INTRODUKTION
Målet med markedsforskning er at afdække nye indsigter, der støtter mærker i at træffe de rigtige beslutninger. For at opnå disse indsigter anvender markedsforskning i høj grad traditionelle kvantitative målinger såsom udsagn og spørgsmål. Dog er indsigter baseret på ‘hvor meget’, ‘hvor ofte’ og ‘hvem’ ofte ikke nok. Indsigter om det underliggende ‘hvorfor’ bliver mere og mere vigtige for at vejlede smarte forretningsbeslutninger.
ANVENDELSE AF STORYTELLING I STOR-skala KVANTITATIV FORSKNING
Princippet i Storytelling er, at menneskelig hukommelse er baseret på historier. Det vil sige, information indekseres, opbevares og hentes i form af historier. Dette indebærer, at menneskelig hukommelse er bedre egnet til Storytelling end til at reagere på isolerede udsagn og spørgsmål.
Hos DVJ Insights anvender vi Storytelling som en responsmekanisme overfor et stimulus, indsigt, kategoriindgangspunkt eller mærkeoplevelse. At bede forbrugere om at dele deres egen oplevelse, reaktion eller vision i form af en historie er altid en bedre, mere direkte reaktion på enhver type stimulus end at fremprovokere lister af foruddefinerede udsagn. Historier vil – af natur – fokusere på de elementer, der betyder mest. Fordi vi arbejder med store stikprøvestørrelser, fører de indsamlede historier til en rigdom af indsigter i forbrugersproget.
KVANTIFICERING AF HISTORIER GENNEM RESPONDENTKLASSIFIKATIONER
Styrken ved Storytelling er ikke kun, at responsmekanismen er upartisk og fuld af rige detaljer, men DVJ beder også respondenterne om at klassificere deres egen respons på forskellige måder som positiv-negativ, relevans og villighed til at dele. Disse klassifikationer fører til kvantitative resultater, der kan hjælpe med at sætte responsen i perspektiv af vores robuste database eller direkte op imod konkurrencen.
Storytelling kan beriges gennem historiemarkører og online laddering. Ved brug af historiemarkører beder vi respondenterne om at reagere på deres egen historie med et sæt skræddersyede udsagn. Gennem online laddering beder vi respondenterne om at fremhæve visse dele af deres historie for at uddybe yderligere. Dette resulterer i en række kvantitative KPI’er, der kan anvendes i analyser såsom driveranalyser, faktoranalyser eller undergruppeanalyser. Og fordi vi beder respondenterne om at klassificere deres egne historier, er den interne validitet per definition meget høj: ingen kan give mening til historierne bedre end respondenterne selv.
Figur 1: En oversigt over mekanismerne i Storytelling
TAGE STORYTELLING-ANALYSER ET SKRIDT VIDERE gennem AI-DREVET Tekstanalyse
Tekstanalyse er processen (automatiseret) med at udtrække mening ud af store mængder ustruktureret tekst og oversætte dette til meningsfuld kvantitativ data. Disse data kan derefter bruges til at afdække tendenser, mønstre og indsigter.
Selvom fænomenet tekstanalyse har været omkring siden 1950’erne, har prominensen af tekstanalyse været stigende siden begyndelsen af 2000’erne på grund af den stigende tilgængelighed af enorme mængder kvalitativ web/social data, hvilket øger efterspørgslen efter tekstanalyse for at give mening til denne data. Samt de hurtige teknologiske udviklinger, der gør det muligt effektivt at undersøge denne store sø af kvalitativ forbrugerfeedback gennem maskinlæring.
Inden for kvantitativ markedsforskning har brugen af åbne spørgsmål historisk set været frarådet og undgået, fordi det tager for lang tid at kode og analysere åbne svar, hvilket gør det for dyrt og tidskrævende for stor-skala undersøgelser. Desuden fører individuelle menneskelige kodningsfortolkninger og klassifikationer ofte til subjektivitetsbias, der påvirker anvendeligheden og validiteten af de kvantificerede konstrukter.
Heldigvis træder vi nu ind i et afgørende øjeblik inden for markedsforskning. Vi behøver ikke længere at tvinge respondenterne til udelukkende at svare på lange, kedelige rækker af foruddefinerede udsagn, der ikke er i overensstemmelse med, hvordan forbrugerne føler og tænker, uden at gå på kompromis med tid, investeringer og validitet.
Vi anvender tekstanalyse til at rense, kode og modellere de ustrukturerede kvalitative data fra vores Storytelling-teknik som følger:
- Tekstdataene renses grundigt og er dermed perfekt forberedt til emnemodellering.
- Synonymer, antonymer, ordklasser og forklaringer på termer bestemmes baseret på kontekst og maskinlæring.
- Mens de AI-drevne algoritmer scanner tekstdataene, konstruerer de allerede meningsfulde afsnit, der er internt kohærente og har så lidt overlap som muligt.
- Temaer destilleres og tituleres fra disse nyttige klassifikationer. AI’en outputter dem sammen og beriger datasættet med respondent-niveau karakteristika, der kan bruges i en række analyser.
Ved at kombinere vores unikke Storytelling-tilgang med AI-drevet tekstanalyse, kan vi maksimere værdien af vores Kval-på-Skala filosofi, uden at gå på kompromis med omkostninger eller tidspunkter.
Ved at bruge tekstanalyse tilbyder vi vores kunder den unikke mulighed for virkelig at udforske Kategoriintrædespunkter, identificere nøgle drivere og barrierer for kategori- og mærkebrug eller bringe et relevant tema til live i forbrugernes sprog. Det kvantificerede output fra tekstanalyse spiller en afgørende rolle i kvantificeringen af resultaterne i form af størrelse og betydning på en gyldig, konsekvent måde. Dette fører til konkrete og handlingsorienterede anbefalinger til vores kunder, der støtter dem i at beslutte, hvor de skal spille og hvordan de kan vinde.
