Marktforschung - Datenstrategie: Best Practices für Tracker

Aus einem smartinteview Anwendungsfall: 1000s Marken in 40 Ländern verfolgen

Brand Tracking ist ein kritischer Datenerhebungsprozess für Marken, der es Unternehmen ermöglicht, Einblicke in die Markenperformance über mehrere Regionen und Marken hinweg zu gewinnen. Allerdings kann die Verwaltung von Daten über +1000s Marken in 40 Ländern aus datentechnischer Sicht schnell überwältigend werden.

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

Brand Tracking ist eine leistungsstarke Methode, um die Anzahl der Endkunden für ein Marktforschungsinstitut zu skalieren, muss jedoch korrekt durchgeführt werden. Aber sie könnten vielen Herausforderungen gegenüberstehen, wie der fehlenden Bereitstellungsprozess für Befragungsdaten zur Analyse.

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

Wir erkannten das Potenzial einer robusteren Lösung, die Marktforschern helfen würde, Marken über verschiedene geografische Gebiete hinweg zu verfolgen und verbesserte quant/qual Einblicke automatisch zu analysieren.

Endkunden sind große Unterhaltungsfirmen.

• Wir haben festgestellt, dass die Kombination fortschrittlicher KI-Modelle − wie Sprach-zu-Text-Technologie − und Large Language Models (LLMs) die Qualität der Einblicke für Markenforschung drastisch verbessert.

• Zudem würde das Skalieren eines Brand Trackers in eine "SaaS/Produkt"-Version dem Team ermöglichen, eine große Menge an Zeit zu sparen, indem die manuelle Arbeit reduziert wird.

Teamtreffen in Dubai, 2025.03

(von links nach rechts: Paul Serre, Full-stack Freelancer, der an smartinterview arbeitet, Nicolae, Software Engineer bei Pulse Partners und ich)

Aber das war nicht einfach… wir machten viele Fehler, während wir versuchten, SmartInterview mit diesem finalen Tracker abzustimmen. In diesem Artikel möchte ich unsere größten Lektionen teilen, die wir nach vielen erfolglosen Versuchen gelernt haben, die leistungsfähigste Markenverfolgungs-Software zu erstellen, indem wir smartinterview.ai integrieren.

Herausforderungen

Zu Beginn stellte ich fest, dass eine der größten Herausforderungen für Marktforscher in ihrer IT- und Datenstrategie liegt. Dieser Bereich liegt oft außerhalb ihrer Expertise, was es schwierig macht, die richtigen Ressourcen – sowohl Zeit als auch Geld – zuzuweisen.

Die richtigen Partner zu wählen, um sicherzustellen, dass ihre Datenstrategie mit ihren Kernaktivitäten übereinstimmt, kann eine entmutigende Aufgabe sein. Zudem kann die Abhängigkeit von fertiger Marktforschungssoftware prohibitv teuer werden, wobei die Kosten leicht 100K pro Jahr für kleine Institute erreichen können.

Wir entwickelten dann ein anfängliches PoC, um diese Art von Forschung in unserem ursprünglichen ICP zu priorisieren.

Es ist ziemlich komplex, aber wir wussten, dass wir alle einfacheren Anwendungsfälle lösen könnten, indem wir diese Art von Tracker lösen.

Dann war unser Hauptvorschlag, die Qualität der Einblicke für Kunden von Marktforschungsinstituten durch die Verwendung von LLMs-Modellen und Sprach-zu-Text in ihren offenen Fragen erheblich zu verbessern. Wir mussten dann die kritischen Industriestandards berücksichtigen, die im Wesentlichen unsere "Markteintrittsbarrieren" waren.

Ein hervorragendes Quantitativ-Marktforschungs-Datenerfassungs-Software, aus datentechnischer Sicht, sollte auf zwei Hauptsäulen aufgebaut sein:

1. Datenauslieferung

2. Timing der Datenqualität (keine gefälschten Daten, keine fehlenden Daten, etc.)

Außer wenn Sie wirklich stark im Verstehen und Definieren früher Anforderungen und im Reverse-Engineering der erfolgreichsten Software auf dem Markt sind, glaube ich, dass jeder Ersteller von Marktforschungssoftware den Schwierigkeiten, die wir hatten, gegenüberstehen wird und fast in einigen Projekten früh scheitert. Hier ist eine Aufschlüsselung dieser Säulen: Wie wir mit diesen spezifischen Herausforderungen bei SmartInterview kämpften und sie letztendlich lösten.

1. Zeitliche Datenauslieferung:

Wir haben zuvor die Antwort von Mehrfachauswahlfragen mit diesen spezifischen IDs beschrieben:

response_table:
id[int] | wert | liste[str]

• id als Name der Frage

• wert die Antwort

• liste_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, obwohl es tiefere Einblicke lieferte, was es in Bezug auf die Kostenwirksamkeit unzuverlässig machte.

2. Datenqualität

Smartinterview Frage

In diesem Artikel werden wir auch erklären, wie wir Herausforderungen angegangen sind, um den Branchenstandards für Datenqualität gerecht zu werden, was es uns letztendlich ermöglicht hat, mehr Projekte mit besseren Einblicken als unsere Konkurrenten zu liefern.

Wir mussten unseren Fokus sowohl auf Datenqualität als auch auf Geschwindigkeit verdoppeln, um SmartInterview in eine professionelle Marktforschungssoftwarelösung zu verwandeln.

Datenqualität bedeutet im Wesentlichen:

• Kein Datenverlust innerhalb einer Umfrage

• Reiche Einblicke (schnellere Entfernungen, ...)

• Logisches Feldmanagement über Proben hinweg

Lösungen

1. Zeitliche Datenauslieferung:

Für mehrere Länder haben wir das Datenformat angepasst, wodurch Kunden Daten aus 17 Ländern mit einer einzigen SQL-Abfrage aggregieren können. Die quantitative Marktforschungsdaten werden jetzt automatisch zusammengeführt, was es einfacher macht, darauf aufbauende Analysen zu erstellen. Wir haben dies erreicht, indem wir das gesamte Software neu indexierten und eine zusätzliche Schicht für die Antworten jedes Kunden hinzugefügt haben.

—> Wir mussten das Datenausgabeformat transformieren.

Wir haben zum Beispiel die Mehrfachauswahl geändert zu:

(neu) response_table:
id[int] | ID[str] | wert | dict[int : str]

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

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

Zuvor mussten wir mit der alten Datenarchitektur für jedes Land eine SQL-Abfrage ausführen (500+ Zeilen), wie dieses Beispiel 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 Umfragedaten einfach aggregieren, um darauf aufbauende Analysen zu erstellen.

Wir kamen zu dem Schluss, dass wir in dieser Branche von Anfang an die Integration priorisieren müssen, um sicherzustellen, dass jeder Kunde den maximalen Wert unserer Lösung ausschöpft. Sie sollten gleiche oder bessere Lieferzeiten für jedes Projekt erfahren, gepaart mit exzellenten qualitativen Einblicken.

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

Ich habe ein vollständiges Video erstellt, das erklärt, wie man interne Datenstrategien für eine 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 Feedbackzyklus zwischen Antworten und Analyse, indem wir ein umfassendes Analysedashboard sowohl für Endkunden als auch für uns als Programmierer bereitstellten. Durch Reverse Engineering von Industriestandards implementierten wir:

• % Drop-out-Messung

• % Abgeschlossene-Messung

• Abschließender Boolean pro Befragtem

• Und andere Schlüsselparameter, die häufig in Marktforschungssoftware verwendet werden.

Jetzt können Sie die wichtigsten Marktforschung KPIs über unser eigenes Dashboard (app.smartinterview.ai) verfolgen:

smartinterview exklusives B2B-Analyse-Dashboard

Die richtige Datenstrategie - Zusammenfassung

Eine automatisierte Befragungsdatenauslieferung in powerBI-Analysen wurde durch die folgende Architektur ermöglicht:

smartinterview exklusives B2B-Dienst für Tracker

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

Alle 5 Minuten fügen wir Daten aus den letzten 24 Stunden ein. Dieser Ansatz reduziert die Zeit zwischen Datenerhebung und Präsentation von Einblicken erheblich, insbesondere im Vergleich zu den traditionellen PowerPoint-Berichten, die häufig in Marktforschungsinstituten verwendet werden.

Infolgedessen berichtete der Kunde, dass er 20 Vollzeittage (FTE) pro Quartal spart. Konfrontiert mit dieser anfänglichen Herausforderung entschieden wir das ideale Datenformat für die Ausgabe von SmartInterview. Während es unseren Markteintrittsprozess zunächst verzögerte, war es aus einem entscheidenden Grund: Wir bauten eine robuste Datenarchitektur, die nicht nur den Branchenstandards entspricht, sondern sie sogar übertreffen kann – insbesondere für Marken-Tracker, wenn Unternehmen auf unsere Infrastruktur angewiesen sind.

Durch Diskussionen mit Marktführern im Bereich Marktforschung erkannten wir, dass viele KI-Lösungen auf dem Markt diesen schwierigen Datentransformationsprozess nicht durchlaufen, was sie weniger geeignet für Marktforschungsprojekte macht.

qAI-Optimierung

Einer der Schlüsselbereiche der KI-Adaption liegt in der Analyse offener Fragen innerhalb von SmartInterview. Wir experimentieren mit einem völlig neuen Ansatz, um Markenwiedererkennung zu erkennen und zu verbessern, Konzepttests in offenen Fragen während der Markenverfolgung.

Aber wir werden dieses Thema im nächsten Artikel näher beleuchten 😌, also bleibt dran!

Die Entwicklung von Marktforschung Trackern

Um auf andere interessante Themen zu öffnen: Wir haben ungenutztes Potenzial in Marktforschung Trackern identifiziert, wo KI und großangelegte Datenverarbeitung den Wert für Endkunden erheblich steigern könnten. Hier sind 3 wichtige Trends, die wir derzeit angehen und die wir bald beschreiben werden:

1. KI-Erklärbarkeit
Eine Einsicht zu rechtfertigen, indem man sie direkt mit einem bestimmten Befragten verbindet.

2. Eine neue Datenschicht für unstrukturierte Daten
Diese Schicht überbrückt unstrukturierte Daten aus offenen Fragen mit Bedingungen unter Verwendung von LLM-StructuredOutput. Dies ist ein Durchbruch, da es uns ermöglicht, unstrukturierte Einblicke zu navigieren und zu quantifizieren, was Analysen ermöglicht, ohne dass tausende Stunden manueller Arbeit erforderlich sind.

3. KI-Klassifikation
Erkennung von Stimmungen und Identifizierung von "goldenen" oder "fundamentalen" Themen. Dies hat enormen Wert für Marktforschungsinstitute, da es ihnen Tage der Arbeit spart, wenn sie ihre Analyse offener Antworten skalieren.

Durch unsere Partnerschaften mit OpenAI und Microsoft Azure erhalten wir auch frühzeitig Zugang zu neuen Modellen, die wir experimentieren und in unsere Produkte integrieren können. Wenn Sie das aufregt und Sie vor ähnlichen Herausforderungen stehen, zögern Sie nicht, mich unter matthieu.saussaye@pulse-partners.ch zu kontaktieren.

Wir sind immer auf der Suche nach innovativen Unternehmen, die ihre Dateninsight-Strategie skalieren möchten, sowie nach klugen Ingenieuren, die unserem Team beitreten möchten!