偏重大數據，無法真的做好精準行銷！你知道為什麼嗎？

近來，各式各樣的網路平台越來越重視會員制、訂閱制，為的就是會員登錄網站之後的那些「行為數據」，可以進一步轉換為收益的潛在商業機會。但大數據擅長挖掘的是「什麼」（What）或「行為」，而傳統問卷更擅長於回答「為何」（Why）或「想法」，前者主量，後者主質。若能將兩者的優勢互補發揮，企業將更能對市場知識產生更深刻的洞見。

當大數據被廣泛應用在市場調查領域的今天，傳統的問卷市場調查，還有自己的一席之地嗎？相較於傳統市調，線上大數據分析的優勢非常清楚：藉由被動式的收集網站造訪紀錄、社群文字等，可以很輕易的觸及問卷無法達到的母體廣度與使用者量，並收集到巨大的資訊量。

另外，針對使用者「行為」的數據收集與分析，也能夠回答許多傳統問卷無法回答的問題，例如：從Cookie資訊可看出使用者在不同時段喜歡聽的音樂類型，或者找出購物習慣與天氣的關聯。這些甚至是近乎「無意識」的使用者行為模式發掘，都不是依靠記憶回答的「問卷」所能帶出的洞見。

而問卷同時存在著其他先天限制。例如問卷設計常見的「選擇偏誤」（Selection Bias）：由某一特定單位發出的問卷，很可能排除了母體中一部份對此項產品／調查方持反感的受眾。例如選舉時期不同立場媒體做出的民調的大幅度差異，就可以很清晰顯示出「機構偏差」這項選擇偏誤的呈現。

另一方面，雖然線上數據的蒐集成本較低，也可以避開傳統問卷的設計缺失，但這些非結構化的數據，往往含有大量的雜訊（Data Noise），影響統計資料的信度與效度，例如：社群言論或網站造訪足跡等。要過濾這些噪訊，找出真正高含金量的商業洞見，其成本有時並不亞於發布傳統問卷，因此，對許多中小型企業來說，問卷有時仍是比大數據收集更好的選擇。

傳統問卷與大數據的分進合擊

線上的大數據分析與傳統市場調查各擅勝場，但若能將兩者的優勢結合，企業將更容易發現潛在的商業機會。

一般來說，大數據擅長挖掘的是「什麼」（What）或「行為」，而傳統問卷更擅長於回答「為何」（Why）或「想法」。要讓使用者在問卷中寫下自己購物的頻率、參加過幾次活動這類高度依靠個人記憶力的「行為式」問題，非常容易產生統計偏差（Recall Bias），這些問題運用使用者瀏覽紀錄、社群行為的大數據分析都能夠輕易勝任。然而，若要回答人們「為何」做此選擇，或者使用者的價值與關懷等「意向性」問題，問卷扮演著更重要的角色。

再者，大部分的問卷調查結果，雖不一定具有大數據的3V條件（資料量、資料類型與速度），但其結果仍可能以一種「微大數據」（Small Big Data）的形式，成為企業內一項數據分析的資源。這類含有深入個人意向性與整體性的內容，由於資料之間的關聯性，比非結構化的零散數據更強大，因此，更可能在人工智慧與深度學習上發揮效用。

此外，在使用者「填寫問卷」過程中所產生的資訊（如每個題目的思考、停頓時間、答題順序、滑鼠移動、或答題者放棄作答的位置），也可以視為另一項大數據的來源，並獲得使用者行為分析的解釋。

根據Google研究員Mario Callegaro和Yongwei Yang在「大數據時代中「問卷」的角色」這篇論文的調查中，目前許多企業已逐漸選擇跳過外包的市調公司，而直接運用類似SurveyMonkey等線上平台進行市調，甚至自行設計內部的市調系統，建立如條件式問題分支（Conditional Branch）的進階問卷功能等，目的就是要取得這些答卷者的行為資訊，並建立屬於企業自身領域知識的資料洞見。

然而也必須注意，傳統（或線上）問卷的設計分析與大數據分析，兩者所需求的職能與專業也差異甚大，前者會高度利用到使用者心理學、質化分析等專業背景，而後者則需要諸如NoSQL、關聯式資料庫（Relational Database）管理等系統工程能力。如何整合這兩種專業，發揮市調與大數據的統合能力，也是企業亟待思考之處。

更多FC未來商務文章
AI抗疫總動員！醫療、科技業界終將打破藩籬？
催生未來！Walmart向「設計圈」借兵調將，積極打造新一代零售體驗