Konsumentmärken har länge använt gammaldags fokusgrupper, intervjuer och undersökningar för att bäst mäta konsumenternas önskemål, önskemål och behov som en del av processer som sträcker sig från produktutveckling, till marknadsföring och försäljning. När maskininlärning och artificiell intelligens (AI) har dykt upp, det finns ett ökande intresse för möjligheten att utnyttja dessa lösningar för att spara tid och pengar, och för att ge mer tillförlitliga konsumentinsikter.

Maskininlärning kan hjälpa till att analysera användargenererat innehåll (UGC), som involverar insamling av data från onlinerecensioner, sociala media, och bloggar, som ger insikter om konsumenternas behov, preferenser och attityder.

Trots potentialen för bättre information, Marknadsförare har uttryckt oro över värdet av UGC-data eftersom den stora omfattningen och kvaliteten på UGC gör det svårt att bearbeta. Medan uppgifterna är tillgängliga, att identifiera konsumentinsikter kräver att människor analyserar data, vilket är svårt att göra i skala.

Två forskare från Massachusetts Institute of Technology (MIT) bestämde sig för att ta itu med detta problem genom forskning utformad för att undersöka utmaningen hur man mest effektivt använder UGC för att identifiera kundernas behov på sätt som är mer kostnadseffektiva och exakta.

Studien kommer att publiceras i februariupplagan av tidskriften INFORMS Marknadsvetenskap har titeln "Identifiera kundbehov från användargenererat innehåll, " och är författad av Artem Timosjenko och John R. Hauser från MIT.

De finner att maskininlärning kan förbättra processen för att identifiera kundernas behov, samtidigt som forskningstiden minskar avsevärt, hjälpa konsumentmarknadsföringsmärken att undvika förseningar när det gäller att få ut produkter på marknaden.

"När fler och fler människor vänder sig till den digitala marknaden för att undersöka produkter, dela sina åsikter, och utbyta produkterfarenheter, stora mängder UGC-data är tillgänglig snabbt och till en låg inkrementell kostnad för företag, " sade Timosjenko. "I många varumärkeskategorier, UGC är omfattande.

Till exempel, det finns mer än 300, 000 recensioner om hälso- och hygienprodukter enbart på Amazon. Om UGC kan utvinnas för kundernas behov, det har potential att identifiera kundernas behov bättre än direkta kundintervjuer."

Andra fördelar med UGC-data är att den uppdateras kontinuerligt, vilket gör det möjligt för företag att hålla sig uppdaterade med sin förståelse för kundernas behov. Och till skillnad från kundintervjuer, UGC-data är tillgängliga för forskning att återvända för att ytterligare utforska nya insikter.

För att genomföra sin forskning, studieförfattarna konstruerade och analyserade en anpassad datauppsättning som jämför kundbehoven för munvårdskategorin som identifierats från direkta intervjuer med kundbehoven från Amazons recensioner. Datauppsättningen konstruerades i ett samarbete med ett marknadsföringskonsultföretag för att säkerställa branschstandardkvaliteten på intervjuerna och insikterna.

Författarna utvecklade och utvärderade en maskinlärande hybridmetod för att identifiera kundbehov från UGC. Först, de använder maskininlärning för att identifiera relevant innehåll och ta bort redundanser. Den bearbetade datan analyseras sedan av människor för att formulera kundernas behov utifrån valt innehåll.

"I slutet, vi fann att UGC fungerar minst lika bra som traditionella metoder baserade på en representativ uppsättning kunder, ", sade Hauser. "Vi kunde bearbeta stora mängder data och begränsa den till hanterbara prover för manuell granskning. Den manuella granskningen är fortfarande en viktig sista del av processen, eftersom professionella analytiker bäst kan bedöma den kontextberoende karaktären hos kundbehov."