Aproveche el poder de JMP®: Big Data y redes sociales para el análisis de la competencia
Conferencia de Descubrimiento 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 (p. ej., teléfonos inteligentes) en el Internet de las Cosas y una cantidad equivalente de cuentas en redes sociales. El consiguiente crecimiento explosivo del volumen de datos representa grandes oportunidades para quienes puedan encontrar una señal en esta vasta colección de ruido desestructurado e incierto. Un proyecto reciente planteó la necesidad de que los usuarios de JMP buscaran y analizaran eficientemente grandes volúmenes de material de código abierto sobre tecnologías innovadoras, sus niveles de madurez, aplicaciones actuales y competidores principales. Entre los desafíos únicos se encontraba la necesidad de extraer el texto de estas diversas arquitecturas de sitios web (sin el código superfluo) y de archivos PDF y PowerPoint adjuntos que no siempre están en un formato utilizable. Una vez desarrollado el corpus, el texto se importó a JMP para identificar rápidamente los temas críticos de interés y los documentos asociados. Estos pasos se lograron utilizando una interfaz intuitiva de JMP para rutinas de minería de texto en R. El análisis de texto mediante la visualización de datos de JMP, el análisis de clústeres y las capacidades de árboles de decisión permitieron una mejor caracterización del mercado en comparación con los métodos tradicionales. Esta charla demostrará una serie de scripts y plataformas JMP para buscar de manera efectiva en decenas de sitios web relevantes y monitorear redes sociales (como Twitter), reunir una gran colección de datos no estructurados y responder preguntas de investigación específicas.
Introducción:
Aunque el término inteligencia competitiva (IC) se ha utilizado solo en las últimas décadas para describir las acciones de una corporación para obtener información sobre otras organizaciones que representan amenazas para el negocio, esta práctica ha existido durante siglos. De forma análoga a la inteligencia militar, podemos imaginar una empresa que se centra en las fuerzas externas de la competencia, los productos y los clientes para evaluar con precisión la estrategia que debe 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 a diario (por ejemplo, igualar el precio de la competencia). La inteligencia contracompetitiva es donde las empresas también querrán proteger su propia información confidencial y de otro tipo. Las herramientas y las fuentes de datos deben mantenerse al día con los métodos en constante evolución para comprender eficazmente a los rivales y anticipar sus futuras respuestas. Este artículo ilustra el valor del software JMP de SAS Institute para adquirir y analizar datos en el ámbito del análisis de mercados competitivos.
Ciclo de inteligencia competitiva:
El ciclo de inteligencia competitiva de la Figura 1 es uno de los muchos constructos basados en el modelo de inteligencia militar para describir el proceso de encontrar información de mercado explotable sobre otras empresas y aplicar el análisis para descubrir información útil. Comienza con la fase de definición, que determina exactamente qué dimensiones se desean investigar para 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 brutos en información que, en última instancia, genere una descripción convincente del panorama. La última fase consiste en proporcionar esta información a los equipos adecuados que puedan actuar en consecuencia.
Figura 1. El ciclo de inteligencia competitiva
Los datos son lo que impulsa el proceso de CI. Anteriormente, solo los profesionales de CI tenían acceso a datos y sitios web relevantes. Esto ha cambiado con el Big Data, donde todos en la organización pueden aportar valor desde su área de especialización mediante una búsqueda exhaustiva. Las fuentes de datos de CI incluyen informes anuales, discursos, comunicados de prensa (internos y externos), análisis financieros, ferias comerciales, solicitudes de patentes, sitios web de la empresa y redes sociales, por nombrar solo algunas. A menudo, estos son de código abierto, aunque es posible que se necesiten permisos especiales para acceder a ellos. Existen numerosas bases de datos propietarias que incluso pueden tener algunos análisis ya disponibles, como Dunn & Bradstreet's Hoover, Salesforce, DataSift, Thomson Reuters, etc. Gran parte de los datos sin procesar provendrán de búsquedas en internet, seguidas de una cuidadosa extracción de los elementos de datos pertinentes. Los esfuerzos de recopilación de CI necesariamente enfrentarán el desafío de datos de texto no estructurados de fuentes y formatos dispares, lo que requiere un esfuerzo significativo para ensamblar un conjunto de datos coherente para el análisis.
La fase de análisis y producción suele organizar las múltiples fuentes de datos en varios constructos. La conocida técnica FODA examina las fortalezas, debilidades, oportunidades y amenazas de la competencia. El método PESTLE evalúa las dimensiones políticas, económicas, sociales, tecnológicas, legales y ambientales de una industria y sus rivales. Las Cinco Fuerzas del profesor de Harvard Michael Porter (barreras de entrada, rivales actuales, amenazas de sustitutos, poder de negociación de los proveedores, poder de negociación de los compradores) han resistido la prueba del tiempo. Porter también utiliza un modelo de las Cuatro Esquinas (impulsores/cultura, estrategia actual, supuestos de gestión y capacidades) para predecir los movimientos futuros de la competencia. Otros marcos analíticos forman matrices con los rivales como columnas e indicadores clave de rendimiento (KPI), como canales de distribución, ventaja tecnológica, precios, cuota de mercado, enfoque al cliente, estabilidad financiera, plantilla, instalaciones, alianzas, etc., como filas. El reto con cualquiera de estos marcos reside en la precisión de los datos, ya que muchas son evaluaciones cualitativas que dependen de la fiabilidad de las fuentes de datos. Analizamos algunos métodos en JMP que pueden ayudar a encontrar y explorar estos datos críticos.
CoDatos de inteligencia competitiva de análisis de sitios web:
Avanash Kausik Describe las numerosas herramientas disponibles para analizar el tráfico web y obtener información sorprendentemente reveladora sobre fuentes, datos demográficos, dinámica de rebote y sentimiento del producto. Las divide en herramientas centradas en el sitio web, que analizan los sitios web de la competencia, y herramientas centradas en el ecosistema, que analizan el sector y las tecnologías específicas. Ejemplos de aplicaciones centradas en el sitio web son Google Analytics, Compete, SimilarWeb, Marketing Grader, Majestic y AdBeat (para métricas de publicidad online). Estas herramientas proporcionan información detallada sobre cada sitio web (p. ej., fuentes, tasa de rebote, páginas visitadas, palabras clave, etc.), aunque, lamentablemente, solo son gratuitas para sitios web propios.
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 cobrado auge en los últimos tres años. En el gráfico se incluyen letras que seleccionan una historia representativa de la web en ese momento, la cual puede proporcionar información sobre el motivo de un pico o un valle. Además, se muestran las principales regiones geográficas 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. Por ejemplo, Jordan Spieth es un golfista de 22 años que ha tenido un año excepcional, alcanzando recientemente el número uno del mundo. Es frecuente escuchar en el mundo del deporte que el golf está perdiendo interés, y quizá Spieth pueda revertir esta tendencia. El gráfico de la Figura 3 muestra no solo una tendencia a la baja, sino también un patrón muy cíclico que podría ser útil en nuestras funciones de análisis competitivo y marketing.
Figura 2. Gráfico de series temporales de Google Trends de “Big Data”
Figura 3. Gráfico de la serie temporal de Google Trends de “Golf”
A partir de la exportación de datos, podemos usar JMP para crear nuestro propio gráfico de series de tiempo personalizado en Graph Builder que etiqueta esos eventos más claramente 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. Gráfica de series temporales y pronósticos del grupo ARIMA para “Golf”
Datos de inteligencia competitiva de las redes sociales:
La última década ha presenciado un auge en un nuevo tipo de datos de inteligencia que pueden asimilarse de las redes sociales. Ahora más que nunca se registran comunicaciones de todo tipo y tenemos la oportunidad de encontrar señales de inteligencia corporativa entre todos estos datos ruidosos y desestructurados. Los blogs y los foros son excelentes plataformas para recopilar información específica del sector y la empresa. Se puede seguir a empresas, empleados, grupos tecnológicos, oportunidades de empleo y exempleados en LinkedIn y otros sitios profesionales. Las publicaciones en sitios como Facebook, Twitter e Instagram también ofrecen oportunidades para comprender las tendencias del mercado y la competencia. El reto reside en recopilar eficientemente estos datos desestructurados, caracterizados por un nuevo lenguaje informal similar al inglés, con múltiples formas de expresar la misma palabra; piense en cómo le escribiría a alguien la palabra " tonight" .
Creamos un script en lenguaje de script JMP (JSL) que invoca el lenguaje de programación estadística R para descargar todos los feeds de Twitter (o una muestra aleatoria) durante un periodo específico en relación con una palabra clave. El script recopila datos desde el momento actual hasta un período futuro predefinido, aunque existen archivos de Twitter para recopilar datos retrospectivos con un coste. Los datos devueltos incluyen el tuit, la ubicación, la hora y otros datos demográficos. Muchas empresas recopilan tuits en tiempo real para conocer la reacción del público a los principales lanzamientos de productos, ya sean propios o de la competencia. Por ejemplo, ejecutamos el script durante 5 minutos después de que LeBron James anunciara su regreso a Cleveland, ya que todos nuestros datos de Twitter sobre productos y empresas son de propiedad exclusiva. La nube de palabras resultante, en la Figura 5, ofrece información sobre los términos más frecuentes (en letra más grande) tras eliminar palabras comunes (el, y, o, …) y el lenguaje ofensivo. Además, realizamos un análisis de sentimiento de los tuits mediante una tabulación cruzada de una lista de aproximadamente 1500 palabras generalmente asociadas con sentimientos positivos, una lista de aproximadamente 2000 palabras negativas y todas las palabras recopiladas en 4000 tuits durante ese período de 5 minutos. Un mismo tuit puede contener varias palabras positivas y negativas, o no contener ninguna de ellas. El total general fue de 3533 palabras positivas y 1626 negativas. La nube de palabras y el análisis de sentimiento se realizan mediante un complemento de JMP para minería de texto que también utiliza R para las rutinas de análisis de texto.
Figura 5. Interfaz de script JSL de Twitter y Wordcloud sobre “LeBron” en el verano de 2014
Datos de inteligencia competitiva obtenidos a partir del análisis de sitios web de la competencia:
La arquitectura del sitio web de una empresa por sí sola constituye un recurso valioso de inteligencia estratégica, ya que elige cuidadosamente qué revelar en su presencia online, tanto en términos de capacidades y clientes actuales como de sus proyectos de mejora futura. Otras oportunidades excepcionales para obtener datos incluyen reuniones/conferencias, liderazgo, enlaces a informes técnicos, enlaces a noticias, mejores prácticas, debates sobre tecnología, ofertas de empleo y palabras clave en optimización para motores de búsqueda (SEO). Un método para obtener estos datos es copiar y pegar manualmente el texto de interés. Como alternativa, una herramienta automatizada de web scraping ofrece la ventaja de ser mucho más rápida y completa, aunque puede devolver información excesiva o superflua.
Desarrollamos código JSL para extraer datos de texto de cualquier sitio web, manteniendo un registro de metadatos como la ubicación del texto en el sitio web. El script Spider, una vez más, llama a R y solo requiere que introduzcas el sitio web de interés. Puedes elegir el tipo de extracción que deseas realizar, ya que los sitios web difieren en su estructura. Las opciones de extracción incluyen seleccionar todo el texto, una noticia o la configuración predeterminada. También puedes seleccionar la profundidad del rastreo: el nivel 0 corresponde a la página web que especifiques, el nivel 1 a esa página más todas las páginas enlazadas, y así sucesivamente.
Por ejemplo, una tecnología de energía verde popular es el aire acondicionado con desecante líquido, que logra un efecto refrescante eliminando las moléculas de agua, en lugar de los sistemas convencionales de aire frío o refrigerante, que eliminan la humedad bajando la temperatura por debajo del punto de rocío. Una búsqueda rápida en Google sobre aire acondicionado comercial con desecante líquido muestra dos empresas líderes: Advantix Systems y Kathabar. Utilizamos el script JSL para extraer datos de ambos sitios web y crear una tabla de datos JMP donde cada fila representa una página web. La Figura 6 muestra la interfaz de Spider junto con la nube de palabras resultante del complemento de minería de texto.
Figura 6. Interfaz JSL Spider y nube de palabras resultante de www.kathabar.com
La nube de palabras representa, una vez más, la frecuencia de las palabras. Aunque este recuento de palabras sin procesar es útil, no proporciona mucha información sobre qué palabras aparecen juntas ni qué temas pueden estar presentes. Para traducir texto no estructurado a un archivo plano para el análisis estadístico más allá del recuento de palabras, es común formar una Matriz de Términos de Documento (DTM) que tiene cada documento (página web en nuestro ejemplo) como una fila y cada palabra única que se utiliza en todo el 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 que se aplica comúnmente. Es decir, una palabra que aparece en todas las filas puede no tener mucho poder de discriminación para ser útil analíticamente. El problema con la DTM es que suele ser muy grande y muy dispersa; 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 menor, similar al análisis de componentes principales (ACP). Una mejor solución es tomar la descomposición en valores singulares (DVS) del DTM en una dimensión menor que el número de columnas o palabras (reducirla, por ejemplo, de 100 a 300). Esta DVS puede interpretarse como DTM M=UDV'. Los vectores propios de la matriz U representan los documentos, los vectores propios de la matriz V representan las palabras, y los valores singulares en las diagonales de la matriz D provienen de los valores propios que explican la proporción de variabilidad explicada para cada columna de la DVS.
Observar un gráfico bivariado de los dos primeros vectores propios de la matriz V resulta útil para identificar los temas principales en los datos textuales, así como para encontrar palabras que se agrupen. La Figura 7 muestra el gráfico bivariado de los dos primeros vectores propios para el ejemplo de Kathabar. Aquí vemos que las palabras se agrupan en torno a la provisión de una solución desecante líquida personalizada y otro grupo que sugiere equipos de bajo consumo para controlar la temperatura y la humedad del aire.
Figura 7. Primeros vectores propios de SVD de la matriz Kathabar V y distancias multivariadas para el desecante.
También podemos utilizar distancias multivariadas de los vectores propios de la matriz V del SVD de rango reducido. Estas distancias muestran palabras que se agrupan, lo que permite seleccionar cualquier palabra del corpus para encontrar términos estrechamente asociados. En el panel derecho de la Figura 7, podemos ver que las palabras más cercanas a desecante son, como era de esperar, líquido, sistema, proceso, seco, producto, aplicación, confiable y fabricación.
Datos de inteligencia competitiva de patentes:
Las solicitudes de patente ofrecen un buen indicador del perfil tecnológico de una empresa. Afortunadamente, existen numerosos y excelentes buscadores de patentes que ofrecen acceso gratuito a todos los resúmenes, dibujos y campos de texto para recopilar datos sobre la propiedad protegida de la competencia 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 patentes de aire acondicionado con desecante líquido. Cada párrafo de un resumen constituía una fila independiente en la tabla de datos de JMP. Utilizando la plataforma de Investigación del Consumidor ( Analizar > Investigación del Consumidor > Categórico > Roles de Respuesta = Múltiples, Columna de datos de texto asignada a Texto Libre ), podemos ver el número de palabras y crear rápidamente un diagrama de Pareto con los términos más frecuentes en los resúmenes de patentes.
Figura 8. Interfaz de texto libre JMP y recuento de frecuencia de palabras para datos de patentes.
También podemos usar JMP para crear columnas indicadoras para las 200 palabras más frecuentes (por ejemplo) y comprobar si ciertos términos se correlacionan mediante Analizar > Métodos Multivariantes > Multivariante > Correlaciones por Pares . La Figura 9 destaca algunos pares de palabras con alta correlación, como filtro de medios, arrastre fuertemente corrosivo, membranas microporosas , etc.
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. El gráfico de las dos primeras SVD en la Figura 10 ofrece una idea general de lo que estas patentes intentan lograr: una tecnología que requiere el uso de desecante líquido (palabra vacía) para deshumidificar el aire, lo que resulta en un efecto de enfriamiento, especialmente aplicable en climas húmedos. El riesgo de la mayoría de los desecantes líquidos es su uso en aerosol sobre un medio filtrante, lo 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 a partir de artículos de revistas técnicas:Muchos avances tecnológicos se detallan en la literatura académica, lo que sugiere que serían muy útiles para comprender el panorama tecnológico. Para comprender mejor el estado de la tecnología de desecantes líquidos y su disponibilidad para aplicaciones comerciales, descargamos 45 artículos técnicos recientemente arbitrados de revistas científicas de prestigio en el campo de las energías limpias, publicados en los últimos tres años. Estos archivos PDF eran difíciles de traducir a texto y luego a una tabla de datos JMP, ya que los caracteres de texto son en realidad imágenes y la gran cantidad de ecuaciones matemáticas no se traducen correctamente a texto. Experimentamos con diversos métodos (tanto de código abierto como propietarios) para leer estos archivos PDF correctamente y concluimos que usar Adobe Acrobat Standard o Pro para guardar el PDF como un archivo de texto enriquecido (rtf) de MS Word mediante la función de reconocimiento óptico de caracteres (OCR) era un 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 su uso 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 el complemento de minería de texto para que pudiera eliminar los caracteres no alfanuméricos. Se eliminaron las referencias 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 la de las patentes: esta tecnología de energía verde es un sistema para enfriar el aire reduciendo el consumo de energía al regenerar el 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 membrana desecante líquida.
Tras realizar la descomposición en valores de volumen (SVD), podemos agrupar artículos de revistas similares utilizando los valores de los vectores propios de la matriz U. Los documentos se agrupan en gran medida según la autoría, así como por áreas de investigación generales dentro del campo de los desecantes líquidos (Figura 12). Para la extracción de temas, utilizamos la matriz V de la SVD. Algunos temas seleccionados (Figura 13) en estas revistas son: 1) experimentos comparativos que validan el desecante líquido como solución de aire acondicionado y el aumento de la eficiencia mediante un método de regeneración que ahorra energía; 2) experimentos para predecir las tasas de transferencia de masa y los índices de eficiencia, permitiendo diferentes valores de los parámetros de entrada; 3) un método alternativo para la eliminación de vapor mediante un compresor eléctrico híbrido y un desecante líquido.
Figura 12. Resultados del análisis de conglomerados de artículos de revistas sobre desecantes líquidos
Figura 13. Temas de los resúmenes de membranas desecantes líquidas para aire acondicionado
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 proceso térmico con vapor de agua.
Figura 14. Gráfico bivariado de los dos primeros vectores propios de resúmenes de revistas de aire acondicionado desecante líquido
Otra técnica útil para la extracción de temas consiste en observar las distancias multivariadas de la matriz V para palabras específicas. Estas distancias multivariadas se calculan mediante JMP durante el análisis de conglomerados y se obtienen guardando la matriz de distancias. Se puede seleccionar una palabra específica y descubrir qué palabras están más estrechamente relacionadas con ella. Algunas palabras de interés, mostradas en la Figura 15, proporcionan la siguiente información de los resúmenes de estos artículos de revistas:
- Costo: la preocupación es el período de recuperación, la instalación principal, la caldera y los grandes impulsores del almacenamiento.
- Confiabilidad: producción de unidades multizona y de techo con subsistema de enfriamiento de aire
- El desecante de litio es cloruro de litio como solución acuosa; la principal preocupación es el contacto con el ambiente (tóxico), la membrana microporosa es una solución
- Las gotas que entran en contacto directo son dañinas y es necesario eliminarlas para que sea económicamente viable.
Figura 15. Distancias multivariadas de la matriz V para resúmenes de revistas de desecantes líquidos.
Resumen:
Existen numerosos marcos para el análisis de inteligencia competitiva, como el análisis FODA, las 5 Fuerzas de Porter y las 4 Esquinas, que dependen de datos actualizados y fiables. Las fuentes de datos de inteligencia competitiva se han disparado y se han democratizado, lo que permite a los empleados de toda la empresa encontrar información útil sobre sus competidores. El problema radica en que los datos no son necesariamente fáciles de recuperar, sino que suelen ser ruidosos y desestructurados. Las herramientas analíticas de los scripts JMP y JSL son útiles para recopilar y comprender datos de fuentes como sitios web, redes sociales, patentes y artículos de revistas técnicas. Al igual que en la analogía militar, el objetivo es pasar de la información de código abierto no estructurada a informes de inteligencia clasificados que influyan en la dirección estratégica de la organización.
Referencias:
Baglama, James y Reichel, Lothar. Métodos de bidiagonalización de Lanczos aumentados e implícitamente reiniciados. 2005, SIAM Journal of Scientific Computing, vol. 27, págs. 19-42.
Barbera, Pablo. streamR: Acceso a la API de streaming de Twitter mediante 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.
Evangelopoulos, Nicholas, Zhang, Xiaoni y Prybutok, Victor R. Análisis semántico latente: cinco recomendaciones metodológicas. 2012, European Journal of Information Systems, vol. 21, págs. 70-86.
Fellows, Ian. Nube de palabras: Nubes de palabras. CRAN. [En línea] 2014.http://cran.r-project.org/web/packages/wordcloud/index.html.
Kaushik, Avanish. Aplastando el mercado con análisis de inteligencia competitiva: Mejores métricas e informes .[En línea] 2015.http://www.kaushik.net/avinash/herramientas-de-analisis-de-inteligencia-competitiva-informes-metricos-tecnicas/.
Lang, Duncan Temple. RCurl: Interfaz de cliente de red general (HTTP/FTP/...) para R. GRUPO. [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/análisis-de-la-competencia-inteligencia-competitiva/.
Metayer, Estelle. Principales 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
