Découverte et recommandation d’entreprises locales par l’IA

La découverte locale assistée par l’IA est le processus par lequel un système de recherche identifie, évalue et présente des entreprises susceptibles de répondre à un objectif dépendant d’un lieu. Il combine index de recherche, bases cartographiques et de lieux, fiches d’établissement, pages publiques, sources tierces, avis, calculs géographiques et synthèse générée par un modèle. Une entreprise ne devient visible qu’en franchissant chacune de ces étapes.

La recherche locale portait autrefois sur des requêtes brèves comme « café près de moi ». La recherche générative permet désormais de demander quel café indépendant proche d’un centre de congrès dispose d’une terrasse, reste ouvert après 19 h et convient à une réunion client. La requête associe catégorie, distance, propriété, équipements, horaires et usage implicite. Le système doit donc sélectionner des candidats, retrouver des faits actuels, distinguer les attributs documentés de l’interprétation et justifier ses choix.

La distinction essentielle oppose découvrabilité et recommandation. La première signifie qu’un système peut identifier et retrouver l’entreprise; la seconde, qu’il la sélectionne comme option appropriée. Une entreprise ne peut être recommandée sans être découvrable, mais la découvrabilité ne garantit aucune recommandation.

Périmètre et éléments probants

Aucune grande plateforme ne publie de formule complète de recommandation locale. Cet article distingue donc le comportement documenté des plateformes, les résultats de recherches évaluées par les pairs ou institutionnelles, et les inférences analytiques qui les relient. Les inférences sont signalées comme telles.

Google organise ses conseils autour de la pertinence, de la distance et de la notoriété, bien que son résumé emploie « popularité » pour le troisième facteur. Google précise aussi que ses fonctions génératives utilisent le query fan-out et ses systèmes de recherche principaux. OpenAI indique que ChatGPT Search « réécrit généralement la requête en une ou plusieurs requêtes ciblées » lorsqu’il travaille avec des fournisseurs tiers, et qu’il utilise une localisation générale déduite de l’adresse IP. Perplexity décrit un mécanisme qui recherche sur le Web, résume et cite ses sources.

Ces informations étayent un modèle général, sans prétendre révéler un classement propriétaire.

Résumé

La découverte locale par IA transforme un objectif ouvert en quelques recommandations: café calme près d’un congrès, hôtel doté de bornes électriques, dentiste acceptant de nouveaux patients ou restaurant adapté à des contraintes alimentaires et d’accessibilité. Le système identifie les entreprises admissibles, résout leur identité, évalue leur adéquation géographique, récupère leurs attributs, compare les preuves et présente une réponse concise. Un dossier incomplet ou contradictoire peut éliminer une entreprise avant tout classement.

La documentation publique fait ressortir cinq groupes de signaux: exactitude de l’entité, pertinence, adéquation géographique, notoriété et preuves accessibles. Les fiches Google sont constituées à partir de plusieurs sources: contenu exploré, données tierces sous licence, contributions d’utilisateurs et interactions de Google avec le lieu. Les systèmes génératifs ajoutent une couche, car ils ne synthétisent et ne citent parfois qu’un petit sous-ensemble de sources.

Des fiches complètes, catégories précises, horaires à jour, pages locales détaillées, données structurées, avis authentiques, mentions faisant autorité, contenu accessible et gouvernance rigoureuse réduisent l’ambiguïté. Rien ne garantit une recommandation: géographie, concurrence, contexte utilisateur, règles et classements propriétaires restent hors de contrôle. Google affirme qu’il est impossible de demander ou de payer un meilleur classement local.

Kaleidr intervient sur les couches d’information et d’expérience, pas sur le classement externe. La plateforme peut organiser les données géographiques, publier des cartes interactives, relier les attributs au contexte spatial et offrir une découverte conversationnelle. Elle aide l’entreprise à présenter des preuves plus claires et une meilleure expérience propriétaire lorsque le client arrive.

Des listes classées aux recommandations synthétisées

Dans la recherche traditionnelle, l’utilisateur compare noms, notes, horaires, distances et catégories. La recherche générative condense ce travail: trois restaurants répondent au régime demandé, se trouvent dans le temps de marche fixé et restent ouverts. Elle peut résumer les avis, décrire les équipements, afficher une carte ou proposer une réservation.

La visibilité ne se limite donc plus à la position, aux impressions et aux clics. Elle comprend l’inclusion parmi les candidats, la mention, la citation, la comparaison, la présence cartographique et les actions proposées.

Une requête peut aussi devenir plusieurs sous-requêtes simultanées. Un hôtel peut faire l’objet de recherches distinctes sur son emplacement, son parking, son accessibilité, ses horaires, ses avis et les transports. L’adresse vient de la fiche, les services du site officiel, la disponibilité d’une plateforme de réservation, l’expérience d’un site d’avis et le trajet d’un service cartographique.

Un modèle public de la recommandation locale

1. Admissibilité du candidat

L’admissibilité détermine si l’entreprise entre dans les systèmes pertinents. Établissement fermé, fiche non vérifiée, page bloquée ou catégorie insuffisante peuvent l’exclure avant le classement. Google indique qu’une information complète et exacte favorise l’apparition locale et que la vérification confirme le droit de représenter l’entreprise.

Les conditions varient: dossier de lieu valide pour une carte, inventaire actuel pour une réservation, page explorable et indexable pour un moteur, sources publiques ou partenaires pour un assistant. Une entreprise absente du système de ses clients est, en pratique, invisible.

2. Résolution d’entité

La résolution relie site officiel, fiche cartographique, annuaire, page d’avis et profil social décrivant la même organisation. Noms, adresses, téléphones, catégories, domaines et identifiants cohérents limitent l’ambiguïté. Chaque succursale doit avoir son propre dossier afin que l’adresse, les horaires, la zone et l’inventaire correspondent au bon lieu.

Les contradictions entre données explorées, fournisseurs, utilisateurs et interactions de plateforme créent de l’incertitude et des résumés obsolètes. La cohérence porte sur les faits, pas sur la répétition du même texte publicitaire.

3. Pertinence par rapport à la requête

Une catégorie générale comme « restaurant » établit parfois l’admissibilité; une recommandation complexe exige des preuves précises: plats végétariens, salon privé, terrasse, fermeture tardive, accès fauteuil ou proximité. Ces attributs doivent être clairement trouvables.

La pertinence repose sur le sens et non la répétition exacte. Google explique que l’IA comprend synonymes et sens général; nul besoin de couvrir toutes les formulations. Une description exacte des traitements, assurances, langues, accès et patients d’un cabinet dentaire vaut mieux qu’une accumulation de mots-clés.

4. Adéquation géographique

Google cite la distance parmi ses facteurs et utilise la localisation disponible lorsque l’utilisateur n’en donne pas. OpenAI indique que ChatGPT recueille une localisation générale par IP et peut la partager avec des partenaires pour améliorer les résultats; ce comportement diffère de la localisation précise optionnelle de l’appareil.

Aucune optimisation n’efface une distance réelle. Adresse et zone de service exactes permettent le bon calcul; fausses adresses, bureaux virtuels abusifs et zones trompeuses créent des risques. L’adéquation peut dépendre de la distance, du temps de marche, de conduite ou de transport, du quartier, de la livraison et des contraintes d’itinéraire.

5. Notoriété et réputation

Google définit la notoriété comme le degré auquel une entreprise est connue, en partie selon les sites qui créent des liens et le nombre d’avis; davantage d’avis positifs peut aider le classement local.

L’étude de Michael Luca sur Yelp a associé une étoile supplémentaire à 5–9 % de revenus en plus pour les restaurants indépendants, sans effet significatif pour les chaînes. Le périmètre est précis: restaurants de Seattle, 2003–2009, données fiscales. Les marques établies fournissaient déjà une réputation.

Anderson et Magruder ont exploité les seuils d’arrondi des demi-étoiles: une demi-étoile supplémentaire augmentait de 19 points — 49 % — la fréquence de réservation complète à San Francisco, surtout lorsque les autres informations étaient rares. Ce résultat concerne la disponibilité, non le chiffre d’affaires. Ensemble, ces études montrent un effet sur le comportement, pas le poids des avis dans une IA actuelle ni un résultat universel.

Aneja, Luca et Reshef ont également constaté que l’étiquette « entreprise détenue par une minorité » augmentait trafic, appels, commandes et visites. Un attribut interrogeable peut donc relier une préférence latente à un commerce pertinent.

6. Qualité et fraîcheur des preuves

Une source ancienne, vague ou contradictoire peut provoquer une omission ou une fausse description. Les horaires en sont l’exemple classique: fiche habituelle, site saisonnier et annuaire ancien produisent un « ouvert maintenant » erroné.

Horaires, menus, services, prix, réservations, stocks, événements et fermetures doivent être gérés comme des données opérationnelles. Tout changement important doit se propager sur les canaux contrôlés. Les preuves propriétaires sont particulièrement fortes lorsqu’elles sont uniques et vérifiables.

7. Synthèse de la recommandation

La synthèse transforme les preuves en quelques candidats, arbitrages, attributs, citations et actions. Elle introduit de nouveaux risques: faits corrects mal combinés, qualificatifs tels que « calme » ou « meilleur » sans fondement, ou omission faute de place. Une formulation défendable donne huit minutes à pied, Wi-Fi, terrasse et fermeture à 20 h; une formulation faible affirme « meilleur lieu de réunion » sans critère.

Les signaux qui influencent le plus directement la visibilité locale

Les fiches d’établissement comme couche fondamentale

Les fiches relient l’entreprise à son lieu et à ses attributs opérationnels. Google recommande complétude, vérification, horaires exacts, gestion des avis et photos; sa documentation indique que Merchant Center et Google Business Profiles peuvent favoriser la visibilité des offres dans les réponses IA comme dans les autres résultats.

Une fiche complète inclut catégories, adresse ou zone, téléphone, site, horaires ordinaires et exceptionnels, services, accessibilité, parking, réservation et images. Les organisations multi-sites ont besoin d’une source centrale, d’identifiants stables et de valeurs approuvées. La complétude ne compense pas l’erreur: une fiche détaillée mais fausse produit davantage d’erreurs visibles. L’exactitude vient d’abord.

Le site officiel comme source de preuve

Le site officiel est la source contrôlée. Il doit répondre aux questions pratiques: services, produits, tarifs, équipements, accessibilité, expertise, assurances, livraison, réservation, annulation, parking, entrées, transports, menus, événements et horaires.

Chaque lieu accueillant des clients mérite généralement une page propre, substantiellement différente et fidèle à la réalité. Des centaines de pages identiques où seul le nom de ville change ont peu de valeur; Google considère comme abus le contenu produit à grande échelle principalement pour manipuler les classements ou réponses génératives.

Les meilleures pages contiennent des informations originales: guide d’entrée, plan de stationnement, accessibilité et parcours pour un hôtel; assurances, langues et traitements pour un cabinet; menus et adaptations alimentaires pour un restaurant.

Données structurées et informations lisibles par machine

La documentation Google sur LocalBusiness permet de décrire type, adresse, horaires, services, coordonnées, images, prix, départements et profils faisant autorité.

Deux limites sont essentielles. Google ne garantit pas l’affichage même avec un balisage correct: cette réserve concerne les résultats enrichis, pas le classement. Et les données structurées ne sont pas obligatoires pour la recherche générative; aucun balisage schema.org spécial n’est requis. Elles restent recommandées dans une stratégie SEO générale. Le balisage doit correspondre au contenu visible, être validé et évoluer avec les faits.

Avis, réputation et qualité des recommandations

Les avis informent sur des services difficiles à juger avant achat. Leur effet varie avec la clientèle, la concurrence, la catégorie, la marque, le volume, le prix et le contexte; les estimations les plus solides concernent des villes et périodes précises.

Un programme rigoureux sollicite librement de vrais clients, sans condition de satisfaction ni note cible, évite les incitations interdites et répond de façon cohérente. Les plaintes récurrentes sur parking, accès, attente ou communication sont des données opérationnelles.

La règle de la FTC américaine sur les avis et témoignages de consommateurs, en vigueur depuis le 21 octobre 2024, interdit notamment achat et vente de faux avis, certains avis internes non divulgués, faux sites indépendants, suppression et faux indicateurs d’influence. La politique Google Maps interdit faux engagement, pression et schémas inhabituels. La manipulation menace les fiches, la conformité, les mesures internes et la confiance.

Mentions tierces et preuves corroborantes

Presse locale, chambres de commerce, organismes touristiques, associations, universités, annuaires publics, médias spécialisés et plateformes établies renforcent l’entité et fournissent une validation indépendante. Google relie la notoriété aux liens et confirme que données tierces et contributions alimentent ses dossiers.

La recherche générative valorise les preuves citables, mais Google avertit que les mentions inauthentiques sont inefficaces. Les mentions doivent provenir de relations, expertise, communauté, recherche, événements ou valeur réelle.

Dans leurs travaux sur la GEO, Aggarwal et ses collègues rapportent une amélioration relative de 30–40 % de leur métrique pour l’ajout de sources, citations et statistiques, avec de fortes différences par domaine. Il s’agit d’un plafond sur un benchmark fondé sur une chaîne de 2023, pas d’un effet typique des moteurs actuels; le bourrage de mots-clés échouait. Ces résultats invitent à tester, pas à appliquer une formule.

Différences entre environnements de découverte

Une stratégie complète maintient des données exactes, publie des preuves accessibles, gagne une validation légitime et offre une bonne expérience après la recommandation. Une entreprise peut être visible dans un système et absente d’un autre, car index, fournisseurs, contexte, hypothèses et limites diffèrent.

Un programme rigoureux de visibilité locale par IA

1. Établir un dossier canonique par lieu

Centralisez nom, identifiant, adresse, coordonnées, téléphone, URL, catégories, horaires, zone, équipements, réservations et statut; désignez responsables et procédures.

2. Compléter et vérifier les grandes fiches

Réclamez et entretenez les plateformes utiles au secteur et à la zone. Google Business Profile est fondamental pour Search et Maps; des annuaires spécialisés peuvent compter davantage ailleurs. Employez des faits et des catégories exactes.

3. Publier des pages locales substantielles

Chaque site doit disposer d’une page indexable sur services, horaires, accès, entrées, parking, accessibilité, réservation, contact et particularités, sans duplication mécanique.

4. Expliciter les attributs pertinents

Précisez alimentation, accessibilité, assurances, langues, livraison, parking, propriété, certifications et expertise légitimes; liez les justificatifs officiels.

5. Implémenter le balisage approprié

Utilisez LocalBusiness ou le sous-type le plus précis, reliez organisation, site et profils, validez et gardez toutes les sources cohérentes. Le balisage clarifie; il ne remplace pas le contenu.

6. Gérer les avis de façon éthique

Invitez de vrais clients sans demander une note, traitez les problèmes, corrigez respectueusement et protégez les données privées. Les thèmes répétés sont des signaux opérationnels.

7. Produire des preuves originales et citables

Publiez guides, données locales, photos, cartes, politiques, cas et explications issus de l’expérience directe: guide d’accessibilité touristique, comparaison des trajets immobiliers ou disponibilité par magasin.

8. Mériter une couverture tierce pertinente

Partenariats, événements, expertise, programmes locaux, recherche et qualité de service produisent des mentions légitimes. Corrigez les fiches tierces erronées.

9. Maintenir l’accessibilité technique

Conservez des pages publiques explorables, indexables, mobiles et compréhensibles sans compte, avec URL stables, titres, liens internes, sitemaps et serveurs fiables. OpenAI recommande d’autoriser OAI-SearchBot pour ChatGPT Search; on peut simultanément bloquer GPTBot pour l’entraînement. Les deux contrôles sont séparés. Ne publiez jamais de données privées pour gagner en visibilité.

10. Suivre exactitude et performance

Testez des requêtes répétées par lieu, formulation, appareil, date et contexte. Mesurez la latence de correction: si une modification met plusieurs jours à se propager, cette période d’information fausse est mesurable.

Pratiques plus risquées qu’utiles

Mesurer la découverte locale par IA

Le suivi de rang ne suffit pas: une réponse peut mentionner sans lien, citer sans recommander, ou recommander sur une carte sans clic. Il faut séparer exposition, recommandation, engagement et résultat.

Exactitude des données

• Part des lieux dotés d’un dossier canonique complet
• Concordance entre site, fiche, annuaire et opérations
• Exactitude des horaires et horaires exceptionnels
• Taux de doublons ou contradictions
• Délai médian de correction

Récupération et visibilité

• Taux d’inclusion parmi les candidats sur un portefeuille de requêtes
• Part des réponses qui mentionnent l’entreprise
• Part qui cite une source contrôlée
• Fréquence d’apparition sur carte ou fiche
• Couverture des services et attributs prioritaires

Qualité de recommandation

• Exactitude de la description, du lieu, des horaires, services et disponibilités
• Fréquence d’affirmations obsolètes ou non étayées
• Positionnement comparatif
• Part des recommandations respectant les contraintes

Engagement et résultats

• Vues, visites, appels, itinéraires et interactions cartographiques
• Débuts et fins de réservations, rendez-vous, commandes et prospects
• Visites en magasin, revenus, coût par tâche et conversions assistées

OpenAI indique que ChatGPT ajoute automatiquement utm_source=chatgpt.com aux URL de référence. Google oriente les propriétaires vers le rapport de performance de l’IA générative dans Search Console.

Les réponses varient avec les modèles, index, hypothèses de lieu, fraîcheur et contexte. Évaluez des requêtes répétées, pas une capture. Une comparaison avant/après n’est que descriptive sans contrôle de la saison, du lieu, de la concurrence et des modifications simultanées. Un test sérieux définit intervention, référence, comparaison et durée.

Construire l’expérience de découverte avec Kaleidr

Kaleidr relie données géographiques, cartes interactives, interfaces IA, sites web et intégrations. Un site cartographique Kaleidr peut montrer lieux, zones, propriétés, équipements, itinéraires et contenus dans un même espace. Son interface conversationnelle permet au visiteur arrivé d’une recommandation externe de continuer à interroger les données autorisées de l’entreprise.

Selon la configuration, Kaleidr peut prendre la forme d’une carte autonome, intégrée, d’un modèle de site, d’une intégration développeur ou d’une application personnalisée. La couche analytique combinant télémétrie conversationnelle, cartographique et résultats commerciaux était encore en développement à la publication; les équipes doivent prévoir leur propre instrumentation entre-temps.

Kaleidr n’influence pas le classement de Google, ChatGPT, Perplexity ou d’une plateforme verticale. L’entreprise contrôle en revanche la qualité, l’exactitude et l’accessibilité de ses preuves, ainsi que l’expérience après la recommandation.

Limites et questions ouvertes

Les déclarations publiques sont partielles par nature. Google garde ses détails confidentiels; OpenAI décrit une réécriture « généralement » et « parfois » avec des tiers; personne ne publie les pondérations. Les exigences sont observables, leur arithmétique opaque.

Les études concernent des villes et années précises et mesurent le comportement des consommateurs, non celui de l’IA. Aucune recherche ne fixe le poids actuel des avis face à la distance, à la fraîcheur ou aux preuves propriétaires. Le benchmark GEO repose sur une chaîne de recherche de 2023, différente des systèmes actuels.

Restent inconnues la régularité de l’attribution des faits locaux, la vitesse de propagation des corrections et la part de variation due au classement plutôt qu’au bruit d’échantillonnage. Les causalités déduites de captures avant/après restent des hypothèses à tester.

Conclusion

La découverte locale par IA récompense ce qui rend une entreprise réellement trouvable et utilisable: identité sans ambiguïté, lieu exact, attributs honnêtes, données actuelles, réputation authentique et preuves récupérables et citables. La nouveauté est que le coût de l’ambiguïté apparaît dans une réponse synthétique au lieu d’une liste.

L’entreprise ne contrôle ni distance, ni concurrence, ni contexte, ni politique, ni classement propriétaire. Elle contrôle la cohérence de ses dossiers, l’expression de ses attributs, ses horaires réels et l’authenticité de ses avis. Les fausses évaluations, fausses adresses, pages massives et mentions achetées sont précisément les pratiques visées par plateformes et autorités.

Kaleidr fournit l’interface spatiale et conversationnelle dans laquelle les clients explorent des données autorisées et agissent. La recommandation appartient à des systèmes qu’aucun fournisseur ne contrôle; c’est pourquoi les preuves sous-jacentes doivent être justes.

FAQ

Qu’est-ce que la découverte locale par IA?

Le processus par lequel une recherche IA identifie, évalue et présente des entreprises susceptibles de répondre à une demande géographique, en combinant index, lieux, fiches, pages, avis, calcul spatial et synthèse.

Comment l’IA choisit-elle une entreprise locale?

Aucune formule complète n’est publiée. Cinq groupes sont observables: admissibilité et identité, pertinence, géographie, notoriété et preuves accessibles pour les attributs demandés.

Est-ce différent du SEO local?

Très peu. Google considère l’optimisation générative comme de l’optimisation de l’expérience de recherche, donc du SEO. Changent surtout la manifestation — mention, citation, comparaison — et l’importance des attributs explicites.

Peut-on payer un meilleur classement local ou IA?

Non. Google dit qu’un meilleur classement local ne s’achète ni ne se demande; aucun prestataire ne garantit une recommandation propriétaire. La publicité est séparée.

Les avis influencent-ils la visibilité?

Google le confirme. La recherche associe une étoile Yelp supplémentaire à 5–9 % de revenus en plus chez les indépendants de Seattle, sans effet comparable pour les chaînes; cela mesure les consommateurs, pas le poids d’une IA.

Les données structurées assurent-elles l’apparition dans l’IA?

Non. Google indique qu’elles ne sont pas obligatoires et qu’aucun schema spécial n’existe, tout en les recommandant pour le SEO ordinaire. Elles clarifient une page; elles ne créent pas la preuve.

Faut-il publier llms.txt ou écrire pour l’IA?

Google déconseille les fichiers IA inutiles, le découpage artificiel et les mentions inauthentiques. Les systèmes comprennent synonymes et sens général.

Comment ChatGPT Search trouve-t-il les entreprises?

OpenAI indique qu’il travaille parfois avec des fournisseurs, réécrit généralement la demande en requêtes ciblées et utilise une localisation IP générale. Pour apparaître, un site doit autoriser OAI-SearchBot.

Peut-on bloquer l’entraînement tout en apparaissant dans ChatGPT Search?

Oui. Autorisez OAI-SearchBot et bloquez GPTBot: recherche et entraînement utilisent des robots et contrôles distincts.

Comment mesurer cette découverte?

Séparez exposition, qualité, engagement et résultat, sur un portefeuille de requêtes répétées. Les références ChatGPT contiennent utm_source=chatgpt.com; Google fournit des données génératives dans Search Console. Associez-les aux appels, itinéraires et réservations.

Références

• Aggarwal, P., et al. (2024). GEO: Generative engine optimization. KDD '24, 5–16. https://doi.org/10.1145/3637528.3671900
• Anderson, M., & Magruder, J. (2012). Learning from the crowd. The Economic Journal, 122(563), 957–989. https://doi.org/10.1111/j.1468-0297.2012.02512.x
• Aneja, A., Luca, M., & Reshef, O. (2025). The benefits of revealing race. American Economic Review, 115(2), 660–689. https://doi.org/10.1257/aer.20230075
• Federal Trade Commission. (2024). Trade regulation rule on the use of consumer reviews and testimonials. https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials
• Google. Tips to improve your local ranking on Google. https://support.google.com/business/answer/7091
• Google. Understand how Google sources & uses info in Business Profiles & local search results. https://support.google.com/business/answer/2721884
• Google. Optimizing your website for generative AI features on Google Search. https://developers.google.com/search/docs/fundamentals/ai-optimization-guide
• Google. Local business structured data. https://developers.google.com/search/docs/appearance/structured-data/local-business
• Google. Prohibited & restricted content. https://support.google.com/contributionpolicy/answer/7400114
• Luca, M. (2011, rév. 2016). Reviews, reputation, and revenue. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1928601
• OpenAI. ChatGPT Search. https://help.openai.com/en/articles/9237897-chatgpt-search
• OpenAI. Publishers and developers — FAQ. https://help.openai.com/en/articles/12627856-publishers-and-developers-faq
• OpenAI. Overview of OpenAI crawlers. https://developers.openai.com/api/docs/bots
• Perplexity. How does Perplexity work? https://www.perplexity.ai/help-center/en/articles/10352895-how-does-perplexity-work

La documentation des plateformes a été vérifiée le 15 juillet 2026. Ces pages peuvent être modifiées sans préavis; le guide Google sur l’IA générative avait notamment été mis à jour quelques jours avant publication.

@inproceedings{aggarwal2024geo, title={{GEO}: Generative Engine Optimization}, author={Aggarwal, Pranjal and Murahari, Vishvak and Rajpurohit, Tanmay and Kalyan, Ashwin and Narasimhan, Karthik and Deshpande, Ameet}, booktitle={Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD '24)}, pages={5--16}, year={2024}, doi={10.1145/3637528.3671900}}
@article{anderson2012learning, title={Learning from the Crowd: Regression Discontinuity Estimates of the Effects of an Online Review Database}, author={Anderson, Michael and Magruder, Jeremy}, journal={The Economic Journal}, volume={122}, number={563}, pages={957--989}, year={2012}, doi={10.1111/j.1468-0297.2012.02512.x}}
@article{aneja2025revealing, title={The Benefits of Revealing Race: Evidence from Minority-Owned Local Businesses}, author={Aneja, Abhay and Luca, Michael and Reshef, Oren}, journal={American Economic Review}, volume={115}, number={2}, pages={660--689}, year={2025}, doi={10.1257/aer.20230075}}
@techreport{luca2011reviews, title={Reviews, Reputation, and Revenue: The Case of Yelp.com}, author={Luca, Michael}, institution={Harvard Business School}, type={Working Paper}, number={12-016}, year={2011}, note={Revised March 2016; not published in a journal}, url={https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1928601}}
@misc{ftc2024reviews, title={Trade Regulation Rule on the Use of Consumer Reviews and Testimonials}, author={{Federal Trade Commission}}, year={2024}, note={16 C.F.R. pt. 465; effective Oct. 21, 2024}, url={https://www.federalregister.gov/documents/2024/08/22/2024-18519/trade-regulation-rule-on-the-use-of-consumer-reviews-and-testimonials}}