie dalla piattaforma multivariata di dati sui brevetti
L'estrazione di argomenti mediante il componente aggiuntivo di JMP per l'estrazione di testo fornisce informazioni aggiuntive. Il grafico dei primi due SVD nella Figura 10 dà l'idea generale di ciò che questi brevetti stanno cercando di fare: una tecnologia che richiede l'uso di essiccante liquido (stop word) per deumidificare l'aria con conseguente effetto di raffreddamento che è più applicabile in ambienti umidi climi; il rischio rappresentato dalla maggior parte degli essiccanti liquidi è l'uso di spray su un media filtrante che aumenta il rischio di trascinamento nello spazio aereo; questi brevetti utilizzano una membrana per eliminare questo rischio.
Figura 10. I primi due vettori SVD per i brevetti
Informazioni di mercato da articoli di riviste tecniche: Molti progressi tecnologici sono descritti in dettaglio nella letteratura accademica, il che suggerisce che questi sarebbero molto utili per dipingere il panorama tecnologico. Per comprendere meglio lo stato della tecnologia degli essiccanti liquidi e la disponibilità per applicazioni commerciali, abbiamo scaricato 45 articoli tecnici recentemente referenziati da pubblicazioni di riviste rispettate nel campo dell'energia pulita degli ultimi tre anni. Questi file di documenti portatili (pdf) erano difficili da tradurre in testo e quindi in una tabella di dati JMP perché i caratteri del testo sono davvero più immagini e la grande quantità di equazioni matematiche non si traduce in testo bene. Abbiamo sperimentato numerosi metodi (sia open source che proprietari) per leggere questi file pdf in modo pulito e abbiamo concluso utilizzando AdobeAcrobat Standard o Pro per salvare il pdf come file di testo RTF (rtf) di MS Word utilizzando la funzione di riconoscimento ottico dei caratteri (OCR) era un buon passaggio intermedio. Successivamente, abbiamo sviluppato una macro di MS Word per aprire un file di documenti Word e salvarli come file di testo da utilizzare nella nostra macro che legge una cartella di file di testo in una tabella JMP per formare il corpus. Abbiamo anche dovuto aggiornare il nostro script JSL per il componente aggiuntivo di estrazione di testo per avere la possibilità di rimuovere i caratteri non alfanumerici. I riferimenti sono stati rimossi poiché interferivano inutilmente con l'analisi del testo.
Le frequenze delle parole nella Figura 11 del componente aggiuntivo JMP per il text mining raccontano una storia simile a quella dei brevetti: questa tecnologia di energia verde è un sistema per raffreddare l'aria riducendo il consumo di energia rigenerando l'essiccante liquido (ad esempio LiCl) per deumidificare e quindi raffreddare il aria dove la membrana separa l'essiccante tossico dal flusso d'aria.
Figura 11. Frequenze delle parole dell'articolo di giornale per la membrana essiccante liquida.
Dopo aver eseguito l'SVD, possiamo raggruppare come articoli di giornale utilizzando i valori degli autovettori dalla matrice U. I documenti si raggruppano molto lungo le linee dell'autore così come le aree di ricerca generali all'interno dell'essiccante liquido (Figura 12). Per l'estrazione dell'argomento, utilizziamo la matrice V dall'SVD. Alcuni argomenti selezionati (Figura 13) in queste riviste sono: 1) esperimenti comparativi che convalidano l'essiccante liquido come soluzione di condizionamento dell'aria e l'aumento dell'efficienza dal metodo di rigenerazione che consente di risparmiare energia; 2) esperimenti per prevedere velocità di trasferimento di massa e rapporti di efficienza consentendo diversi valori dei parametri di ingresso; 3) metodo alternativo per rimuovere il vapore mediante compressore elettrico ibrido e essiccante liquido.
Figura 12. Risultati dell'analisi dei cluster da articoli di riviste di essiccante liquido
Figura 13. Argomenti dagli estratti della membrana per il condizionamento dell'aria ad essiccante liquido
I grafici dei primi due autovettori della matrice V (Figura 14) mostrano alcuni temi generali di questi sforzi di ricerca basati sugli abstract: rigenerazione dell'energia, miglioramento della deumidificazione, simulazione, trasferimento di massa, previsione dell'esperimento, modello, temperatura e membrana e termica processo con vapore acqueo.
Figura 14. Grafico bivariato dei primi due autovettori degli estratti del diario del condizionamento dell'aria ad essiccante liquido
Un'altra tecnica utile nell'estrazione di argomenti consiste nell'esaminare le distanze multivariate dalla matrice V per parole particolari. Queste distanze multivariate sono calcolate da JMP durante l'analisi del cluster e sono ottenute salvando la matrice delle distanze. Puoi selezionare una parola specifica e scoprire quali parole sono più strettamente correlate ad essa. Alcune parole di interesse mostrate nella Figura 15 forniscono le seguenti informazioni dagli abstract di questi articoli di rivista:
- Costo: la preoccupazione è il periodo di ammortamento, l'installazione principale, la caldaia e i grandi driver di stoccaggio
- Affidabilità: produzione di unità multizona e a soffitto con sottosistema di raffreddamento ad aria
- L'essiccante al litio è cloruro di litio come soluzione acquosa; la principale preoccupazione è il contatto con l'ambiente (tossico), la membrana microporosa è la soluzione
- Le goccioline che entrano in contatto diretto sono dannose, devono essere eliminate per renderle economicamente fattibili
Figura 15. Distanze multivariate dalla matrice V per riassunti di riviste di essiccante liquido.
Riepilogo:
Esistono molti framework per l'analisi dell'intelligence competitiva come SWOT, Porter's 5 Forces e 4 Corners, che dipendono dall'input di dati corrente e affidabile. Le origini dati CI sono salite alle stelle e sono diventate democratizzate in modo che i dipendenti di tutta l'azienda possano trovare informazioni sfruttabili sui loro rivali. Il problema è che i dati non sono necessariamente facilmente recuperabili, sono per lo più rumorosi e non strutturati. Gli strumenti analitici degli script JMP e JSL sono utili per raccogliere e dare un senso ai dati provenienti da fonti quali siti Web, social media, brevetti e articoli di riviste tecniche. Come l'analogia militare, l'obiettivo è quello di passare da informazioni open source non strutturate a rapporti di intelligence "classificati" che influiscono sulla direzione strategica dell'organizzazione.
Riferimenti:
Baglama, James e Reichel, Lothar. Metodi di bidiagonalizzazione Lanczos riavviati implicitamente aumentati. 2005 SIAM Journal of Scientific Computing, vol. 27, pp. 19-42.
Barbera, Pablo. streamR: accesso all'API di streaming di Twitter tramite R. [In linea] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John e Kerin, Roger. Analisi dei concorrenti . [In linea] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
Eva ngelopoulos, Nicholas, Zhang, Xiaoni e Prybutok, Victor R. Analisi semantica latente: cinque raccomandazioni metodologiche. 2012, Giornale europeo dei sistemi informativi, vol. 21, pp. 70-86.
Compagni, Ian. wordcloud: nuvole di parole. CRAN. [In linea] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
Kaushik, svanisci. Distruggerlo con l'analisi dell'intelligenza competitiva: migliori metriche, rapporti . [In linea] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
Lang, Tempio di Duncan. RCurl: interfaccia client di rete generale (HTTP/FTP/...) per R. CRAN. [In linea] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
Martino . Quadri strategici: analisi della concorrenza e intelligence competitiva . [In linea] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
Metayer, Estelle. Le migliori tecniche di analisi che la tua intelligenza competitiva o il tuo team di pianificazione strategica dovrebbero padroneggiare. [In linea] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
Patentscope dell'Organizzazione Mondiale della Proprietà Intellettuale. [In linea] 2015. https://patentscope.wipo.int/search/en/result.jsf
