Exploitez la puissance de JMP® : Big Data et médias sociaux pour l'analyse de la concurrence
Conférence Découverte JMP 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Résumé:
Par rapport à la population mondiale, il y a désormais deux fois plus de capteurs (par exemple, les smartphones) dans l'Internet des objets et un nombre équivalent de comptes sur les réseaux sociaux. La croissance explosive du volume de données qui en résulte représente de grandes opportunités pour ceux qui peuvent trouver un signal dans cette vaste collection de bruits non structurés et incertains. Un projet récent a présenté la nécessité pour les utilisateurs de JMP de rechercher et d'analyser efficacement de grands volumes de matériel open source sur les technologies innovantes, les niveaux de maturité associés, les applications actuelles et les principaux concurrents. Les défis uniques comprenaient la nécessité d'extraire le texte de ces diverses architectures de sites Web (en l'absence du code superflu) et des fichiers PDF et PowerPoint joints qui ne sont pas toujours dans un format utilisable. Une fois le corpus élaboré, le texte a été importé dans JMP pour identifier rapidement les thèmes critiques d'intérêt et les documents associés. Ces étapes ont été accomplies à l'aide d'une interface JMP intuitive pour les routines d'exploration de texte dans R. L'analyse de texte à l'aide de fonctionnalités de visualisation de données, d'analyse de clusters et d'arbre de décision de JMP a permis une meilleure caractérisation du marché par rapport aux méthodes traditionnelles. Cette conférence présentera une série de scripts et de plates-formes JMP pour rechercher efficacement des dizaines de sites Web pertinents et surveiller les médias sociaux (tels que Twitter), rassembler une vaste collection de données non structurées et répondre à des questions de recherche ciblées.
Introduction:
Bien que le terme veille concurrentielle (CI) n'ait été utilisé qu'au cours des dernières décennies pour décrire les actes d'une entreprise visant à acquérir des informations sur d'autres organisations représentant des menaces commerciales, la pratique existe depuis des siècles. Comme pour le renseignement militaire, nous pouvons penser à une entreprise qui se concentre sur les forces externes des concurrents, des produits et des clients pour évaluer avec précision la stratégie qu'elle doit exécuter pour prospérer dans des environnements difficiles. Nous pouvons penser à l'intelligence concurrentielle en termes à la fois d'environnement stratégique régi par les forces économiques et de marché ainsi que d'intelligence tactique requise au quotidien (par exemple, faire correspondre le prix d'un concurrent). La veille concurrentielle est le domaine dans lequel les entreprises voudront également protéger leurs propres informations exclusives et autres informations sensibles. Les outils et les sources de données doivent suivre le rythme de l'évolution dynamique des méthodes pour acquérir efficacement une connaissance des concurrents commerciaux et anticiper leurs réponses futures. Cet article illustre la valeur du logiciel JMP de SAS Institute pour acquérir et analyser des données dans l'espace d'analyse de marché concurrentiel.
Cycle d'Intelligence Concurrentielle :
Le cycle de veille concurrentielle de la figure 1 est l'une des nombreuses constructions basées sur le modèle de renseignement militaire pour décrire le processus de recherche d'informations de marché exploitables sur d'autres entreprises et d'application d'analyses pour découvrir des informations exploitables. Cela commence par la phase de définition pour déterminer exactement quelles dimensions vous voulez vraiment étudier afin de pouvoir développer un plan d'attaque solide. La deuxième phase se concentre sur l'obtention des bonnes sources de données pour façonner la recherche. La troisième phase cherche à appliquer des méthodes analytiques pour transformer les données brutes en informations produisant finalement une histoire convaincante décrivant le paysage. La dernière phase consiste à transmettre ces informations aux bonnes équipes qui peuvent agir sur l'intelligence.
Figure 1. Le cycle de veille concurrentielle
Les données sont ce qui alimente le processus CI. Dans le passé, seuls les professionnels de l'IC avaient accès à des données et à des sites significatifs. Cela a maintenant changé avec le Big Data où chacun dans l'organisation peut apporter quelque chose de valeur de son domaine d'expertise par un «chalutage» ciblé. Les sources de données de CI comprennent les rapports annuels, les discours, les communiqués de presse (internes et externes), les analyses financières, les salons professionnels, les dépôts de brevets, le site Web de l'entreprise et les médias sociaux, pour n'en nommer que quelques-uns. Souvent, ce sont des "open source", bien que vous puissiez avoir besoin d'autorisations spéciales pour y accéder. Il existe de nombreuses bases de données propriétaires qui peuvent même avoir des analyses déjà disponibles telles que Dunn et Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters, etc. Une grande partie des données brutes proviendra de recherches sur Internet suivies d'une extraction minutieuse des éléments de données pertinents. Les efforts de collecte de CI seront nécessairement confrontés au défi des données textuelles non structurées provenant de sources et de formats disparates nécessitant des efforts importants pour assembler un ensemble de données cohérent pour l'analyse.
La phase d'analyse et de production organise généralement les multiples sources de données en plusieurs constructions. La technique SWOT bien connue examinera les forces, les faiblesses, les opportunités et les menaces des concurrents. Une méthode PESTLE évalue les dimensions politiques, économiques, sociales, technologiques, juridiques et environnementales d'une industrie et de ses concurrents. Les 5 forces du professeur de Harvard Michael Porter (barrières à l'entrée, rivaux actuels, menaces de substitution, pouvoir de négociation des fournisseurs, pouvoir de négociation des acheteurs) ont résisté à l'épreuve du temps. Porter dispose également d'un modèle Four Corners (moteurs/culture, stratégie actuelle, hypothèses de gestion et capacités) pour prédire les mouvements futurs des concurrents. D'autres cadres analytiques forment des matrices avec des rivaux comme colonnes et des indicateurs de performance clés tels que les canaux de distribution, l'avantage technologique, les prix, la part de marché, l'orientation client, la stabilité financière, la main-d'œuvre, les installations, les partenariats, etc. Le défi avec l'un de ces cadres est de remplir avec précision les éléments de données, car beaucoup sont des évaluations qualitatives qui dépendent de la façon dont vous pouvez trouver des sources de données crédibles. Nous abordons quelques méthodes dans JMP qui peuvent aider à trouver et à explorer ces données critiques.
Co Données d'intelligence compétitive issues d'analyses de sites Web :
UN Vanash Kausik décrit de nombreux outils disponibles pour analyser le trafic d'un site Web afin d'obtenir des informations étonnamment pertinentes sur les sources, les données démographiques, la dynamique des rebonds et le sentiment du produit. Il les décompose en centrés sur le site, qui examinent les sites Web concurrents, et centrés sur l'écosystème, qui examinent l'industrie et des technologies spécifiques. Des exemples d'applications centrées sur le site sont Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic et AdBeat (pour les mesures de publicité en ligne). Ces outils fournissent des informations détaillées sur chaque site (par exemple, les sources, le taux de rebond, les pages visitées, les mots-clés,…), mais malheureusement ce n'est gratuit que pour votre propre site.
Un exemple d'outil centré sur l'écosystème est Google Trends ( https://www.google.com/trends/ ) . La figure 2 montre la présence du terme « Big Data » dans le temps qui, sans surprise, a pris son envol au cours des 3 dernières années. Sur l'intrigue se trouvent des lettres qui choisissent une histoire représentative du Web à ce moment-là qui peut donner un aperçu de la raison pour laquelle il y a un pic ou une vallée. De plus, les principales régions géographiques et les termes de recherche corrélés (par exemple Big Data Hadoop) sont fournis.
Google Trends peut exporter les données, ce qui nous permet d'utiliser les capacités de JMP pour nos propres analyses. À titre d'exemple, Jordan Spieth est un golfeur de 22 ans qui a récemment connu une année exceptionnelle en atteignant le n ° 1 mondial. Il n'est pas rare d'entendre dans les cercles sportifs que le golf en tant que sport perd de l'intérêt et peut-être que Spieth peut inverser cette tendance. Le graphique de la figure 3 montre certainement non seulement une tendance à la baisse, mais également un modèle très cyclique qui peut être utile dans nos rôles d'analyse concurrentielle et de marketing.
Figure 2. Diagramme de la série chronologique Google Trends de "Big Data"
Figure 3. Diagramme de la série chronologique Google Trends de "Golf"
À partir de l'exportation de données, nous pouvons utiliser JMP pour créer notre propre tracé de série chronologique personnalisé dans Graph Builder qui étiquette ces événements plus clairement et nous pouvons prévoir la croissance future à l'aide d'ARIMA saisonnier, comme illustré à la figure 4. Les entreprises peuvent utiliser ces types d'analyses avancées pour prédire où vont les marchés et le calendrier des campagnes publicitaires.
Figure 4. Diagramme et prévisions de la série chronologique du groupe ARIMA pour "Golf"
Données de veille concurrentielle des médias sociaux :
La dernière décennie a vu une explosion d'un nouveau type de données de renseignement pouvant être assimilées à partir des sites de médias sociaux. Les communications de tous types sont enregistrées plus que jamais et nous avons la possibilité de trouver des signaux CI parmi toutes ces données bruyantes et non structurées. Les blogs et les babillards électroniques sont des terrains de chasse exceptionnels pour recueillir des informations spécifiques à l'industrie et à l'entreprise. Vous pouvez suivre des entreprises, des employés, des groupes technologiques, des opportunités d'emploi, d'anciens employés sur LinkedIn et d'autres sites professionnels. Les publications sur des sites tels que Facebook, Twitter et Instagram offrent également des opportunités de comprendre les tendances des marchés et des concurrents. Le défi consiste à collecter efficacement ces données non structurées caractérisées par un nouveau langage informel semblable à l'anglais avec de nombreuses façons d'exprimer le même mot - pensez à la façon dont vous enverriez le mot à quelqu'un ce soir .
Nous avons écrit un script JMP Scripting Language (JSL) qui appelle le langage de programmation statistique R pour télécharger tous (ou un échantillon aléatoire) des flux Twitter pendant une durée spécifiée par rapport à un mot clé. Le script collecte des données du moment présent à une période prédéfinie dans le futur, bien que les archives Twitter pour collecter des données rétrospectives existent moyennant un coût. Les données renvoyées incluent le Tweet réel, l'emplacement, l'heure et d'autres champs démographiques. De nombreuses entreprises collectent des Tweets en temps réel pour voir la réaction du public aux principales versions de produits, qu'elles soient les leurs ou celles de la concurrence. Par exemple, nous avons exécuté le script pendant 5 minutes après que LeBron James a annoncé qu'il retournait à Cleveland, car toutes nos données Twitter sur les produits et les entreprises sont propriétaires. Le nuage de mots résultant de la figure 5 donne un aperçu des termes les plus fréquents (police la plus grande) après avoir supprimé les mots courants (le, et, ou, …) et le langage offensant. De plus, nous avons effectué une analyse des sentiments sur les Tweets en croisant une liste d'environ 1 500 mots généralement associés à un sentiment positif, une liste d'environ 2 000 mots négatifs avec tous les mots collectés sur 4 000 Tweets au cours de cette période de 5 minutes. Un même Tweet peut contenir plusieurs mots positifs et négatifs ou aucun des deux. Le grand décompte était de 3 533 mots positifs et 1 626 mots négatifs. Le wordcloud et l'analyse des sentiments sont effectués à l'aide d'un complément JMP pour l'exploration de texte qui appelle également R pour les routines d'analyse de texte.
Figure 5. Interface de script Twitter JSL et Wordcloud sur "LeBron" à l'été 2014
Données de veille concurrentielle provenant des sites Web concurrents de scraping :
L'architecture du site Web d'une entreprise est à elle seule un élément utile d'intelligence stratégique, car elle choisit soigneusement ce qu'elle doit révéler dans sa présence en ligne, à la fois en termes de capacités et de clients actuels, ainsi que sur ce sur quoi elle travaille pour de futures améliorations. D'autres opportunités de données exceptionnelles incluent des réunions / conférences, le leadership, des liens vers des livres blancs, des liens vers des actualités, les meilleures pratiques, des discussions sur la technologie, des offres d'emploi et des mots clés dans l'optimisation des moteurs de recherche. Une méthode pour obtenir ces données consiste à copier et coller manuellement le texte qui vous intéresse. Alternativement, un utilitaire de grattage Web automatisé présente les avantages d'être beaucoup plus rapide et complet, bien que trop d'informations ou des informations superflues puissent être renvoyées.
Nous avons développé un code JSL pour extraire les données textuelles de n'importe quel site Web tout en gardant une trace des métadonnées telles que l'emplacement du texte sur le site Web. Le script Spider appelle à nouveau R et ne vous demande que de mettre le site Web qui vous intéresse. Vous pouvez choisir le type de grattage que vous souhaitez effectuer car les sites Web diffèrent dans leur construction. Les options de grattage incluent la sélection de tout le texte, d'un reportage ou du paramètre par défaut. Vous pouvez également sélectionner la profondeur à laquelle vous souhaitez explorer où le niveau 0 est la page Web que vous spécifiez, 1 est cette page plus toutes les pages liées, et ainsi de suite.
À titre d'exemple, une technologie d'énergie verte populaire est la climatisation à dessiccation liquide qui produit un effet de refroidissement en éliminant les molécules d'eau plutôt que les systèmes conventionnels d'air refroidi ou de réfrigérant qui éliminent l'humidité en abaissant les températures en dessous du point de rosée. Une recherche rapide sur Google sur la climatisation à dessiccation liquide commerciale montre deux sociétés leaders, Advantix Systems et Kathabar. Nous avons récupéré les deux sites avec le script JSL pour créer une table de données JMP avec chaque ligne représentant une page Web. La figure 6 affiche l'interface Spider avec le nuage de mots résultant du complément d'exploration de texte.
Figure 6. Interface JSL Spider et Wordcloud résultant de www.kathabar.com
Le nuage de mots représente une fois de plus la fréquence des mots. Bien que ce nombre de mots bruts soit utile, il ne fournit pas beaucoup d'informations sur les mots qui se produisent ensemble et sur les thèmes qui peuvent être présents. Pour traduire du texte non structuré en un fichier plat pour une analyse statistique au-delà du nombre de mots, il est courant de former une matrice de termes de document (DTM) qui contient chaque document (page Web pour notre exemple) sous forme de ligne et chaque mot unique utilisé dans l'ensemble. corpus dans une colonne séparée. Les entrées de la matrice sont la fréquence à laquelle chaque terme apparaît dans la ligne particulière, bien qu'il puisse être préférable d'utiliser simplement une représentation binaire indiquant si le mot apparaît ou non. Un schéma pondéré basé sur le nombre d'occurrences du mot sur les lignes est une autre transformation couramment appliquée. Autrement dit, un mot qui apparaît dans chaque ligne peut ne pas avoir beaucoup de pouvoir de discrimination pour être utile à l'analyse. Le problème avec le DTM est qu'il est généralement très grand et très clairsemé ; par conséquent, les méthodes statistiques standard peuvent ne pas détecter les relations utiles.
Une solution au DTM grand et clairsemé consiste à le projeter dans un espace de dimension beaucoup plus petit, un peu comme l'analyse en composantes principales (ACP). Une meilleure solution consiste à prendre la décomposition en valeurs singulières (SVD) du DTM dans une dimension inférieure au nombre de colonnes ou de mots (réduisez-le pour dire 100 à 300). Ce SVD peut être assimilé à DTM M=UDV'. Les vecteurs propres de la matrice U représentent les documents, les vecteurs propres de la matrice V représentent les mots et les valeurs singulières sur les diagonales de la matrice D proviennent des valeurs propres qui expliquent la proportion de variabilité expliquée pour chaque colonne SVD.
L'examen d'un graphique bivarié des deux premiers vecteurs propres de la matrice V est utile pour relever les principaux thèmes dans les données textuelles ainsi que pour trouver des mots qui se regroupent. La figure 7 montre le tracé bivarié des 2 premiers SVD pour l'exemple de Kathabar. Ici, nous voyons les mots se regrouper autour fournir une solution de déshydratant liquide personnalisée et un autre groupe suggérant équipements à faible consommation d'énergie pour contrôler la température et l'humidité de l'air.
Figure 7. D'abord aux vecteurs propres SVD de la matrice Kathabar V et aux distances multivariées pour le déshydratant.
On peut aussi utiliser des distances multivariées aux vecteurs propres de la matrice V du SVD de rang réduit. Ces distances montrent des mots qui se regroupent, ce qui vous permet de choisir n'importe quel mot dans le corpus pour trouver des termes étroitement associés. Dans le panneau de droite de la figure 7, nous pouvons voir les mots les plus proches de déshydratant sont sans surprise : liquide, système, processus, sec, produit, application, fiable, et fabrication.
Données de veille concurrentielle sur les brevets :
Les dépôts de brevets offrent un bon baromètre du profil technologique d'une entreprise. Heureusement, il existe de nombreux excellents moteurs de recherche de brevets qui vous donnent un accès gratuit à tous les résumés, dessins et champs de texte pour collecter des données sur la propriété protégée des concurrents et comprendre l'état de la technologie. PATENTSCOPE de l'Organisation Mondiale de la Propriété Intellectuelle ( https://patentscope.wipo.int/search/en/result.jsf ) a été utilisé pour extraire les abrégés de brevets de climatisation à dessicant liquide. Chaque paragraphe d'un résumé constituait une ligne distincte dans le tableau de données JMP. Utilisation de la plateforme Consumer Research ( Analyse > Recherche sur les consommateurs > Catégorique > Rôles de réponse = Multiple, colonne de données textuelles attribuées au texte libre ), nous pouvons voir le nombre de mots et créer rapidement un diagramme de Pareto des principaux termes à apparaître dans les abrégés de brevets.
Figure 8. Interface de texte libre JMP et comptage de la fréquence des mots pour les données de brevet.
Nous pouvons également utiliser JMP pour former des colonnes d'indicateurs pour les 200 mots les plus fréquents (par exemple) afin de voir si certains termes sont corrélés à l'aide de la Analyse>Méthodes multivariées>Multivariées>Corrélations par paires . La figure 9 met en évidence certaines des paires de mots qui sont fortement corrélées comme filtre média, transfert fortement corrosif, membranes microporeuses et ainsi de suite.
Figure 9. Corrélations par paires à partir d'une plate-forme multivariée de données de brevets
L'extraction de rubrique à l'aide du complément d'exploration de texte JMP fournit des informations supplémentaires. Le tracé des deux premiers SVD de la figure 10 donne une idée générale de ce que ces brevets tentent de faire : une technologie qui nécessite l'utilisation d'un déshydratant liquide (mot vide) pour déshumidifier l'air, ce qui entraîne un effet de refroidissement qui est le plus applicable dans les environnements humides. climats; le risque que présentent la plupart des déshydratants liquides est l'utilisation d'un spray sur un média filtrant qui augmente le risque de transfert dans l'espace aérien ; ces brevets utilisent une membrane pour éliminer ce risque.
Figure 10. Deux premiers vecteurs SVD pour les brevets
Informations sur le marché à partir d'articles de revues techniques : De nombreuses avancées technologiques sont détaillées dans la littérature académique, ce qui suggère qu'elles seraient très utiles pour peindre le paysage technologique. Pour mieux comprendre l'état de la technologie des déshydratants liquides et l'état de préparation des applications commerciales, nous avons téléchargé 45 articles techniques récemment arbitrés provenant de publications de revues respectées dans le domaine de l'énergie propre au cours des trois dernières années. Ces fichiers de documents portables (pdf) étaient difficiles à traduire en texte puis en tableau de données JMP car les caractères du texte sont en réalité davantage des images et la grande quantité d'équations mathématiques ne se traduit pas bien en texte. Nous avons expérimenté de nombreuses méthodes (à la fois open source et propriétaires) pour lire ces fichiers pdf proprement et avons conclu que l'utilisation d'AdobeAcrobat Standard ou Pro pour enregistrer le pdf en tant que fichier texte enrichi MS Word (rtf) à l'aide de la fonction de reconnaissance optique de caractères (OCR) était un bonne étape intermédiaire. Ensuite, nous avons développé une macro MS Word pour ouvrir un fichier de documents Word et les enregistrer sous forme de fichiers texte à utiliser dans notre macro qui lit un dossier de fichiers texte dans une table JMP pour former le corpus. Nous avons également dû mettre à jour notre script JSL pour le complément d'exploration de texte afin d'avoir la possibilité de supprimer les caractères non alphanumériques. Les références ont été supprimées car elles interféraient inutilement avec l'analyse du texte.
Les fréquences de mots de la Figure 11 du complément text mining de JMP racontent une histoire similaire à celle des brevets : cette technologie d'énergie verte est un système de refroidissement de l'air réduisant la consommation d'énergie en régénérant le déshydratant liquide (LiCl par exemple) pour déshumidifier donc refroidir le l'air où la membrane sépare le déshydratant toxique du flux d'air.
Figure 11. Journal Article Word Frequencies for Liquid Desiccant Membrane.
Après avoir effectué le SVD, nous pouvons regrouper comme des articles de revues en utilisant les valeurs des vecteurs propres de la matrice U. Les documents se regroupent en grande partie selon les lignes d'auteur ainsi que les domaines de recherche généraux dans le dessicant liquide (Figure 12). Pour l'extraction de sujet, nous utilisons la matrice V du SVD. Certains sujets sélectionnés (Figure 13) dans ces revues sont : 1) des expériences comparatives validant un déshydratant liquide en tant que solution de climatisation et une augmentation de l'efficacité d'une méthode de régénération qui économise de l'énergie ; 2) expérimenter pour prédire les taux de transfert de masse et les rapports d'efficacité tout en permettant différentes valeurs de paramètres d'entrée ; 3) méthode alternative pour éliminer la vapeur à l'aide d'un compresseur électrique hybride et d'un déshydratant liquide.
Figure 12. Résultats de l'analyse par grappes des articles du Liquid Desiccant Journal
Figure 13. Sujets des résumés de la membrane de climatisation à dessiccant liquide
Les tracés des deux premiers vecteurs propres de la matrice V (Figure 14) montrent certains thèmes généraux de ces efforts de recherche basés sur les résumés : régénération d'énergie, amélioration de la déshumidification, simulation, transfert de masse, prédiction d'expérience, modèle, température et membrane, et thermique. processus avec de la vapeur d'eau.
Figure 14. Tracé bivarié des deux premiers vecteurs propres des résumés de revues de conditionnement d'air à dessiccant liquide
Une autre technique utile dans l'extraction de sujets consiste à examiner les distances multivariées de la matrice V pour des mots particuliers. Ces distances multivariées sont calculées par JMP lors de l'analyse typologique et sont obtenues en sauvegardant la matrice de distance. Vous pouvez sélectionner un mot spécifique et découvrir quels mots lui sont le plus étroitement liés. Quelques mots d'intérêt illustrés à la figure 15 fournissent les informations suivantes à partir des résumés de ces articles de revues :
- Coût—la préoccupation est la période de récupération, l'installation principale, la chaudière et les principaux facteurs de stockage
- Fiabilité - production d'unités multizones et de plafond avec sous-système de refroidissement à l'air
- Le siccatif au lithium est le chlorure de lithium en solution aqueuse ; le problème majeur est le contact avec l'environnement ambiant (toxique), la membrane microporeuse est la solution
- Les gouttelettes qui entrent en contact direct sont nocives, doivent être éliminées pour être économiquement réalisables
Figure 15. Distances multivariées de la matrice V pour Liquid Desiccant Journal Abstracts.
Sommaire:
Il existe de nombreux cadres d'analyse de l'intelligence concurrentielle tels que SWOT, les 5 forces et les 4 coins de Porter, qui dépendent d'une entrée de données actuelle et fiable. Les sources de données CI ont explosé et se sont démocratisées afin que les employés de l'entreprise puissent trouver des informations exploitables sur leurs concurrents. Le problème est que les données ne sont pas nécessairement facilement récupérables, sont pour la plupart bruyantes et non structurées. Les outils d'analyse des scripts JMP et JSL sont utiles pour collecter et interpréter les données provenant de sources telles que les sites Web, les médias sociaux, les brevets et les articles de revues techniques. À l'instar de l'analogie militaire, l'objectif est de passer d'informations open source non structurées à des rapports de renseignement « classifiés » qui ont un impact sur l'orientation stratégique de l'organisation.
Références:
Baglama, James et Reichel, Lothar. Méthodes de bidiagonalisation de Lanczos augmentées implicitement redémarrées. 2005, SIAM Journal of Scientific Computing, vol. 27, p. 19-42.
Barbera, Pablo. streamR : accès à l'API Twitter Streaming via R. [En ligne] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John et Kerin, Roger. Analyse de la concurrence . [En ligne] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
Éva ngelopoulos, Nicholas, Zhang, Xiaoni et Prybutok, Victor R. Analyse sémantique latente : cinq recommandations méthodologiques. 2012, Revue européenne des systèmes d'information, Vol. 21, p. 70-86.
Amis, Ian. wordcloud : Nuages de mots. CRAN. [En ligne] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
Kaushik, Avanish. Écraser avec l'analyse de veille concurrentielle : meilleures mesures, rapports . [En ligne] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
Lang, Temple de Duncan. RCurl : Interface client réseau générale (HTTP/FTP/...) pour R. CRAN. [En ligne] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
Martin . Cadres stratégiques : analyse de la concurrence et veille concurrentielle . [En ligne] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
Métayer, Estelle. Les meilleures techniques d'analyse que votre équipe de veille concurrentielle ou de planification stratégique devrait maîtriser. [En ligne] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
Patentscope de l'Organisation Mondiale de la Propriété Intellectuelle. [En ligne] 2015. https://patentscope.wipo.int/search/en/result.jsf
