Tracker de recherche de marché : meilleures pratiques de stratégie de données x tendances de marque
Matthieu SAUSSAYE
5 min de lecture
Market Research - Data Strategy : Bonnes pratiques du Tracker
À partir d’un cas d’usage smartinteview : suivi de milliers de 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 la marque dans plusieurs régions et sur plusieurs marques. Cependant, la gestion des données pour des milliers de marques dans 40 pays peut rapidement devenir écrasante d’un point de vue data.
La clé du succès dans ce domaine réside dans le fait d’avoir à la fois la bonne data strategy et la bonne expertise technique.
Le brand tracking est une méthode puissante pour faire évoluer le nombre de clients finaux pour un institut de Market Research, mais il faut le faire correctement. Cependant, ils peuvent être confrontés à de nombreux défis, comme ne pas disposer du bon processus de livraison des données d'enquête vers l'analytics.
Pour le faire correctement, ils ont besoin à la fois des bons engineers et de la bonne stratégie.
Nous avons reconnu le potentiel d'une solution plus robuste qui aiderait les chercheurs en Market Research à suivre les marques à travers diverses géographies et à analyser automatiquement des insights quant/qual enrichis.
Les clients finaux sont de grandes entreprises de divertissement.
Nous avons constaté que la combinaison de modèles d'IA avancés — tels que la technologie de speech-to-text — et de Large Language Models (LLMs) augmente considérablement la qualité des insights pour la brand research.
De plus, faire évoluer un Brand Tracker vers une version "SaaS/product" permettrait à l'équipe de gagner un temps considérable 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, ingénieur logiciel chez Pulse Partners, et moi)
Mais cela n’a pas été facile… nous avons commis de nombreuses erreurs au début en essayant d’aligner SmartInterview avec ce tracker final. Dans cet article, j’aimerais partager nos plus grandes leçons apprises après de nombreux échecs dans la tentative de créer le logiciel de Market Research de brand tracking le plus puissant en intégrant smartinterview.ai.
Défis
Au départ, j’ai réalisé que l’un des plus grands défis pour les market researchers réside dans leur stratégie IT et data. Ce domaine est souvent en dehors de leur expertise, ce qui rend difficile l’allocation des bonnes ressources — en temps comme en argent.
Choisir les bons partenaires pour s’assurer que leur stratégie data s’aligne avec leurs activités cœur de métier peut être une tâche ardue. De plus, s’appuyer sur des logiciels Market Research prêts à l’emploi peut devenir prohibitivement coûteux, avec des coûts pouvant facilement atteindre 100 k$ par an pour de 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.
Notre proposition principale consistait alors à améliorer de façon significative la qualité des insights pour les clients des Market Research Institutes en utilisant des modèles LLMs et du Speech-to-text dans leurs questions ouvertes. Nous devions alors prendre en compte les standards critiques du secteur, qui étaient essentiellement nos « barrières à l’entrée du marché ».
Un excellent logiciel de collecte de données de Quantitative Market Research, d’un point de vue data, devrait reposer sur deux piliers clés:
Data Delivery
Timing Data Quality (pas de fausses données, pas de données manquantes, etc.)
À moins d’être vraiment très fort pour comprendre et définir les besoins initiaux, et pour faire du reverse-engineering des logiciels les plus performants du marché, je pense que tout créateur de logiciel Market Research devrait faire face aux difficultés que nous avons rencontrées et presque faire échouer certains projets dès le départ. Voici une analyse de ces piliers : comment nous avons lutté contre ces défis précis dans SmartInterview et, au final, comment nous les avons résolus.
1. Timing de la Data Delivery:
Nous décrivions auparavant la réponse 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 éléments pour les choix multiples.
Cependant, cela rendait difficile la gestion des questions à choix multiples sur plusieurs enquêtes.
Au début, SmartInterview ralentissait la plupart de nos clients, malgré des insights plus approfondis, ce qui le rendait peu fiable en termes de rentabilité
Qualité des données
Question Smartinterview
Dans cet article, nous expliquerons également comment nous avons relevé les défis pour respecter les standards de qualité des données du secteur, ce qui nous a finalement permis de livrer davantage de projets avec de meilleurs insights que nos concurrents.
Nous avons dû redoubler d’efforts sur la qualité des données et les standards de vitesse afin de transformer SmartInterview en une solution logicielle professionnelle de Market Research.
La qualité des données, en pratique, signifie :
Aucune perte de données dans un survey
Des insights riches (suppression des speeder,…)
Gestion logique du fieldwork à travers les samples
Solutions
Délai de livraison des données :
Pour plusieurs pays, nous avons adapté le format des données, permettant aux clients d’agréger les données de 17 pays avec une seule requête SQL. Les données de market research quantitative sont désormais agrégées automatiquement, ce qui facilite la création d’analytics par-dessus. Nous y sommes parvenus en réindexant l’ensemble du logiciel et en ajoutant une couche supplémentaire pour chaque réponse client.
—> Nous avons dû transformer le format de sortie des données.
Nous avons, par exemple, modifié les réponses à choix multiples en :
(nouvelle) response_table:
id[int] | ID[str] | value | dict[int : str]
L’ID correspond à l’ID de la question, et la valeur correspond à la réponse. Le fait de les associer à l’aide de clés nous permet de regrouper des données provenant de plusieurs surveys.
Cela peut sembler simple, mais lorsque l’ensemble du logiciel repose sur cette structure, il faut des semaines pour apporter les modifications 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 c'est encore plus facile, donc nous pouvons scaler et agréger 40 pays dans une seule requête :
Smartinterview - nouvelle requête SQL
Les clients peuvent désormais facilement agréger les données d’enquête pour construire des analyses par-dessus.
Nous avons conclu que, dans ce secteur, nous devons prioriser l’intégration dès le tout début de chaque projet afin de garantir que chaque client maximise la valeur de notre solution. Ils devraient bénéficier de délais de livraison équivalents ou meilleurs pour chaque projet, associés à d’excellentes qualitative insights.
Ce détail peut sembler banal (des requêtes SQL de plus de 500 lignes), mais il est crucial pour faire évoluer notre solution. Nous avons été impressionnés de voir à quel point une étape nécessaire de transformation des données peut, au final, entraîner une perte de temps si elle n’est pas traitée tôt. Si vous êtes confronté à un cas d’usage similaire, assurez-vous d’anticiper l’intégration dès le départ.
J’ai réalisé une vidéo complète expliquant comment gérer une stratégie de données interne pour réussir l’intégration de l’IA : Lien YouTube
Si vous comprenez le français, je suis sûr que ce sera utile pour vous assurer d’anticiper l’intégration.
Qualité des données :
Nous avons accéléré la boucle de rétroaction entre les réponses et l’analyse en déployant un tableau de bord analytique complet à la fois pour les clients finaux et pour nous, en tant que développeurs. En rétro-ingéniant les standards du secteur, nous avons mis en place :
Mesure du taux d’abandon
Mesure du taux 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 KPI les plus importants du Market Research via notre tableau de bord propriétaire (app.smartinterview.ai) :
tableau de bord analytique B2B exclusif smartinterview
La bonne stratégie de données - un résumé
La livraison automatisée des données d'enquête vers les analyses Power BI a été rendue possible grâce à l'architecture suivante :
service B2B exclusif SmartInterview pour les trackers
La fonction cloud 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 24 dernières heures. Cette approche réduit considérablement le délai entre la collecte des données et la présentation des insights, en particulier par rapport aux rapports PowerPoint traditionnels couramment utilisés dans les instituts de Market Research.
En conséquence, le client a indiqué avoir économisé 20 jours équivalent temps plein (FTE) par trimestre. De plus, le fait d’avoir relevé ce premier défi nous a aidés à déterminer le format de données idéal pour la sortie de SmartInterview. Bien que cela ait initialement retardé notre 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.
À travers nos échanges avec des leaders du Market Research, nous avons réalisé que de nombreuses solutions IA sur le marché ne passent pas par ce processus exigeant de transformation des données, ce qui les rend moins adaptées aux projets de market research.
Optimisation qAI
L’un des principaux domaines d’adoption de l’IA concerne l’analyse des questions ouvertes dans SmartInterview. Nous l’expérimentons avec une toute nouvelle approche pour détecter et améliorer la reconnaissance de marque, le concept testing dans les questions ouvertes lors du brand tracking.
Mais nous approfondirons ce sujet dans le prochain article 😌, alors restez à l’affût !
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 data 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 rattachant directement à un répondant spécifique.
2. Une nouvelle couche de données pour les données non structurées
Cette couche fait le lien entre les données non structurées issues des questions ouvertes et les conditions à l’aide de LLM-StructuredOutput. C’est un véritable changement de paradigme, car elle nous permet de naviguer dans les insights non structurés et de les quantifier, ce qui rend possible l’analyse sans avoir besoin ensuite de milliers d’heures de travail manuel.
3. Classification IA
Détecter les sentiments et identifier des sujets « golden » ou « fondamentaux ». Cela a une valeur immense pour les instituts de Market Research, car cela leur fait gagner des jours de travail lorsqu’ils font monter en échelle leur analyse des réponses ouvertes.
Grâce à nos partenariats avec OpenAI et Microsoft Azure, nous bénéficions également d’un accès anticipé à de nouveaux modèles pour les expérimenter et les intégrer à nos produits. Si cela vous enthousiasme 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 souhaitent faire évoluer leur stratégie d’insights data, ainsi que d’ingénieurs talentueux pour rejoindre notre équipe !
