Market Research - Stratégie Data : meilleures pratiques de Tracker

À partir d’un cas d’usage smartinteview : suivi de 1000+ marques dans 40 pays

Le brand tracking est un processus critique de collecte de données pour les marques, permettant aux entreprises d’obtenir des insights sur la performance de marque à travers de multiples régions et marques. Cependant, gérer les données de plus de 1000 marques dans 40 pays peut rapidement devenir ingérable d’un point de vue data.

La clé du succès dans ce domaine repose à la fois sur la bonne stratégie data et la bonne expertise technique.

Le brand tracking est une méthode puissante pour augmenter le nombre de clients finaux d’un institut de Market Research, mais cela doit être fait correctement. Ils peuvent toutefois faire face à de nombreux défis, comme l’absence du bon process de livraison des données d’enquête vers l’analytics.

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

Nous avons identifié le potentiel d’une solution plus robuste qui aiderait les chercheurs en market research à suivre les marques à travers des géographies diverses et à analyser automatiquement des insights quanti/quali enrichis.

Les clients finaux sont de grandes entreprises du divertissement.

• Nous avons constaté que combiner des modèles d’IA avancés — comme la technologie speech-to-text — et des Large Language Models (LLMs) augmente fortement la qualité des insights pour la recherche de marque.

• De plus, faire évoluer un Brand Tracker vers une version « SaaS/produit » permettrait à l’équipe d’économiser beaucoup de temps en réduisant le travail manuel.

Réunion d’équipe à Dubaï, 2025.03 

(de gauche à droite : Paul Serre, freelance full-stack travaillant sur smartinterview, Nicolae, Software Engineer chez Pulse Partners, et moi)

Mais cela n’a pas été facile… nous avons fait beaucoup d’erreurs au début en essayant d’aligner SmartInterview avec ce tracker final. Dans cet article, je souhaite partager nos plus grandes leçons apprises après de nombreuses tentatives ratées pour créer le logiciel de brand tracking Market Research le plus performant en intégrant smartinterview.ai.

Défis

Au départ, j’ai réalisé que l’un des plus grands défis pour les professionnels du market research réside dans leur stratégie IT et data. Cette zone est souvent en dehors de leur expertise, ce qui rend difficile l’allocation des bonnes ressources — en temps comme en budget.

Choisir les bons partenaires pour s’assurer que leur stratégie data s’aligne avec leurs activités cœur de métier peut être une tâche intimidante. De plus, s’appuyer sur des logiciels market prêts à l’emploi peut devenir extrêmement coûteux, avec des coûts atteignant facilement 100 000 $ par an pour les petits instituts.

Nous avons ensuite développé un PoC initial 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’usage plus simples.

Ensuite, notre proposition principale était d’améliorer significativement la qualité des insights pour les clients des instituts de Market Research en utilisant des modèles LLMs et le Speech-to-text dans leurs questions ouvertes. Nous avons alors dû prendre en compte les standards critiques du secteur, qui constituaient essentiellement nos « barrières à l’entrée du marché ».

Un excellent logiciel de collecte de données en Quantitative Market Research, d’un point de vue data, doit être construit sur deux piliers clés :

1. Data Delivery

2. Timing Data Quality (pas de fausses données, pas de données manquantes, etc.)

Sauf si vous êtes vraiment très fort pour comprendre et définir les exigences initiales et faire de la rétro-ingénierie des logiciels les plus performants du marché, je pense que tout éditeur de logiciel Market Research devrait rencontrer les difficultés que nous avons rencontrées et presque échouer sur certains projets au début.Voici une décomposition de ces piliers : comment nous avons lutté puis finalement résolu ces défis spécifiques dans SmartInterview.

1. Timing de livraison des données :

Nous décrivions auparavant les réponses des questions à choix multiples avec ces identifiants spécifiques :

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

• id comme nom de la question

• value la réponse

• list_str la liste des items pour le choix multiple.

Cependant, cela rendait difficile la gestion des questions à choix multiples à travers plusieurs enquêtes.

Au début, SmartInterview ralentissait la plupart de nos clients, malgré des insights plus profonds, ce qui le rendait peu fiable en termes de rentabilité

2. Data quality

Question Smartinterview

Dans cet article, nous expliquerons aussi comment nous avons relevé les défis pour répondre aux standards de data quality du secteur, ce qui nous a finalement permis de livrer plus de projets avec de meilleurs insights que nos concurrents.

Nous avons dû redoubler d’efforts sur notre focus à la fois sur la data quality et les standards de vitesse pour transformer SmartInterview en une solution logicielle professionnelle de Market Research.

La data quality signifie essentiellement :

• Aucune perte de données dans une enquête

• Des insights riches (suppression des speeders,…)

• Gestion logique du fieldwork à travers les échantillons

Solutions

1. Timing de livraison des données :

Pour plusieurs pays, nous avons adapté le format de données, permettant aux clients d’agréger les données de 17 pays avec une seule requête SQL. Les données de quantitative market research sont désormais agrégées automatiquement, ce qui facilite la construction d’analytics par-dessus.Nous avons réalisé 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.

Nous avons changé, par exemple, le choix multiple en :

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

L’ID correspond à l’ID de la question, et la value correspond à la réponse. Mapper ces éléments avec des clés nous permet de regrouper les données de plusieurs enquêtes.

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

Auparavant, avec l’ancienne architecture data, nous devions exécuter une requête SQL par pays (500+ lignes), comme cet extrait pour l’Espagne :

Smartinterview - ancienne requête SQL

et maintenant c’est beaucoup plus facile, donc nous pouvons passer à l’échelle et agréger 40 pays en une seule requête :

Smartinterview - nouvelle requête SQL

Les clients peuvent désormais agréger facilement les données d’enquête pour construire de l’analytics par-dessus.

Nous avons conclu que dans ce secteur, nous devons prioriser l’intégration dès le tout début de chaque projet pour garantir que chaque client maximise la valeur de notre solution. Ils doivent bénéficier de délais de livraison égaux ou meilleurs pour chaque projet, associés à d’excellents insights qualitatifs.

Ce détail peut sembler banal (des requêtes SQL de 500+ lignes), mais il est crucial pour le passage à l’échelle de notre solution.Nous avons été impressionnés de voir à quel point une étape nécessaire de transformation data peut finalement entraîner une perte de temps si elle n’est pas traitée tôt.Si vous faites face à un cas d’usage similaire, assurez-vous d’anticiper l’intégration dès le départ.

J’ai fait une vidéo complète expliquant comment gérer la stratégie data interne pour une intégration IA réussie : lien YouTube 

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

2. Data quality :

Nous avons accéléré la boucle de feedback entre les réponses et l’analyse en déployant un dashboard analytics complet pour les clients finaux et pour nous en tant que programmeurs.En faisant de la rétro-ingénierie des standards du secteur, nous avons implémenté :

• % de mesure de drop-out

• % de mesure de complétion

• Booléen de complétion par répondant

• Et d’autres paramètres clés couramment utilisés dans les logiciels de Market Research.

Désormais, vous pouvez suivre les KPIs Market Research les plus importants via notre dashboard propriétaire (app.smartinterview.ai) :

dashboard analytics B2B exclusif smartinterview

La bonne stratégie data - résumé

Une livraison automatisée des données d’enquête dans des analytics powerBI a été rendue possible grâce à l’architecture suivante :

service B2B exclusif smartinterview pour les trackers

La cloud function extrait, agrège et importe les données de SmartInterview vers Azure SQL pour le client final qui a besoin d’accéder à des données en temps réel.

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

En conséquence, le client a déclaré avoir économisé 20 jours équivalent temps plein (FTE) par trimestre.De plus, affronter ce défi initial nous a aidés à déterminer le format de données idéal pour la sortie de SmartInterview. Même si cela a d’abord ralenti notre processus go-to-market, c’était pour une raison cruciale : nous construisions une architecture data robuste qui non seulement respecte mais peut dépasser les standards du secteur — en particulier pour les brand trackers lorsque les entreprises s’appuient sur notre infrastructure.

Grâce à des échanges avec des leaders du Market Research, nous avons réalisé que de nombreuses solutions IA sur le marché ne passent pas par ce processus de transformation data exigeant, ce qui les rend moins adaptées aux projets de market research.

Optimisation qAI

L’un des domaines clés d’adoption de l’IA est l’analyse des questions ouvertes dans SmartInterview. Nous l’expérimentons avec une approche totalement nouvelle pour détecter et améliorer la reconnaissance de marque, ainsi que le concept testing dans les questions ouvertes pendant le brand tracking.

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 le data engineering à grande échelle pourraient augmenter significativement la valeur pour les clients finaux.Voici 3 grandes tendances sur lesquelles nous travaillons 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 Data pour les données non structurées
Cette couche relie les données non structurées des questions ouvertes à des conditions via LLM-StructuredOutput. C’est un game-changer car cela nous permet de naviguer et quantifier des insights non structurés, rendant l’analytics possible sans nécessiter des milliers d’heures de travail manuel par la suite.

3. Classification IA
Détecter les sentiments et identifier les sujets « goldens » ou « fondamentaux ». Cela a une valeur immense pour les instituts de Market Research, car cela leur fait gagner des jours de travail lorsqu’ils passent à l’échelle dans l’analyse des réponses ouvertes.

Grâce à nos partenariats avec OpenAI et Microsoft Azure, nous avons également un accès anticipé à de nouveaux modèles pour expérimenter et les intégrer dans nos produits.Si cela vous intéresse et que vous faites face 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 qui veulent faire évoluer leur stratégie d’insights data, ainsi que d’ingénieurs talentueux pour rejoindre notre équipe !