Exploitez la puissance de JMP® : Big Data et médias sociaux pour l'analyse de la concurrence
Conférence JMP Discovery 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Abstrait:
Par rapport à la population mondiale, l'Internet des objets compte désormais deux fois plus de capteurs (par exemple, les smartphones) et un nombre équivalent de comptes sur les réseaux sociaux. La croissance explosive du volume de données qui en résulte représente de formidables opportunités pour ceux qui savent identifier un signal dans ce vaste ensemble de données non structurées et incertaines. Un projet récent a mis en évidence la nécessité pour les utilisateurs de JMP de rechercher et d'analyser efficacement de vastes volumes de documents open source sur les technologies innovantes, leurs niveaux de maturité, leurs applications actuelles et leurs principaux concurrents. Parmi les défis spécifiques figurait la nécessité d'extraire le texte de ces diverses architectures de sites web (sans code externe) et des fichiers PDF et PowerPoint joints, dont le format n'est pas toujours exploitable. Une fois le corpus développé, le texte a été importé dans JMP afin d'identifier rapidement les thèmes d'intérêt critiques et les documents associés. Ces étapes ont été réalisées grâce à une interface JMP intuitive et à des routines de text mining en R. L'analyse de texte utilisant la visualisation de données, l'analyse de clusters et les fonctions 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 plateformes JMP permettant de rechercher efficacement des dizaines de sites Web pertinents et de surveiller les médias sociaux (tels que Twitter), d'assembler une grande collection de données non structurées et de répondre à des questions de recherche ciblées.
Introduction:
Bien que le terme « intelligence économique » (IE) n'ait été utilisé que ces dernières décennies pour décrire les actions d'une entreprise visant à obtenir des informations sur d'autres organisations représentant des menaces pour son activité, cette pratique existe depuis des siècles. À l'instar du renseignement militaire, on peut imaginer une entreprise qui se concentre sur les forces externes de ses concurrents, de ses produits et de ses clients afin d'évaluer précisément la stratégie à mettre en œuvre pour prospérer dans des environnements difficiles. On peut considérer l'IE comme un environnement stratégique régi par les forces économiques et du marché, ainsi que comme une veille tactique requise au quotidien (par exemple, s'aligner sur les prix d'un concurrent). L'IE contre-concurrentielle vise également à protéger ses propres informations confidentielles et sensibles. Les outils et les sources de données doivent s'adapter à l'évolution constante des méthodes pour mieux connaître ses concurrents et anticiper leurs futures réponses. Cet article illustre l'intérêt du logiciel JMP de SAS Institute pour l'acquisition et l'analyse de données dans le domaine de l'analyse de marché concurrentielle.
Cycle de veille concurrentielle :
Le cycle de veille concurrentielle illustré à la figure 1 est l'un des nombreux concepts basés sur le modèle du renseignement militaire. Il décrit le processus de recherche d'informations de marché exploitables sur d'autres entreprises et l'application de l'analyse pour obtenir des informations exploitables. Il commence par la phase de définition, qui permet de déterminer précisément les dimensions à étudier afin d'élaborer un plan d'attaque solide. La deuxième phase se concentre sur l'obtention des sources de données appropriées pour orienter la recherche. La troisième phase vise à appliquer des méthodes analytiques pour transformer les données brutes en informations pertinentes et produire ainsi une description convaincante du paysage concurrentiel. La dernière phase consiste à transmettre ces informations aux équipes compétentes, qui peuvent ainsi exploiter ces informations.
Figure 1. Le cycle de veille concurrentielle
Les données sont le moteur du processus d'intelligence artificielle. Auparavant, seuls les professionnels de l'intelligence artificielle avaient accès aux données et aux sites pertinents. Aujourd'hui, grâce au Big Data, chaque membre de l'organisation peut apporter de la valeur ajoutée dans son domaine d'expertise grâce à une exploration ciblée. Les sources de données d'intelligence artificielle comprennent les rapports annuels, les discours, les communiqués de presse (internes et externes), les analyses financières, les salons professionnels, les dépôts de brevets, les sites web des entreprises et les réseaux sociaux, pour n'en citer que quelques-unes. Ces sources sont souvent open source, mais des autorisations spéciales peuvent être nécessaires pour y accéder. De nombreuses bases de données propriétaires, telles que celles de Dunn and Bradstreet, Hoover, Salesforce, DataSift, Thomson Reuters, etc., peuvent même proposer des analyses. Une grande partie des données brutes provient de recherches sur Internet, suivies d'une extraction minutieuse des éléments pertinents. La collecte de données d'intelligence artificielle se heurte inévitablement au défi de traiter des données textuelles non structurées provenant de sources et de formats disparates, ce qui nécessite des efforts considérables pour constituer un ensemble cohérent de données à analyser.
La phase d'analyse et de production organise généralement les multiples sources de données selon plusieurs concepts. La célèbre technique SWOT examine les forces, les faiblesses, les opportunités et les menaces des concurrents. La méthode PESTLE évalue les dimensions politiques, économiques, sociales, technologiques, juridiques et environnementales d'un secteur et de ses concurrents. Les cinq forces du professeur Michael Porter de Harvard (barrières à l'entrée, concurrents actuels, menaces de substitution, pouvoir de négociation des fournisseurs et des acheteurs) ont fait leurs preuves. Porter utilise également un modèle des quatre angles (moteurs/culture, stratégie actuelle, hypothèses de gestion et capacités) pour prédire les futures actions des concurrents. D'autres cadres analytiques forment des matrices avec les concurrents comme colonnes et les indicateurs clés de performance tels que les canaux de distribution, l'avance technologique, les prix, la part de marché, l'orientation client, la stabilité financière, les effectifs, les installations, les partenariats, etc. La difficulté de ces cadres réside dans le remplissage précis des données, car nombre d'entre elles reposent sur des évaluations qualitatives qui dépendent de la fiabilité des sources de données. Nous discutons de quelques méthodes dans JMP qui peuvent aider à trouver et à explorer ces données critiques.
CoDonnées de veille concurrentielle issues d'analyses de sites Web :
Avanash Kausik Il décrit les nombreux outils permettant d'analyser le trafic web et d'obtenir des informations étonnamment pertinentes sur les sources, les données démographiques, la dynamique de rebond et l'opinion sur les produits. Il les distingue des outils centrés sur le site, qui analysent les sites web concurrents, et des outils centrés sur l'écosystème, qui analysent le secteur et les technologies spécifiques. Parmi les applications centrées sur le site, on peut citer Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic et AdBeat (pour les indicateurs de publicité en ligne). Ces outils fournissent des informations détaillées sur chaque site (sources, taux de rebond, pages visitées, mots-clés, etc.), mais malheureusement, ils ne sont gratuits que pour votre propre site.
Google Trends ( https://www.google.com/trends/ ) est un exemple d'outil centré sur l'écosystème. La figure 2 illustre l'évolution du terme « Big Data » au fil du temps, une tendance qui, sans surprise, a pris de l'ampleur au cours des trois dernières années. Le graphique présente des lettres qui sélectionnent un événement Web représentatif à un moment donné, susceptible d'expliquer les pics ou les creux. De plus, les principales régions géographiques et les termes de recherche corrélés (par exemple, Big Data Hadoop) sont indiqués.
Google Trends peut exporter les données, ce qui nous permet d'utiliser les fonctionnalités de JMP pour nos propres analyses. À titre d'exemple, Jordan Spieth, un golfeur de 22 ans, a connu une année exceptionnelle en atteignant récemment la première place mondiale. Il n'est pas rare d'entendre dans le milieu sportif que le golf connaît un déclin d'intérêt, et Spieth pourrait peut-être inverser cette tendance. Le graphique de la figure 3 illustre non seulement une tendance à la baisse, mais aussi un schéma très cyclique qui pourrait s'avérer utile dans nos analyses concurrentielles et notre marketing.
Figure 2. Graphique chronologique des « Big Data » de Google Trends
Figure 3. Graphique chronologique de Google Trends pour « Golf »
À partir de l'exportation des données, nous pouvons utiliser JMP pour créer notre propre graphique de séries chronologiques personnalisé dans Graph Builder qui étiquette ces événements plus clairement et nous pouvons prévoir la croissance future en utilisant ARIMA saisonnier comme indiqué dans la figure 4. Les entreprises peuvent utiliser ces types d'analyses avancées pour prédire l'évolution des marchés et le calendrier des campagnes publicitaires.
Figure 4. Graphique et prévisions de la série chronologique du groupe ARIMA pour le « Golf »
Données de veille concurrentielle issues des médias sociaux :
La dernière décennie a vu l'explosion d'un nouveau type de données de renseignement, assimilables depuis les réseaux sociaux. Les communications de tous types sont enregistrées plus que jamais, et nous avons la possibilité de repérer des signaux d'intelligence artificielle parmi toutes ces données non structurées et saturées. Les blogs et les forums sont des terrains de chasse exceptionnels pour recueillir des informations sectorielles et spécifiques aux entreprises. Vous pouvez suivre des entreprises, des employés, des groupes technologiques, des offres d'emploi, d'anciens employés sur LinkedIn et d'autres plateformes professionnelles. Les publications sur des sites comme Facebook, Twitter et Instagram offrent également des opportunités de comprendre les tendances des marchés et de la concurrence. Le défi consiste à collecter efficacement ces données non structurées, caractérisées par un nouveau langage informel proche de l'anglais, avec de multiples façons d'exprimer le même mot – imaginez comment vous enverriez ce mot à quelqu'un ce soir par SMS.
Nous avons écrit un script JSL (JMP Scripting Language) qui appelle le langage de programmation statistique R pour télécharger l'intégralité (ou un échantillon aléatoire) des flux Twitter pendant une durée spécifiée par rapport à un mot-clé. Le script collecte des données depuis le présent jusqu'à une période future prédéfinie, bien que des archives Twitter permettant de collecter des données rétrospectives soient payantes. Les données renvoyées incluent le tweet lui-même, le lieu, l'heure et d'autres données démographiques. De nombreuses entreprises collectent des tweets en temps réel pour connaître les réactions du public aux lancements de produits majeurs, qu'il s'agisse des leurs ou de ceux de leurs concurrents. À titre d'exemple, nous avons exécuté le script pendant 5 minutes après l'annonce du retour de LeBron James à Cleveland, car toutes nos données Twitter sur les produits et les entreprises sont propriétaires. Le nuage de mots obtenu (figure 5) donne un aperçu des termes les plus fréquents (en gros caractères) après suppression des mots courants (le, et, ou, etc.) et du langage offensant. De plus, nous avons effectué une analyse de sentiment 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 et l'ensemble des 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 total global était de 3 533 mots positifs et 1 626 mots négatifs. Le nuage de mots et l'analyse de sentiment sont réalisés à l'aide d'un module complémentaire JMP pour l'exploration de texte, qui fait également appel à R pour les routines d'analyse de texte.
Figure 5. Interface de script JSL Twitter et nuage de mots sur « LeBron » à l'été 2014
Données de veille concurrentielle issues du scraping des sites Web concurrents :
L'architecture du site web d'une entreprise constitue à elle seule un précieux outil de veille stratégique. Elle choisit soigneusement ce qu'elle souhaite révéler sur sa présence en ligne, tant en termes de capacités et de clients actuels que de projets d'amélioration futurs. Parmi les autres sources de données exceptionnelles figurent les réunions/conférences, les dirigeants, les liens vers des livres blancs, les liens vers des articles d'actualité, les meilleures pratiques, les discussions technologiques, les offres d'emploi et les mots clés du référencement. Une méthode pour obtenir ces données consiste à copier-coller manuellement le texte qui vous intéresse. Un outil de web scraping automatisé présente également l'avantage d'être beaucoup plus rapide et complet, même s'il peut renvoyer des informations trop nombreuses ou superflues.
Nous avons développé un code JSL pour extraire les données textuelles de n'importe quel site web tout en conservant les métadonnées, comme l'emplacement du texte sur le site. Le script Spider fait appel à R et ne nécessite que l'insertion du site web concerné. Vous pouvez choisir le type d'extraction souhaité, car la structure des sites web varie. Les options d'extraction incluent la sélection de tout le texte, d'un article d'actualité ou du paramètre par défaut. Vous pouvez également choisir la profondeur d'exploration : le niveau 0 correspond à la page web spécifiée, le niveau 1 à cette page et à toutes les pages liées, etc.
À titre d'exemple, la climatisation à dessiccant liquide est une technologie d'énergie verte populaire. Elle produit un effet rafraîchissant en éliminant les molécules d'eau, contrairement aux systèmes classiques à air froid ou à réfrigérant qui éliminent l'humidité en abaissant la température en dessous du point de rosée. Une recherche rapide sur Google concernant la climatisation à dessiccant liquide commercial a permis de trouver deux entreprises leaders : Advantix Systems et Kathabar. Nous avons analysé les deux sites avec le script JSL pour créer une table de données JMP dont chaque ligne représente une page web. La figure 6 présente l'interface Spider ainsi que le nuage de mots résultant du module complémentaire de text mining.
Figure 6. Interface JSL Spider et nuage de mots résultant de www.kathabar.com
Le nuage de mots représente à nouveau la fréquence des mots. Bien que ce décompte brut soit utile, il ne fournit pas beaucoup d'informations sur les mots apparaissant ensemble ni sur les thèmes qui peuvent y être présents. Pour traduire un texte non structuré en fichier plat à des fins d'analyse statistique au-delà du décompte de mots, il est courant de créer une matrice de termes de document (MDT) qui présente chaque document (page web dans notre exemple) sur une ligne et chaque mot unique utilisé dans l'ensemble du corpus sur une colonne distincte. Les entrées de la matrice indiquent la fréquence d'apparition de chaque terme sur une ligne donnée, bien qu'il puisse être préférable d'utiliser une représentation binaire indiquant si le mot apparaît ou non. Une méthode de pondération basée sur le nombre d'occurrences du mot sur les lignes est une autre transformation fréquemment utilisée. Autrement dit, un mot apparaissant sur toutes les lignes peut ne pas avoir un pouvoir de discrimination suffisant pour être utile à l'analyse. Le problème avec la MDT est qu'elle est généralement très volumineuse et très peu dense ; par conséquent, les méthodes statistiques standard peuvent ne pas détecter de relations utiles.
Une solution au problème d'un MNT volumineux et clairsemé consiste à le projeter dans un espace de dimension beaucoup plus petit, à l'instar de l'analyse en composantes principales (ACP). Une meilleure solution consiste à utiliser la décomposition en valeurs singulières (DVS) du MNT dans une dimension inférieure au nombre de colonnes ou de mots (par exemple, de 100 à 300). Cette DVS peut être considérée comme MNT M=UDV'. Les vecteurs propres de la matrice U représentent les documents, ceux 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 de la DVS.
L'observation d'un graphique bivarié des deux premiers vecteurs propres de la matrice V permet de dégager les thèmes principaux des données textuelles et de trouver les mots qui se regroupent. La figure 7 présente le graphique bivarié des deux premiers SVD pour l'exemple de Kathabar. On y voit les mots se regrouper autour d'une solution déshydratante liquide personnalisée et d'un autre groupe suggérant un équipement basse consommation pour contrôler la température et l'humidité de l'air.
Figure 7. Premiers vecteurs propres SVD à partir de la matrice Kathabar V et distances multivariées pour le dessiccant.
Nous pouvons également utiliser les distances multivariées des vecteurs propres de la matrice V de la SVD de rang réduit. Ces distances indiquent les mots qui se regroupent, ce qui permet de sélectionner n'importe quel mot du corpus pour trouver des termes étroitement associés. Dans le panneau de droite de la figure 7, nous pouvons constater que les mots les plus proches de « dessiccant » sont, sans surprise, : liquide, système, procédé, sec, produit, application, fiable et fabrication.
Données de veille concurrentielle issues des brevets:
Les dépôts de brevets constituent un bon indicateur du profil technologique d'une entreprise. Heureusement, de nombreux moteurs de recherche de brevets performants offrent un accès gratuit à tous les résumés, dessins et champs de texte pour recueillir des données sur la propriété intellectuelle des concurrents et comprendre l'état de la technologie. PATENTSCOPE de l'Organisation mondiale de la propriété intellectuelle (OMPI)https://patentscope.wipo.int/search/en/result.jsf) a été utilisé pour extraire les résumés des brevets sur les climatiseurs à dessiccant liquide. Chaque paragraphe d'un résumé formait une ligne distincte dans la table de données JMP. Grâce à la plateforme Consumer Research ( Analyse > Recherche consommateur > Catégorie > Rôles de réponse = Multiple, Colonne de données textuelles attribuée à Texte libre ), nous pouvons consulter le nombre de mots et créer rapidement un diagramme de Pareto des principaux termes apparaissant dans les résumés de brevets.
Figure 8. Interface de texte libre JMP et comptage de fréquence des mots pour les données de brevets.
Nous pouvons également utiliser JMP pour créer des colonnes d'indicateurs pour les 200 mots les plus fréquents (par exemple) afin de vérifier la corrélation entre certains termes, en utilisant Analyse > Méthodes multivariées > Multivarié > Corrélations par paires . La figure 9 met en évidence certaines paires de mots fortement corrélées, comme « filtre média », « transfert fortement corrosif », « membranes microporeuses » , etc.
Figure 9. Corrélations par paires à partir d'une plateforme multivariée de données sur les brevets
L'extraction de sujets à l'aide du module complémentaire d'exploration de texte JMP fournit des informations supplémentaires. Le tracé des deux premiers SVD de la figure 10 donne une idée générale de l'objectif de ces brevets : une technologie nécessitant l'utilisation d'un dessiccant liquide (mot vide) pour déshumidifier l'air, produisant un effet rafraîchissant particulièrement adapté aux climats humides. Le risque associé à la plupart des dessiccants liquides est l'utilisation d'un agent pulvérisé sur un média filtrant, ce qui augmente le risque de contamination de l'air ; ces brevets utilisent une membrane pour éliminer ce risque.
Figure 10. Deux premiers vecteurs SVD pour les brevets
Informations sur le marché tirées d'articles de revues techniques :De nombreuses avancées technologiques sont détaillées dans la littérature académique, ce qui suggère qu'elles seraient très utiles pour dresser un panorama technologique. Afin de mieux comprendre l'état de la technologie des dessiccants liquides et son degré de maturité pour les applications commerciales, nous avons téléchargé 45 articles techniques récemment évalués par des comités de lecture issus de revues réputées du secteur des énergies propres, publiés au cours des trois dernières années. Ces fichiers PDF étaient difficiles à traduire en texte, puis en table de données JMP, car les caractères textuels sont en réalité des images et la grande quantité d'équations mathématiques ne se traduit pas correctement en texte. Nous avons expérimenté de nombreuses méthodes (open source et propriétaires) pour lire correctement ces fichiers PDF et avons conclu que l'utilisation d'Adobe Acrobat Standard ou Pro pour enregistrer le PDF au format RTF (Rich Text File) MS Word grâce à la fonction de reconnaissance optique de caractères (OCR) constituait une étape intermédiaire intéressante. Nous avons ensuite développé une macro MS Word pour ouvrir un fichier de documents Word et l'enregistrer au format texte. Cette macro sera ensuite utilisée dans notre macro qui lit un dossier de fichiers texte dans une table JMP pour constituer le corpus. Nous avons également dû mettre à jour notre script JSL pour le module complémentaire d'exploration de texte afin de pouvoir supprimer les caractères non alphanumériques. Les références ont été supprimées car elles interféraient inutilement avec l'analyse de texte.
Les fréquences de mots dans la figure 11 du module complémentaire d'exploration de texte JMP racontent une histoire similaire à celle des brevets : cette technologie d'énergie verte est un système permettant de refroidir l'air en réduisant la consommation d'énergie en régénérant le dessiccant liquide (LiCl par exemple) pour déshumidifier et donc refroidir l'air là où la membrane sépare le dessiccant toxique du flux d'air.
Figure 11. Fréquences des mots des articles de revues pour la membrane déshydratante liquide.
Après avoir effectué la SVD, nous pouvons regrouper des articles de revues similaires en utilisant les valeurs des vecteurs propres de la matrice U. Les documents sont regroupés selon les auteurs et les domaines de recherche généraux sur les dessiccants liquides (Figure 12). Pour l'extraction des sujets, nous utilisons la matrice V de la SVD. Voici quelques sujets sélectionnés (Figure 13) dans ces revues : 1) des expériences comparatives validant le dessiccant liquide comme solution de climatisation et améliorant l'efficacité grâce à une méthode de régénération économe en énergie ; 2) une expérience visant à prédire les taux de transfert de masse et les ratios d'efficacité tout en autorisant différentes valeurs des paramètres d'admission ; 3) une méthode alternative d'élimination de la vapeur utilisant un compresseur électrique hybride et un dessiccant liquide.
Figure 12. Résultats de l'analyse de groupe à partir d'articles de revues sur les dessiccants liquides
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 quelques thèmes généraux de ces efforts de recherche basés sur les résumés : régénération d'énergie, amélioration de la déshumidification, simulation, transfert de masse, prédiction expérimentale, modèle, température et membrane, et processus thermique avec vapeur d'eau.
Figure 14. Graphique bivarié des deux premiers vecteurs propres de la climatisation à dessiccant liquide. Résumés de revues
Une autre technique utile pour 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 de clustering et obtenues en enregistrant la matrice de distance. Vous pouvez sélectionner un mot spécifique et identifier ceux qui lui sont les plus proches. Quelques mots intéressants, présentés dans la figure 15, fournissent les informations suivantes, tirées des résumés de ces articles de revues :
- Coût : la période de récupération, l'installation principale, la chaudière et le stockage sont les principaux facteurs déterminants.
- Fiabilité : production d'unités multizones et de plafond avec sous-système de refroidissement par air
- Le dessiccateur au lithium est du chlorure de lithium sous forme de solution aqueuse ; la principale préoccupation est le contact avec l'environnement ambiant (toxique), la membrane microporeuse est une solution
- Les gouttelettes entrant en contact direct sont nocives et doivent être éliminées pour que cela soit économiquement viable.
Figure 15. Distances multivariées de la matrice V pour les résumés de revues sur les dessiccants liquides.
Résumé:
Il existe de nombreux cadres d'analyse de veille concurrentielle, tels que SWOT, les 5 forces de Porter et les 4 angles, qui s'appuient sur des données actuelles et fiables. Les sources de données de veille concurrentielle ont connu une croissance fulgurante et se sont démocratisées, permettant aux employés de toute l'entreprise de trouver des informations exploitables sur leurs concurrents. Le problème est que ces données ne sont pas toujours facilement accessibles et sont généralement bruitées et non structurées. Les outils d'analyse JMP et JSL sont utiles pour collecter et exploiter des données provenant de sources telles que les sites web, les réseaux 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 impactent l'orientation stratégique de l'organisation.
Références :
Baglama, James et Reichel, Lothar. Méthodes de bidiagonalisation de Lanczos augmentées et implicitement redémarrées. 2005, SIAM Journal of Scientific Computing, vol. 27, p. 19-42.
Barbera, Pablo. streamR : Accès à l'API de streaming Twitter 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.
Evangelopoulos, Nicholas, Zhang, Xiaoni et Prybutok, Victor R. Analyse sémantique latente : cinq recommandations méthodologiques. 2012, Revue européenne des systèmes d'information, vol. 21, pp. 70-86.
Fellows, Ian. Nuage de mots : Nuages de mots. CRAN. [En ligne] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
Kaushik, Avanish. L'analyse de veille concurrentielle : meilleurs indicateurs et rapports .[En ligne] 2015.http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/.
Lang, Duncan Temple. 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/.
Metayer, Estelle. Les principales 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 .
Organisation mondiale de la propriété intellectuelle Patentscope. [En ligne] 2015.https://patentscope.wipo.int/search/en/result.jsf
