Escolar Documentos
Profissional Documentos
Cultura Documentos
net/publication/334170835
CITATIONS READS
2 289
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Tarcízio Silva on 02 July 2019.
Tarcízio Silva2
Brunno Apolonio3
Pedro Meirelles 4
“a dataficação das coisas que não eram previamente dados e a abertura das APIs das
mídias sociais, que permitem acesso à sua matéria, não apenas torna a lógica de
1
Artigo enviado para o I Encontro Norte e Nordeste da ABCiber no GT Comunicação Organizacional.
2
Mestre em Comunicação pela Universidade Federal da Bahia, Diretor de Pesquisa e Cofundador do Instituto
Brasileiro de Pesquisa e Análise de Dados. Email: tarcizio@ibpad.com.br
3
Graduado em Publicidade e Propaganda pela Universidade da Amazônia e Pesquisador no IBPAD. Email:
brunnoapolonio@gmail.com
4
Graduado em Estudos de Mídia pela Universidade Federal Fluminense e Pesquisador no IBPAD. Email:
pedrorcmeirelles@gmail.com
612
mídias sociais difusiva como também torna a mineração de dados de mídias sociais
uma possibilidade real para muito mais atores comuns que podem acessar outras
formas de dados e participar na sua mineração”5 (KENNEDY, 2016, p. 38)
Em torno do mundo, a mineração de dados em mídias sociais tem sido utilizada por
pesquisadores acadêmicos e de mercado para estudar os mais diferentes fenômenos, tais
como controvérsias online sobre questões sociais - os direitos das mulheres, por exemplo
(BATISTA et al, 2016), epidemiologia (RABELLO et al, 2018), o papel das mídias sociais em
eventos históricos - na Guerra da Síria, por exemplo (LYNCH et al, 2014), o monitoramento
sobre questões de saúde pública (CORLEY et al, 2010) e até mesmo a construção de um
“índice de felicidade” automatizado a partir de tweets (DODD & DANFORTH, 2010), entre
outros.
Em seus desdobramentos estritamente mercadológicos, a mineração de dados em
mídias sociais engendrou o mercado referenciado através de termos como “monitoramento
de mídias sociais” (SILVA, 2010), social listening (MACNAMARA, 2015), ou até neologismos
como “social big data” (GUELLIL & BOUKHALFA, 2015). A construção deste mercado vai muito
além do que é oferecido automaticamente pelas plataformas como Facebook, YouTube e
afins em seus sistemas de anúncios, gerando categorias específicas de atores organizacionais
e práticas de análise. Este mercado inclui data brokers (como GNIP e Datasift); ferramentas de
monitoramento e coleta de dados acadêmicas (Netlytic, Netvizz, NodeXL, Uberlink e outras) e
comerciais (Sysomos, Sprinklr, Stilingue, Scup, etc.); empresas especializadas na análise e
interpretação dos dados (IBPAD, Scup, f.biz, Isobar, etc.); além das próprias organizações
comerciais interessadas nos resultados. Tais atores estão frequentemente ávidos pela
construção e aplicação de novas metodologias de pesquisa, comumente adaptadas de
inovações acadêmicas, como foi o caso da análise de redes e visualização de grafos (cf. SILVA,
2017).
Inúmeras metodologias e abordagens são aplicadas aos dados de mídias sociais, tais
como métricas e mensuração quantitativa com a aplicação de estatística descritiva; análise de
conteúdo; análise de texto; etnografia; análise de redes e hyperlinks; análise geoespacial e
outras (cf. FRAGOSO, RECUERO & MONTARDO, 2011; ACKLAND, 2013; HALFPENNY &
5
“datafication of things that were not previously data and the openness of social media APIs, which allows
access to datafied matter, not only make social media logic pervasive but also make social media data mining a
real possibility for many more ordinary actors than can access other forms of data and engage in their mining”
(tradução nossa, 2018).
613
PROCTER, 2015; SLOAN & QUAAN-HAASE, 2017). Algumas das fronteiras ainda presentes para
as práticas mercadológicas de análise de dados em mídias sociais são delimitadas pela
dificuldade com a coleta, manejo e análise de imagens, como fotografias.
A tipologia oferecida por Laestadius (2017) de estudos no Instagram propõe quatro
abordagens. As primeiras, abordagens quantitativas, são estudos de big data que se calcam
sobretudo na capacidade computacional das ferramentas de processamento para analisar
padrões de uso, utilização de tags, likes, comentários e hashtags, além de metadados.
Amostras pequenas (small data) combinadas com abordagens qualitativas, análise,
codificação e interpretação das imagens e textos de amostras humanamente gerenciáveis
valoriza a granularidade na segunda abordagem. A terceira, por sua vez, trata do estudo dos
significados e apropriação da plataforma Instagram através da interação direta com os
usuários (através de entrevistas, questionários grupos focais, etnografia, etc.).
Por fim, as abordagens das Humanidades Digitais trazem similaridades com a
abordagem quantitativa, mas aqui a distinção está em duas variáveis únicas: 1) são aplicadas
técnicas de computação visual e processamento de imagens para focar na mídia visual em si e
não apenas nos metadados; 2) como resultado frequente, visualizações interativas permitem
o leitor interagir com os conteúdos e padrões de forma viva. Segundo Laestadius, “Uma vez
coletadas, processadas, e visualizadas, imagens podem ser mapeadas e organizadas [...] para
descobrir novos padrões. Muito desses dados podem ser gerados automaticamente
utilizando técnicas de reconhecimento de imagem, enquanto outros itens devem ser criados
ou validados manualmente” 6 (LAESTADIUS, 2017, p.580). Como aponta a autora, o trabalho
de Manovich é uma dos exemplos mais famosos e característicos desta quarta abordagem.
Segundo o autor, “a análise computacional de grandes amostras de conteúdo em plataformas
de mídia como o Instagram pode quantificar várias estratégias e padrões fotográficos, de
design e de narrativa dos usuários”7 (MANOVICH, 2017, p.22). Em diversos trabalhos,
abordagens similares aplicaram técnicas como estas ao estudo de selfies através de diferentes
culturas (TIFENTALE & MANOVICH, 2015), protestos de ativistas (MANOVICH, TIFENTALE &
6
“Once collected, processed, and visualized, images can be mapped and sorted [...] to discern novel patterns.
Much of this data can be generated automatically using image recognition techniques, while other items must be
created or validated by hand” (tradução nossa, 2018).
7
“computational analysis of large samples of content on media platform such as Instagram can quantify many
photographic, design, and narrative user strategies and patterns” (tradução nossa, 2018).
614
YAZDANI, 2014), mapeamento semântico e geoespacial de cidades (RYKOV et al, 2016; REDI
et al, ) entre outros.
Porém, ao falarmos da comunicação mercadológica, em um panorama que o uso de
fotografias, ilustrações, memes visuais e conteúdo audiovisual ganha cada vez mais espaço,
como incluir as imagens como fonte de dados de forma criativa e escalável? Como aponta
Zandavalle (2018), os estudos públicos com fins mercadológicos sobre imagens de mídias
sociais ainda são raros. Apontamos, como principais motivos, três pontos: a escassa
capacitação teórico-metodológica em métodos de pesquisa, assim como capacidade
computacional; o alto valor necessário, em termos de recursos humanos, para codificação e
análise de imagens; e o caráter ainda recente de tecnologias que apoiem a classificação
automatizada.
No atual contexto, que permite a aplicação de recursos de computação visual de um
modo mais acessível, como veremos a seguir, urge a necessidade, pelos comunicadores, da
apropriação, crítica e desenvolvimento de produtos de inteligência com aqueles recursos.
Descreveremos os conceitos e aplicações básicas da visão computacional para, em seguida,
apresentar estudo de caso desenvolvido pelos autores.
615
Entretanto, nos últimos anos, grandes empresas de tecnologia passaram a ofertar
seus serviços de inteligência artificial, aprendizado de máquina e análise estatística massiva
através de APIs (Application Programming Interfaces – Interfaces de Programação de
Aplicações), que permitem que desenvolvedores e analistas “pluguem” as capacidades destas
empresas em seus próprios projetos, a custos aplicados sob demanda. Quanto à computação
visual e reconhecimento de imagens, os recursos foram lançados nos últimos quatro anos,
tais como Imagga e Alchemy (2014), Google Cloud Vision, IBMWatson Visual Insights e Clarifai
(lançados em 2015), Amazon Rekognition (2016), Microsoft Computer Vision (2017).
A consultora Susan Etlinger chama de inteligência imagética (image intelligence) “a
habilidade de extrair significados de imagens, detectar padrões e usar esses insights em
conjunção a outros dados para fazer previsões sobre o futuro” (ETLINGER, 2016, p.13). A
autora aponta seis áreas para geração de valor a partir da análise de conteúdo visual:
Inovação; Saúde de Marca; Otimização de Marketing; Geração de Receita; Performance
Operacional; Experiência do Consumidor. As aplicações são inúmeras nestas áreas e podemos
destacar: marketing de conteúdo gerado pelo consumidor que permite “conteúdo de fonte
coletiva, seja de shows, eventos esportivos, cotidiano, e depois obter conteúdo de fãs,
clientes e fotógrafos para uso criativo ou em comércio digital” 8 (ETLINGER, 2015, p.19);
afinidades de marca, ao identificar “maneiras interessantes nas quais clientes/consumidores
utilizam seu produto de maneira na qual você nunca planejou, e como eles o associam com
outra coisa”9 (ETLINGER, 2015, p.19); ou ainda analisar o storytelling, ao comparar “imagens
de uma marca ao passar do tempo para identificar mudanças visuais na história da marca” 10
(ETLINGER, 2015, p.18).
Para o estudo em questão, foi escolhida por conveniência a aplicação da plataforma
de recursos de computação visual chamada Google Vision. Em seu website, a apresentação
dos serviços possíveis de inteligência de imagens é bem clara, com a possibilidade aberta, a
qualquer visitante, de realizar um “teste” da API. Como exemplo, as imagens 1 e 2 abaixo
8
“crowdsource content, whether from concerts, sporting events, daily life, then obtain content from fans,
customers and photographers for use in creative or in digital commerce” (tradução nossa, 2018)
9
“interesting ways in which customers/consumers use your product in ways you never intended, and how they
may pair it with something else” (tradução nossa, 2018).
10
“images of a brand over time to identify visual changes in the brand story” (tradução nossa, 2018).
616
representam, respectivamente, a identificação de Labels (Marcadores) e Web Labels
(Marcadores Web) de uma imagem extraída de nosso próprio conjunto de dados 11.
Figura 2 - Resultados na Google Vision API na opção Web Labels (Marcadores Web).
11
Foto do blog “Vou na Janela”, publicada em seu perfil no Instagram de mesmo nome.
617
informações semânticas na web retiradas do contexto (websites) onde a foto e fotos
visualmente similares foram publicadas, conseguindo identificar também itens como bairros e
endereços neste caso.
A Google Vision ainda oferece recursos de reconhecimento de texto, propriedades
de cor, sugestão de recorte, descoberta e contagem de rostos, posicionamento dos rostos,
busca por imagens iguais e visualmente semelhantes na web e outros.
Como pudemos inferir através dos exemplos, a amplitude de aplicações do
reconhecimento de imagens envolve tanto a identificação para fins de contabilização e
controle quanto a identificação para fins de descoberta. É útil aqui a proposta de Mintz
(2016), que apresenta diferenciação analítica entre dois modos de operação da visão
computacional. O primeiro, que estaria mais associado aos campos de vigilância, seleção e
monitoramento no sentido estrito, é chamado pelo autor de operações de localização-
acionamento. O reconhecimento de imagens para fins policiais, por exemplo, aproxima-se
deste conjunto de operações, uma vez que busca ligar a descoberta de indivíduos em
determinado espaço físico ligado a também determinadas ações e eventos que se tornam
suscetíveis à ligação criminal, de responsabilidade ou simplesmente de controle, como
marcação de corpos em pontos de fluxo e registro como aeroportos. Poderíamos dizer que o
campo de monitoramento de imagens através da identificação de logotipos aproxima-se
deste modo, uma vez que os objetivos de comunicadores é comumente encontrar “pontos
cegos” do monitoramento de mídias sociais. Ao mesmo tempo reforça a impressão o fato de
que um consumidor, ao postar uma foto de um tênis que tenha a marca Nike visualmente,
mas não marcada ou com a hashtag correspondente não está, explicitamente, querendo ser
“visto” pela corporação.
O segundo modo apontado por Mintz é chamado de reconhecimento-conexão,
debruçado sobre o espaço delimitado pela imagem em si, através apenas de seu dispositivo
de registro (como câmera fotográfica) ou produção (ilustração, pintura, etc.). Para o autor,
trata-se de “reconhecer padrões registrados pela imagem (como rostos e objetos) e conectá-
los a redes semânticas de dimensões variáveis, pela qual os programas realizam diferentes
percursos interpretativos do visível” (MINTZ, 2016, p. 160). Neste sentido, as redes
semânticas podem ser exploradas pelos analistas de comunicação e marketing com fins de
estudar um universo de atividades – férias, no caso de nosso estudo a seguir.
618
3 ESTUDANDO #FÉRIAS NO INSTAGRAM
Como estudo de caso de realização de produto de inteligência comercial baseado na
computação visual, apresentamos estudo realizado pelo IBPAD partindo das seguintes
questões de pesquisa: como usar a computação visual para entender como os brasileiros
representam as férias no Instagram e qual sua relevância para estudos de mídias sociais?12. A
relevância da imagem do produto turístico (localidade, transporte aéreo, hotelaria, atração,
etc.) é essencial no momento de consideração da viagem:
12
O estudo completo em formato de apresentação pode ser acessado em
https://www.ibpad.com.br/blog/comunicacao-digital/estudando-imagens-com-inteligencia-artificial-ferias-nas-
midias-sociais
619
propostos por Mintz (2018). As imagens acessíveis publicamente totalizaram 8.591 imagens
processadas.
Com o processamento das imagens no Instagram através do script, cada linha de
dados referente a uma imagem recebe novas camadas informacionais a depender dos
recursos solicitados para processamentos, tais como Marcadores, Marcadores Web, Detecção
de Logotipos, Detecção Facial, etc.
620
Figura 4 - Detalhe da rede bi-modal entre imagens e marcadores, visualizada no Gephi. Os
rótulos sem legenda representam links para as imagens coletadas e processadas.
Uma vez que esta rede foi construída, unindo imagens e marcadores de acordo com
suas similaridades conceituais, foi aplicado o script Imagenet Plotter (Mintz, 2017b) que
acessa as imagens coletadas e os dispõe em uma página para a exploração e visualização
posterior, em um arquivo vetorial de extensão SVG, que pode ser aberto e editado em
programas como Inkscape e Adobe Illustrator. Como os nós foram distribuídos com o recurso
do algoritmo Force Atlas 2 do Gephi, a visualização dispõe as imagens de forma significante,
permitindo ao analista descobrir os agrupamentos temáticos de forma quase intuitiva.
A visualização resultante pode ser vista na Figura 5, já com as indicações dos
agrupamentos descobertos. Ao menos 13 clusters puderam ser identificados na rede: Selfies
em Paisagens; Selfies no Lar e Close Up de rostos; Praia, Mar e Piscinas; Consumo na Praia;
Arquitetura Turística; Pôr-do-Sol; Mobilidade; Cachoeira / Trilhas; Modas / Trajes de Banho;
Feiras; Alimentação; Bebidas; Cachorros e Pets.
621
Figura 5 - Rede de Imagens resultante da análise, com as temáticas agrupadas em destaque.
622
estilos clássicos de arquitetura e prédios históricos, além de condições climáticas que podem
apresentar novas experiências para quem vive em regiões com climas diferentes.
É interessante também perceber as potenciais aplicações desse tipo de estudo para a
auxiliar a gestão pública, principalmente àquelas ligadas ao turismo e planejamento urbano e
bem-estar social, uma vez que a análise de conteúdo no Instagram tem potencial para
apontar características de usufruto da cidade e análise de sentimentos a partir da visão
centrada no ser humano - os próprios cidadãos. Alguns estudos já demonstram a utilização
de monitoramento de mídias sociais, em especial em ferramentas de microblogging, como o
Twitter, para entender os potenciais deste métodos de pesquisa para estudar as cidades
(HOLLANDER et al, 2016).
A presença de imagens com meios de locomoção está ligada a meios para chegar ou
voltar de viagens e passeios, como carros na estrada, ônibus e avião. A descoberta de
marcadores de meios de transporte através da Google Vision permitiu a clusterização destas
imagens, fonte rica para compreensão da construção da experiência de viagem e turismo em
várias fases desta jornada e não necessariamente com foco na principal atração. E ainda que
o cluster “mobilidade” pareça elementar, é preciso levar em consideração que “os aspectos
visuais no planejamento destas experiências são fontes de inspiração e informação para a
tomada de decisões referentes às fases da jornada que antecedem a viagem” (TERTUNNEN,
2016, p. 53) - respondendo a questões como “qual é o meio de transporte mais comum no
local de origem? como se parece?”) -; nas horas seguintes após a fotografia ser feita, ou após
o retorno para a cidade de origem, com destaque para a associação das hashtags #tbt a
#férias, usadas em conjunto para lembrar de uma sensação vivida durante o período e que
servem de referência para outras pessoas que podem estar interessadas nos destinos e
atrações presentes imagens.
Há também a esfera na qual o próprio meio de locomoção faz parte do evento, como
é o caso de road trips e passeios de buggy em praias (que podem ser acessadas para
responder a questões como “qual é qualidade do conforto no percurso? o trajeto é
visualmente convidativo? como as pessoas dizem se sentir?”), bem como para os amantes de
corridas e passeios de moto/bicicleta com aspirações semi-profissionais e que vão além dos
passeios casuais, pois demonstram certo preparo - seja físico ou de equipamentos.
623
A partir da análise conseguimos identificar as principais temáticas visuais
relacionadas ao usufrutos das férias por meio de treze agrupamentos principais e a partir
disso entender algumas peculiaridades de comportamento do brasileiro com este momento,
como por exemplo a forte presença de imagens em praias e balneários, que está ligado a
geografia brasileira - para citar apenas um fator; identificar e elaborar potenciais relações de
consumo que podem ser analisadas com maior foco em determinadas categorias, a exemplo
de “moda praia” e “gastronomia”; e enxergar com mais clareza a aplicabilidade da
computação visual para o desenvolvendo hipóteses que possam gerar futuros estudos
focados na compreensão do usos de espaços públicos e na percepção de bem estar social a
partir de narrativas visuais geradas pelos usuários.
4 CONSIDERAÇÕES FINAIS
Técnicas para realização de análise automatizada de imagens através de recursos
como Google Vision API e similares abrem novas fronteiras tecnológicas para os profissionais
de comunicação e marketing. Compreender o modo pelo qual estes recursos prontos podem
ser utilizados para a construção de produtos de inteligência analítica, resumo, descrição e
síntese de grandes volumes de dados pode gerar a incorporação criativa da inteligência
artificial e computação visual no cotidiano do analista de comunicação.
A metodologia também ganha relevância no contexto cada vez mais visual que se faz
presente nas mídias sociais, visto que as marcas devem se preparar para um cenário no qual a
já consolidada análise textual deve seguir paralela à métodos de pesquisa relacionados a
imagens. Nesse cenário, as técnicas aqui apresentadas também podem - e devem - ser
adaptadas à análise visual de vídeos, utilizando como base as sequências de frames que
compõe uma obra audiovisual. Esta é uma possibilidade bastante interessante que já tem, em
trabalhos internos, gerado frutos de inteligência estratégica para clientes dos mais diversos
segmentos.
Por fim, porém não menos importante, atentamos também para as limitações e os
perigos da utilização de APIs em temáticas sensíveis e/ou complexas demais. A técnica de
machine learning, utilizada pela Google Vision e demais ferramentas citadas neste trabalho,
segue um pressuposto de aprendizado constante que, muitas vezes, pode não dar conta da
complexidade sociocultural de teias de significados a qual se amarram os seres humanos. Ao
624
mesmo tempo, vale ratificar também o quanto esse contexto abre espaço para a
replicabilidade de valores e preconceitos interiores àqueles que desenvolvem este trabalho.
Vários casos já foram noticiados de como máquinas e produtos de inteligência artificial atuam
dentro da estrutura social que sustenta a opressão de certos grupos em comparação a outros.
Na academia, pesquisadores responsáveis têm dedicado seus trabalhos à investigação dessa
“nova” forma de opressão (NOBLE, 2018).
Isso significa, na prática, que especificidades culturais de grupos específicos ficar de
fora da lista de interpretações que a máquina já desenvolveu. Isso abre espaço para uma
realidade na qual a inteligência das máquinas terá que ser abastecida por pessoas reais que,
em sua total, plural e complexidade, consigam ensiná-las as nuances de diferentes culturas. A
ideia de machine teaching se soma aos poucos à popularização do machine learning e abre
oportunidades, ameaças e demandas tanto mercadológicas quanto éticas aos profissionais da
comunicação e ciências sociais aplicada.
REFERÊNCIAS
ACKLAND, Robert. Web social science: Concepts, data and tools for social scientists in the
digital age. Sage, 2013.
BATISTA, Deborah C.; SILVA, Tarcízio; STABILE, Max; PAEZ, Paula C.; KEARNEY, Matthew
C.. Insights from Social Media on Gender in Latin America. Inter-American Development
Bank, 2017.
CORLEY, C.D.; COOK, D.J.; MIKLER, A.R.; SINGH, K.P. Text and Structural Data Mining of
Influenza Mentions in Web and Social Media. Int. J. Environ. Res. Public Health 2010, 7, 596-
615.
ETLINGER, Susan. Image Intelligence: Making Visual Content Predictive. Altimeter Group.
Online. Disponível em: <https://www.prophet.com/2016/07/image-intelligence-making-
visual-content-predictive>
GUELLIL, Imene; BOUKHALFA, Kamel. Social big data mining: A survey focused on opinion
mining and sentiments analysis. In: Programming and Systems (ISPS), 2015 12th
International Symposium on. IEEE, 2015. p. 1-10.
625
HOLLANDER, Justin; GRAVES, Erin.; RENSKI, Henry.; FOSTER-KARIM, Cara.; WILEY, Andrew;
DAS, Dibyendu. Urban Social Listening Potential and Pitfalls for Using Microblogging Data in
Studying Cities. Palgrave Macmillan, London, 2016.
LAESTADIUS, L. Instagram. IN: A. Quan-Haase et L. Sloan (org.). The SAGE Handbook of Social
Media Research Methods, Sage Publications: Thousand Oak, 2017.
LYNCH, Marc; FREELON, Deen; ADAY, Sean. Syria's Socially Mediated Civil War. United States
Institute of Peace, Washington: 2014. Disponível em
https://www.usip.org/sites/default/files/PW91-
Syrias%20Socially%20Mediated%20Civil%20War.pdf
MANOVICH, Lev et al. The exceptional and the everyday: 144 hours in kiev. In: Big Data (Big
Data), 2014 IEEE International Conference on. IEEE, 2014. p. 72-79.
MINTZ, André. Máquinas que veem: visão computacional e agenciamentos do visível. In:
MENOTTI, Gabriel; BASTOS, Marcus; MORAN, Partrícia (orgs.). Cinema apesar da imagem. São
Paulo: Intermeios, 2016.
MINTZ, André. Image Networks: Automated Analysis of Visual Content. Workshop realizado
no #DigitalMedia Winter Institute, promovido pelo iNOVA Media Lab. Lisboa, Portugal, 2018.
NOBLE, Safiya Umoja. Algorithms of Oppression: How search engines reinforce racism. NYU
Press, 2018.
626
RABELLO, Elaine T.; MATTA, Gustavo C. Visualising engagement on Zika epidemic. Online,
2018. Disponível em: https://smart.inovamedialab.org/smart-2018/project-
reports/visualising-engagement-on-zika-epidemic/
REDI, Miriam; CROCKETT, Damon; MANOVICH, Lev; OSINDERO, Simon. What Makes Photo
Cultures Different?. In: Proceedings of the 2016 ACM on Multimedia Conference. ACM, 2016.
p. 287-291.
RYKOV, Yuri; NAGORNYY, Oleg; KOLTSOVA, Olessia; NATTA, Herbert; KREMENETS, Alexander;
MANOVICH, Lev; CERRONE, Damiano; CROCKETT, D. Semantic and Geospatial Mapping of
Instagram Images in Saint-Petersburg. power, v. 2607, p. 75, 2016.
SILVA, Tarcízio. Monitoramento de Marcas e Conversações: alguns pontos para discussão. In:
SILVA, Tarcizio et al. #MidiasSociais: perspectivas, tendências e reflexões. Florianópolis:
Bookess, 2010.
WANG, JuHong; ZHANG, SongHai; MARTIN, Ralph R. New advances in visual computing for
intelligent processing of visual media and augmented reality. Science China Technological
Sciences, v. 58, n. 12, p. 2210-2211, 2015.
ZANDAVALLE, Ana Claudia. O mercado de inteligência de mídias sociais. In: SILVA, Tarcízio;
STABILE, Max (org.). Pesquisa e Monitoramento de Mídias Sociais: metodologias, aplicações
e inovações. São Paulo: Uva Limão, 2016.
627