Consumentenmerken maken al lang gebruik van ouderwetse focusgroepen, interviews en enquêtes om de wensen van de consument zo goed mogelijk te peilen, wensen en behoeften als onderdeel van processen die variëren van productontwikkeling, tot marketing en verkoop. Naarmate machine learning en kunstmatige intelligentie (AI) zijn ontstaan, er is een toenemende belangstelling voor het vermogen om deze oplossingen te benutten om tijd en geld te besparen, en om betrouwbaardere consumenteninzichten op te leveren.

Machine learning kan helpen bij het analyseren van door gebruikers gegenereerde inhoud (UGC), waarbij gegevens worden verzameld uit online beoordelingen, sociale media, en blogs, die inzicht geven in de behoeften van de consument, voorkeuren en houdingen.

Ondanks het potentieel voor betere informatie, marketeers hebben hun bezorgdheid geuit over de waarde van UGC-gegevens omdat de enorme omvang en kwaliteit van UGC het moeilijk maakt om te verwerken. Hoewel de gegevens toegankelijk zijn, het identificeren van consumenteninzichten vereist dat mensen de gegevens analyseren, wat moeilijk is om op schaal te doen.

Twee onderzoekers van het Massachusetts Institute of Technology (MIT) besloten dit probleem aan te pakken door middel van onderzoek dat was bedoeld om de uitdaging te onderzoeken hoe UGC het meest efficiënt kan worden gebruikt om klantbehoeften te identificeren op manieren die kostenefficiënter en nauwkeuriger zijn.

De studie die wordt gepubliceerd in de februari-editie van het INFORMS-tijdschrift Marketingwetenschap is getiteld "Klantbehoeften identificeren aan de hand van door gebruikers gegenereerde inhoud, " en is geschreven door Artem Timoshenko en John R. Hauser van MIT.

Ze vinden dat machine learning het proces voor het identificeren van klantbehoeften kan verbeteren, terwijl de onderzoekstijd aanzienlijk wordt verkort, consumentenmarketingmerken helpen vertragingen bij het op de markt brengen van producten te voorkomen.

"Naarmate meer en meer mensen zich tot de digitale markt wenden om producten te onderzoeken, hun mening delen, en productervaringen uitwisselen, grote hoeveelheden UGC-gegevens zijn snel en tegen lage incrementele kosten beschikbaar voor bedrijven, " zei Timoshenko. "In veel merkcategorieën, UGC is uitgebreid.

Bijvoorbeeld, er zijn er meer dan 300, 000 beoordelingen over gezondheids- en persoonlijke verzorgingsproducten alleen al op Amazon. Als UGC kan worden gedolven voor klantbehoeften, het heeft het potentieel om klantbehoeften beter te identificeren dan directe klantinterviews."

Andere voordelen van UGC-gegevens zijn dat deze continu worden bijgewerkt, waardoor bedrijven op de hoogte kunnen blijven van hun inzicht in de behoeften van de klant. En in tegenstelling tot klantinterviews, UGC-gegevens zijn beschikbaar voor onderzoek om terug te keren om nieuwe inzichten verder te verkennen.

Om hun onderzoek uit te voeren, de auteurs van het onderzoek hebben een aangepaste dataset geconstrueerd en geanalyseerd die de behoeften van de klant voor de categorie mondverzorging die is geïdentificeerd uit directe interviews, vergelijkt met de behoeften van de klant uit Amazon-recensies. De dataset is samengesteld in samenwerking met een marketingadviesbureau om de industriestandaard kwaliteit van de interviews en inzichten te waarborgen.

De auteurs ontwikkelden en evalueerden een hybride machine learning-aanpak om de klantbehoeften van UGC te identificeren. Eerst, ze gebruiken machine learning om relevante inhoud te identificeren en overtolligheden te verwijderen. De verwerkte gegevens worden vervolgens door mensen geanalyseerd om klantbehoeften te formuleren op basis van geselecteerde inhoud.

"Uiteindelijk, we ontdekten dat UGC het minstens zo goed doet als traditionele methoden op basis van een representatieve groep klanten, " zei Hauser. "We waren in staat om grote hoeveelheden gegevens te verwerken en te beperken tot hanteerbare voorbeelden voor handmatige beoordeling. De handmatige beoordeling blijft een belangrijk laatste onderdeel van het proces, aangezien professionele analisten het best in staat zijn om de contextafhankelijke aard van klantbehoeften te beoordelen."