di Peter Steidl, Behavior change expert

Il progresso tecnologico sta rivoluzionando l’industria e il commercio, rendendo superflui i metodi di lavoro tradizionali e i prodotti da tempo presenti sul mercato. Avrà un impatto concreto sulle pratiche per le ricerche di mercato? L’IA migliorerà i servizi di ricerca o disintermedierà le ricerche di mercato?

Questa sezione illustra alcuni dei modi in cui le tecnologie avanzate, e nella fattispecie l’IA, possono migliorare le pratiche per le ricerche di mercato. L’IA è in grado di:

I contributi che l’IA può fornire non si limitano a questo, ma la selezione proposta delinea un quadro: le ricerche di mercato diventeranno più affidabili, forniranno risultati più rapidi e a costi inferiori, modificheranno le pratiche di lavoro e renderanno superflue alcune posizioni. A meno che non rientriate in quest’ultima categoria, potrete usufruire di una rivitalizzazione delle metodologie e delle pratiche per le ricerche di mercato.

Esiste un rischio tuttavia: poiché l’IA tende a rendere tutto più facile e semplice, incoraggerà alcuni utenti dei risultati delle ricerche, che mancano di competenze e comprensione del settore, a intraprendere i propri studi. In assenza di una conoscenza di base delle metodologie di ricerca, potrebbero giungere a conclusioni fuorvianti.

L’IA non solo rivitalizzerà le pratiche per la ricerca di mercato causando al contempo l’esubero di parte del personale, ma disintermedierà anche la ricerca di mercato in alcune applicazioni. Nella fattispecie, sono due gli sviluppi che dovrebbero far riflettere le società di ricerca:

L’uso dei dati sintetici si è intensificato e si assiste all’introduzione sempre più frequente di nuove applicazioni. Essenzialmente, si tratta di creare un gemello digitale di un gruppo target sulla base di ricerche e di altri dati, se disponibili, consentendo all’utente di interrogare i dati sintetici piuttosto che intraprendere ulteriori indagini.

Non vi è dubbio che i dati sintetici possano essere utili, in quanto riducono i costi e i tempi necessari per ottenere risposte importanti, consentendo inoltre di testare molteplici opzioni: un processo che sarebbe estremamente costoso e dispendioso in termini di tempo quando si utilizzano le ricerche di mercato.

L’uso di dati sintetici non è una novità. Da alcuni anni sono stati creati gemelli digitali di ambienti di produzione, magazzino, catena di approvvigionamento e di altro tipo, che consentono di ottimizzare queste operazioni testando varie opzioni attraverso l’uso del gemello digitale. Quando vengono apportate modifiche nel mondo reale, è possibile aggiornare il gemello digitale per garantire che rappresenti effettivamente l’entità e i processi del mondo reale.

I gemelli digitali possono essere utili anche nelle applicazioni di marketing. Ad esempio, abbiamo creato un gemello digitale di un grande supermercato per testare come modellare i flussi di traffico e come utilizzare i prime nel modo più efficace. Il punto è che i gemelli digitali possono essere estremamente utili se rappresentano il mondo reale che vogliamo indagare.

Naturalmente, nel caso di operazioni quali la produzione o il magazzino, possiamo aggiornare il gemello digitale ogni volta che apportiamo modifiche nel mondo reale, per garantire che il modello digitale rimanga un gemello. L’applicazione del supermercato a cui ho accennato, invece, è stata utilizzata per supportare un’azione immediata, ovvero i risultati forniti dal gemello digitale si sono dimostrati rilevanti in quanto riflettevano l’ambiente che volevamo cambiare nel momento in cui venivano prese le decisioni.

Tuttavia, vi sono indicazioni secondo cui alcuni marketer e le loro agenzie utilizzano dati sintetici in applicazioni in cui i risultati rischiano di essere fuorvianti poiché il gemello digitale non è più una rappresentazione fedele del mondo reale. Lasciate che vi spieghi.

Immaginiamo dei dati sintetici basati sui risultati di ricerche di mercato, che possono essere stati generati utilizzando domande dirette, applicazioni quali il tracciamento dei movimenti oculari o osservazioni. Questi dati rappresentano il nostro gruppo target, il nostro gemello digitale, e possiamo interrogarlo utilizzando l’IA.

Questo solleva diverse questioni:

L’aspetto del gruppo target del mondo reale che abbiamo replicato cambia nel tempo o è probabile che rimanga statico?

La risposta a questa domanda è talvolta legata all’orizzonte di pianificazione. Ad esempio, quando creo un gemello digitale degli elettori per un’elezione imminente, è improbabile che questi cambino drasticamente i loro atteggiamenti, le loro opinioni, le loro convinzioni e i loro intenti, a meno che non si verifichi un evento dirompente e quest’ultimo è un’occasione rara. Questo garantisce che i miei dati sintetici rispecchino il gruppo di elettori del mondo reale e che io possa interrogarli per ottenere risposte.

Ma cosa succede quando si verifica un cambiamento rilevante nel mondo reale che ha un impatto su come i consumatori percepiscono la vostra azienda, il vostro marchio o il vostro prodotto?

Un competitor o un’innovazione rivoluzionaria (ad esempio, i veicoli elettrici) sta sconvolgendo il mercato o state pianificando il lancio di un prodotto o di una campagna eccezionale. In queste situazioni, è improbabile che l’interrogazione di dati sintetici fornisca risultati affidabili. I dati su cui si basa il vostro gemello risalgono a prima che un evento dirompente cambiasse il mercato. Similmente, quando interrogate il vostro gemello digitale in relazione a un prodotto o a una campagna eccezionale, non è possibile fornire risposte affidabili, poiché i consumatori hanno bisogno di vederlo per dare risposte informate.

Allo stesso modo, quando si verifica un cambiamento radicale all’interno dell’azienda, ad esempio la necessità di ridurre la forza lavoro o di trasformare l’organizzazione in modo massiccio, potreste voler sapere se le azioni intraprese avranno un impatto, o hanno avuto un impatto, sul modo in cui i dipendenti percepiscono l’azienda e il loro lavoro. Anche in questo caso, i dati sintetici non aiutano, in quanto si tratta di uno scenario nuovo e i dati storici sono probabilmente fuorvianti.

Naturalmente, se potessimo aggiornare regolarmente il database sintetico, il vostro gemello digitale continuerebbe a rappresentare il mondo reale. Per aggiornarlo, tuttavia, sarebbe necessario un’indagine sul nostro gruppo target, ed è proprio questo che il gemello digitale dovrebbe permettervi di evitare.

Infine, dobbiamo chiederci se i dati sintetici basati su un pool di dati generici siano in grado di fornire intuizioni rilevanti per il vostro gruppo target. Ad esempio, i dati sintetici sono utilizzati per valutare concept pubblicitari, immagini, titoli e altro ancora. Possiamo ipotizzare che tutte le persone reagiscano allo stesso modo a questi stimoli? Un proprietario di cani, ad esempio, cercherebbe aspetti diversi sulle confezioni di cibo per cani rispetto a chi non ha un rapporto emotivo con un cane?

Secondo la mia esperienza, gli utenti di questi dati sintetici raramente si chiedono come siano stati generati, se vengano aggiornati regolarmente e se sia possibile selezionare dati rappresentativi del gruppo target per una valutazione.

In sintesi, vi sono alcune questioni importanti che dovrebbero essere prese in considerazione prima di affidarsi ai dati sintetici:

Queste sono linee guida generali. Ecco alcune domande specifiche che potreste voler porre:

Se siete convinti che i dati sintetici rappresentino effettivamente il vostro gruppo target come un gemello digitale, potrete risparmiare costi significativi interrogandoli, invece di condurre una ricerca primaria. Dovete solo assicurarvi che rispecchino il vostro gruppo target in tutti i suoi aspetti rilevanti.

In conclusione, possiamo osservare che i gemelli digitali sostituiscono le ricerche di mercato primarie in diverse applicazioni. Ma allo stesso tempo, i marketer e le loro agenzie devono essere vigili e porsi le domande giuste per assicurarsi che l’uso di dati sintetici sia appropriato e in grado di fornire risultati affidabili.

Supponiamo di voler creare comunicazioni – immagini, titoli, testi – che plasmino il comportamento d’acquisto dei membri del programma di loyalty che esplorano la nostra offerta online. In passato, avreste potuto intraprendere un’indagine su questo gruppo target per testare vari concetti, consentendovi di selezionare l’opzione più efficace.

L’IA vi permette di adottare un approccio diverso con la creazione di un inventario di concetti. L’IA valuta le caratteristiche di ogni singolo membro del programma di loyalty sulla base dei dati personali e di acquisto disponibili e seleziona per ogni persona quello che ritiene essere il concetto con il maggiore impatto.

Nel corso del tempo, l’IA migliora sempre di più nel selezionare i concetti più efficaci, in quanto apprende da ogni applicazione, sapendo se il membro ha acquistato o meno e, in caso affermativo, cosa è stato acquistato e in che modo differisce dagli acquisti precedenti. In funzione dell’offerta della vostra organizzazione, l’IA può anche essere in grado di identificare le indicazioni che indicano lo sviluppo di un particolare interesse per una categoria di prodotti. Ad esempio, un acquirente che esplora o acquista articoli per l’infanzia potrebbe essere in procinto di diventare genitore, il che suggerisce che determinate offerte potrebbero essere pertinenti e incoraggiare gli acquisti. Oppure una persona che sta pensando di campeggiare potrebbe pianificare una vacanza che includa attività di tracking, e così via.

Ho appena delineato un’opportunità applicativa perfetta. Sappiamo molto sui membri dei programmi di loyalty e quindi esistono grandi quantità di dati che l’IA può utilizzare per selezionare il concetto di comunicazione più efficace. Sfortunatamente, molte applicazioni potenziali sono soggette a limitazioni:

In primo luogo, potremmo non sapere molto delle persone che intendiamo influenzare. In alcune applicazioni l’IA può ancora utilizzare alcuni fattori generici quali il tempo, l’ora del giorno, il giorno della settimana, ecc. per dedurre un certo stato d’animo o umore, e il loro comportamento può anche permetterci di stabilire se stanno esplorando o si stanno focalizzando su un acquisto, una categoria di prodotti o un’applicazione specifica.

Secondariamente, l’IA può riscontrare alcune difficoltà a identificare individui specifici. Ad esempio, in un negozio potrebbero esserci vari acquirenti raggruppati insieme. Se da un lato i sensori possono riuscire a identificare gli individui e alcune loro caratteristiche, dall’altro la visualizzazione di materiale pertinente può essere ostacolata dal fatto che diversi acquirenti sono esposti agli stessi messaggi, quando questo messaggio è perfetto per uno solo di loro.

Sono considerazioni che dobbiamo valutare per decidere se l’ottimizzazione in tempo reale è un’opzione appropriata. La domanda non è “è un’opportunità perfetta”, ma piuttosto “la selezione in tempo reale delle esposizioni potrebbe avere un impatto maggiore rispetto alla pratica attuale”. Ad esempio, proporre il concetto giusto all’interlocutore giusto con i media online non sempre può essere perfetto, ma può comunque consentire un grado di personalizzazione che probabilmente aumenterà l’efficacia delle vostre comunicazioni.

Dal punto di vista delle ricerche di mercato, osserviamo che l’uso dell’IA per selezionare e proporre concetti, imparando dal loro impatto e ottimizzando la selezione nel tempo, sta sostituendo gli studi di ricerca di mercato che testano in via preliminare i concetti, selezionando quello più efficace da utilizzare su un ampio numero di consumatori. Quest’ultimo approccio limita la gamma di opzioni che possono essere testate, mentre l’uso dell’ottimizzazione dell’IA può adattarsi a un numero quasi limitato. È importante notare che l’uso dell’IA consente un’ottimizzazione continua tenendo conto delle risposte, mentre l’approccio delle ricerche di mercato offre dati che finiranno per perdere la loro rappresentatività con il passare del tempo.

In sintesi, l’IA può avere un impatto rilevante sulle pratiche per la ricerca di mercato e disintermediare alcuni tipi di studi. Non c’è dubbio che cambierà il settore delle ricerche di mercato.

La seconda parte dell’articolo è disponibile qui.