Aproveche el poder de JMP®: Big Data y redes sociales para el análisis de la competencia
Conferencia de descubrimiento de JMP 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Abstracto:
En relación con la población mundial, ahora hay el doble de sensores (por ejemplo, teléfonos inteligentes) en Internet de las cosas y una cantidad equivalente de cuentas de redes sociales. El crecimiento explosivo resultante en el volumen de datos representa grandes oportunidades para aquellos que pueden encontrar una señal en esta vasta colección de ruido no estructurado e incierto. Un proyecto reciente presentó la necesidad de que los usuarios de JMP busquen y analicen de manera eficiente grandes volúmenes de material de código abierto sobre tecnologías innovadoras, niveles de madurez asociados, aplicaciones actuales y principales competidores. Los desafíos únicos incluían la necesidad de extraer el texto de estas diversas arquitecturas de sitios web (sin el código extraño) y de los archivos PDF y PowerPoint adjuntos que no siempre están en un formato utilizable. Una vez que se desarrolló el corpus, el texto se importó a JMP para identificar rápidamente temas críticos de interés y documentos asociados. Estos pasos se lograron utilizando una interfaz JMP intuitiva para las rutinas de minería de texto en R. El análisis de texto que utiliza la visualización de datos de JMP, el análisis de conglomerados y las capacidades del árbol de decisiones permitieron una mejor caracterización del mercado en comparación con los métodos tradicionales. Esta charla demostrará una serie de scripts y plataformas de JMP para buscar de manera efectiva puntajes de sitios web relevantes y monitorear los medios de comunicación social (como Twitter), reunir una gran colección de datos no estructurados y responder preguntas de investigación enfocadas.
Introducción:
Aunque el término inteligencia competitiva (IC) solo se ha utilizado en las últimas décadas para describir los actos de una corporación para adquirir información sobre otras organizaciones que representan amenazas comerciales, la práctica ha existido durante siglos. De forma análoga a la inteligencia militar, podemos pensar en una empresa que se centre en las fuerzas externas de los competidores, productos y clientes para evaluar con precisión qué estrategia necesita ejecutar para prosperar en entornos desafiantes. Podemos pensar en la inteligencia competitiva en términos tanto del entorno estratégico regido por las fuerzas económicas y del mercado como de la inteligencia táctica requerida todos los días (por ejemplo, igualar el precio de un competidor). La inteligencia contra la competencia es donde las empresas también querrán proteger su propia información privada y confidencial. Las herramientas y las fuentes de datos deben seguir el ritmo de los métodos que evolucionan dinámicamente para obtener conocimiento efectivo de los rivales comerciales y anticipar sus respuestas futuras. Este documento ilustra el valor del software JMP de SAS Institute para adquirir y analizar datos en el competitivo espacio analítico del mercado.
Ciclo de Inteligencia Competitiva:
El ciclo de inteligencia competitiva en la Figura 1 es una de las muchas construcciones basadas en el modelo de inteligencia militar para describir el proceso de encontrar información de mercado explotable en otros negocios y aplicar análisis para descubrir información procesable. Comienza con la fase de definición, averiguando exactamente qué dimensiones realmente desea investigar para que pueda desarrollar un plan de ataque sólido. La segunda fase se centra en obtener las fuentes de datos correctas para dar forma a la investigación. La tercera fase busca aplicar métodos analíticos para transformar los datos sin procesar en conocimientos que finalmente produzcan una historia convincente que describa el paisaje. La última fase consiste en enviar esta información a los equipos correctos que pueden actuar sobre la inteligencia.
Figura 1. El ciclo de la inteligencia competitiva
Los datos son lo que alimenta el proceso de CI. En el pasado, solo los profesionales de CI tenían acceso a datos y sitios significativos. Eso ha cambiado ahora con Big Data, donde todos en la organización pueden aportar algo de valor de su dominio de experiencia mediante la "pesca de arrastre" enfocada. Las fuentes de datos de CI incluyen informes anuales, discursos, comunicados de prensa (internos y externos), análisis financieros, ferias comerciales, solicitudes de patentes, sitio web de la empresa y redes sociales, por nombrar algunas. A menudo, estos son de "código abierto", aunque es posible que necesite permisos especiales para obtener acceso. Existen numerosas bases de datos propietarias que incluso pueden tener algunos análisis ya disponibles, como Dunn and Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters, etc. Gran parte de los datos sin procesar provendrán de búsquedas en Internet seguidas de una extracción cuidadosa de los elementos de datos pertinentes. Los esfuerzos de recopilación de CI necesariamente enfrentarán el desafío de los datos de texto no estructurados de fuentes y formatos dispares que requieren un esfuerzo significativo para ensamblar un conjunto de datos coherente para el análisis.
La fase de análisis y producción normalmente organiza las múltiples fuentes de datos en cualquiera de una serie de construcciones. La conocida técnica FODA analizará las fortalezas, debilidades, oportunidades y amenazas de los competidores. Un método PESTLE evalúa las dimensiones políticas, económicas, sociales, tecnológicas, legales y ambientales de una industria y sus rivales. Las 5 fuerzas del profesor de Harvard Michael Porter (barreras de entrada, rivales actuales, amenazas de sustitutos, poder de negociación del proveedor, poder de negociación del comprador) han resistido la prueba del tiempo. Porter también tiene un modelo de Cuatro Esquinas (impulsores/cultura, estrategia actual, suposiciones de gestión y capacidades) para predecir los movimientos futuros de los competidores. Otros marcos analíticos forman matrices con rivales como columnas e indicadores clave de rendimiento como canales de distribución, ventaja tecnológica, precios, participación de mercado, enfoque en el cliente, estabilidad financiera, fuerza laboral, instalaciones, asociaciones, etc. como fila. El desafío con cualquiera de estos marcos es completar con precisión los elementos de datos, ya que muchos son evaluaciones cualitativas que dependen de qué tan bien pueda encontrar fuentes de datos creíbles. Discutimos algunos métodos en JMP que pueden ayudar a encontrar y explorar estos datos críticos.
Co Datos de inteligencia competitiva de análisis de sitios web:
A vanash kausik describe muchas herramientas disponibles para analizar el tráfico de una web para obtener información sorprendentemente perspicaz sobre las fuentes, la demografía, la dinámica de rebote y el sentimiento del producto. Los divide en centrados en el sitio, que analizan los sitios web de la competencia, versus centrados en el ecosistema, que analizan la industria y las tecnologías específicas. Ejemplos de aplicaciones centradas en el sitio son Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic y AdBeat (para métricas de publicidad en línea). Estas herramientas brindan información detallada sobre cada sitio (por ejemplo, fuentes, tasa de rebote, páginas visitadas, palabras clave,...), aunque desafortunadamente solo es gratis para su propio sitio.
Un ejemplo de una herramienta centrada en el ecosistema es Google Trends ( https://www.google.com/trends/ ) . La Figura 2 muestra la presencia del término "Big Data" a lo largo del tiempo que, como era de esperar, ha despegado en los últimos 3 años. En la trama hay letras que eligen una historia representativa de la web en ese momento que puede proporcionar una idea de por qué hay un pico o un valle. Además, se proporcionan las regiones geográficas principales y los términos de búsqueda correlacionados (p. ej., Big Data Hadoop).
Google Trends puede exportar los datos, lo que nos permite utilizar las capacidades de JMP para nuestros propios análisis. Como ejemplo, Jordan Spieth es un golfista de 22 años que ha tenido un año sobresaliente y recientemente alcanzó el puesto número 1 del mundo. No es raro escuchar en los círculos deportivos que el golf como deporte está perdiendo interés y tal vez Spieth pueda cambiar esta tendencia. El gráfico de la Figura 3 ciertamente muestra no solo una tendencia a la baja, sino también un patrón muy cíclico que puede ser útil en nuestras funciones competitivas de análisis y marketing.
Figura 2. Gráfico de series temporales de Google Trends de "Big Data"
Figura 3. Gráfico de series temporales de Google Trends de "Golf"
A partir de la exportación de datos, podemos usar JMP para crear nuestro propio gráfico de serie de tiempo personalizado en Graph Builder que etiqueta esos eventos con mayor claridad y podemos pronosticar el crecimiento en el futuro usando ARIMA estacional como se muestra en la Figura 4. Las corporaciones pueden usar estos tipos de análisis avanzados para predecir hacia dónde se dirigen los mercados y el momento de las campañas publicitarias.
Figura 4. Grupo ARIMA Gráfico de series temporales y pronósticos para "Golf"
Datos de inteligencia competitiva de las redes sociales:
La última década ha visto una explosión en un nuevo tipo de datos de inteligencia que se pueden asimilar de los sitios de redes sociales. Las comunicaciones de todo tipo se registran ahora más que nunca y tenemos la oportunidad de encontrar señales de CI entre todos estos datos ruidosos y no estructurados. Los blogs y los tablones de anuncios son cotos de caza excepcionales para recopilar información específica de la industria y de la empresa. Puede seguir empresas, empleados, grupos de tecnología, oportunidades laborales, ex empleados en LinkedIn y otros sitios profesionales. Las publicaciones en sitios como Facebook, Twitter e Instagram también ofrecen oportunidades para comprender las tendencias en los mercados y competidores. El desafío es recopilar de manera eficiente estos datos no estructurados caracterizados por un nuevo lenguaje informal similar al inglés con muchas formas de expresar la misma palabra: piense en cómo le enviaría un mensaje de texto a alguien con la palabra. esta noche .
Escribimos una secuencia de comandos JMP Scripting Language (JSL) que llama al lenguaje de programación estadística R para descargar todos (o una muestra aleatoria) de las fuentes de Twitter durante una duración específica en relación con una palabra clave. El script recopila datos desde el momento presente hasta un período predeterminado en el futuro, aunque existen archivos de Twitter para recopilar datos retrospectivos por un costo. Los datos devueltos incluyen el Tweet real, la ubicación, la hora y otros campos demográficos. Muchas empresas recopilan Tweets en tiempo real para ver la reacción del público a los principales lanzamientos de productos, ya sean propios o de la competencia. Como ejemplo, ejecutamos el guión durante 5 minutos después de que LeBron James anunciara que regresaba a Cleveland, ya que todos nuestros datos de Twitter sobre productos y empresas son propietarios. La nube de palabras resultante en la Figura 5 da una idea de los términos que aparecen con más frecuencia (fuente más grande) después de eliminar las palabras comunes (el, y, o, ...) y el lenguaje ofensivo. Además, llevamos a cabo un análisis de opinión sobre los tuits mediante la tabulación cruzada de una lista de aproximadamente 1500 palabras generalmente asociadas con una opinión positiva, una lista de aproximadamente 2000 palabras negativas con todas las palabras recopiladas en 4000 tuits en ese período de 5 minutos. Un solo Tweet puede tener múltiples palabras positivas y negativas o puede no tener ninguna de las dos. La gran cuenta fue de 3533 palabras positivas y 1626 palabras negativas. La nube de palabras y el análisis de sentimientos se realizan mediante un complemento de JMP para minería de texto que también llama a R para rutinas de análisis de texto.
Figura 5. Twitter JSL Script Interface y Wordcloud sobre “LeBron” en el verano de 2014
Datos de inteligencia competitiva de los sitios web de la competencia Scraping:
La arquitectura del sitio web de una empresa por sí sola es una pieza útil de inteligencia estratégica, ya que eligen cuidadosamente qué revelar en su presencia en línea tanto en términos de capacidades actuales y clientes como en lo que están trabajando para futuras mejoras. Otras oportunidades de datos excepcionales incluyen reuniones/conferencias, liderazgo, enlaces a libros blancos, enlaces a noticias, mejores prácticas, debates sobre tecnología, ofertas de trabajo y palabras clave en la optimización de motores de búsqueda. Un método para obtener estos datos es copiar y pegar manualmente el texto de interés. Alternativamente, una utilidad de web scraping automatizada tiene las ventajas de ser mucho más rápida y completa, aunque se puede devolver demasiada información o información superflua.
Desarrollamos el código JSL para extraer los datos de texto de cualquier sitio web mientras realizamos un seguimiento de los metadatos, como la ubicación del texto en el sitio web. El script de Spider una vez más llama a R y solo requiere que ingrese el sitio web de interés. Puede elegir el tipo de raspado que desea realizar, ya que los sitios web difieren en su construcción. Las opciones de extracción incluyen seleccionar todo el texto, una noticia o la configuración predeterminada. También puede seleccionar qué tan profundo desea rastrear donde el nivel 0 es la página web que especifica, 1 es esa página más todas las páginas vinculadas, y así sucesivamente.
Como ejemplo, una tecnología popular de energía verde es el aire acondicionado desecante líquido que logra un efecto de enfriamiento al eliminar las moléculas de agua en lugar de los sistemas convencionales de aire frío o refrigerante que eliminan la humedad al reducir las temperaturas por debajo del punto de rocío. Una búsqueda rápida en Google sobre aire acondicionado desecante líquido comercial muestra dos empresas líderes, Advantix Systems y Kathabar. Extrajimos ambos sitios con el script JSL para crear una tabla de datos JMP con cada fila representando una página web. La figura 6 muestra la interfaz Spider junto con la nube de palabras resultante del complemento de minería de texto.
Figura 6. Interfaz JSL Spider y Wordcloud resultante de www.kathabar.com
La nube de palabras representa una vez más la frecuencia de las palabras. Aunque este conteo de palabras en bruto es útil, no proporciona mucha información sobre qué palabras aparecen juntas y qué temas pueden estar presentes. Para traducir texto no estructurado a un archivo plano para el análisis estadístico más allá del conteo de palabras, es común formar una matriz de términos del documento (DTM) que tiene cada documento (página web para nuestro ejemplo) como una fila y cada palabra única que se usa en todo el documento. corpus como una columna separada. Las entradas de la matriz son la frecuencia con la que aparece cada término en la fila en particular, aunque puede ser mejor usar una representación binaria que indique si la palabra aparece o no. Un esquema ponderado basado en el número de ocurrencias que tiene la palabra en las filas es otra transformación comúnmente aplicada. Es decir, una palabra que aparece en cada fila puede no tener mucho poder de discriminación para ser útil analíticamente. El problema con el DTM es que suele ser muy grande y muy escaso; por lo tanto, los métodos estadísticos estándar pueden no detectar relaciones útiles.
Una solución para el DTM grande y disperso es proyectarlo en un espacio de dimensión mucho más pequeño, como el análisis de componentes principales (PCA). Una mejor solución es tomar la descomposición en valores singulares (SVD) del DTM en una dimensión más baja que el número de columnas o palabras (reducirlo a decir 100 a 300). Este SVD se puede considerar como DTM M=UDV'. Los vectores propios en la matriz U representan los documentos, los vectores propios en la matriz V representan las palabras y los valores singulares en las diagonales de la matriz D son de los valores propios que explican la proporción de variabilidad explicada para cada columna SVD.
Mirar una gráfica bivariada de los dos primeros vectores propios de la matriz V es útil para seleccionar los temas principales en los datos del texto, así como para encontrar palabras que se agrupen. La Figura 7 muestra el gráfico bivariado de los primeros 2 SVD para el ejemplo de Kathabar. Aquí vemos las palabras agrupadas alrededor proporcionar una solución desecante líquida personalizada y otro grupo sugiriendo equipos de bajo consumo para el control de la temperatura y humedad del aire.
Figura 7. Primero a los vectores propios SVD de la matriz Kathabar V y las distancias multivariadas para el desecante.
También podemos utilizar distancias multivariadas de los vectores propios de la matriz V de la SVD de rango reducido. Estas distancias muestran palabras que se agrupan, lo que le permite elegir cualquier palabra en el corpus para encontrar términos estrechamente asociados. En el panel derecho de la Figura 7, podemos ver las palabras más cercanas a desecante no son sorprendentes: Líquido, sistema, proceso seco, producto, aplicación, fiable, y fabricar.
Datos de inteligencia competitiva de patentes :
Las solicitudes de patentes ofrecen un buen barómetro del perfil tecnológico de una corporación. Afortunadamente, hay muchos excelentes motores de búsqueda de patentes disponibles que le brindan acceso gratuito a todos los resúmenes, dibujos y campos de texto para recopilar datos sobre la propiedad protegida de los competidores y comprender el estado de la tecnología. PATENTSCOPE de la Organización Mundial de la Propiedad Intelectual ( https://patentscope.wipo.int/search/en/result.jsf ) se utilizó para extraer los resúmenes de las patentes de aire acondicionado desecante líquido. Cada párrafo de un resumen formaba una fila separada en la tabla de datos de JMP. Utilizando la plataforma Consumer Research ( Analizar>Investigación del consumidor>Categórico> Roles de respuesta=Múltiple, columna de datos de texto asignados a Texto libre ), podemos ver los recuentos de palabras y hacer rápidamente un diagrama de Pareto de los términos principales que aparecen en los resúmenes de patentes.
Figura 8. Interfaz de texto libre de JMP y conteo de frecuencia de palabras para datos de patentes.
También podemos usar JMP para formar columnas indicadoras para las 200 (por ejemplo) palabras más frecuentes para ver si ciertos términos se correlacionan usando el Analizar>Métodos multivariados>Multivariados>Correlaciones por pares . La Figura 9 destaca algunos de los pares de palabras que están altamente correlacionados como filtro de medios, arrastre fuertemente corrosivo, membranas microporosas Etcétera.
Figura 9. Correlaciones por pares de la plataforma multivariante de datos de patentes
La extracción de temas mediante el complemento de minería de texto JMP proporciona información adicional. La gráfica de los dos primeros SVD en la Figura 10 da una idea general de lo que estas patentes están tratando de hacer: una tecnología que requiere el uso de desecante líquido (palabra vacía) para deshumidificar el aire, lo que resulta en un efecto de enfriamiento que es más aplicable en ambientes húmedos. climas; el riesgo que tienen la mayoría de los desecantes líquidos es el uso de rocío sobre un medio filtrante que aumenta el riesgo de transferencia al espacio aéreo; estas patentes utilizan una membrana para eliminar este riesgo.
Figura 10. Primeros dos vectores SVD para patentes
Inteligencia de mercado de artículos de revistas técnicas: Muchos avances tecnológicos se detallan en la literatura académica, lo que sugiere que serían muy útiles para pintar el panorama tecnológico. Para comprender mejor el estado de la tecnología de desecantes líquidos y la preparación para aplicaciones comerciales, descargamos 45 artículos técnicos revisados recientemente de publicaciones de revistas respetadas en el campo de la energía limpia de los últimos tres años. Estos archivos de documentos portátiles (pdf) eran difíciles de traducir a texto y luego a una tabla de datos JMP porque los caracteres de texto son en realidad más imágenes y la gran cantidad de ecuaciones matemáticas no se traducen bien en texto. Experimentamos con numerosos métodos (tanto de código abierto como patentados) para leer estos archivos pdf de forma limpia y llegamos a la conclusión de que usar Adobe Acrobat Standard o Pro para guardar el pdf como un archivo de texto enriquecido (rtf) de MS Word usando la función de reconocimiento óptico de caracteres (OCR) era una buen paso intermedio. A continuación, desarrollamos una macro de MS Word para abrir un archivo de documentos de Word y guardarlos como archivos de texto para usar en nuestra macro que lee una carpeta de archivos de texto en una tabla JMP para formar el corpus. También tuvimos que actualizar nuestro script JSL para que el complemento de minería de texto tuviera la opción de eliminar los caracteres no alfanuméricos. Las referencias se eliminaron porque interferían innecesariamente con el análisis de texto.
Las frecuencias de palabras en la Figura 11 del complemento de minería de texto JMP cuentan una historia similar a las patentes: esta tecnología de energía verde es un sistema para enfriar el aire que reduce el consumo de energía mediante la regeneración del desecante líquido (LiCl, por ejemplo) para deshumidificar y, por lo tanto, enfriar el aire donde la membrana separa el desecante tóxico de la corriente de aire.
Figura 11. Frecuencias de palabras de artículos de revistas para membranas desecantes líquidas.
Después de realizar el SVD, podemos agrupar como artículos de revistas utilizando los valores de los vectores propios de la matriz U. Los documentos se agrupan en gran medida a lo largo de las líneas del autor, así como de las áreas generales de investigación dentro del desecante líquido (Figura 12). Para la extracción de temas, usamos la matriz V del SVD. Algunos temas seleccionados (Figura 13) en estas revistas son: 1) experimentos comparativos que validan el desecante líquido como una solución de aire acondicionado y aumentan la eficiencia del método de regeneración que ahorra energía; 2) experimentar para predecir tasas de transferencia de masa y relaciones de eficiencia al tiempo que permite diferentes valores de parámetros de entrada; 3) método alternativo para eliminar el vapor utilizando compresor eléctrico híbrido y desecante líquido.
Figura 12. Resultados de análisis de conglomerados de artículos de revistas de desecante líquido
Figura 13. Temas de los resúmenes de la membrana de aire acondicionado desecante líquido
Los gráficos de los dos primeros vectores propios de la matriz V (Figura 14) muestran algunos temas generales de estos esfuerzos de investigación basados en los resúmenes: regeneración de energía, mejora de la deshumidificación, simulación, transferencia de masa, predicción de experimentos, modelo, temperatura y membrana, y temperatura proceso con vapor de agua.
Figura 14. Gráfica bivariada de los dos primeros vectores propios del aire acondicionado desecante líquido Journal Abstracts
Otra técnica útil en la extracción de temas es mirar las distancias multivariadas de la matriz V para palabras particulares. JMP calcula estas distancias multivariadas durante el análisis de conglomerados y se obtienen guardando la matriz de distancia. Puede seleccionar una palabra específica y averiguar qué palabras están más estrechamente relacionadas con ella. Algunas palabras de interés que se muestran en la Figura 15 brindan la siguiente información de los resúmenes de estos artículos de revistas:
- Costo: la preocupación es el período de amortización, la instalación principal, la caldera y los grandes impulsores del almacenamiento
- Fiabilidad: producción de unidades multizona y de techo con subsistema de refrigeración por aire
- El desecante de litio es cloruro de litio como solución acuosa; la principal preocupación es el contacto con el entorno ambiental (tóxico), la membrana microporosa es la solución
- Las gotas que entran en contacto directo son dañinas, es necesario eliminarlas para que sean económicamente viables
Figura 15. Distancias multivariadas de la matriz V para resúmenes de revistas desecantes líquidos.
Resumen:
Existen muchos marcos para el análisis de inteligencia competitiva, como FODA, las 5 fuerzas de Porter y las 4 esquinas, que dependen de la entrada de datos actuales y confiables. Las fuentes de datos de CI se han disparado y se han democratizado para que los empleados de toda la empresa puedan encontrar información explotable sobre sus rivales. El problema es que los datos no son necesariamente fáciles de recuperar, en su mayoría son ruidosos y no están estructurados. Las herramientas analíticas de los scripts JMP y JSL son útiles para recopilar y dar sentido a los datos de fuentes como sitios web, redes sociales, patentes y artículos de revistas técnicas. Al igual que la analogía militar, el objetivo es pasar de información de fuente abierta no estructurada a informes de inteligencia "clasificados" que impactan la dirección estratégica de la organización.
Referencias:
Baglama, James y Reichel, Lothar. Métodos de bidiagonalización de Lanczos aumentados implícitamente reiniciados. 2005, Revista SIAM de Computación Científica, vol. 27, págs. 19-42.
Barberá, Pablo. streamR: acceso a la API de transmisión de Twitter a través de R. [En línea] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John y Kerin, Roger. Análisis de la competencia . [En línea] 2011. http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf .
Eva ngelopoulos, Nicholas, Zhang, Xiaoni and Prybutok, Victor R. Análisis semántico latente: cinco recomendaciones metodológicas. 2012, Revista europea de sistemas de información, vol. 21, págs. 70-86.
Amigos, Ian. wordcloud: Nubes de palabras. CRAN. [En línea] 2014. http://cran.r-project.org/web/packages/wordcloud/index.html .
Kaushik, Avanish. Aplastarlo con análisis de inteligencia competitiva: mejores métricas, informes . [En línea] 2015. http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/ .
Lang, Templo de Duncan. RCurl: interfaz de cliente de red general (HTTP/FTP/...) para R. CRAN. [En línea] 2015. http://cran.r-project.org/web/packages/RCurl/index.html .
Martín . Marcos estratégicos: análisis de la competencia e inteligencia competitiva . [En línea] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
Metayer, Estelle. Las mejores técnicas de análisis que su equipo de inteligencia competitiva o planificación estratégica debe dominar. [En línea] 2015 http://competia.com/50-tecnicas-de-analisis-de-inteligencia-competitiva .
Organización Mundial de la Propiedad Intelectual Patentscope. [En línea] 2015. https://patentscope.wipo.int/search/en/result.jsf
