追踪三部曲之三：数字化时代的品牌追踪调研方法有哪些变化？

发布日期：2019年10月23日    作者：张弛

品牌追踪研究需要回答的四个商业问题是：评估、诊断、优化、增长。

 

在研究设计阶段，品创强调以用户体验地图为核心，再来梳理品牌的功能利益、情感利益，进而建立品牌评价指标体系。这种以用户为中心、整合了品牌体验和品牌评价两套体系的结构化研究方法，即是为完整回答这四个商业问题而诞生，而不仅仅停留在品牌表现的评估层面。

 

同样，数据采集、分析乃至研究成果的落地应用都应该围绕如何回答这四个商业问题来进行，加之数字化时代下的种种新变化，都对研究方法提出了新的挑战。

 

 

1

 

大数据如何运用于品牌追踪研究？

大小数据结合

 

传统的品牌追踪研究主要依赖小数据——消费者调研从设计方案到抽样调研到采集数据乃至分析结果需要几周到乃至数月的时间，过程漫长而曲折，这对于当今的快节奏市场来说，越来越成为品牌修复迭代的障碍。而且由于抽样数量有限，难免会遗漏一些细分市场用户的真实声音。

 

与此同时，大数据浪潮毫无疑问正在席卷各个行业。大数据改变了人们的消费行为习惯，越来越多人在习惯在购买产品前到互联网上检索相关产品信息和品牌评价，网购的比例也越来越高，使用产品后再到平台上发布体验评价。通过将人的行为转化成为无数个可以量化的数据节点，消费者被分门别类贴上各种标签，品牌利用这种“数据画像”找到自己的目标受众并进行精准营销。

大数据的广度是前所未有的，借助大数据，我们可以捕捉到成千上万条的用户评论、品牌评价或者转发。这些即时、海量、真实的用户数据为品牌追踪研究提供了新方向。

 

为了获得全面而精准的品牌追踪数据（包括品牌市场表现，品牌健康度指标，品牌形象评价），我们在传统的定量问卷+定性访谈基础上，结合了大数据这一有利工具。

 

大数据适合判断品牌在一个特定时段的渗量：

①品牌的营销活动效果反馈

②品牌的产品体验评价

③品牌的负面新闻影响

 

那么，大数据能否替代小数据呢？

 

答案是否定的。大数据虽然广，但是缺少深度，呈现的结果是非结构化、缺少因果关系的。因此，大数据需要与有前瞻性和深度的小数据相结合。

以我们正在做的某信用卡品牌追踪项目为例，该项目包括两部分：

①品牌追踪：以年度为单位的小数据的全面深入的定性+定量研究

②声誉监测：以季度为单位的大数据倾听

 

这两部分，有些客户会选择把它切割成两个项目独立来做。比较好的做法是两者整合在一起，特别是由策略型研究伙伴来进行整合。

 

大小数据密不可分，我相信未来大小数据结合的场景会越来越多。

 

2

 

定性调研扮演何种角色？

场景化的用户体验地图是核心

 

传统的品牌研究中，定性输出的是品类和用户的使用行为习惯。

 

而在品创以用户体验地图为核心的品牌指标体系研究中，定性的输出是非常明确的：

①  用户画像：该品类市场有几类用户，而该品牌用户是以哪类用户为主

②  体验地图：针对目标用户，归纳出品类使用场景、品类接触点、品牌接触点、接触点体验等，并比较不同品牌的接触点及体验上的差异。

 

往往各品牌的体验差异是非常明显的，因此定性在品牌研究中正扮演越来越重要的角色。

 

定性调研方式也正发生变化，传统的品牌研究以6-8人的座谈会为主，重心在品牌形象、品牌拟人等方面，但是120分钟的座谈会中，每个被访者发言的时间累积只有12分钟，要在很短的时间内将品牌与用户的关系描述清楚是不现实的。因此品创在品牌追踪座谈会后会选择个别典型用户进行一对一的60分钟深访，从而获得连贯且有深度的品牌体验评价，这样也进一步完善了用户体验地图。

 

3

定量调研需要注意哪些问题？

合理把握样本框的选择和抽样规则

 

任何研究首先必须要有明确的研究对象，然后才能根据研究对象收集资料。本次品牌研究项目的调研对象是现有用户还是潜在用户？关注新用户还是存量用户？这些都需要有明确定义，否则会对样本抽样和结论推断带来麻烦。

 

品牌研究的研究对象总体是非常庞大的，因此需要从总体中抽取部分具有代表性的个体作为样本去推断总体，这就是抽样。为了避免抽样偏差，抽样要尽可能做到随机化，也就是说总体中的每个个体的入选机会均等。

 

理论总体往往不是实在的、可操作的，而调研总体需要是实在的、具体的、可操作的名单。样本框的选择可以有不同的层次，如先抽取不同的品牌用户，再从品牌用户中抽取对应产品的个体用户。

在实际执行项目时，客户可能会提出针对品牌用户可以利用自己的平台做端内推送，竞品用户用端外推送。听起来好像没问题而且可以节省费用和简化操作流程，但是采用两个平行的样本框，很大可能会导致样本偏差，所以品牌追踪样本框我们建议采用稳定且海量的第三方平台，京东调研、腾讯问卷等平台、管理严格的Panel等都在我们考虑的范围内。

 

追踪研究样本数量不能过小，否则不利于统计分析。在某些品牌研究项目中，客户可能需要了解特定细分类型用户的品牌评价，但是完全随机抽样的情况下可能该类型用户无法达到最小样本量。我们在做某信用卡品牌追踪项目中，采用了随机样本+追加样本的方式。为了达到统计标准，针对白金卡用户我们追加了一部分样本，但是需要注意：追加样本不纳入市场表现KPI的样本量中，避免数据失真。

 

随着技术逐渐成熟，未来的样本追加可以采用精准抽样的方法来做，例如针对特定品牌特定产品用户进行追加，这是大数据带来的另一个调研方法上的变革。

 

4

 

如何进行数据分析并提出建议？

选取合适的分析模型，定性快速验证

 

在获得市场表现数据后，我们需要进行品牌诊断：

 

①找波动：与往期对比，数据波动主要体现在哪些人群上？这些人群的消费行为习惯以及背后的需求是什么？品牌端近期的哪些产品或营销活动满足了目标人群的需求进而影响了他们的消费习惯？

 

②差距分析：首先将用户按照品牌健康度评价高、中、低进行细分，然后对品牌健康度评价高和低的两类用户进行差异对比分析，评分差距最大的指标即是品牌的机会点。差距分析采用的数据模型可能是奖惩分析、相关分析或路径分析，同样这是需要不断尝试的过程，综合比较后选择最合适的数据模型产出相应结论。

 

如何找到品牌KPI波动的原因，一直是品牌追踪的老大难问题。品创在近期的实践中，在数据采集的同步过程中，采用了前半程数据识别波动+后半程问卷增加特定追问的创新方法，虽然极大地增加了研究和数据团队工作量，但是有效回答了波动的可能原因，在样本量足够大（通常总样本要大于1000）、数据采集时间足够长（例如大于一周）的情况下，是识别波动原因的最有效方法。

 

 

品牌追踪研究对研究人员的专业素养提出了较高要求：一要深入理解客户的商业问题，不同的品类、不同的品牌所面临的商业问题是不一样的；第二不同的项目中需要运用的指标体系、研究方法乃至数据解读都是需要不断尝试和综合衡量分析后进行确定的；第三在项目执行全流程中，需要与客户保持及时、顺畅的双向沟通反馈。

 

数字化时代的品牌追踪研究有了新变化，研究人员的智库和技能点也需要不断刷新点亮，而这也正是我们热爱研究的原因，“苟日新,日日新,又日新。”古人诚不我欺也。