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
Andrea Carlo, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Astratto:
Rispetto alla popolazione globale, ora ci sono il doppio dei sensori (ad esempio, gli 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 progetto recente 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 correnti 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 dai file PDF e PowerPoint allegati che non sono sempre in un formato utilizzabile. Una volta sviluppato il corpus, il testo è stato importato in JMP per identificare rapidamente temi critici di interesse e documenti associati. Questi passaggi sono stati eseguiti utilizzando un'interfaccia JMP intuitiva per le routine di text mining in R. L'analisi del testo utilizzando la visualizzazione dei dati di JMP, l'analisi dei cluster e le funzionalità dell'albero decisionale hanno consentito una migliore caratterizzazione del mercato rispetto ai metodi tradizionali. Questo intervento illustrerà una serie di script e piattaforme JMP per cercare in modo efficace decine di siti Web pertinenti 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 intelligenza 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 commerciali, la pratica esiste da secoli. Analogamente all'intelligence militare, possiamo pensare a un'azienda che si concentra 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 sia in termini di ambiente strategico governato dalle forze economiche e di mercato, sia in termini di intelligenza tattica richiesta ogni giorno (ad es. corrispondere al prezzo di un concorrente). L'intelligence contro la concorrenza è dove anche le aziende vorranno proteggere le proprie informazioni proprietarie e altre informazioni sensibili. Gli strumenti e le fonti di dati devono tenere il passo con i metodi in evoluzione dinamica per acquisire una conoscenza efficace dei rivali aziendali 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 di 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 fruibili. Inizia con la fase di definizione per capire esattamente quali dimensioni vuoi veramente 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 infine una storia avvincente che descrive il paesaggio. L'ultima fase prevede l'invio di 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 di CI. In passato, solo i professionisti dell'IC avevano accesso a dati e siti significativi. Ciò è ora cambiato con i Big Data, in cui tutti i membri dell'organizzazione possono portare qualcosa di valore dal proprio dominio di competenza attraverso una "pesca a strascico" mirata. Le fonti dei dati CI includono relazioni annuali, discorsi, comunicati stampa (interni ed esterni), analisi finanziarie, fiere, depositi di brevetti, sito Web aziendale e social media, solo per citarne alcuni. Spesso si tratta di "open source", anche se potrebbero essere necessarie 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 di CI dovranno necessariamente affrontare la sfida di 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 dei numerosi costrutti. La ben 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 per un'industria e rivali. Le 5 forze del professore di Harvard Michael Porter (barriere all'ingresso, rivali attuali, minacce sostitutive, potere contrattuale del fornitore, potere contrattuale dell'acquirente) hanno resistito alla prova del tempo. Porter ha anche un modello Four Corners (driver/cultura, strategia attuale, ipotesi di gestione e capacità) per prevedere le mosse future dei concorrenti. Altri quadri analitici formano matrici con rivali come colonne e indicatori di prestazioni chiave come canali di distribuzione, vantaggio tecnologico, prezzi, quota di mercato, attenzione al cliente, stabilità finanziaria, forza lavoro, strutture, partnership e così via come riga. La sfida con uno qualsiasi di questi framework è popolare accuratamente gli elementi dei dati poiché molte valutazioni qualitative 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 dei siti 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 sentimento del prodotto. Li suddivide in centrati sul sito che esaminano i siti Web della concorrenza e incentrati sull'ecosistema che esaminano il settore e le 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 purtroppo è gratuito 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 ei termini di ricerca correlati (ad es. big data Hadoop).
Google Trends può esportare i dati che ci consentono di utilizzare le funzionalità di JMP per le nostre analisi. Ad esempio, Jordan Spieth è un giocatore di golf di 22 anni che ha avuto un anno eccezionale raggiungendo di recente la classifica numero 1 al mondo. Non è raro sentire nei circoli sportivi che il golf come sport sta diminuendo di interesse e forse Spieth può invertire questa tendenza. La trama 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 competitiva e marketing.
Figura 2. Google Trends Time Series Trama di "Big Data"
Figura 3. Google Trends Time Series Trama di "Golf"
Dall'esportazione dei dati, possiamo utilizzare JMP per creare il nostro grafico di serie temporali personalizzato in Graph Builder che etichetta quegli eventi in modo più chiaro e possiamo prevedere la crescita futura 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. Trama e previsioni delle serie temporali del gruppo ARIMA per "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. Blog e bacheche sono terreni di caccia eccezionali per la raccolta di informazioni specifiche del settore e dell'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 opportunità per comprendere le tendenze nei mercati e nei concorrenti. La sfida è raccogliere in modo efficiente questi dati non strutturati caratterizzati da un nuovo linguaggio 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 JSL (JMP Scripting Language) che richiama il linguaggio di programmazione statistica R per scaricare tutti (o un campione casuale) i feed di Twitter per una durata specificata relativa a una parola chiave. Lo script raccoglie dati dal momento presente a un periodo prestabilito in futuro, sebbene esistano archivi di Twitter per raccogliere dati retrospettivi 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 aziende sono proprietari. Il wordcloud risultante nella Figura 5 fornisce informazioni sui termini che ricorrono più di frequente (carattere più grande) dopo aver rimosso le parole comuni (the, and, or, …) e il linguaggio offensivo. Inoltre, abbiamo condotto un'analisi del sentiment sui Tweet incrociando un elenco di circa 1.500 parole generalmente associate a un 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 avere più parole positive e negative o può non avere nessuna delle due. Il conteggio complessivo 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 il text mining 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 dai siti Web della concorrenza di scraping:
L'architettura del sito Web di un'azienda da sola è un utile elemento di intelligenza strategica poiché scelgono attentamente cosa rivelare nella loro presenza online sia in termini di capacità e clienti attuali, sia su cosa stanno lavorando per miglioramenti futuri. Altre eccezionali opportunità di dati includono riunioni/conferenze, leadership, collegamenti a white paper, collegamenti a notizie, best practice, discussioni sulla tecnologia, annunci di lavoro e parole chiave nell'ottimizzazione dei motori di ricerca. Un metodo per ottenere questi dati è copiare e incollare manualmente il testo di interesse. In alternativa, un'utilità di web scraping automatizzata presenta i vantaggi di essere molto più rapida e completa, anche se potrebbero essere restituite informazioni eccessive 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 chiama ancora una volta 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 struttura. 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 di energia verde è l'aria condizionata con essiccante liquido che ottiene un effetto di raffreddamento rimuovendo le molecole d'acqua piuttosto che i tradizionali sistemi di aria fredda o refrigerante che rimuovono l'umidità abbassando le temperature al di sotto del punto di rugiada. Una rapida ricerca su Google sui condizionatori 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 al word cloud risultante dal componente aggiuntivo di text mining.
Figura 6. Interfaccia JSL Spider e Wordcloud risultante da www.kathabar.com
La wordcloud rappresenta ancora una volta la frequenza delle parole. Sebbene questo conteggio delle parole grezzo sia utile, non fornisce molte informazioni su quali parole ricorrono insieme e quali temi possono essere presenti. Per tradurre il testo non strutturato in un file flat per l'analisi statistica oltre il conteggio delle parole, è comune formare un Document Term Matrix (DTM) che ha ogni documento (pagina web per il nostro esempio) come una riga e ogni parola univoca utilizzata nell'intero corpus come una colonna separata. Le voci della matrice sono la frequenza con cui ogni termine si verifica in una particolare riga, anche se potrebbe essere meglio utilizzare solo una rappresentazione binaria che indichi se la parola appare o meno. Uno schema ponderato basato sul numero di occorrenze che la parola ha tra le righe è un'altra trasformazione comunemente applicata. Cioè, una parola che appare in ogni riga potrebbe non avere molto potere discriminatorio per essere utile analiticamente. Il problema con il DTM è che di solito è molto grande e molto scarso; 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 decomposizione del valore singolare (SVD) del DTM in una dimensione inferiore rispetto al numero di colonne o parole (ridurlo per 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 ei valori singolari sulle diagonali della matrice D provengono dagli autovalori che spiegano la proporzione di variabilità spiegata per ciascuna colonna SVD.
Guardare un grafico bivariato dei primi due autovettori dalla matrice V è utile per raccogliere temi principali nei dati di testo e trovare parole che si raggruppano. La Figura 7 mostra il grafico bivariato dei primi 2 SVD per l'esempio di Kathabar. Qui vediamo le parole che si raggruppano 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. Prima agli autovettori SVD dalla matrice Kathabar V e alle distanze multivariate per l'essiccante.
Possiamo anche usare distanze multivariate dagli autovettori della matrice V dalla SVD di rango ridotto. Queste distanze mostrano le parole che si raggruppano insieme, il che consente 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.
Competitive Intelligence Data dai brevetti :
Le domande di brevetto offrono un buon barometro del profilo tecnologico di una società. Fortunatamente, sono disponibili molti ottimi motori di ricerca di 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 dell'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 di JMP. Utilizzando la piattaforma Consumer Research ( Analizza>Ricerca consumatori>Categorico> Ruoli risposta=Multiplo, colonna di dati di testo assegnati 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 libero di JMP e conteggio della frequenza delle parole per i dati sui brevetti.
Possiamo anche utilizzare JMP per formare colonne di indicatori 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 dei dati sui brevetti
L'estrazione dell'argomento mediante il componente aggiuntivo per l'estrazione di testo di JMP fornisce ulteriori informazioni. La trama dei primi due SVD in Figura 10 dà l'idea generale di ciò che questi brevetti stanno cercando di fare: una tecnologia che richiede l'uso di essiccante liquido (parola di arresto) per deumidificare l'aria con conseguente effetto di raffreddamento che è più applicabile in condizioni umide climi; il rischio che la maggior parte degli essiccanti liquidi ha è l'uso spray su un mezzo filtrante che aumenta il rischio di trascinamento nello spazio aereo; questi brevetti utilizzano una membrana per eliminare questo rischio.
Figura 10. Primi due vettori SVD per i brevetti
Informazioni di mercato da articoli di riviste tecniche: Molti progressi tecnologici sono dettagliati nella letteratura accademica, il che suggerisce che sarebbero molto utili per dipingere il panorama tecnologico. Per comprendere meglio lo stato della tecnologia degli essiccanti liquidi e la prontezza per le applicazioni commerciali, negli ultimi tre anni abbiamo scaricato 45 articoli tecnici sottoposti a referaggio da pubblicazioni di riviste rispettate nel campo dell'energia pulita. Questi file di documenti portatili (pdf) erano difficili da tradurre in testo quindi in una tabella dati JMP perché i caratteri del testo sono in realtà più immagini e la grande quantità di equazioni matematiche non si traduce bene in testo. Abbiamo sperimentato numerosi metodi (sia open source che proprietari) per leggere questi file pdf in modo pulito e abbiamo concluso che l'utilizzo di AdobeAcrobat Standard o Pro per salvare il pdf come MS Word Rich Text File (rtf) utilizzando la funzione di riconoscimento ottico dei caratteri (OCR) era un buon passaggio intermedio. Successivamente, abbiamo sviluppato una macro 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 text mining per avere la possibilità di rimuovere i caratteri non alfanumerici. I riferimenti sono stati rimossi poiché interferivano inutilmente con l'analisi del testo.
La parola frequenze nella Figura 11 del componente aggiuntivo per il text mining di JMP racconta una storia simile a quella dei brevetti: questa tecnologia energetica verde è un sistema per raffreddare l'aria riducendo il consumo energetico rigenerando l'essiccante liquido (LiCl per esempio) per deumidificare quindi raffreddare il aria dove la membrana separa l'essiccante tossico dal flusso d'aria.
Figura 11. Articolo di giornale Frequenze delle parole 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 e le aree di ricerca generali all'interno dell'essiccante liquido (Figura 12). Per l'estrazione dell'argomento, utilizziamo la matrice V dell'SVD. Alcuni argomenti selezionati (Figura 13) in queste riviste sono: 1) esperimenti comparativi che convalidano l'essiccante liquido come soluzione per il condizionamento dell'aria e l'aumento dell'efficienza dal metodo di rigenerazione che consente di risparmiare energia; 2) sperimentare per prevedere velocità di trasferimento di massa e rapporti di efficienza pur consentendo diversi valori dei parametri di ingresso; 3) metodo alternativo per rimuovere il vapore utilizzando un compressore elettrico ibrido e un essiccante liquido.
Figura 12. Risultati dell'analisi a grappolo da articoli di riviste di liquidi essiccanti
Figura 13. Argomenti tratti dagli abstract della membrana per il condizionamento dell'aria con 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 energetica, miglioramento della deumidificazione, simulazione, trasferimento di massa, previsione dell'esperimento, modello, temperatura e membrana e temperatura processo con vapore acqueo.
Figura 14. Trama bivariata dei primi due autovettori degli abstract del giornale di aria condizionata con essiccante liquido
Un'altra tecnica utile nell'estrazione dell'argomento consiste nell'osservare le distanze multivariate dalla matrice V per parole particolari. Queste distanze multivariate sono calcolate da JMP durante l'analisi dei 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 giornale:
- Costo: la preoccupazione riguarda il periodo di recupero dell'investimento, l'installazione principale, la caldaia e i grandi driver di archiviazione
- 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 gli abstract del diario dell'essiccante liquido.
Riepilogo:
Esistono molti framework per l'analisi dell'intelligenza competitiva come SWOT, le 5 forze di Porter e i 4 angoli, che dipendono dall'input di dati attuali e affidabili. Le fonti di 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 come siti Web, social media, brevetti e articoli di riviste tecniche. Come l'analogia militare, l'obiettivo è passare da informazioni open source non strutturate a rapporti di intelligence "classificati" che incidono sulla direzione strategica dell'organizzazione.
Riferimenti:
Baglama, James e Reichel, Lothar. Metodi di bidiagonalizzazione di Lanczos con riavvio implicito aumentato. 2005, SIAM Journal of Scientific Computing, vol. 27, pp. 19-42.
Barberà, 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, Avanish. Schiacciarlo 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 intelligenza competitiva . [In linea] 2015. http://www.entrepreneurial-insights.com/competitor-analysis-competitive-intelligence/ .
Metayer, Estelle. Le migliori tecniche di analisi che il tuo team di intelligence competitiva o di pianificazione strategica dovrebbe padroneggiare. [In linea] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
Ambito di brevetto dell'Organizzazione mondiale della proprietà intellettuale. [In linea] 2015. https://patentscope.wipo.int/search/en/result.jsf
