EINLEITUNG
Ziel der Marktforschung ist es, neue Erkenntnisse zu gewinnen, die Unternehmen bei der Entscheidungsfindung unterstützen können. Zu diesem Zweck werden häufig traditionelle quantitative Methoden wie beispielsweise Umfragen eingesetzt. Doch Erkenntnisse, die allein auf Fragen wie „wie viel“, „wie oft“, und „wer“ basieren, reichen oft nicht aus. Um tatsächlich intelligente Entscheidungen treffen zu können, muss auch das „Warum“ in die Überlegungen einfließen.
STORYTELLING IN DER QUANTITATIVEN FORSCHUNG
Storytelling basiert auf der Grundlage, dass Informationen im menschlichen Gedächtnis stets in Form von Geschichten verankert, gespeichert und auch als solche wieder abgerufen werden. Unser Gedächtnis ist also mehr auf das Erzählen von Geschichten (Storytelling) ausgelegt als auf die Beantwortung von isolierten Fragen und Aussagen.
DVJ Insights setzt Storytelling als Methode ein, um Reaktionen auf Stimuli, Insights, Category Entry Points oder Markenerlebnisse zu ermitteln. Wenn Konsumenten die Möglichkeit erhalten, ihre Erlebnisse, Reaktionen oder Sichtweisen in Form einer Geschichte selbst in Worte zu fassen, dann sind die Antworten stets aussagekräftiger als das beim Abarbeiten von vorgegebenen Aussagen der Fall wäre – denn wer eine Geschichte erzählt, konzentriert sich auf natürliche Weise immer auf die wichtigsten Inhalte. Da wir mit großen Stichprobengrößen arbeiten, erhalten wir aus den gesammelten Geschichten eine Fülle an Einblicken in die Sprache der Konsumenten.
Aus GESCHICHTEN werden QUANTITATIVE DATEN: KATEGORISIERUNG DURCH DIE TEILNEHMER
Ein großer Vorteil des Storytellings liegt darin, dass die mit dieser Methode erhobenen Daten unverzerrt und besonders detailreich sind. Darüber hinaus bitten wir unsere Studienteilnehmer darum, ihre eigenen Antworten zu kategorisieren, beispielsweise als positiv/negativ oder in Bezug auf ihre Relevanz und die Auskunftsbereitschaft. Diese Kategorisierung bringt wiederum quantitative Daten hervor, die mit den Bezugswerten in unserer umfassenden Datenbank oder unmittelbar mit der Konkurrenz verglichen werden können.
Das Storytelling kann durch Story-Marker und Online-Laddering ergänzt werden. Beim Einsatz von Story-Markern bitten wir die Teilnehmer beispielsweise darum, ihrer Geschichte eine Reihe spezifischer Aussagen zuzuordnen. Beim Online-Laddering fragen wir die Teilnehmer, bestimmte Aspekte ihrer Geschichte hervorzuheben und näher zu erläutern. So erhalten wir vielfältige quantitative KPIs, die wir etwa für Treiberanalysen, Faktorenanalysen oder Subgruppenanalysen heranziehen können. Da die Teilnehmer ihre Geschichten selbst kategorisieren, ist die interne Validität entsprechend hoch – denn niemand kann die Erzählungen der Teilnehmer besser interpretieren als sie selbst.
Abb. 1: Mechanismen des Storytellings
AUFSCHLUSSREICHE STORYTELLING-ANALYSEN DANK KI-GESTÜTZTEM TEXT MINING
Unter Text Mining versteht man ein (automatisiertes) Verfahren, bei dem aus umfangreichen, unstrukturierten Textmengen wiederkehrende Themen extrahiert und die so gewonnenen Informationen in quantitative Daten übersetzt werden. Diese Daten können dann herangezogen werden, um Trends, Muster und Insights aufzudecken.
Frühe Formen des Text Mining kamen bereits in den 50er Jahren zum Einsatz. Einen regelrechten Boom erlebte das Verfahren jedoch in den frühen 2000ern, als riesige Mengen an Webdaten und Social Media Daten verfügbar wurden und die rasch fortschreitende technische Entwicklung eine geeignete Methode zur effizienten Untersuchung dieser Flut an qualitativem Konsumentenfeedback hervorbrachte: das Machine Learning.
Lange Zeit galt der Einsatz von offenen Fragen in der quantitativen Marktforschung als kaum praktikabel, da die Codierung und Analyse der Antworten äußerst zeitintensiv war und daher bei groß angelegten Studien auch einen hohen finanziellen Aufwand verursachte. Zudem führten subjektive Interpretationen und Kategorisierungen häufig zu Verzerrungen, die sich negativ auf die Nutzbarkeit und Validität der quantifizierten Datenbestände auswirkten.
Mittlerweile ist die Marktforschung glücklicherweise einen wesentlichen Schritt weiter. Vorbei sind die Zeiten, in denen Studienteilnehmer lange, gleichförmige Listen voller vorgegebener Aussagen abarbeiten mussten, die in den seltensten Fällen ihre wirklichen Gedanken und Gefühle wiedergaben, – und das ohne Kompromisse in puncto Zeitaufwand, finanziellem Aufwand und Validität.
Mithilfe von Text Mining sind wir heute in der Lage, die unstrukturierten qualitativen Storytelling-Daten unserer Teilnehmer im Handumdrehen zu bereinigen, zu codieren und zu modellieren. Dabei gehen wir wie folgt vor:
- Die Textdaten werden bereinigt und für das Topic Modeling vorbereitet.
- Mithilfe von Kontextanalysen und Machine Learning werden Synonyme, Antonyme, Wortfamilien und Begriffserklärungen erfasst.
- Noch während die KI-gestützten Algorithmen die Textdaten analysieren, werden bedeutungstragende Abschnitte konstruiert, die intern kohärent sind und kaum Überschneidungen aufweisen.
- Aus diesen Abschnitten werden Themen und Titel extrahiert. Die KI gibt diese Informationen gebündelt aus und reichert den Datensatz mit Teilnehmerdaten an, die für unterschiedliche Analysen herangezogen werden können.
Durch die Kombination unseres einzigartigen Storytelling-Ansatzes mit KI-gestütztem Text Mining können wir das Potenzial unserer „Qual at Scale“-Philosophie voll ausschöpfen, ohne zeitliche oder finanzielle Risiken einzugehen.
Der Einsatz von Text Mining bietet unseren Kunden unvergleichlich detaillierte Erkenntnisse zu Category Entry Points, Unterstützung beim Identifizieren von Treibern und Hindernissen sowie Hilfe bei der Kommunikation in der Sprache der Konsumenten. Der quantifizierte Output des Text Minings hilft dabei, das Konsumentenfeedback auf valide und konsequente Weise zu analysieren und konkrete Empfehlungen für unsere Kunden abzuleiten, damit diese die richtigen Entscheidungen treffen und langfristige Erfolge erzielen können.
