← Torna alla metodologia
Comportamento di ricerca e stima della domanda
[1]
Choi, H. & Varian, H. (2012). Predicting the Present with Google Trends. Economic Record, 88(s1), 2–9.
[19]
Da, Z., Engelberg, J. & Gao, P. (2011). Alla ricerca dell’attenzione. Journal of Finance, 66(5), 1461–1499.
Comportamento digitale e previsione della personalità
[2]
Kosinski, M., Stillwell, D. & Graepel, T. (2013). I tratti e gli attributi privati sono prevedibili dai registri digitali del comportamento umano. Atti dell’Accademia Nazionale delle Scienze, 110(15), 5802–5805.
[20]
Park, G. et al. (2014). Valutazione automatica della personalità attraverso il linguaggio dei social media. Journal of Personality, 83(2).
Inferenza demografica dai dati digitali
[12]
Cesare, N. et al. (2017). In che misura l’apprendimento automatico è in grado di prevedere i dati demografici degli utenti dei social media? arXiv:1702.01807.
[11]
Rothe, R., Timofte, R. & 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). L’uso dei social media da parte degli americani. Pew Research Center, Washington, D.C.
Share of Search
[17]
Binet, L. (2020). La quota di ricerca come misura predittiva. Presentato all’IPA EffWorks Global.
[18]
IPA Think Tank / Hankins, J. (2021). La quota di ricerca rappresenta l’83% della quota di mercato. Analisi dell’IPA Think Tank — 30 studi, 12 categorie, 7 paesi.
Metodi bayesiani nel marketing
[9]
Rossi, P.E., Allenby, G.M. & McCulloch, R. (2005). Statistica bayesiana e marketing. Wiley.
[10]
Google Research (2017). Metodi bayesiani per la modellizzazione del media mix. Blog Google AI.
Fusione dei dati e intelligence multisorgente
[8]
Ipsos MediaCT (2011). Fusione dei dati: un libro bianco. Ipsos.
[14]
Koren, Y., Bell, R. & Volinsky, C. (2009). Tecniche di fattorizzazione matriciale per i sistemi di raccomandazione. IEEE Computer, 42(8), 30–37.
Modellizzazione psicografica e dei valori
[15]
Schwartz, S.H. (1992). Universali nel contenuto e nella struttura dei valori: progressi teorici e test empirici in 20 paesi. Advances in Experimental Social Psychology, 25, 1–65.
[16]
Boyd, R. et al. (2015). I valori nelle parole: l’uso del linguaggio per valutare e comprendere i valori personali. Atti della Conferenza internazionale AAAI sul Web e i social media (ICWSM).
Qualità dei dati dei sondaggi e alternative comportamentali
[3]
Moffatt, A. (2025). Ricostruire la fiducia nella ricerca: i dati comportamentali come fondamento. Presentato a IIeX North America / Qrious Insights.
[4]
Snell, S. (2025). Stato delle frodi nei sondaggi 2025. Rep Data. (Analisi di 4,1 miliardi di tentativi di compilazione di sondaggi: il 33% fraudolento, il 27% distratto.)
[21]
Fawson, B. (2025). Ripensare la qualità dei dati: il deficit di fiducia del settore. GreenBook. (Applica il modello di Akerlof "Market for Lemons" ai mercati dei dati dei sondaggi.)
Standard e quadri di riferimento del settore
[5]
Codice internazionale ICC/ESOMAR su ricerche di mercato, sondaggi d’opinione e ricerche sociali e sull’Analytics
dei dati, 5a edizione (2025).
[6]
Costella, T. / Heineken (2025). Quadro di riferimento sui rischi dei dati sintetici. Presentato all’ESOMAR Reimagine 2025.
[7]
Linee guida ESOMAR sulla raccolta, l’osservazione e la registrazione passiva dei dati. ESOMAR.
[22]
ESOMAR (2025). 20 domande per aiutare gli acquirenti di servizi basati sull’intelligenza artificiale. ESOMAR.
Gemelli digitali e previsione comportamentale
[23]
Toubia, O. et al. (2025). Twin-2K-500: un set di dati per la creazione di gemelli digitali. Marketing Science.
[24]
Park, J.S. et al. (2025). Simulazione del comportamento umano con agenti di IA. Università di Stanford.