Nowa jakość badań konsumenckich

Indywidualnie dopasowane ankiety z pytaniami konsumenckimi

W Polskich Badaniach Czytelnictwa zbieramy informacje nie tylko na temat sprzedaży, rozpowszechniania i czytelnictwa pism w Polsce, ale także analizujemy demografię i konsumpcję dóbr i usług samych czytelników prasy. Dzięki zastosowaniu metod z zakresu IT, w szczególności machine learningu, możemy przeprowadzać analizy tych badań z coraz większą dokładnością i precyzją. Obecnie pracujemy nad wprowadzeniem kwestionariusza adaptacyjnego do badań Face to Face, który umożliwi tworzenie zbiorów pytań konsumenckich dopasowanych indywidualnie do konkretnego respondenta.

Kwestionariusz adaptacyjny w badaniach czytelników

Kwestionariusz adaptacyjny, nad którym obecnie pracujemy, będzie zastosowany do badań Face to Face, przeprowadzanych przez Polskie Badania Czytelnictwa od wielu lat. Badanie to składa się z trzech części: socjodemograficznej (np. wiek, miejsce zamieszkania, dochody), konsumenckiej (np. czy respondent zamierza kupić auto lub zrobić remont w najbliższym czasie) oraz czytelniczej (pytania dotyczące czytania poszczególnych wydań tytułów prasowych). Wszystkie te moduły są wykorzystywane przez PBC do prezentowania kompleksowych danych na temat czytelników prasy w Polsce.

Adaptacja kwestionariusza będzie polegała na tym, że zostanie on przystosowany indywidualnie do każdego z respondentów. Na podstawie danych socjodemograficznych i czytelniczych wybierzemy z puli pytań konsumenckich te, o które zapytamy badanego. Umożliwi to dodanie do ankiety nowych pytań, bez jednoczesnego zwiększania liczby zadawanych pytań pojedynczemu respondentowi. Tym samym powiększymy zakres prezentowanych danych przy zachowaniu standardów badawczych.

skąd wiemy jakie pytania zadać badanym?

W module konsumenckim badania Face to Face mamy ponad sto pytań. Są to różne pytania, dotyczące między innymi zakupów remontowych, ogrodniczych, wyposażenia gospodarstwa domowego oraz usług bankowych i finansowych. Ponadto moduł zawiera zarówno pytania na temat już dokonanych zakupów, jak i tych planowanych. Jest to więc szeroki zakres pytań, wymagający od respondenta nie tylko podania informacji o ostatnich wydatkach, ale również zastanowienia się nad planami na najbliższą przyszłość.

Okazuje się, że nie wszystkie pytania musimy zadawać każdemu respondentowi. Ponieważ od ponad dziesięciu lat zbieramy dane dotyczące respondentów, możemy z nich wywnioskować, jakie wartości cech najczęściej mają potencjalni konsumenci. Na tej podstawie jesteśmy w stanie z pewnym prawdopodobieństwem przewidywać zachowania konsumenckie nowych badanych. Jeżeli okazuje się, że np. jest bardzo małe prawdopodobieństwo, że respondent zamierza kupić auto, to nie będziemy go o to pytać. W ten sposób pojedynczego respondenta pytamy tylko o te zachowania konsumenckie, które ma szansę przejawiać (na podstawie jego pozostałych cech). Ograniczamy zatem liczbę pytań konsumenckich zadawanych respondentowi.

Zalety nowego kwestionariusza badań konsumenckich:

odrzucenie z puli pytań tych, które nie są istotne z perspektywy danego respondenta;
poszerzenie modułu konsumenckiego poprzez możliwość dodania nowych zagadnień do badania;
zwiększenie poziomu szczegółowości odpowiedzi na pytania konsumenckie z zachowaniem kompleksowego charakteru badań.

Moduł badań konsumenckich jest bardzo ważny dla całego panelu badań czytelnictwa prasy, ponieważ pokazuje on czytelnika jako aktywnego konsumenta. Dopasowanie listy pytań do konkretnego respondenta pozwala nam na skoncentrowanie się na tych pytaniach, które dotyczą w szczególności danej osoby. Kwestionariusz adaptacyjny pozwoli nam wygospodarować więcej miejsca na te pytania nie obciążając respondenta. Dzięki temu do wyników badań będziemy mogli dodać segmentację behawioralną czyli analizę czytelników prasy pod kątem ich zachowań konsumenckich. Pozwoli nam to tym samym zwiększyć możliwości opisywania czytelnika prasy i jego cech jako konsumenta.

Jak dopasować pytania konsumenckie?

W jaki sposób jesteśmy w stanie ocenić, które pytania konsumenckie należy zadać respondentowi? Używamy w tym celu modeli klasyfikacyjnych. Jest to rozwiązanie z zakresu machine learningu, polegające na zbudowaniu modelu, który uczy się i dokonuje predykcji na podstawie dostarczonych mu danych. Klasyfikacja danych potrzebnych do stworzenia indywidualnie dopasowanych pytań konsumenckich jest procesem dwuetapowym. Pierwszy etap to budowa modelu na podstawie danych historycznych, drugi to zastosowanie modelu do klasyfikacji nowych danych.

1. budowa modelu na podstawie danych historycznych

Na początku budujemy model klasyfikacyjny, który uczymy na danych historycznych tego, co cechuje konsumentów (np. tych, którzy zamierzają kupić auto). W danych historycznych wiemy już, czy badani byli konsumentami, czy nie – ponieważ ich o to zapytaliśmy. Przekazując tę wiedzę modelowi pozwalamy mu na nauczenie się odróżniania konsumentów od niekonsumentów na podstawie innych zmiennych.

2. zastosowanie modelu do klasyfikacji nowych danych

Następnie stosujemy tak przygotowany model do klasyfikacji nowych danych – badanych, o których nie wiemy, czy są konsumentami. Model, na podstawie tego, czego nauczył się o respondentach podczas budowy, powie nam, jakie jest prawdopodobieństwo, że nowy badany jest konsumentem. Dla każdej ze zmiennych konsumenckich tworzymy oddzielny model, a konkretnie sieć neuronową z jedną warstwą ukrytą. W trakcie badania respondenta, po udzieleniu przez niego odpowiedzi na pytania socjodemograficzne i czytelnicze, na ich podstawie każdy z modeli dla zmiennych konsumenckich da odpowiedź, czy zadajemy dane pytanie, czy nie.

Kwestionariusz adaptacyjny pozwoli wprowadzić nową jakość do analiz badań czytelników prasy. Nie trzeba będzie zadawać każdej osobie tej samej ogromnej puli pytań, żeby w finalnym procesie uzyskać pełen przekrój informacji na temat decyzji zakupowych respondentów. Warto zauważyć, że zbyt długa lista pytań często sprawia, że osoba udzielająca na nie odpowiedzi przestaje koncentrować się na badaniu. Respondent, starając się jak najszybciej zakończyć odpowiedzi na pytania, nie poświęca już odpowiedniej uwagi udzielaniu poprawnych odpowiedzi, przez co badanie może być mniej miarodajne. Przy bardzo rozbudowanych badaniach jest to problematyczne. Z jednej strony chcemy uzyskać jak największą ilość szczegółowych informacji, a z drugiej, chcemy aby respondenci odpowiadali zgodnie z prawdą, w warunkach umożliwiających przemyślenie swoich planów i udzielenie prawidłowej odpowiedzi. Ten problem rozwiązuje właśnie zastosowanie machine learningu do tworzenia indywidualnie dopasowanych ankiet, które poruszałyby zagadnienia istotne z perspektywy konkretnego respondenta.

Izabela Sawczak