Bibliografía

Comportamiento de búsqueda y estimación de la demanda

[1] Choi, H. y Varian, H. (2012). Predicting the Present with Google Trends. Economic Record , 88(s1), 2–9.

[19] Da, Z., Engelberg, J. y Gao, P. (2011). En busca de la atención. Journal of Finance , 66(5), 1461–1499.

Comportamiento digital y predicción de la personalidad

[2] Kosinski, M., Stillwell, D. y Graepel, T. (2013). Los rasgos y atributos privados son predecibles a partir de los registros digitales del comportamiento humano. Actas de la Academia Nacional de Ciencias , 110(15), 5802–5805.

[20] Park, G. et al. (2014). Evaluación automática de la personalidad a través del lenguaje de las redes sociales. Journal of Personality , 83(2).

Inferencia demográfica a partir de datos digitales

[12] Cesare, N. et al. (2017). ¿En qué medida puede el aprendizaje automático predecir los datos demográficos de los usuarios de las redes sociales? arXiv:1702.01807 .

[11] Rothe, R., Timofte, R. y Van Gool, L. (2018). DEX: Deep EXpectation of apparent age from a single image. International Journal of Computer Vision , 126(2–4), 144–157.

[13] Pew Research Center (2025). El uso de las redes sociales por parte de los estadounidenses. Pew Research Center, Washington, D.C.

Porcentaje de búsquedas

[17] Binet, L. (2020). La cuota de búsqueda como medida predictiva. Presentado en IPA EffWorks Global.

[18] IPA Think Tank / Hankins, J. (2021). La cuota de búsqueda representa el 83 % de la cuota de mercado. Análisis del IPA Think Tank: 30 estudios, 12 categorías, 7 países.

Métodos bayesianos en marketing

[9] Rossi, P.E., Allenby, G.M. y McCulloch, R. (2005). Estadística bayesiana y marketing . Wiley.

[10] Google Research (2017). Métodos bayesianos para el modelado de la combinación de medios. Blog de IA de Google.

Fusión de datos e inteligencia multisource

[8] Ipsos MediaCT (2011). Fusión de datos: un libro blanco. Ipsos.

[14] Koren, Y., Bell, R. y Volinsky, C. (2009). Técnicas de factorización de matrices para sistemas de recomendación. IEEE Computer , 42(8), 30–37.

Modelización psicográfica y de valores

[15] Schwartz, S.H. (1992). Universales en el contenido y la estructura de los valores: avances teóricos y pruebas empíricas en 20 países. Advances in Experimental Social Psychology , 25, 1–65.

[16] Boyd, R. et al. (2015). Valores en las palabras: el uso del lenguaje para evaluar y comprender los valores personales. Actas de la Conferencia Internacional de la AAAI sobre la Web y las Redes Sociales (ICWSM) .

Calidad de los datos de encuestas y alternativas conductuales

[3] Moffatt, A. (2025). Reconstruir la confianza en la investigación: los datos de comportamiento como base. Presentado en IIeX North America / Qrious Insights.

[4] Snell, S. (2025). Estado del fraude en las encuestas en 2025. Rep Data. (Análisis de 4100 millones de intentos de encuesta: 33 % fraudulentos, 27 % por falta de atención.)

[21] Fawson, B. (2025). Reconsiderar la calidad de los datos: el déficit de confianza del sector. GreenBook . (Aplica el marco de «Mercado de limones» de Akerlof a los mercados de datos de encuestas.)

Normas y marcos del sector

[5] Código Internacional de la ICC/ESOMAR sobre Investigación de Mercados, Opinión y Social y DatosAnalytics , 5.ª edición (2025).

[6] Costella, T. / Heineken (2025). Marco de riesgo de los datos sintéticos. Presentado en ESOMAR Reimagine 2025.

[7] Directriz de ESOMAR sobre la recopilación, observación y registro pasivos de datos. ESOMAR.

[22] ESOMAR (2025). 20 preguntas para ayudar a los compradores de servicios basados en IA. ESOMAR.

Gemelos digitales y predicción del comportamiento

[23] Toubia, O. et al. (2025). Twin-2K-500: un conjunto de datos para la creación de gemelos digitales. Marketing Science .

[24] Park, J.S. et al. (2025). Simulación del comportamiento humano con agentes de IA. Universidad de Stanford.