Während Unternehmen neue Wege beschreiten, um Erkenntnisse über die Verbraucher zu gewinnen, übersehen einige einen entscheidenden Schritt: die Kontextualisierung der Daten. Das "Warum" zu verstehen - nicht nur das "Was" - ist wichtig, um verwertbare Erkenntnisse zu gewinnen, die zu intelligenten Geschäftsentscheidungen führen können.
Der Kontext war kein Problem, als Unternehmen sich bei der Marktforschung hauptsächlich auf Fokusgruppen und persönliche Umfragen verließen. Wenn eine Antwort unklar war, hatte der Interviewer die Möglichkeit, tiefer zu gehen. Die Gruppe der Befragten wurde kontrolliert. Und die Fragen, die sehr spezifisch sein konnten, wurden von anderen Menschen an Menschen gestellt, so dass Nuancen wie Sarkasmus leicht zu verstehen waren.
Fokusgruppen und persönliche Umfragen haben jedoch auch große Nachteile. Der Ansatz ist nicht skalierbar, und die Daten veralten schnell. Auch die Ehrlichkeit ist ein Problem; die menschliche Verbindung kann es einigen Befragten schwer machen, negatives Feedback zu geben. Der größte Nachteil ist jedoch die Tatsache, dass Nicht-Kunden von den Fokusgruppen und Interviews ausgeschlossen werden. Wenn du nicht weißt, was dein potenzieller Markt denkt, wie kannst du dich dann auf neue Bedürfnisse und Wünsche einstellen oder deinen Kundenstamm erweitern?
Die Umstellung auf Social Listening Tools für kontextbezogene Daten
Unternehmen haben jetzt effiziente Möglichkeiten, auf Daten einer breiteren Verbraucherbasis zuzugreifen. Insbesondere Social Listening Tools erfreuen sich wachsender Beliebtheit; laut eMarketer haben 50 % der Marketer weltweit diese Tools im letzten Jahr genutzt. Social Listening Tools lösen zwar einige der üblichen Marktforschungsprobleme - sie sind skalierbar, die Daten werden ständig aktualisiert und die Menschen sagen online in der Regel genau das, was sie wirklich denken, ob gut oder schlecht -, aber sie stellen auch neue Herausforderungen dar. Zum einen gibt es unheimlich viele Daten, und es kann schwierig sein, zu erkennen, was relevant ist und was nur Rauschen ist.
Ein "Störfaktor" ist alles, was scheinbar mit deinem Produkt oder deiner Marke zu tun hat, aber bei genauerem Hinsehen gar nicht ist. Nehmen wir an, du betreibst ein Hautpflegeunternehmen, das sich auf Luxus-Gesichtsmasken spezialisiert hat. Wenn du die sozialen Medien seit Anfang 2020 nach Kundenmeinungen zu Gesichtsmasken durchforstest, würdest du wahrscheinlich auf eine riesige Menge an Daten stoßen - aber nicht über die Gesichtsmasken, die dich wirklich interessieren.
Ohne eine Möglichkeit, zwischen den beiden Arten von Masken zu unterscheiden - denjenigen, die Hautpflegeformeln liefern, und denjenigen, die Viren filtern - wäre das Ökosystem, aus dem du Erkenntnisse gewinnst, grundlegend falsch. Deshalb ist es so wichtig, dass du sicherstellst, dass die Informationen, die du analysierst, relevante und kontextbezogene Daten sind; alles, was du darauf aufbaust, wäre nicht vertrauenswürdig, voller minderwertiger Daten und völlig ohne relevanten Kontext.
Auch die Stimmung ist entscheidend für die Entwicklung von Kontext, und Social Listening-Tools leiden in der Regel unter einem Mangel an robusten Sentiment-Analysen. Mit vielen Tools kannst du die Ebbe und Flut der Unterhaltungen über deine Hautpflegemarke oder dein Hauptprodukt, die Gesichtsmaske, sehen, aber du kannst nicht sagen, ob diese Unterhaltungen positiv, negativ oder neutral sind. Die Technologie kann grammatikalische Nuancen, Sarkasmus, Übertreibungen oder die wunderbare Fähigkeit des Menschen, Wörter entgegen ihrer Definition im Wörterbuch zu verwenden und zu verstehen, nicht so einfach analysieren. (Stell dir diese Rezension vor: "Diese Gesichtsmaske ist so tödlich, dass ich nach der Anwendung buchstäblich gestorben bin." Wie würde ein Algorithmus sie einordnen?) Hinzu kommt die Unfähigkeit, auf skalierbare und umfassende Weise tief in die Details dieser Konversationen einzutauchen. Das Ergebnis ist ein Tool, das dir bestenfalls eine Genauigkeit von 70 % des Geschehens bieten kann, was ein völlig ungenaues Bild ergibt. Noch schlimmer ist, dass diese Tools das Warum hinter den Daten nicht erklären können - und dieses Warum ist der Schlüssel, um den Kontext herzustellen.
Kontextualisierte Daten nutzen, um verwertbare Erkenntnisse zu gewinnen
Social Listening-Tools gehen nicht weit genug, aber die Ergänzung der darin enthaltenen Daten mit anderen Datenquellen und Technologien kann den Kontext und die Erkenntnisse liefern, die Unternehmen wirklich suchen. Hier ist, wie die Lösung von Skaidas macht:
Daten mit leistungsstarker Filterung verbinden
Wir stützen uns auf verknüpfte Daten aus mehr als 13.000 Quellen - nicht nur soziale Medien, sondern auch Produktrezensionen, Patentanmeldungen, Konferenzpläne, Nachrichten, Forschungsberichte, Verkaufsdaten, Blogs und mehr - um sicherzustellen, dass wir so viele Perspektiven wie möglich haben. Erweiterte Abfragen mit Regeln zur Einbeziehung von Schlüsselwörtern stellen sicher, dass wir nur die Datenpunkte identifizieren, die wirklich in ein bestimmtes Ökosystem gehören; für unsere Luxus-Hautpflegemarke würde das bedeuten, dass wir alle Datenpunkte über COVID-19 oder den Schutz vor Viren ausschließen.
Konstante KI-Governance für die richtige Kontextualisierung von Daten
Eine robuste Algorithmusüberwachung sowie manuelle Datenstichproben und -überprüfungen stellen sicher, dass wir alle Anomalien erkennen, bevor sie unseren Kontext verzerren können. Wenn es zum Beispiel bei einem großen Online-Händler etwa 10.000 einzelne Gesichtsmasken-SKUs gibt und diese Zahl plötzlich auf 50.000 SKUs ansteigt, liegt das wahrscheinlich nicht daran, dass unsere Konkurrenten den Markt plötzlich mit neuen Hautpflegeprodukten überschwemmt haben; unser Algorithmus hat wahrscheinlich angefangen, die falsche Art von Gesichtsmaske zu erfassen, und wir werden diesen Fehler sofort finden und beheben.
Relevanten Kontext herstellen
Durch Datenstichproben und unsere patentierte Technologie, die eine KI-gesteuerte NLP-Engine (Natural Language Processing) umfasst, erreichen wir eine Relevanz von über 95 %. Wir können Daten bis auf die Ebene der Attribute kontextualisieren - nach Merkmalen, Inhaltsstoffen, Vorteilen, Geschmacksrichtungen, Materialien und mehr - um Erkenntnisse und Vorhersagen zu gewinnen, die für einen bestimmten Markt oder eine bestimmte Kategorie relevant sind.
Eine Fallstudie über die Bedeutung des Kontexts
Hier ist ein Beispiel dafür, wie Skai einem Kunden kontextbezogene Daten zur Verfügung stellen konnte, die ihm zu besseren Geschäftsentscheidungen verhalfen.
Eine etablierte Marke für Vitamine, Mineralien und Nahrungsergänzungsmittel sah sich bei der Produktinnovation von der Konkurrenz abgehängt und suchte nach einer Möglichkeit, den Trends voraus zu sein, um sich wieder als Marktführer zu etablieren.
Die interne Analyseplattform der Marke kombinierte die Verkaufstrends auf Amazon und die Daten der Verkaufsstellen, um einen Rückgang der Verkäufe von Apfelessig-Gummis festzustellen. Gleichzeitig zeigten die Daten Skai einen Aufwärtstrend bei den Diskussionen der Verbraucher über diese Produktkategorie.
Ohne den Kontext hätten die Entscheidungsträger der Marke eine logische - aber falsche - Annahme treffen können: Der Buzz in den sozialen Medien ist durchweg negativ, was den Umsatzrückgang erklärt.
Die Daten Skai konnten den nötigen Kontext herstellen. Da wir diese Gespräche auf Attribute auf Kategorieebene zurückführen können, konnten wir feststellen, dass die Gespräche tatsächlich sehr positiv waren und sich auf einen bestimmten Nutzen konzentrierten: die Immungesundheit. Als die Pandemie ausbrach, stiegen die Diskussionen der Verbraucher über die Gesundheit des Immunsystems und die positive Stimmung der Verbraucher gegenüber Apfelessig, dem eine positive Wirkung auf das Immunsystem nachgesagt wird. Die Organisation hatte Zugang zu "Awareness-Scores" über die behaupteten Vorteile und Eigenschaften, die sie nutzen konnte, wenn sie sich entschloss, ihr eigenes Apfelessig-Gummi auf den Markt zu bringen. Ohne diese kontextabhängigen Daten hätte die Marke einen weiteren Trend verpasst.
Wir haben festgestellt, dass sich die Genauigkeit von Predictive Analytics verdoppeln lässt, wenn man von Social Listening allein auf einen vollständig vernetzten und kontextualisierten externen Datensatz umsteigt. Daten werden nur dann zu Erkenntnissen, wenn sie im richtigen Kontext stehen, und diese Erkenntnisse sind entscheidend, um bessere und wirkungsvollere Entscheidungen zu treffen, die Innovationen und bessere Geschäftsergebnisse fördern.
Laut einer Deloitte-Studie ist die Wahrscheinlichkeit, dass Unternehmen, die datengestützte Erkenntnisse in ihre Entscheidungsprozesse einfließen lassen, doppelt so hoch, dass sie ihre Geschäftsziele deutlich übertreffen. Kontext ist der Schlüssel, um wettbewerbsfähig zu bleiben.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
