Marktforschung - Datenstrategie: Tracker Best Practices

Aus einem smartinteview-Anwendungsfall: Verfolgung von 1000 Marken in 40 Ländern

Markenverfolgung ist ein kritischer Datenerfassungsprozess für Marken, der es Unternehmen ermöglicht, Einblicke in die Markenleistung in mehreren Regionen und Marken zu gewinnen. Die Verwaltung von Daten über +1000 Marken in 40 Ländern kann jedoch schnell aus datenperspektive überwältigend werden.

Der Schlüssel zum Erfolg in diesem Bereich liegt sowohl in der richtigen Datenstrategie als auch in der richtigen technischen Expertise.

Markenverfolgung ist eine leistungsstarke Methode, um die Anzahl der Endkunden für ein Marktforschungsinstitut zu skalieren, aber sie muss richtig durchgeführt werden. Sie könnten jedoch auf viele Herausforderungen stoßen, beispielsweise beim Fehlen des richtigen Übermittlungsprozesses für Umfragedaten zu Analytics.

Um es richtig zu machen, benötigen sie sowohl die richtigen Ingenieure als auch die richtige Strategie.

Wir erkannten das Potenzial einer robusteren Lösung, die es Marktforschern ermöglichen würde, Marken über unterschiedliche Geografien hinweg zu verfolgen und erweiterte quantitative/qualitative Erkenntnisse automatisch zu analysieren.

Endkunden sind große Entertainmentfirmen.

• Wir fanden heraus, dass die Kombination fortschrittlicher KI-Modelle - wie Sprach-zu-Text-Technologie - und großer Sprachmodelle (LLMs) die Qualität der Erkenntnisse für Markenforschung dramatisch verbessert.

• Zudem würde das Skalieren eines Markentrackers zu einer "SaaS-/Produkt"-Version dem Team viel Zeit sparen, indem manuelle Arbeit reduziert wird.

Teamversammlung in Dubai, 2025.03 

(von links nach rechts: Paul Serre, Freelancer für Full-Stack, der an Smartinterview arbeitet, Nicolae, Software-Ingenieur bei Pulse Partners und ich)

Aber dies war nicht einfach… wir machten viele Fehler frühzeitig, während wir versuchten, SmartInterview mit diesem finalen Tracker abzustimmen. In diesem Artikel möchte ich unsere größten Lektionen teilen, die wir nach vielen gescheiterten Versuchen gelernt haben, die leistungsfähigste Markenverfolgungssoftware für Marktforschungen zu erstellen, indem wir smartinterview.ai integrieren.

Herausforderungen

Anfangs erkannte ich, dass eine der größten Herausforderungen für Marktforscher in ihrer IT- und Datenstrategie liegt. Dieser Bereich liegt oft außerhalb ihrer Expertise, wodurch es schwierig wird, die richtigen Ressourcen - sowohl Zeit als auch Geld - zuzuordnen.

Die Wahl der richtigen Partner, um sicherzustellen, dass ihre Datenstrategie mit ihren Kernaktivitäten übereinstimmt, kann eine entmutigende Aufgabe sein. Zudem kann das Vertrauen auf marktübliche Software prohibitend teuer werden, mit Kosten, die leicht $100K pro Jahr für kleine Institute erreichen.

Wir entwickelten dann ein erstes PoC, um diese Art der Forschung in unserem anfänglichen ICP zu priorisieren.

Es ist ziemlich komplex, aber wir wussten, dass wir durch die Lösung dieses Trackers alle einfacheren Anwendungsfälle lösen könnten.

Dann war unser Hauptvorschlag, die Qualität der Insights für die Kunden der Marktforschungsinstitute erheblich zu verbessern, indem wir LLMs Modelle und Sprach-zu-Text in ihren offenen Fragen verwenden. Wir mussten dann die kritischen Industriestandards berücksichtigen, die im Wesentlichen unsere Eintrittsbarrieren waren.

Eine ausgezeichnete quantitative Marktforschungs-Datenerfassungssoftware sollte aus datenperspektive auf zwei Hauptsäulen aufgebaut sein:

1. Datenlieferung

2. Timing der Datenqualität (keine falschen Daten, keine fehlenden Daten, usw.)

Außer wenn sie wirklich stark darin sind, frühe Anforderungen zu verstehen und das erfolgreichste Software auf dem Markt rückwärts zu entwickeln, glaube ich, dass jeder Marktforschungssoftware-Ersteller die Schwierigkeiten, die wir encountered haben, face sollte und fast frühzeitig einige Projekte scheitern sollte.Hier ist eine Aufschlüsselung dieser Säulen: wie wir diese spezifischen Herausforderungen innerhalb SmartInterview struggle'd und letztlich gelöst haben.

1. Datenlieferungs-Timing:

Wir beschrieben zuvor die Antwort von Fragen mit Mehrfachwahl mit diesen spezifischen IDs:

response_table:
id[int] | value | list[str]

• id als Name der Frage

• wert die Antwort

• list_str die Liste der Elemente für Mehrfachauswahl.

Dies machte es jedoch schwierig, Mehrfachauswahlfragen über mehrere Umfragen hinweg zu verwalten.

Zu Beginn verlangsamte SmartInterview die meisten unserer Kunden, trotz vertiefter Erkenntnisse, was es in Bezug auf Kosteneffizienz unzuverlässig machte

2. Datenqualität

Smartinterview-Frage

In diesem Artikel erklären wir auch, wie wir die Herausforderungen angegangen sind, um Industriestandards für die Datenqualität zu erfüllen, die es uns letztlich ermöglichten, mehr Projekte mit besseren Einblicken als unsere Wettbewerber zu liefern.

Wir mussten unseren Fokus sowohl auf Datenqualität als auch auf Geschwindigkeit-Standards verdoppeln, um SmartInterview zu einer professionellen Marktforschungslösung zu transformieren.

Datenqualität umfasst:

• Kein Datenverlust innerhalb einer Umfrage

• Reiche Einblicke (Geschwindigkeitsentfernungen, ...)

• Logisches Feldmanagement über Samples hinweg

Lösungen

1. Datenlieferungs-Timing:

Für mehrere Länder passten wir das Datenformat an, sodass Kunden Daten aus 17 Ländern mit einer einzigen SQL-Abfrage aggregieren können. Die quantitative Marktforschungsdaten werden jetzt automatisch aggregiert, was es erleichtert, Analytics darauf aufzubauen. Wir erreichten dies, indem wir das gesamte Software neu indexierten und für jede Kundenantwort eine zusätzliche Ebene hinzufügten.

—> Wir mussten das Daten-Ausgabeformat transformieren.

Wir änderten zum Beispiel die Mehrfachwahl zu:

(neue) response_table:
id[int] | ID[str] | value | dict[int : str]

Die ID entspricht der Frage-ID, und der Wert entspricht der Antwort. Die Zuordnung dieser mit Schlüsseln ermöglicht es uns, Daten von mehreren Umfragen zu gruppieren.

Es mag einfach erscheinen, aber wenn das gesamte Software auf dieser Struktur basiert, dauert es Wochen, die notwendigen Änderungen vorzunehmen.

Zuvor mussten wir bei der alten Datenarchitektur eine SQL-Abfrage pro Land (500+ Zeilen) ausführen, wie dieses Extrakt für Spanien:

Smartinterview - alte SQL-Abfrage

und jetzt wird es einfacher, sodass wir 40 Länder in einer Abfrage skalieren und aggregieren konnten:

Smartinterview - neue SQL-Abfrage

Kunden können jetzt leicht Umfragedaten aggregieren, um Analytics darauf aufzubauen.

Wir schlussfolgerten, dass in dieser Branche vom ersten Tag an die Integration priorisiert werden muss, um sicherzustellen, dass jeder Kunde den Wert unserer Lösung maximiert. Sie sollten gleiche oder bessere Lieferzeiten für jedes Projekt erleben, gepaart mit ausgezeichneten qualitativen Einblicken.

Dieses Detail mag banal erscheinen (SQL-Abfragen mit 500+ Zeilen), ist jedoch entscheidend für die Skalierung unserer Lösung. Wir waren erstaunt, wie ein notwendiger Schritt der Datenumwandlung letztlich zu Zeitverlust führen kann, wenn er nicht frühzeitig adressiert wird. Wenn Sie mit einem ähnlichen Anwendungsfall konfrontiert sind, stellen Sie sicher, dass Sie Integration von Anfang an antizipieren.

Ich habe ein vollständiges Video erstellt, das erklärt, wie man die interne Datenstrategie für erfolgreiche KI-Integration verwaltet: YouTube-Link 

Wenn Sie Französisch verstehen, bin ich sicher, dass es nützlich sein wird, um sicherzustellen, dass Sie die Integration antizipieren.

2. Datenqualität :

Wir beschleunigten den Feedback-Loop zwischen Antworten und Analyse, indem wir ein umfassendes Analytics-Dashboard sowohl für Endkunden als auch für uns als Programmierer bereitstellten. Indem wir Industriestandards rückwärts entwickelten, implementierten wir:

• % Drop-out Messung

• % Abgeschlossene Messung

• Abschluss-Boolwert pro Befragten

• Und andere wichtige Parameter, die üblicherweise in Marktforschungssoftware verwendet werden.

Jetzt können Sie die wichtigsten Marktforschungs-KPIs über unser proprietäres Dashboard verfolgen (app.smartinterview.ai):

smartinterview exklusives B2B Analytics-Dashboard

Die richtige Datenstrategie - eine Zusammenfassung

Eine automatisierte Umfragedatenlieferung in PowerBI Analytics wurde durch die folgende Architektur ermöglicht:

smartinterview exklusiver B2B-Service für Tracker

Die Cloud-Funktion extrahiert, aggregiert und importiert Daten von SmartInterview in Azure SQL für den Endkunden, der Zugang zu Live-Daten benötigt.

Alle 5 Minuten fügen wir Daten aus den letzten 24 Stunden ein. Dieser Ansatz reduziert drastisch die Zeit zwischen Datenerfassung und Präsentation der Einblicke, insbesondere im Vergleich zu den herkömmlichen PowerPoint-Berichten, die üblicherweise in Marktforschungsinstituten verwendet werden.

Als Ergebnis berichtete der Kunde, dass er 20 Vollzeitäquivalent-Tage pro Quartal einsparte.Darüber hinaus half uns die Bewältigung dieser anfänglichen Herausforderung, das ideale Datenformat für die Ausgabe von SmartInterview zu bestimmen. Auch wenn es zunächst unseren Go-to-Market-Prozess verzögerte, war es aus einem kritischen Grund: Wir bauten eine robuste Datenarchitektur, die nicht nur erfüllt, sondern Branchenstandards übertreffen könnte - insbesondere für Markentracker, wenn Unternehmen auf unsere Infrastruktur angewiesen sind.

Durch Gespräche mit Führern der Marktforschung erkannten wir, dass viele KI-Lösungen auf dem Markt diesen anspruchsvollen Datenumwandlungsprozess nicht durchlaufen, wodurch sie für Marktforschungsprojekte weniger geeignet sind.

qAI Optimierung

Eine der Schlüsselbereiche der KI-Adoption besteht in der Analyse von offenen Fragen innerhalb SmartInterview. Wir experimentieren mit einem völlig neuen Ansatz zur Erkennung und Verbesserung der Markenkenntnis, Konzepttests bei offenen Fragen während der Markenverfolgung.

Aber wir werden in einem nächsten Artikel tiefer in dieses Thema eintauchen 😌, also bleiben Sie dran!

Die Evolution der Marktforschungstracker

Um auf andere interessante Themen zu öffnen: Wir haben ungenutztes Potenzial bei Marktforschungstrackern identifiziert, bei denen KI und großangelegte Dateningenieurwesen den Wert für Endkunden erheblich steigern könnten. Hier sind 3 Haupttrends, die wir derzeit angehen und bald beschreiben werden:

1. KI-Erklärbarkeit
Einen Einblick direkt mit einem bestimmten Befragten zu verknüpfen.

2. Eine neue Datenschicht für unstrukturierte Daten
Diese Schicht verbindet unstrukturierte Daten aus offenen Fragen mit Bedingungen, unter Verwendung von LLM-StructuredOutput. Dies ist ein Wendepunkt, da es uns ermöglicht, unstrukturierte Einblicke zu navigieren und zu quantifizieren, Analytics ohne die Notwendigkeit für Tausende von Stunden manueller Arbeit danach zu ermöglichen.

3. KI-Klassifizierung
Sentiments erkennen und "Goldene" oder "Fundamentale" Themen identifizieren. Dies hat enormen Wert für Marktforschungsinstitute, da es ihnen Tage der Arbeit spart, wenn sie ihre Analyse von offenen Antworten skalieren.

Durch unsere Partnerschaften mit OpenAI und Microsoft Azure erhalten wir auch frühen Zugang zu neuen Modellen, um sie zu testen und in unsere Produkte zu integrieren.Wenn Sie daran interessiert sind und ähnliche Herausforderungen haben, fühlen Sie sich frei, mich unter matthieu.saussaye@pulse-partners.ch zu kontaktieren.

Wir sind immer auf der Suche nach innovativen Unternehmen, die darauf abzielen, ihre Dateninsights-Strategie zu skalieren, sowie nach klugen Ingenieuren, die unserem Team beitreten wollen!