Sfrutta la potenza di JMP®: Big Data e social media per l'analisi della concorrenza
Conferenza JMP Discovery 2015
James Wisnowski, Adsurgo LLC
Flor Castillo, SABIC
Andrew Karl, Adsurgo LLC
Heath Rushing, Adsurgo LLC
Astratto:
Rispetto alla popolazione globale, nell'Internet delle Cose sono ora presenti il doppio dei sensori (ad esempio, smartphone) e un numero equivalente di account di social media. La conseguente crescita esponenziale del volume di dati rappresenta grandi opportunità per coloro che riescono a individuare un segnale in questa vasta raccolta di rumore non strutturato e incerto. Un recente progetto ha evidenziato la necessità per gli utenti di JMP di cercare e analizzare in modo efficiente grandi volumi di materiale open source su tecnologie innovative, i relativi livelli di maturità, le applicazioni attuali e i principali concorrenti. Tra le sfide specifiche, la necessità di estrarre il testo da queste diverse architetture di siti web (in assenza di codice estraneo) e da PDF e file PowerPoint allegati, non sempre in un formato utilizzabile. Una volta sviluppato il corpus, il testo è stato importato in JMP per identificare rapidamente i temi critici di interesse e i 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 le funzionalità di visualizzazione dati, analisi dei cluster e alberi decisionali di JMP, ha consentito una migliore caratterizzazione del mercato rispetto ai metodi tradizionali. In questa presentazione verranno illustrate una serie di script e piattaforme JMP per effettuare ricerche efficaci su 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 intelligence competitiva (CI) sia stato utilizzato solo negli ultimi decenni per descrivere le azioni di un'azienda volte ad acquisire informazioni su altre organizzazioni che rappresentano minacce per l'azienda, questa pratica esiste da secoli. Analogamente all'intelligence militare, possiamo immaginare un'azienda che si concentra sulle forze esterne di concorrenti, prodotti e clienti per valutare accuratamente la strategia da adottare per prosperare in contesti difficili. Possiamo pensare all'intelligence competitiva sia in termini di ambiente strategico governato dalle forze economiche e di mercato, sia di intelligence tattica richiesta quotidianamente (ad esempio, adeguarsi al prezzo di un concorrente). L'intelligence contro-competitiva è un ambito in cui le aziende desiderano anche proteggere le proprie informazioni proprietarie e altre informazioni sensibili. Strumenti e fonti di dati devono tenere il passo con i metodi in continua evoluzione per acquisire efficacemente la conoscenza dei concorrenti e anticiparne le risposte future. Questo articolo illustra il valore del software JMP del SAS Institute sia per l'acquisizione che per l'analisi dei dati nell'ambito dell'analisi del mercato competitivo.
Ciclo di intelligence competitiva:
Il ciclo di intelligence competitiva nella Figura 1 è uno dei tanti costrutti basati sul modello di intelligence militare che descrivono il processo di ricerca di informazioni di mercato sfruttabili su altre aziende e di applicazione dell'analisi per scoprire informazioni fruibili. Inizia con la fase di definizione, che individua esattamente quali dimensioni si desidera realmente indagare, in modo da poter sviluppare un solido piano d'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 insight, producendo infine una storia avvincente che descriva il panorama. L'ultima fase prevede l'invio di queste informazioni ai team giusti, che possono agire sulla base dell'intelligence.
Figura 1. Il ciclo dell'intelligence competitiva
I dati sono ciò che alimenta il processo di CI. In passato, solo i professionisti di CI avevano accesso a dati e siti significativi. Ora, con i Big Data, tutto è cambiato: tutti nell'organizzazione possono apportare valore dal proprio ambito di competenza attraverso un'analisi mirata. Le fonti di dati di CI includono report annuali, discorsi, comunicati stampa (interni ed esterni), analisi finanziarie, fiere, brevetti depositati, siti web aziendali e social media, solo per citarne alcune. Spesso si tratta di dati "open source", sebbene potrebbero essere necessarie autorizzazioni speciali per accedervi. Esistono numerosi database proprietari che potrebbero persino disporre di alcune analisi già disponibili, come Hoover di Dunn & Bradstreet, Salesforce, DataSift, Thomson Reuters, ecc. Gran parte dei dati grezzi proviene da ricerche su Internet seguite da un'attenta estrazione degli elementi di dati pertinenti. Gli sforzi di raccolta di dati di CI dovranno necessariamente affrontare la sfida di dati di testo non strutturati provenienti da fonti e formati diversi, 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 una serie di costrutti. La nota tecnica SWOT esamina i punti di forza, di debolezza, le opportunità e le minacce dei concorrenti. Un metodo PESTLE valuta le dimensioni politiche, economiche, sociali, tecnologiche, legali e ambientali di un settore e dei concorrenti. Le 5 Forze del professor Michael Porter di Harvard (barriere all'entrata, concorrenti attuali, minacce di sostituzione, potere contrattuale dei fornitori, potere contrattuale degli acquirenti) hanno resistito alla prova del tempo. Porter propone anche un modello dei quattro angoli (fattori trainanti/cultura, strategia attuale, ipotesi di gestione e capacità) per prevedere le mosse future dei concorrenti. Altri framework analitici formano matrici con i concorrenti come colonne e indicatori chiave di prestazione come canali di distribuzione, vantaggio tecnologico, prezzi, quota di mercato, attenzione al cliente, stabilità finanziaria, forza lavoro, strutture, partnership e così via come righe. La sfida con uno qualsiasi di questi framework è popolare accuratamente gli elementi dei dati, poiché molti sono valutazioni qualitative che dipendono dalla capacità di reperire fonti di dati attendibili. In questo articolo analizzeremo alcuni metodi di JMP che possono aiutare a individuare ed esplorare questi dati critici.
CoDati di intelligence competitiva dalle analisi dei siti web:
Avanash Kausik Descrive i numerosi strumenti disponibili per analizzare il traffico web e ottenere informazioni sorprendentemente approfondite su fonti, dati demografici, dinamiche di rimbalzo e sentiment sui prodotti. Li suddivide in strumenti incentrati sul sito, che analizzano i siti web dei concorrenti, e strumenti incentrati sull'ecosistema, che analizzano il settore e tecnologie specifiche. Esempi di applicazioni incentrate sul sito sono Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic e AdBeat (per le metriche pubblicitarie online). Questi strumenti forniscono informazioni dettagliate su ciascun sito (ad esempio, fonti, frequenza di rimbalzo, pagine visitate, parole chiave, ecc.), sebbene purtroppo siano gratuiti solo per il tuo sito.
Un esempio di strumento incentrato sull'ecosistema è Google Trends ( https://www.google.com/trends/ ) . La Figura 2 mostra la presenza del termine "Big Data" nel tempo, che, non a caso, ha registrato un forte incremento negli ultimi 3 anni. Il grafico mostra delle lettere che indicano una storia rappresentativa dal web in quel momento, che potrebbe fornire indicazioni sul perché si sia verificato un picco o una valle. Inoltre, vengono fornite le principali regioni geografiche e i termini di ricerca correlati (ad esempio, Big Data Hadoop).
Google Trends può esportare i dati, consentendoci di utilizzare le funzionalità di JMP per le nostre analisi. Ad esempio, Jordan Spieth è un golfista di 22 anni che ha disputato un anno eccezionale, raggiungendo di recente il primo posto nella classifica mondiale. Non è raro sentire negli ambienti sportivi che il golf come sport sta perdendo interesse e che forse Spieth può invertire questa tendenza. Il grafico in Figura 3 mostra certamente non solo una tendenza al ribasso, ma anche un andamento fortemente ciclico che potrebbe rivelarsi utile per i nostri ruoli di analisi competitiva e marketing.
Figura 2. Grafico delle serie temporali di Google Trends di “Big Data”
Figura 3. Grafico della serie temporale di Google Trends di "Golf"
Dall'esportazione dei dati, possiamo usare JMP per creare il nostro grafico personalizzato delle serie temporali in Graph Builder, che etichetta tali eventi in modo più chiaro, e possiamo prevedere la crescita futura usando ARIMA stagionale, come mostrato nella Figura 4. Le aziende possono usare questi tipi di analisi avanzate per prevedere l'andamento dei mercati e i tempi delle campagne pubblicitarie.
Figura 4. Grafico delle serie temporali del gruppo ARIMA e previsioni per "Golf"
Dati di intelligence competitiva dai social media:
L'ultimo decennio ha visto un'esplosione di un nuovo tipo di dati di intelligence assimilabili dai social media. Comunicazioni di ogni tipo vengono registrate ora più che mai e abbiamo l'opportunità di individuare segnali di CI tra tutti questi dati rumorosi e non strutturati. Blog e bacheche elettroniche sono terreni di caccia eccellenti per raccogliere informazioni specifiche di settore e di azienda. È possibile 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 di mercato e della concorrenza. 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 manderesti a qualcuno la parola " stasera" .
Abbiamo scritto uno script JMP Scripting Language (JSL) che richiama il linguaggio di programmazione statistica R per scaricare tutti i feed di Twitter (o un campione casuale) per un periodo di tempo specificato in base a una parola chiave. Lo script raccoglie dati dal momento presente a un periodo futuro prestabilito, sebbene esistano archivi Twitter a pagamento per la raccolta di dati retrospettivi. I dati restituiti includono il tweet effettivo, la posizione, l'ora e altri campi demografici. Molte aziende raccolgono tweet in tempo reale per valutare la reazione del pubblico ai principali lanci di prodotti, sia propri che della concorrenza. Ad esempio, abbiamo eseguito lo script per 5 minuti dopo che LeBron James ha annunciato il suo ritorno a Cleveland, poiché tutti i nostri dati Twitter su prodotti e aziende sono proprietari. La wordcloud risultante nella Figura 5 fornisce informazioni sui termini più ricorrenti (carattere più grande) dopo aver rimosso le parole comuni (il, e, o, ...) e il linguaggio offensivo. Inoltre, abbiamo condotto un'analisi del sentiment sui Tweet incrociando un elenco di circa 1.500 parole generalmente associate a un sentiment positivo, un elenco di circa 2.000 parole negative e il totale delle parole raccolte in 4.000 Tweet in quel periodo di 5 minuti. Un singolo Tweet può contenere più parole positive e negative, oppure nessuna delle due. Il totale complessivo è stato di 3.533 parole positive e 1.626 parole negative. Il wordcloud e l'analisi del sentiment sono stati condotti utilizzando un componente aggiuntivo JMP per il text mining che richiama anche R per le routine di analisi del testo.
Figura 5. Interfaccia dello script JSL di Twitter e Wordcloud su "LeBron" nell'estate 2014
Dati di intelligence competitiva ottenuti tramite scraping dei siti web dei concorrenti:
L'architettura del sito web di un'azienda è di per sé un utile strumento di intelligence strategica, poiché consente di scegliere attentamente cosa rivelare nella propria presenza online, sia in termini di capacità e clienti attuali, sia di ciò su cui si sta lavorando per i miglioramenti futuri. Altre eccezionali opportunità di acquisizione di dati includono riunioni/conferenze, leadership, link a white paper, link 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 offre il vantaggio di essere molto più rapida e completa, sebbene possano essere restituite informazioni eccessive o estranee.
Abbiamo sviluppato codice JSL per estrarre i dati di testo da qualsiasi sito web, tenendo traccia di metadati come la posizione del testo sul sito. Lo script Spider richiama ancora una volta R e richiede solo di inserire il sito web di interesse. È possibile scegliere il tipo di scraping desiderato, poiché i siti web differiscono nella loro struttura. Le opzioni di scraping includono la selezione di tutto il testo, di una notizia o dell'impostazione predefinita. È anche possibile selezionare la profondità di scansione, dove il livello 0 corrisponde alla pagina web specificata, il livello 1 corrisponde a quella pagina più tutte le pagine collegate e così via.
Ad esempio, una tecnologia energetica verde molto diffusa è il condizionamento dell'aria a liquido essiccante, che ottiene un effetto rinfrescante rimuovendo le molecole d'acqua anziché ricorrere ai tradizionali sistemi ad aria refrigerata o refrigeranti che rimuovono l'umidità abbassando la temperatura al di sotto del punto di rugiada. Una rapida ricerca su Google sui sistemi di condizionamento dell'aria a liquido essiccante commerciale mostra due aziende leader, Advantix Systems e Kathabar. Abbiamo analizzato entrambi i siti con lo script JSL per creare una tabella dati JMP in cui ogni riga rappresenta una pagina web. La Figura 6 mostra l'interfaccia di 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 grezzo delle parole sia utile, non fornisce molte informazioni su quali parole occorrono insieme e quali temi potrebbero essere presenti. Per tradurre un testo non strutturato in un file piatto per analisi statistiche che vadano oltre il conteggio delle parole, è comune creare una Document Term Matrix (DTM) che rappresenta ogni documento (pagina web nel nostro esempio) come una riga e ogni parola univoca utilizzata nell'intero corpus come una colonna separata. Le voci della matrice rappresentano la frequenza con cui ciascun termine si verifica in quella particolare riga, sebbene potrebbe essere meglio utilizzare semplicemente una rappresentazione binaria che indica se la parola compare o meno. Un'altra trasformazione comunemente applicata è uno schema ponderato basato sul numero di occorrenze della parola nelle righe. In altre parole, una parola che compare in ogni riga potrebbe non avere un potere discriminante tale da essere utile a livello analitico. Il problema con la DTM è che di solito è molto ampia e molto sparsa; 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, simile all'analisi delle componenti principali (PCA). Una soluzione migliore consiste nel considerare la decomposizione in valori singolari (SVD) del DTM in una dimensione inferiore al numero di colonne o parole (riducendola, ad esempio, da 100 a 300). Questa SVD può essere considerata come DTM M=UDV'. Gli autovettori nella matrice U rappresentano i documenti, gli autovettori nella matrice V rappresentano le parole e i valori singolari sulle diagonali della matrice D provengono dagli autovalori che spiegano la proporzione di variabilità spiegata per ciascuna colonna della SVD.
Osservare un grafico bivariato dei primi due autovettori della matrice V è utile per individuare i temi principali nei dati testuali e per trovare parole che si raggruppino. La Figura 7 mostra il grafico bivariato dei primi 2 SVD per l'esempio di Kathabar. Qui vediamo le parole raggrupparsi attorno alla fornitura di una soluzione di essiccante liquido personalizzata e un altro gruppo che suggerisce apparecchiature a basso consumo energetico per il controllo della temperatura e dell'umidità dell'aria.
Figura 7. Primi autovettori SVD dalla matrice V di Kathabar e distanze multivariate per l'essiccante.
Possiamo anche utilizzare distanze multivariate dagli autovettori della matrice V della SVD di rango ridotto. Queste distanze mostrano parole che si raggruppano, il che consente di scegliere qualsiasi parola nel corpus per trovare termini strettamente associati. Nel pannello destro della Figura 7, possiamo vedere che le parole più vicine a "essiccante" sono, come prevedibile, le seguenti: liquido, sistema, processo, secco, prodotto, applicazione, affidabile e produzione.
Dati di intelligence competitiva dai brevetti:
I depositi di brevetti offrono un buon barometro del profilo tecnologico di un'azienda. Fortunatamente, esistono molti ottimi motori di ricerca brevettuali che offrono accesso gratuito a tutti gli abstract, i disegni e i campi di testo per raccogliere dati sulla proprietà protetta dei concorrenti e comprendere lo stato dell'arte della tecnologia. PATENTSCOPE dell'Organizzazione Mondiale per la Proprietà Intellettuale (https://patentscope.wipo.int/search/en/result.jsf) è stato utilizzato per estrarre gli abstract dei brevetti sui sistemi di condizionamento dell'aria a essiccante liquido. Ogni paragrafo di un abstract formava una riga separata nella tabella dati di JMP. Utilizzando la piattaforma di Ricerca Consumatori ( Analizza>Ricerca Consumatori>Categorico> Ruoli di risposta=Multipli, Colonna di dati di testo assegnata a Testo libero ), possiamo visualizzare il conteggio delle parole e creare rapidamente un diagramma di Pareto dei termini più comuni che compaiono negli abstract dei brevetti.
Figura 8. Interfaccia di testo libero JMP e conteggio della frequenza delle parole per i dati sui brevetti.
Possiamo anche usare JMP per creare colonne indicatrici per le 200 parole più frequenti (ad esempio) per verificare se determinati termini sono correlati, utilizzando Analizza > Metodi multivariati > Multivariati > Correlazioni a coppie . La Figura 9 evidenzia alcune delle coppie di parole altamente correlate, come "filtro a media", "riporto fortemente corrosivo", "membrane microporose" e così via.
Figura 9. Correlazioni a coppie dalla piattaforma multivariata dei dati sui brevetti
L'estrazione di argomenti tramite il componente aggiuntivo di text mining JMP fornisce informazioni aggiuntive. Il grafico dei primi due SVD in Figura 10 fornisce un'idea generale di ciò che questi brevetti stanno cercando di fare: una tecnologia che richiede l'uso di essiccante liquido (parola d'ordine) per deumidificare l'aria, con conseguente effetto rinfrescante, particolarmente applicabile in climi umidi; il rischio della maggior parte degli essiccanti liquidi è l'uso di spray su un mezzo filtrante, che aumenta il rischio di trascinamento nell'aria; 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 descritti in dettaglio nella letteratura accademica, il che suggerisce che sarebbero molto utili per delineare il panorama tecnologico. Per comprendere meglio lo stato dell'arte della tecnologia degli essiccanti liquidi e la loro preparazione per applicazioni commerciali, abbiamo scaricato 45 articoli tecnici recentemente sottoposti a revisione paritaria, pubblicati su autorevoli riviste specializzate nel campo dell'energia pulita negli ultimi tre anni. Questi file di documenti portatili (PDF) erano difficili da tradurre in testo e poi in una tabella dati JMP, perché i caratteri di 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 Adobe Acrobat Standard o Pro per salvare il PDF come file RTF (Rich Text File) di MS Word utilizzando la funzione di riconoscimento ottico dei caratteri (OCR) si è rivelato un buon passaggio intermedio. Successivamente, abbiamo sviluppato una macro di MS Word per aprire un file di documenti Word e salvarli come file di testo da utilizzare nella nostra macro, che legge una cartella di file di testo in una tabella JMP per formare il corpus. Abbiamo anche dovuto aggiornare il nostro script JSL per il componente aggiuntivo di text mining, in modo da avere la possibilità di rimuovere i caratteri non alfanumerici. I riferimenti sono stati rimossi perché interferivano inutilmente con l'analisi del testo.
Le frequenze delle parole nella Figura 11 del componente aggiuntivo di text mining JMP raccontano una storia simile a quella dei brevetti: questa tecnologia energetica verde è un sistema per raffreddare l'aria riducendo il consumo energetico mediante la rigenerazione del essiccante liquido (ad esempio LiCl) per deumidificare e quindi raffreddare l'aria nel punto in cui la membrana separa l'essiccante tossico dal flusso d'aria.
Figura 11. Frequenze delle parole negli articoli di giornale per la membrana essiccante liquida.
Dopo aver eseguito l'SVD, possiamo raggruppare i documenti come articoli di riviste utilizzando i valori degli autovettori della matrice U. I documenti sono raggruppati principalmente in base alle linee guida degli autori e alle aree di ricerca generali nell'ambito dell'essiccante liquido (Figura 12). Per l'estrazione degli argomenti, 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 di condizionamento dell'aria e l'aumento dell'efficienza grazie al metodo di rigenerazione che consente il risparmio energetico; 2) esperimenti per prevedere le velocità di trasferimento di massa e i rapporti di efficienza consentendo diversi valori dei parametri di ingresso; 3) metodi alternativi per rimuovere il vapore utilizzando un compressore elettrico ibrido e essiccante liquido.
Figura 12. Risultati dell'analisi dei cluster da articoli di riviste su essiccanti liquidi
Figura 13. Argomenti tratti dagli abstract sulla membrana di condizionamento dell'aria con essiccante liquido
I grafici dei primi due autovettori della matrice V (Figura 14) mostrano alcuni temi generali di queste ricerche basate sugli abstract: rigenerazione energetica, miglioramento della deumidificazione, simulazione, trasferimento di massa, previsione sperimentale, modello, temperatura e membrana e processo termico con vapore acqueo.
Figura 14. Grafico bivariato dei primi due autovettori del condizionamento dell'aria con essiccante liquido. Riassunti delle riviste
Un'altra tecnica utile nell'estrazione di argomenti è quella di esaminare le distanze multivariate dalla matrice V per parole specifiche. Queste distanze multivariate vengono calcolate da JMP durante l'analisi dei cluster e si ottengono salvando la matrice delle distanze. È possibile 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 tratte dagli abstract di questi articoli di riviste:
- Costi: le preoccupazioni riguardano il periodo di ammortamento, l'installazione principale, la caldaia e i principali fattori trainanti dello stoccaggio
- Affidabilità: produzione di unità multizona e a soffitto con sottosistema di raffreddamento dell'aria
- L'essiccante al litio è cloruro di litio in soluzione acquosa; la preoccupazione principale è il contatto con l'ambiente circostante (tossico), la membrana microporosa è una soluzione
- Le goccioline che entrano in contatto diretto sono dannose, è necessario eliminarle per renderle economicamente fattibili
Figura 15. Distanze multivariate dalla matrice V per gli abstract delle riviste specializzate in essiccanti liquidi.
Riepilogo:
Esistono molti framework per l'analisi di Competitive Intelligence, come SWOT, Porter's Five Forces e Four Corners, che si basano su input di dati aggiornati e affidabili. Le fonti di dati di Competitive Intelligence sono aumentate vertiginosamente e sono state democratizzate, consentendo ai dipendenti di tutta l'azienda di trovare informazioni utili sui propri concorrenti. Il problema è che i dati non sono necessariamente facilmente recuperabili, sono per lo più rumorosi e non strutturati. Gli strumenti analitici, come gli script JMP e JSL, sono utili per raccogliere e interpretare i dati provenienti da fonti come siti web, social media, brevetti e articoli di riviste tecniche. Come nell'analogia militare, l'obiettivo è passare da informazioni open source non strutturate a report di intelligence "classificati" che influiscono 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.
Barbera, Pablo. streamR: accesso all'API di streaming di Twitter tramite R. [Online] 2014. http://CRAN.R-project.org/package=streamR .
Czepiel, John e Kerin, Roger. Analisi della concorrenza . [Online] 2011.http://pages.stern.nyu.edu/~jczepiel/Publications/CompetitorAnalysis.pdf.
Evangelopoulos, Nicholas, Zhang, Xiaoni e Prybutok, Victor R. Analisi semantica latente: cinque raccomandazioni metodologiche. 2012, European Journal of Information Systems, Vol. 21, pp. 70-86.
Fellows, Ian. wordcloud: Nuvole di parole. CRAN. [Online] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
Kaushik, Avanish. Straordinario con l'analisi di intelligence competitiva: le migliori metriche e report .[Online] 2015.http://www.kaushik.net/avinash/competitive-intelligence-analysis-tools-metrics-reports-techniques/.
Lang, Duncan Temple. RCurl: Interfaccia client di rete generale (HTTP/FTP/...) per R. CRAN. [Online] 2015.http://cran.r-project.org/web/packages/RCurl/index.html.
Martin . Framework strategici: analisi della concorrenza e intelligence competitiva . [Online] 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. [Online] 2015 http://competia.com/50-competitive-intelligence-analysis-techniques .
Organizzazione Mondiale per la Proprietà Intellettuale Patentscope. [Online] 2015.https://patentscope.wipo.int/search/en/result.jsf
