Kan maskinlæring levere kritisk markedsindsigt om forbrugernes behov hurtigere og billigere?

Forbrugermærker har længe brugt gammeldags fokusgrupper, interviews og undersøgelser for bedst at måle forbrugernes ønsker, ønsker og behov som en del af processer, der spænder fra produktudvikling, til markedsføring og salg. Efterhånden som maskinlæring og kunstig intelligens (AI) er dukket op, der er en stigende interesse for muligheden for at udnytte disse løsninger for at spare tid og penge, og for at give mere pålidelig forbrugerindsigt.

Maskinlæring kan hjælpe med at analysere brugergenereret indhold (UGC), som involverer indsamling af data fra online anmeldelser, sociale medier, og blogs, der giver indsigt i forbrugernes behov, præferencer og holdninger.

På trods af potentialet for bedre information, marketingfolk har rejst bekymring over værdien af ​​UGC-data, fordi omfanget og kvaliteten af ​​UGC gør det vanskeligt at behandle. Mens dataene er tilgængelige, identifikation af forbrugerindsigt kræver, at mennesker analyserer dataene, hvilket er svært at gøre i skala.

To forskere fra Massachusetts Institute of Technology (MIT) besluttede at tackle dette problem gennem forskning designet til at undersøge udfordringen om, hvordan man mest effektivt bruger UGC til at identificere kundernes behov på måder, der er mere omkostningseffektive og nøjagtige.

Undersøgelsen vil blive offentliggjort i februar-udgaven af ​​tidsskriftet INFORMS Marketing Science har titlen "Identifikation af kundebehov fra brugergenereret indhold, " og er forfattet af Artem Timoshenko og John R. Hauser fra MIT.

De finder ud af, at maskinlæring kan forbedre processen til at identificere kundernes behov, samtidig med at forskningstiden reduceres væsentligt, hjælpe forbrugermarkedsføringsmærker med at undgå forsinkelser i at bringe produkter på markedet.

"Efterhånden som flere og flere mennesker henvender sig til den digitale markedsplads for at undersøge produkter, dele deres meninger, og udveksle produkterfaringer, store mængder UGC-data er tilgængelige hurtigt og til en lav trinvis pris for virksomheder, " sagde Timoshenko. "I mange mærkekategorier, UGC er omfattende.

For eksempel, der er mere end 300, 000 anmeldelser om sundheds- og personlig plejeprodukter alene på Amazon. Hvis UGC kan udvindes til kundernes behov, det har potentialet til at identificere kundebehov bedre end direkte kundeinterviews."

Andre fordele ved UGC-data er, at de opdateres løbende, som gør det muligt for virksomheder at holde sig ajour med deres forståelser af kundernes behov. Og i modsætning til kundeinterviews, UGC-data er tilgængelige for forskning at vende tilbage for yderligere at udforske ny indsigt.

For at udføre deres forskning, undersøgelsens forfattere konstruerede og analyserede et brugerdefineret datasæt, som sammenligner kundebehovene for kategorien mundpleje identificeret fra direkte interviews med kundebehovene fra Amazon-anmeldelser. Datasættet blev konstrueret i et partnerskab med et marketingkonsulentfirma for at sikre branchens standardkvalitet af interviewene og indsigterne.

Forfatterne udviklede og evaluerede en hybrid-metode til maskinlæring til at identificere kundebehov fra UGC. Først, de bruger maskinlæring til at identificere relevant indhold og fjerne redundanser. De behandlede data analyseres derefter af mennesker for at formulere kundebehov ud fra udvalgt indhold.

"Til sidst, vi fandt ud af, at UGC klarer sig mindst lige så godt som traditionelle metoder baseret på et repræsentativt sæt af kunder, " sagde Hauser. "Vi var i stand til at behandle store mængder data og indsnævre det til håndterbare prøver til manuel gennemgang. Den manuelle gennemgang er fortsat en vigtig sidste del af processen, da professionelle analytikere er bedst i stand til at bedømme den kontekstafhængige karakter af kundebehov."