Tracker de recherche de marché : meilleures pratiques de stratégie de données x tendances de marque
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.
Rassemblement de l'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 ce ne fut pas 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 nombreuses tentatives infructueuses pour créer le logiciel de Market Research de suivi de marque le plus puissant en y intégrant smartinterview.ai.
Défis
Au départ, j'ai réalisé que l'un des plus grands défis pour les professionnels des études de marché réside dans leur stratégie informatique et de données. Ce domaine dépasse souvent leur expertise, ce qui rend difficile l'allocation des bonnes ressources — tant en temps qu'en argent.
Choisir les bons partenaires pour s'assurer que leur stratégie de données s'aligne avec leurs activités principales peut s'avérer une tâche ardue. De plus, s'appuyer sur des logiciels de marché prêts à l'emploi peut devenir prohibitif, avec des coûts atteignant facilement 100K$ par an pour les petits instituts.
Nous avons ensuite développé un premier PoC pour donner la priorité à 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 considérablement la qualité des insights pour les clients des instituts de Market Research en utilisant des modèles LLM et du Speech-to-text au sein de leurs questions ouvertes. Nous devions alors prendre en compte les normes industrielles critiques, qui constituaient essentiellement nos « barrières à l'entrée du marché ».
Un excellent logiciel de collecte de données de Market Research quantitative, du point de vue des données, doit reposer sur deux piliers clés :
La livraison des données (Data Delivery)
La qualité des données de timing (pas de fausses données, pas de données manquantes, etc.)
Sauf si vous êtes vraiment fort pour comprendre et définir les exigences initiales dès le départ et pour rétro-concevoir les logiciels les plus performants du marché, je pense que tout concepteur de logiciel de Market Research doit faire face aux difficultés que nous avons rencontrées et presque échouer sur certains projets au début. Voici une ventilation de ces piliers : comment nous avons lutté et finalement résolu ces défis spécifiques au sein de SmartInterview.
1. Timing de livraison des données :
Nous avons précédemment décrit 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 comme réponse
list_str comme liste des éléments 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, bien qu'il fournisse des insights plus profonds, ce qui le rendait peu fiable en termes de rentabilité.
Qualité des données
Question Smartinterview
Dans cet article, nous expliquerons également comment nous avons surmonté les défis pour répondre aux normes de qualité des données du secteur, ce qui nous a finalement permis de livrer plus de projets avec de meilleures insights que nos concurrents.
Nous avons dû redoubler d'efforts sur nos normes de qualité des données et de rapidité pour transformer SmartInterview en une solution logicielle professionnelle de Market Research.
La qualité des données signifie essentiellement :
Pas de perte de données au sein d'un sondage
Des insights riches (suppression des répondants trop rapides,…)
Une gestion logique du fieldwork à travers les échantillons
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 quantitatives de Market Research sont désormais automatiquement agrégées, ce qui facilite la création d'analyses par-dessus. Nous y sommes parvenus 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 modifié, par exemple, le choix multiple en :
(nouveau) response_table :
id[int] | ID[str] | value | dict[int : str]
L'ID correspond à l'identifiant de la question, et la valeur correspond à la réponse. Associer ces éléments avec des clés nous permet de regrouper les données de plusieurs sondages.
Cela peut paraître simple, mais lorsque l'ensemble du logiciel repose sur cette structure, il faut des semaines pour effectuer 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 query SQL
et maintenant cela devient plus facile, nous pourrions donc dimensionner et agréger 40 pays en une seule query :
Smartinterview - nouvelle query SQL
Les clients peuvent désormais facilement agréger les données d'enquête pour générer des analyses complémentaires.
Nous en avons conclu que dans ce secteur, nous devons prioriser l'intégration dès le début de chaque projet afin de garantir que chaque client tire le maximum de valeur de notre solution. Ils doivent bénéficier de délais de livraison équivalents ou plus rapides pour chaque projet, tout en obtenant d'excellents insights qualitatifs.
Ce détail peut sembler anodin (des requêtes SQL de plus de 500 lignes), mais il est crucial pour faire évoluer notre solution à grande échelle. Nous avons été étonnés de voir à quel point une étape de transformation des données nécessaire peut finalement entraîner une perte de temps si elle n'est pas traitée dès le départ. Si vous êtes confronté à un cas d'usage similaire, veillez à anticiper l'intégration dès le début.
J'ai réalisé une vidéo complète expliquant comment gérer la stratégie de données internes pour une intégration réussie de l'IA : Lien YouTube
Si vous comprenez le français, je suis sûr qu'elle vous sera utile pour 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, tant pour les clients finaux que pour nous en tant que développeurs. En analysant rétroactivement les normes de l'industrie, nous avons mis en œuvre :
Mesure du taux d'abandon (% Drop-out)
Mesure du taux de complétion (% Completed)
Indicateur de complétion par répondant (booléen)
Et d'autres paramètres clés couramment utilisés dans les logiciels de Market Research.
Désormais, vous pouvez suivre les KPIs les plus importants de Market Research grâce à notre tableau de bord propriétaire (app.smartinterview.ai) :
tableau de bord analytique B2B exclusif de smartinterview
La bonne stratégie de données - un résumé
Une transmission automatisée des données d'enquête vers les outils analytiques de PowerBI 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 !
