Market Research - Data Strategy : Tracker Best Practices

À partir d'un cas d'utilisation de SmartInterview : suivi de 1000 marques dans 40 pays

Le suivi de marque est un processus de collecte de données critique pour les marques, permettant aux entreprises d'obtenir des informations sur les performances de la marque à travers plusieurs régions et marques. Cependant, gérer des données sur plus de 1000 marques dans 40 pays peut rapidement devenir écrasant d'un point de vue des données.

La clé du succès dans cet espace réside dans la mise en place de la bonne stratégie de données et de l'expertise technique adéquate.

Le suivi de marque est une méthode puissante pour augmenter le nombre de clients finaux pour un institut de Market Research, mais il doit être effectué correctement. Mais ils pourraient rencontrer de nombreux défis, comme ne pas avoir le bon processus de livraison des données d'enquête pour les analyses.

Pour le faire correctement, ils ont besoin à la fois des bons ingénieurs et de la bonne stratégie.

Nous avons reconnu le potentiel d'une solution plus robuste qui aiderait les chercheurs en marketing à suivre les marques à travers des géographies diverses et à analyser automatiquement des insights quantitatifs/qualitatifs améliorés.

Les clients finaux sont de grandes entreprises de divertissement.

• Nous avons découvert que la combinaison de modèles avancés d'IA - tels que la technologie de la reconnaissance vocale - et de Large Language Models (LLMs) augmentent considérablement la qualité des insights pour les recherches de marques.

• De plus, la mise à l'échelle d'un Brand Tracker vers une version "SaaS/produit" permettrait à l'équipe de gagner beaucoup de temps en réduisant le travail manuel.

Rencontre d'équipe à Dubaï, 2025.03 

(de gauche à droite : Paul Serre, freelance Full-stack travaillant sur SmartInterview, Nicolae, ingénieur logiciel chez Pulse Partners et moi)

Mais cela n'a pas été facile... nous avons commis de nombreuses erreurs tôt dans le processus en essayant d'aligner SmartInterview avec ce tracker final. Dans cet article, je voudrais partager nos plus grandes leçons apprises après de nombreuses tentatives infructueuses pour créer le logiciel de suivi des marques le plus puissant en intégrant smartinterview.ai.

Défis

Initialement, j'ai réalisé que l'un des plus grands défis pour les chercheurs en Market Research réside dans leur stratégie IT et de données. Cette zone est souvent en dehors de leur expertise, ce qui rend difficile l'allocation des bonnes ressources — tant en temps qu'en argent.

Choisir les bons partenaires pour garantir que leur stratégie de données s'aligne avec leurs activités principales peut être une tâche ardue. De plus, dépendre des logiciels de marché prêts à l'emploi peut devenir excessivement coûteux, avec des coûts atteignant facilement 100 000 $ par an pour les petits instituts.

Nous avons alors développé une PoC initiale pour prioriser ce type de recherche dans notre ICP initial.

C'est assez complexe mais nous savions qu'en résolvant ce type de tracker, nous pourrions résoudre tous les cas d'utilisation plus faciles.

Ensuite, notre proposition principale était d'améliorer considérablement la qualité des insights pour les clients des instituts de Market Research en utilisant des modèles LLM et la reconnaissance vocale dans leurs questions ouvertes. Nous devions alors considérer les normes industrielles critiques, qui étaient essentiellement nos "barrières à l'entrée sur le marché."

Un excellent logiciel de collecte de données quantitatives pour les études de marché, du point de vue des données, devrait être construit sur deux piliers clés :

1. Livraison de données

2. Qualité des données temporelles (pas de données fausses, pas de données manquantes, etc.)

Sauf si vous êtes vraiment fort pour comprendre et définir les exigences initiales et pour rétro-concevoir le logiciel le plus réussi sur le marché, je crois que tout constructeur de logiciels de Market Research devrait faire face aux difficultés que nous avons rencontrées et presque échouer certains projets au début. Voici un aperçu de ces piliers : comment nous avons lutté contre et finalement résolu ces défis spécifiques dans SmartInterview.

1. Délai de livraison des données :

Nous avons précédemment décrit la réponse des questions à choix multiples avec ces identifiants spécifiques :

tableau_réponses :
id[int] | valeur | liste[str]

• id comme le nom de la question

• valeur la réponse

• list_str la liste des éléments pour le choix multiple.

Cependant, cela a rendu difficile la gestion des questions à choix multiples dans plusieurs enquêtes.

Au début, SmartInterview ralentissait la plupart de nos clients, malgré la fourniture d'insights plus approfondis, ce qui le rendait peu fiable en termes de coût.

2. Qualité des données

Question SmartInterview

Dans cet article, nous expliquerons également comment nous avons abordé les défis pour répondre aux normes de qualité des données de l'industrie, ce qui nous a finalement permis de livrer plus de projets avec de meilleurs insights que nos concurrents.

Nous avons dû nous concentrer à la fois sur la qualité des données et sur les normes de vitesse pour transformer SmartInterview en une solution logicielle professionnelle de Market Research.

La qualité des données signifie essentiellement :

• Aucune perte de données dans une enquête

• Insights riches (élimination des accélérateurs,…)

• Gestion logique du travail de terrain à travers les échantillons

Solutions

1. Délai de livraison des données :

Pour plusieurs pays, nous avons adapté le format des données, permettant aux clients d'agréger des données de 17 pays avec une seule requête SQL. Les données de recherche de marché quantitatives sont maintenant agrégées automatiquement, ce qui facilite la construction d'analyses dessus. Nous avons atteint cela en réindexant l'ensemble du logiciel et en ajoutant une couche supplémentaire pour la réponse de chaque client.

—> Nous avons dû transformer le format de sortie des données.

Par exemple, nous avons changé le choix multiple pour :

(nouveau) tableau_réponses :
id[int] | ID[str] | valeur | dict[int : str]

L'ID correspond à l'identifiant de la question et la valeur correspond à la réponse. Le mappage de ceux-ci avec des clés nous permet de regrouper des données de plusieurs enquêtes.

Cela peut sembler simple, mais lorsque tout le logiciel repose sur cette structure, il faut des semaines pour apporter les changements nécessaires.

Auparavant, avec l'ancienne architecture de données, nous devions exécuter une requête SQL par pays (plus de 500 lignes), comme cet extrait pour l'Espagne :

SmartInterview - ancienne requête SQL

et maintenant cela devient plus facile, donc nous pouvons étendre et agréger 40 pays en une seule requête :

SmartInterview - nouvelle requête SQL

Les clients peuvent désormais facilement agréger les données d'enquête pour construire des analyses dessus.

Nous avons conclu que dans cette industrie, nous devons prioriser l'intégration dès le début de chaque projet pour garantir que chaque client maximise la valeur de notre solution. Ils devraient avoir des délais de livraison égaux ou meilleurs pour chaque projet, associés à d'excellents insights qualitatifs.

Ce détail peut sembler banal (requêtes SQL de plus de 500 lignes), mais c'est crucial pour étendre notre solution. Nous avons été étonnés de voir comment une étape nécessaire de transformation des données peut finalement conduire à une perte de temps si elle n'est pas abordée tôt. Si vous êtes confronté à un cas d'utilisation similaire, assurez-vous d'anticiper l'intégration dès le début.

J'ai fait une vidéo complète expliquant comment gérer la stratégie de données internes pour une intégration AI réussie : YouTube link 

Si vous comprenez le français, je suis sûr que cela vous sera utile pour anticiper l'intégration.

2. Qualité des données :

Nous avons accéléré le cycle de rétroaction entre les réponses et l'analyse en déployant un tableau de bord analytique complet pour les clients finaux et nous en tant que programmeurs. En rétro-concevant les normes industrielles, nous avons implémenté :

• % Mesure de taux de désabonnement

• % Mesure de réalisation

• Booléen de complétion par répondant

• Et d'autres paramètres clés couramment utilisés dans le logiciel de Market Research.

Maintenant, vous pouvez suivre les KPI les plus importants de Market Research grâce à notre tableau de bord exclusif (app.smartinterview.ai):

SmartInterview tableau de bord analytique exclusif B2B

La bonne stratégie de données - un résumé

Une livraison automatisée des données d'enquête dans les analyses PowerBI a été rendue possible grâce à l'architecture suivante :

SmartInterview service B2B exclusif pour les trackers

La fonction cloud extrait, agrège et importe des données de SmartInterview dans Azure SQL pour le client final qui a besoin d'accéder aux données en direct.

Toutes les 5 minutes, nous mettons à jour les données des dernières 24 heures. Cette approche réduit drastiquement le temps entre la collecte des données et la présentation des insights, surtout par rapport aux rapports PowerPoint traditionnels couramment utilisés dans les instituts de Market Research.

En conséquence, le client a rapporté une économie de 20 jours équivalents plein temps (FTE) par trimestre. De plus, confronter ce défi initial nous a aidés à déterminer le format de données idéal pour la sortie de SmartInterview. Bien que cela ait initialement retardé notre processus de mise sur le marché, c'était pour une raison cruciale : nous construisions une architecture de données robuste qui non seulement répond mais peut dépasser les normes de l'industrie — en particulier pour les trackers de marques lorsque des entreprises s'appuient sur notre infrastructure.

À travers des discussions avec des leaders du Market Research, nous avons réalisé que de nombreuses solutions AI sur le marché ne passent pas par ce processus de transformation des données difficile, ce qui les rend moins adaptées aux projets de recherches de marché.

Optimisation de qAI

Un des domaines clés de l'adoption de l'IA est l'analyse des questions ouvertes dans SmartInterview. Nous l'avons expérimenté avec une approche complètement nouvelle pour détecter et améliorer la reconnaissance de marque, le test de concept dans des questions ouvertes lors du suivi des marques.

Mais nous approfondirons ce sujet dans le prochain article 😌, alors restez à l'écoute !

L'évolution des trackers de Market Research

Pour ouvrir sur d'autres sujets intéressants : Nous avons identifié un potentiel inexploité dans les trackers de Market Research, où l'IA et l'ingénierie des données à grande échelle pourraient augmenter considérablement la valeur pour les clients finaux. Voici 3 grandes tendances que nous abordons actuellement et que nous décrirons bientôt :

1. Explicabilité de l'IA
Justifier un insight en le reliant directement à un répondant spécifique.

2. Une nouvelle couche de données pour les données non structurées
Cette couche relie les données non structurées des questions ouvertes avec des conditions en utilisant LLM-StructuredOutput. C'est un changement de jeu car il nous permet de naviguer et de quantifier des insights non structurés, permettant des analyses sans avoir à faire des milliers d'heures de travail manuel par la suite.

3. Classification par IA
Détecter les sentiments et identifier les sujets "dorés" ou "fondamentaux". Cela a une immense valeur pour les instituts de Market Research, car cela leur fait gagner des jours de travail lors de la mise à l'échelle de leur analyse des réponses ouvertes.

Grâce à nos partenariats avec OpenAI et Microsoft Azure, nous avons également un accès anticipé aux nouveaux modèles pour expérimenter et intégrer dans nos produits. Si cela vous enthousiasme et que vous êtes confronté à des défis similaires, n'hésitez pas à me contacter à matthieu.saussaye@pulse-partners.ch.

Nous sommes toujours à la recherche d'entreprises innovantes cherchant à étendre leur stratégie d'insights de données, ainsi que de smart engineers pour rejoindre notre équipe !