偏重大數據,無法真的做好精準行銷!你知道為什麼嗎?

0
21696
圖片來源:Campaign Creators on Unsplash

近來,各式各樣的網路平台越來越重視會員制、訂閱制,為的就是會員登錄網站之後的那些「行為數據」,可以進一步轉換為收益的潛在商業機會。但大數據擅長挖掘的是「什麼」(What)或「行為」,而傳統問卷更擅長於回答「為何」(Why)或「想法」,前者主量,後者主質。若能將兩者的優勢互補發揮,企業將更能對市場知識產生更深刻的洞見。

當大數據被廣泛應用在市場調查領域的今天,傳統的問卷市場調查,還有自己的一席之地嗎?相較於傳統市調,線上大數據分析的優勢非常清楚:藉由被動式的收集網站造訪紀錄、社群文字等,可以很輕易的觸及問卷無法達到的母體廣度與使用者量,並收集到巨大的資訊量。

另外,針對使用者「行為」的數據收集與分析,也能夠回答許多傳統問卷無法回答的問題,例如:從Cookie資訊可看出使用者在不同時段喜歡聽的音樂類型,或者找出購物習慣與天氣的關聯。這些甚至是近乎「無意識」的使用者行為模式發掘,都不是依靠記憶回答的「問卷」所能帶出的洞見。

而問卷同時存在著其他先天限制。例如問卷設計常見的「選擇偏誤」(Selection Bias):由某一特定單位發出的問卷,很可能排除了母體中一部份對此項產品/調查方持反感的受眾。例如選舉時期不同立場媒體做出的民調的大幅度差異,就可以很清晰顯示出「機構偏差」這項選擇偏誤的呈現。

另一方面,雖然線上數據的蒐集成本較低,也可以避開傳統問卷的設計缺失,但這些非結構化的數據,往往含有大量的雜訊(Data Noise),影響統計資料的信度與效度,例如:社群言論或網站造訪足跡等。要過濾這些噪訊,找出真正高含金量的商業洞見,其成本有時並不亞於發布傳統問卷,因此,對許多中小型企業來說,問卷有時仍是比大數據收集更好的選擇。

傳統問卷與大數據的分進合擊

線上的大數據分析與傳統市場調查各擅勝場,但若能將兩者的優勢結合,企業將更容易發現潛在的商業機會。

一般來說,大數據擅長挖掘的是「什麼」(What)或「行為」,而傳統問卷更擅長於回答「為何」(Why)或「想法」。要讓使用者在問卷中寫下自己購物的頻率、參加過幾次活動這類高度依靠個人記憶力的「行為式」問題,非常容易產生統計偏差(Recall Bias),這些問題運用使用者瀏覽紀錄、社群行為的大數據分析都能夠輕易勝任。然而,若要回答人們「為何」做此選擇,或者使用者的價值與關懷等「意向性」問題,問卷扮演著更重要的角色。

再者,大部分的問卷調查結果,雖不一定具有大數據的3V條件(資料量、資料類型與速度),但其結果仍可能以一種「微大數據」(Small Big Data)的形式,成為企業內一項數據分析的資源。這類含有深入個人意向性與整體性的內容,由於資料之間的關聯性,比非結構化的零散數據更強大,因此,更可能在人工智慧與深度學習上發揮效用。

此外,在使用者「填寫問卷」過程中所產生的資訊(如每個題目的思考、停頓時間、答題順序、滑鼠移動、或答題者放棄作答的位置),也可以視為另一項大數據的來源,並獲得使用者行為分析的解釋。

根據Google研究員Mario Callegaro和Yongwei Yang在「大數據時代中「問卷」的角色」這篇論文的調查中,目前許多企業已逐漸選擇跳過外包的市調公司,而直接運用類似SurveyMonkey等線上平台進行市調,甚至自行設計內部的市調系統,建立如條件式問題分支(Conditional Branch)的進階問卷功能等,目的就是要取得這些答卷者的行為資訊,並建立屬於企業自身領域知識的資料洞見。

然而也必須注意,傳統(或線上)問卷的設計分析與大數據分析,兩者所需求的職能與專業也差異甚大,前者會高度利用到使用者心理學、質化分析等專業背景,而後者則需要諸如NoSQL、關聯式資料庫(Relational Database)管理等系統工程能力。如何整合這兩種專業,發揮市調與大數據的統合能力,也是企業亟待思考之處。

發表評論

請輸入您的評論!
請在這裡輸入您的名字