Marktforschungs-Tracker: Data Strategy best practices x BrandTrends
Matthieu SAUSSAYE
5 min Lesezeit
Market Research - Data Strategy : Tracker Best Practices
Aus einem smartinteview Use Case: tracking 1000s brands in 40 countries
Brand tracking ist ein kritischer data collection process für brands und ermöglicht es Unternehmen, Insights in die brand performance über mehrere Regionen und brands hinweg zu gewinnen. Allerdings kann das Management von data über +1000s of brands in 40 countries aus data point of view schnell überwältigend werden.
Der Schlüssel zum Erfolg in diesem Bereich liegt darin, sowohl die richtige data strategy als auch die richtige technische Expertise zu haben.
Brand tracking ist eine wirkungsvolle Methode, um die Anzahl der Endkunden für ein Market Research institute zu skalieren, aber es muss richtig umgesetzt werden. Sie könnten jedoch vor vielen Herausforderungen stehen, etwa weil ihnen nicht der richtige delivery process für survey data to analytics fehlt.
Um es richtig zu machen, brauchen sie sowohl die richtigen engineers als auch die richtige strategy.
Wir haben das Potenzial einer robusteren Lösung erkannt, die market researchers dabei helfen würde, brands über verschiedene geographies hinweg zu tracken und verbesserte quant/qual insights automatisch zu analysieren.
Die Endkunden sind große entertainment firms.
Wir haben festgestellt, dass die Kombination aus advanced AI models—wie speech-to-text technology—und Large Language Models (LLMs) die insight quality für brand research insights drastisch erhöht.
Außerdem würde das Skalieren eines Brand Tracker zu einer "SaaS/product"-Version dem Team ermöglichen, viel Zeit zu sparen, indem manuelle Arbeit reduziert wird.
Teambesprechung 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 haben früh viele Fehler gemacht, als wir versuchten, SmartInterview mit diesem finalen Tracker abzustimmen. In diesem Artikel möchte ich unsere wichtigsten Learnings teilen, nachdem wir viele fehlgeschlagene Versuche unternommen haben, die leistungsstärkste Brand Tracking market research software zu entwickeln, indem wir smartinterview.ai integriert haben.
Herausforderungen
Anfangs erkannte ich, dass eine der größten Herausforderungen für market researchers in ihrer IT- und data strategy liegt. Dieser Bereich liegt oft außerhalb ihrer Expertise, was es schwierig macht, die richtigen Ressourcen zuzuweisen—sowohl Zeit als auch Geld.
Die richtigen Partner auszuwählen, um sicherzustellen, dass ihre data strategy mit ihren Kernaktivitäten übereinstimmt, kann eine anspruchsvolle Aufgabe sein. Außerdem kann die Nutzung von Standard-market software prohibitiv teuer werden, wobei die Kosten für kleine Institute leicht 100K USD pro Jahr erreichen.
Wir haben dann einen ersten PoC entwickelt, um diese Art von research in unserem ursprünglichen ICP zu priorisieren.
Es ist ziemlich komplex, aber wir wussten, dass wir durch die Lösung dieses trackers alle einfacheren use cases lösen könnten.
Dann war unser Hauptversprechen, die Qualität der insights für Kunden von Market Research Institutes erheblich zu verbessern, indem wir LLMs models und Speech-to-text in ihre open-ended question integrierten. Wir mussten dann die kritischen industry standards berücksichtigen, die im Wesentlichen unsere „market entry barriers“ waren.
Eine ausgezeichnete Quantitative Market Research data collection software sollte aus Datenperspektive auf zwei zentralen Säulen aufgebaut sein:
Data Delivery
Timing Data Quality (keine Fake-Daten, keine fehlenden Daten usw.)
Außer Sie sind wirklich stark darin, frühe Anforderungen zu verstehen und zu definieren sowie die erfolgreichste Software auf dem Markt rückzuentwickeln, glaube ich, dass jeder Market Research software builder den Schwierigkeiten begegnen sollte, die wir erlebt haben, und frühe Projekte fast scheitern lassen. Hier ist eine Aufschlüsselung dieser Säulen: wie wir mit diesen spezifischen Herausforderungen in SmartInterview gerungen und sie letztlich gelöst haben.
1. Data delivery timing:
Wir haben zuvor die Antworten von multi-choices questions mit diesen spezifischen ids beschrieben:
response_table:
id[int] | value | list[str]
id als Name der Frage
value die Antwort
list_str die Liste der Elemente für multi-choice.
Dies machte es jedoch schwierig, multi-choice questions über mehrere surveys hinweg zu verwalten.
Zu Beginn verlangsamte SmartInterview die meisten unserer Kunden, obwohl es tiefere insights lieferte, was es in Bezug auf cost-effectiveness unzuverlässig machte
Data quality
Smartinterview Frage
In diesem Artikel erklären wir auch, wie wir Herausforderungen adressiert haben, um industry data quality standards zu erfüllen, was es uns letztlich ermöglicht hat, mehr Projekte mit besseren Insights als unsere Wettbewerber zu liefern.
Wir mussten unseren Fokus sowohl auf data quality als auch auf speed standards verdoppeln, um SmartInterview in eine professionelle Market Research software solution zu verwandeln.
Data quality bedeutet im Wesentlichen:
Kein Datenverlust innerhalb einer Umfrage
Rich insights (speeder removals,…)
Logisches fieldwork management über Samples hinweg
Solutions
Data delivery timing:
Für mehrere Länder haben wir das Datenformat angepasst, sodass Kunden Daten aus 17 Ländern mit einer einzigen SQL query aggregieren können. Die quantitative market research data wird nun automatisch aggregiert, wodurch es einfacher wird, darauf Analytics aufzubauen. Wir haben dies erreicht, indem wir die gesamte Software re-indexiert und eine zusätzliche Ebene für jede customer response hinzugefügt haben.
—> Wir mussten das data output format transformieren.
Wir haben zum Beispiel die multi-choice zu:
(new) response_table:
id[int] | ID[str] | value | dict[int : str]
Die ID entspricht der question ID, und der value entspricht der response. Durch das Mapping dieser Werte mit keys können wir Daten aus mehreren surveys gruppieren.
Es mag einfach erscheinen, aber wenn die gesamte Software auf dieser Struktur basiert, dauert es Wochen, die notwendigen Änderungen vorzunehmen.
Früher, mit der alten data architecture, mussten wir eine SQL query pro country (500+ rows) ausführen, wie in diesem Auszug für Spain:
Smartinterview - alte SQL Query
und jetzt wird es noch einfacher, sodass wir 40 Länder in einer Query skalieren und aggregieren können:
Smartinterview - neue SQL-Query
Kunden können Survey Data jetzt ganz einfach aggregieren, um darauf Analytics aufzubauen.
Wir sind zu dem Schluss gekommen, dass wir in dieser Branche Integration von Anfang an in jedem Projekt priorisieren müssen, um sicherzustellen, dass jeder Kunde den Wert unserer Lösung maximiert. Sie sollten bei jedem Projekt gleich lange oder kürzere Delivery Times erleben, gepaart mit hervorragenden qualitativen Insights.
Dieses Detail mag banal erscheinen (SQL-Queries mit 500+ Zeilen), ist aber entscheidend dafür, unsere Lösung zu skalieren.Wir waren erstaunt, wie ein notwendiger Data-Transformation-Schritt letztlich zu Zeitverlust führen kann, wenn er nicht frühzeitig adressiert wird.Wenn du vor einem ähnlichen Use Case stehst, stelle sicher, dass du Integration von Anfang an mitdenkst.
Ich habe ein vollständiges Video erstellt, in dem ich erkläre, wie man die interne Data Strategy für eine erfolgreiche AI integration verwaltet: YouTube-Link
Wenn du Französisch verstehst, bin ich sicher, dass es nützlich sein wird, um sicherzustellen, dass du Integration frühzeitig antizipierst.
Data quality :
Wir haben den Feedback Loop zwischen Responses und Analysis beschleunigt, indem wir ein umfassendes Analytics-Dashboard sowohl für Endkunden als auch für uns als Programmierer bereitgestellt haben. Durch Reverse-Engineering von Industry Standards haben wir Folgendes implementiert:
% Drop-out measure
% Completed measure
Completion boolean pro Respondent
Und andere wichtige Parameter, die häufig in Market Research Software verwendet werden.
Jetzt kannst du die wichtigsten Market Research KPIs über unser proprietäres Dashboard (app.smartinterview.ai) verfolgen:
smartinterview exclusive B2B analytics dashboard
Die richtige Datenstrategie - eine Zusammenfassung
Eine automatisierte Bereitstellung von survey data in Power BI analytics wurde mithilfe der folgenden Architektur ermöglicht:
smartinterview exklusiver B2B-Service für trackers
Die Cloud-Funktion extrahiert, aggregiert und importiert Daten aus SmartInterview nach Azure SQL für den Endkunden, der Zugriff auf Live-Daten benötigt.
Alle 5 Minuten upserten wir Daten aus den letzten 24 Stunden. Dieser Ansatz reduziert die Zeit zwischen Datenerhebung und Erkenntnispräsentation drastisch, insbesondere im Vergleich zu den traditionellen PowerPoint-Reports, die in Market Research Institutes häufig verwendet werden.
Infolgedessen berichtete der Kunde von einer Einsparung von 20 Full-Time-Equivalent-(FTE)-Tagen pro Quartal. Außerdem half uns die Auseinandersetzung mit dieser anfänglichen Herausforderung dabei, das ideale Datenformat für die Ausgabe von SmartInterview zu bestimmen. Obwohl dies unseren go-to-market-Prozess anfangs verzögerte, geschah es aus einem entscheidenden Grund: Wir bauten eine robuste Datenarchitektur auf, die Industriestandards nicht nur erfüllt, sondern übertreffen kann—insbesondere für brand trackers, wenn Unternehmen auf unsere Infrastruktur vertrauen.
Durch Gespräche mit Market Research leaders erkannten wir, dass viele AI-Lösungen auf dem Markt diesen anspruchsvollen Prozess der Datentransformation nicht durchlaufen, wodurch sie für market research projects weniger geeignet sind.
qAI Optimization
Einer der Schlüsselbereiche der AI-Adoption ist die Analyse von open-ended questions innerhalb von SmartInterview. Wir experimentieren damit mit einem völlig neuen Ansatz, um brand recognition zu erkennen und zu verbessern sowie concept testing in open-ended questions während des brand tracking zu unterstützen.
Aber wir werden im nächsten Artikel tiefer in dieses Thema eintauchen 😌, also bleibt dran!
Die Entwicklung von Market Research trackers
Um auf weitere interessante Themen einzugehen: Wir haben ungenutztes Potenzial in Market Research trackers identifiziert, bei denen AI und groß angelegtes Data Engineering den Wert für Endkunden erheblich steigern könnten. Hier sind 3 große Trends, an denen wir derzeit arbeiten und die wir bald beschreiben werden:
1. AI Explainability
Einen Insight zu begründen, indem er direkt mit einem bestimmten Respondent verknüpft wird.
2. A New Data Layer for Unstructured Data
Diese Layer verbindet unstrukturierte Daten aus open-ended questions mithilfe von LLM-StructuredOutput mit Bedingungen. Das ist ein Game Changer, da es uns ermöglicht, unstrukturierte Insights zu navigieren und zu quantifizieren, und Analysen ohne den Bedarf von Tausenden von Stunden manueller Arbeit im Anschluss ermöglicht.
3. AI Classification
Sentiments zu erkennen und "golden" oder "fundamental" topics zu identifizieren. Dies hat einen enormen Wert für Market Research institutes, da es ihnen Tage an Arbeit erspart, wenn sie ihre Analyse von open-ended responses skalieren.
Durch unsere Partnerschaften mit OpenAI und Microsoft Azure erhalten wir außerdem frühzeitig Zugang zu neuen Modellen, mit denen wir experimentieren und die wir in unsere Produkte integrieren können. Wenn Sie sich davon angesprochen fühlen und vor ähnlichen Herausforderungen stehen, können Sie mich gerne unter matthieu.saussaye@pulse-partners.ch kontaktieren.
Wir sind immer auf der Suche nach innovativen Unternehmen, die ihre data insights strategy skalieren möchten, sowie nach klugen Ingenieuren, die unserem Team beitreten!
