Аналитика социальных сетей
 | В этой статье есть несколько проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалять эти шаблонные сообщения )
|
Аналитика социальных сетей или мониторинг социальных сетей — это процесс сбора и анализа данных из социальных сетей, таких как Facebook , Instagram , LinkedIn или Twitter . Часть аналитики социальных сетей называется мониторингом социальных сетей или социальным прослушиванием . Маркетологи обычно используют его для отслеживания онлайн-обсуждений о продуктах и компаниях. Один автор определил это как «искусство и науку извлечения ценной скрытой информации из огромных объемов полуструктурированных и неструктурированных данных социальных сетей, чтобы обеспечить информированное и проницательное принятие решений». [1]
Процесс
[ редактировать ]Анализ социальных сетей состоит из трех основных этапов: идентификация данных, анализ данных и интерпретация информации. Чтобы максимизировать ценность, полученную на каждом этапе процесса, аналитики могут определить вопрос, на который нужно ответить. Важными вопросами для анализа данных являются: «Кто? Что? Где? Когда? Почему? И как?» Эти вопросы помогают определить подходящие источники данных для оценки, что может повлиять на тип анализа, который можно выполнить. [2]
Идентификация данных
[ редактировать ]Идентификация данных — это процесс определения подмножеств доступных данных, на которых необходимо сосредоточиться для анализа. Необработанные данные полезны после их интерпретации. После того, как данные проанализированы, они могут начать передавать сообщение. Любые данные, передающие значимое сообщение, становятся информацией. На высоком уровне необработанные данные для преобразования в точное сообщение принимают следующие формы: зашумленные данные; релевантные и нерелевантные данные, отфильтрованные данные; только актуальные данные, информация; данные, передающие расплывчатое сообщение, знание; данные, передающие точное сообщение, мудрость; данные, которые передают точное сообщение и причину, стоящую за ним. Чтобы извлечь пользу из необработанных данных, нам нужно начать их обрабатывать, уточнить набор данных, включив в него данные, на которых мы хотим сосредоточиться, и организовать данные для идентификации информации. В контексте аналитики социальных сетей идентификация данных означает, какой именно контент представляет интерес. Помимо текста контента, мы хотим знать: кто написал текст? Где он был найден или в какой социальной сети он появился? Интересует ли нас информация из определенного региона? Когда кто-то что-то сказал в социальных сетях? [2]
Атрибуты данных, которые необходимо учитывать, следующие:
- Структура : Структурированные данные — это данные, которые были организованы в отформатированный репозиторий (обычно в базу данных ) так, чтобы его элементы можно было адресовать для более эффективной обработки и анализа. Неструктурированные данные , в отличие от структурированных данных, являются наименее форматированными данными. [3]
- Язык . Язык становится важным, если мы хотим знать настроение сообщения, а не количество упоминаний.
- Регион : важно обеспечить, чтобы данные, включенные в анализ, были только из того региона мира, на котором сосредоточен анализ. Например, если цель состоит в выявлении проблем с чистой водой в Индии , мы хотели бы убедиться, что собранные данные поступают только из Индии .
- Тип контента: Содержимое данных может быть текстом (письменный текст, который легко читать и понимать, если вы знаете язык), фотографиями (рисунки, простые наброски или фотографии), аудио (аудиозаписи книг, статей, бесед, или обсуждения) или Видео (записи, прямые трансляции).
- Место проведения: Контент для социальных сетей создается на различных площадках, таких как новостные сайты и сайты социальных сетей (например, Facebook , Twitter ). В зависимости от типа проекта, для которого собираются данные, место проведения становится очень важным.
- Время: важно собирать данные, размещенные в анализируемом временном интервале.
- Право собственности на данные: являются ли данные частными или общедоступными? Есть ли авторские права на данные? Это важные вопросы, которые необходимо решить перед сбором данных.
Анализ данных
[ редактировать ]Анализ данных — это набор действий, которые помогают преобразовать необработанные данные в ценную информацию, что, в свою очередь, приводит к созданию новой базы знаний и ценности для бизнеса . Другими словами, анализ данных — это этап, на котором отфильтрованные данные принимаются в качестве входных данных и преобразуются в информацию, ценную для аналитиков. С данными социальных сетей можно выполнять множество различных типов анализа, включая анализ публикаций, настроений , факторов, определяющих настроения, географию, демографию и т. д. Этап анализа данных начинается, когда мы знаем, какую проблему мы хотим решить, и знаем, что у нас достаточно данных. этого достаточно для получения значимого результата. Как мы можем узнать, достаточно ли у нас доказательств, чтобы сделать вывод? Ответ на этот вопрос: мы не знаем. Мы не сможем этого узнать, пока не начнем анализировать данные. Если при анализе мы обнаружили, что данных недостаточно, повторите первый этап и измените вопрос. Если считается, что данных достаточно для анализа, нам необходимо построить модель данных. [2]
Разработка модели данных — это процесс или метод, который мы используем для организации элементов данных и стандартизации того, как отдельные элементы данных связаны друг с другом. Этот шаг важен, поскольку мы хотим запустить компьютерную программу над данными; нам нужен способ сообщить компьютеру , какие слова или темы важны и относятся ли определенные слова к теме, которую мы исследуем.
При анализе наших данных полезно иметь в своем распоряжении несколько инструментов, позволяющих по-новому взглянуть на дискуссии, происходящие вокруг этой темы. Целью здесь является настройка инструментов для максимальной производительности для конкретной задачи. Например, думая об облаке слов , если мы возьмем большой объем данных о компьютерных специалистах, скажем, «ИТ-архитекторе», и построим облако слов, без сомнения, самым большим словом в облаке будет «архитектор». Этот анализ также касается использования инструментов. Некоторые инструменты могут хорошо определять настроение, тогда как другие могут лучше разбивать текст на грамматическую форму, которая позволяет нам лучше понимать значение и использование различных слов или фраз. При проведении аналитического анализа трудно перечислить каждый шаг, который необходимо предпринять в аналитическом путешествии. Это во многом итеративный подход, поскольку не существует предписанного способа выполнения действий. [2]
Таксономия и выводы, полученные в результате этого анализа, следующие:
- Глубина анализа: простая описательная статистика, основанная на потоковых данных , специальный анализ накопленных данных или глубокий анализ, выполняемый на основе накопленных данных. Этот аспект анализа на самом деле зависит от количества времени, доступного для получения результатов проекта. Это можно рассматривать как широкий континуум, где время анализа варьируется от нескольких часов на одном конце до нескольких месяцев на другом конце. Этот анализ может ответить на следующие типы вопросов:
- Сколько людей упомянули Википедию в своих твитах?
- Какой политик получил наибольшее количество лайков во время дебатов ?
- Какой конкурент собирает больше всего упоминаний в контексте социального бизнеса ?
- Мощность компьютера: объем процессора , необходимый для обработки наборов данных за разумный период времени. Цифры емкости должны учитывать не только потребности ЦП, но и мощность сети, необходимую для получения данных. Этот анализ может выполняться в режиме реального времени, в режиме, близком к реальному времени, в режиме специального исследования и глубокого анализа. Анализ в реальном времени в социальных сетях является важным инструментом при попытке понять восприятие общественностью определенной темы по мере ее развития, чтобы обеспечить возможность реакции или немедленного изменения курса. При анализе в режиме, близком к реальному времени, мы предполагаем, что данные поступают в инструмент со скоростью, меньшей, чем в режиме реального времени. Специальный анализ — это процесс, предназначенный для ответа на один конкретный вопрос. Результатом специального анализа обычно является отчет или сводка данных. Глубокий анализ подразумевает анализ, который охватывает длительный период времени и включает в себя большой объем данных, что обычно приводит к высокой нагрузке на процессор. [2]
- Область анализа. Область анализа в целом подразделяется на внешние социальные сети и внутренние социальные сети. Большую часть времени, когда люди используют термин «социальные сети», они имеют в виду внешние социальные сети. Сюда входит контент, созданный на популярных сайтах социальных сетей, таких как Twitter , Facebook и LinkedIn . Внутренние социальные сети включают корпоративную социальную сеть , которая представляет собой частную социальную сеть, используемую для облегчения общения внутри бизнеса. [5]
- Скорость передачи данных. Скорость передачи данных в социальных сетях можно разделить на две категории: данные в состоянии покоя и данные в движении. Измерения скорости движущихся данных могут ответить на такие вопросы, как: Как меняется мнение населения в целом об игроках в ходе матча? Вызывает ли толпа позитивное отношение к игроку, который на самом деле проигрывает игру? В этих случаях анализ делается по мере поступления. В этом анализе количество получаемых деталей напрямую коррелирует со сложностью аналитического инструмента или системы . Очень сложный инструмент позволяет получить больше деталей. Второй тип анализа в контексте скорости — это анализ неактивных данных. Этот анализ выполняется после полного сбора данных. Проведение этого анализа может дать следующую информацию: какой из продуктов вашей компании упоминается больше всего по сравнению с другими? Каково относительное отношение к вашей продукции по сравнению с продукцией конкурента? [2]
Интерпретация информации
[ редактировать ]Выводы, полученные в результате анализа, могут быть столь же разнообразными, как и исходный вопрос, заданный на первом этапе анализа. На этом этапе, поскольку получателями информации являются нетехнические бизнес-пользователи, форма представления данных становится важной. Как данные могут иметь эффективный смысл, чтобы их можно было использовать для принятия правильных решений? Визуализация (графика) информации – ответ на этот вопрос. [6]
Лучшие визуализации — это те, которые раскрывают что-то новое о базовых закономерностях и отношениях, содержащих данные. Выявление закономерностей и их преуменьшение играют ключевую роль в процессе принятия решений. В основном при визуализации данных следует учитывать три критерия.
- Поймите аудиторию : прежде чем строить визуализацию , поставьте цель — передать большие объемы информации в формате, легко усваиваемом потребителем информации. Важно ответить на вопросы «Кто аудитория?» и «Можете ли вы предположить, что аудитория знакома с используемой терминологией?» Аудитория экспертов будет иметь другие ожидания, чем широкая аудитория; поэтому необходимо учитывать ожидания. [7]
- Установите четкую структуру: аналитику необходимо убедиться, что визуализация синтаксически и семантически правильна. Например, при использовании значка элемент должен быть похож на то, что он представляет, с размером, цветом и положением, которые сообщают зрителю значение. [7]
- Расскажите историю : аналитическая информация сложна и ее трудно усвоить, поэтому цель визуализации — понять и осмыслить информацию. Рассказывание историй помогает зрителю получить представление о данных. Визуализация должна упаковывать информацию в структуру, которая представлена в виде повествования и легко запоминается. Это важно во многих сценариях, когда аналитик не является тем же человеком, что и лицо, принимающее решения. [7]
Техники
[ редактировать ]| Распространенные варианты использования аналитики социальных сетей | Требуется понимание бизнеса | Методы аналитики социальных сетей | Показатели эффективности социальных сетей |
|---|---|---|---|
| Сегментация аудитории в социальных сетях | На какие сегменты ориентироваться для привлечения, роста или удержания? Кто является сторонниками бренда или продукта и оказывает на него влияние? | Анализ социальных сетей | Активные адвокаты, адвокатское влияние |
| Обнаружение информации в социальных сетях | Каковы новые или возникающие темы или темы, имеющие отношение к бизнесу? Появляются ли новые сообщества влияния? | Обработка естественного языка , обработка сложных событий | Тенденции тем, соотношение настроений |
| Воздействие и влияние в социальных сетях | Каково восприятие бренда среди избирателей? Чем бренд отличается от конкурентов? Какие каналы социальных сетей используются для обсуждения? | Анализ социальных сетей, обработка естественного языка | Охват разговора, скорость, доля голоса, вовлеченность аудитории |
| Выводы о поведении в социальных сетях | Какова связь между актуальными для бизнеса темами и проблемами? Каковы причины выраженного намерения (покупка, отток и т. д.)? | Обработка естественного языка, кластеризация , интеллектуальный анализ данных | Интересы или предпочтения (тема), корреляции , матрицы близости тем |
Влияние на бизнес-аналитику
[ редактировать ]Недавние исследования в области аналитики социальных сетей подчеркнули необходимость принятия подхода, основанного на бизнес-аналитике, для сбора, анализа и интерпретации данных социальных сетей. [8] [9] Социальные сети представляют собой многообещающий, хотя и непростой источник данных для бизнес-аналитики. Клиенты добровольно обсуждают продукты и компании, давая в режиме реального времени информацию о настроении и принятии бренда. [10] Социальные сети — один из наиболее важных инструментов для маркетологов в быстро развивающемся медиа-ландшафте. Фирмы создали специализированные должности для управления маркетингом в социальных сетях. Эти аргументы согласуются с литературой по маркетингу в социальных сетях, которая предполагает, что деятельность в социальных сетях взаимосвязана и влияет друг на друга. [11]
Мун и Якобуччи (2022) [12] сосредоточился на маркетинговых применениях аналитики социальных сетей. К таким приложениям относятся поведение потребителей в социальных сетях, влияние социальных сетей на эффективность деятельности фирмы, бизнес-стратегия, управление продуктами/брендами, анализ сетей социальных сетей, конфиденциальность потребителей и безопасность данных в социальных сетях, а также вымышленный/предвзятый контент в социальных сетях. В частности, конфиденциальность потребителей и безопасность данных становятся все более важными во вселенной социальных сетей, учитывая растущий риск, связанный с утечкой данных в социальных сетях . Аналогичным образом, вместе с ростом социальных сетей значительно увеличилось количество подозрительных публикаций в социальных сетях. Лука и Сервас (2015) [13] сообщили, что у фирм появляется потенциальный стимул использовать фейковые публикации, когда у них усиливается конкуренция. Поэтому улучшение наших возможностей по выявлению и мониторингу подозрительных публикаций (например, фейковых обзоров на Yelp) стало важной частью управления платформой социальных сетей. [14]
Муруганантам и Ганди (2020) предложили модель многокритериального принятия решений (MCDM), чтобы доказать, что предпочтения, настроения, поведение и маркетинговые данные пользователей социальных сетей связаны с аналитикой социальных сетей. Пользователи Интернета тесно связаны и демонстрируют высокую степень взаимного влияния в социальной идеологии и социальных сетях, что, в свою очередь, влияет на бизнес-аналитику. [15]
Роль в международной политике
[ редактировать ] | Возможно, этот раздел содержит оригинальные исследования . ( сентябрь 2019 г. ) |
Возможности опасности анализа социальных сетей и майнинга социальных сетей на политической арене были выявлены в конце 2010-х годов. В частности, участие компании по сбору данных Cambridge Analytica в президентских выборах в США в 2016 году и Брексите было показательным примером, показывающим возникающие опасности соединения майнинга в социальных сетях и политики. Это подняло вопрос о конфиденциальности данных для частных лиц и правовых границах, которые должны быть созданы для компаний, занимающихся наукой о данных, имеющих отношение к политике в будущем. Оба приведенных ниже примера демонстрируют будущее, в котором большие данные могут изменить игру в международной политике. Вполне вероятно, что политика и технологии будут развиваться вместе в течение следующего столетия. В случае с Cambridge Analytica результаты анализа социальных сетей нашли отклик во всем мире благодаря двум крупнейшим мировым державам — Соединенным Штатам и Великобритании.
Президентские выборы в США 2016 г.
[ редактировать ]Скандал , последовавший за президентскими выборами в США в 2016 году, был связан с трехсторонними отношениями между Cambridge Analytica, предвыборным штабом Трампа и Facebook. Cambridge Analytica получила данные более 87 миллионов [16] ничего не подозревающих пользователей Facebook и проанализировали данные в интересах предвыборного штаба Трампа. Создав тысячи точек данных о 230 миллионах взрослых американцев, компания по сбору данных имела возможность проанализировать, каких людей можно склонить к голосованию за кампанию Трампа, а затем отправлять сообщения или рекламные объявления указанным целям и влиять на мышление пользователей. Конкретные целевые избиратели могут тогда подвергаться воздействию посланий в поддержку Трампа, даже не подозревая о политическом влиянии, оказывающемся на них. Такая специфическая форма таргетинга, при которой избранным людям знакомится с объемом рекламной кампании, превышающим средний уровень, называется «микротаргетингом». [17] Остаются большие разногласия в оценке степени влияния этого микротаргетинга на выборы 2016 года. Влияние микротаргетинговой рекламы и анализа данных социальных сетей на политику по состоянию на конец 2010-х годов остается неясным, поскольку это новая область технологий.
Хотя это было нарушением конфиденциальности пользователей, сбор данных и целевой маркетинг подорвали общественную подотчетность, которой больше не подчиняются субъекты социальных сетей, тем самым искажая демократическую избирательную систему и позволяя доминировать в ней платформам «создаваемого пользователями контентом [который ] поляризовал сообщение СМИ». [18]
Споры о президентских выборах в США 2020 года
[ редактировать ]Анализ политических групп в Facebook и публикаций аналитической компании по социальным сетям CounterAction показал роль гигантов социальных сетей в протестных движениях, таких как попытки отменить президентские выборы в США 2020 года и нападение на Капитолий США в 2021 году . [19] [20]
Брексит
[ редактировать ] |
Во время референдума по Брекситу в 2016 году Cambridge Analytica вызвала споры из-за использования данных, собранных из социальных сетей. Аналогичный случай произошел, когда компания Cambridge Analytica получила взлом и данные Facebook. Высказывались опасения, что они использовали эти данные, чтобы побудить британских граждан проголосовать за выход из Европейского Союза на референдуме ЕС в 2016 году . [21] После трехлетнего расследования в 2020 году был сделан вывод, что к референдуму не было никакого участия. [22] [21] Помимо Cambridge Analytica, несколько других компаний, занимающихся данными, таких как AIQ [23] и Психометрический центр Кембриджского университета. [24] были обвинены, а затем расследованы британским правительством на предмет возможного злоупотребления данными для пропаганды незаконных методов кампании за Брексит. [25] [26] Референдум завершился тем, что 51,89% избирателей поддержали выход Соединенного Королевства из Европейского Союза. Это окончательное решение повлияло на политику внутри Соединенного Королевства и вызвало волну в политических и экономических институтах по всему миру. [27]
См. также
[ редактировать ]- Измерение социальных сетей
- Анализ настроений
- Осведомленность об окружающей среде
- Интеллектуальный анализ данных
- Майнинг в социальных сетях
- Интеллект социальных сетей
- Анализ социальных сетей
Ссылки
[ редактировать ]- ^ Спондер, Маршалл; Хан, Гохар Ф. (2017). Цифровая аналитика для маркетинга . Нью-Йорк, штат Нью-Йорк. ISBN 9781138190672 . OCLC 975370877 .
{{cite book}}: CS1 maint: отсутствует местоположение издателя ( ссылка ) - ^ Перейти обратно: а б с д и ж Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения бизнес-ценности из социальных сетей . Нью-Йорк: IBM Press. стр. 40–137. ISBN 978-0-13-389256-7 .
- ^ «Что такое структурированные данные? — Определение с сайта WhatIs.com» . WhatIs.com . Проверено 6 декабря 2016 г.
- ^ Ганис, Мэтью; Кохиркар, Авинаш (2015). Аналитика социальных сетей: методы и идеи для извлечения бизнес-ценности из социальных сетей . Нью-Йорк: IBM Press. стр. 247–248. ISBN 978-0-13-389256-7 .
- ^ Китт, Дениз (24 мая 2012 г.). «Объяснение корпоративных социальных сетей» . Переключение CRM . Проверено 5 ноября 2016 г.
- ^ Стил, Джули (15 февраля 2012 г.). «Почему важна визуализация данных» . О'Рейли Медиа . Проверено 11 декабря 2016 г.
- ^ Перейти обратно: а б с «Три элемента успешной визуализации данных» . Гарвардское деловое обозрение . Проверено 11 декабря 2016 г.
- ^ Рухи, Умар (2014). «Аналитика социальных сетей как практика бизнес-аналитики: текущая ситуация и перспективы на будущее» . Журнал социальных сетей и виртуальных сообществ в Интернете : 1–12. дои : 10.5171/2014.920553 . S2CID 167544401 .
- ↑ Фан, В., и Гордон, доктор медицинских наук (1 июня 2014 г.). «Сила аналитики социальных сетей». Ассоциация вычислительной техники. Сообщения АКМ , 57, 6, 74.
- ↑ Лу Ю., Ван Ф. и Мациевский Р. (1 января 2014 г.). «Бизнес-аналитика из социальных сетей: исследование VAST Box Office Challenge». Компьютерная графика и приложения IEEE , 34, 5.)
- ^ Сабу, А.Р., Кумар, В., и Рамани, Г. (1 сентября 2016 г.). «Оценка влияния деятельности в социальных сетях на продажи человеческих брендов». Международный журнал исследований в области маркетинга , 33, 3, 524–541.
- ^ Луна, Сангкил; Якобуччи, Дон (28 февраля 2022 г.). «Аналитика социальных сетей и ее применение в маркетинге» . Основы и тенденции в маркетинге . 15 (4): 213–292. дои : 10.1561/1700000073 . ISSN 1555-0753 . S2CID 247201448 . Архивировано из оригинала 11 декабря 2022 г. Проверено 11 декабря 2022 г.
- ^ Лука, Майкл; Зервас, Георгиос (01 декабря 2016 г.). «Притворяйтесь, пока не добьетесь успеха: репутация, конкуренция и мошенничество с обзорами Yelp» . Наука управления . 62 (12): 3412–3427. дои : 10.1287/mnsc.2015.2304 . ISSN 0025-1909 . Архивировано из оригинала 11 декабря 2022 г. Проверено 11 декабря 2022 г.
- ^ Луна, Сангкил; Ким, Мун-Ён; Берги, Пол К. (01 сентября 2019 г.). «Оценка обмана в отзывах потребителей на основе крайних условий: сравнительный анализ открытых и закрытых платформ бронирования отелей» . Журнал бизнес-исследований . 102 : 83–96. дои : 10.1016/j.jbusres.2019.05.016 . ISSN 0148-2963 . S2CID 181482746 .
- ^ Муруганантам А.; Ганди, Дж. Мира (01 февраля 2020 г.). «Система аналитики социальных сетей на основе модели многокритериального принятия решений (MCDM)» . Мультимедийные инструменты и приложения . 79 (5): 3913–3927. дои : 10.1007/s11042-019-7470-2 . ISSN 1573-7721 . S2CID 254869748 .
- ^ Ханна, Мина; Исаак, Джим (14 августа 2018 г.). «Конфиденциальность пользовательских данных: Facebook, Cambridge Analytica и защита конфиденциальности». ИИЭЭ . 51 (8): 56–59. дои : 10.1109/MC.2018.3191268 . S2CID 52047339 .
- ^ Тарран, Брайан (29 мая 2018 г.). «Чему мы можем научиться из скандала между Facebook и Cambridge Analytica?» . Значение . 15 (3): 4–5. дои : 10.1111/j.1740-9713.2018.01139.x .
- ^ Сантос, Тьяго; Лусана и Хелдер Коэльо, Хорхе; Коэльо, Хелдер (19 февраля 2020 г.). «Цифровая трансформация публичной сферы». Системные исследования и поведенческая наука . 36 (6): 778. doi : 10.1002/sres.2644 . S2CID 210550036 .
- ^ Крейг Сильверман, Крейг Тимберг, Джефф Као и Джереми Б. Меррилл. (4 января 2022 г.). «За несколько месяцев до января Facebook зарегистрировал всплеск дезинформации и угроз восстания. Атака 6, как показывают записи» . Веб-сайт Defense One. Архивировано 9 января 2022 года на Wayback Machine. Проверено 8 января 2021 года.
- ^ Крейг Тимберг, Элизабет Двоскин и Рид Альберготти. (22 октября 2021 г.). «В Facebook, 6 января. Насилие разожгло гнев и сожаление по поводу пропущенных предупреждающих знаков». Веб-сайт Washington Post. Архивировано 22 октября 2021 года в Wayback Machine. Проверено 8 января 2022 года.
- ^ Перейти обратно: а б «Cambridge Analytica «не участвует» в референдуме по Брекситу, заявляет наблюдательный орган» . Новости Би-би-си . 07.10.2020. Архивировано из оригинала 7 октября 2020 года . Проверено 13 июня 2022 г.
- ^ «Cambridge Analytica не злоупотребляла данными на референдуме ЕС, - утверждает наблюдательная организация» . Хранитель . 07.10.2020. Архивировано из оригинала 13 июня 2022 года . Проверено 13 июня 2022 г.
- ^ «AggregateIQ создала программное обеспечение для выборов Cambridge Analytica, и вот доказательство» . Гизмодо . 26 марта 2018 г. Архивировано из оригинала 25 апреля 2018 года . Проверено 13 июня 2022 г.
- ^ Управление комиссара по расследованию (6 ноября 2018 г.). «Расследование использования анализа данных в политических кампаниях» (PDF) : 116. Архивировано (PDF) из оригинала 9 августа 2022 года . Проверено 13 июня 2022 г.
{{cite journal}}: Для цитирования журнала требуется|journal=( помощь ) - ^ «Facebook приостанавливает работу канадской компании AggregateIQ из-за скандала с данными» . CNBC . 07.04.2018. Архивировано из оригинала 7 апреля 2018 года . Проверено 13 июня 2022 г.
- ^ «Информационная фирма нарушила канадские законы о конфиденциальности, участвуя в кампаниях по Брекситу и в США — расследование» . Рейтер . 2019-11-26. Архивировано из оригинала 13 января 2020 года . Проверено 13 июня 2022 г.
- ^ «Итоги и явка на референдуме ЕС» . www.electoralcommission.org.uk . 25 сентября 2019 г. Архивировано из оригинала 1 апреля 2021 года . Проверено 23 октября 2022 г.