Kohti automaattista asiakasymmärrystä
Analytiikan automaatio on yrityskentässä juuri nyt keskeinen mielenkiinnon kohde. Analytiikka tarkoittaa käyttäjä- tai asiakasdatan esittämistä ja analysointia (Järvinen & Karjaluoto, 2015). Kuten myös muussa markkinointityössä, automaatio on laajentumassa analytiikan pariin. Tiedonkäsittelyä koskevissa psykologian tutkimuksissa on kuitenkin havaittu, että numerot ovat hankalia päätöksentekijöille (Kahneman & Tversky, 1972), minkä vuoksi on alettu tutkia vaihtoehtoisia tapoja esittää analytiikkainformaatiota.
Yksi vaihtoehtoinen asiakasymmärrystä lisäävä menetelmä on persoona, joka on fiktiivinen, alla olevaa käyttäjä- tai asiakasryhmää kuvastava henkilö (Cooper, 2004). Persoonien tarkoituksena on saavuttaa numeroita syvempi asiakasymmärrys ja toisaalta tehokas kommunikointi organisaation sisällä eri asiakasryhmiä koskien (Nielsen, 2013). Persoona vastaa markkinoinnin teoriasta tuttua segmentin käsitettä (Jenkinson, 1994), mutta toisin kuin segmentit, jotka ovat nimettömiä ja kasvottomia (esim. ’Miehet, 25–34 vuotta, Oulu’), persoonat sisältävät inhimillisiä piirteitä helpottaen samastumista asiakkaaseen. Tällä tavoin persoonat ”antavat kasvot datalle”.
Ihmiskeskeinen analytiikka automaation aikana
Persoonat luodaan tyypillisesti laadullisin menetelmin, kuten fokusryhmähaastatteluin tai etnografian avulla. Manuaaliset menetelmät vievät kuitenkin paljon aikaa ja persoonat ovat siksi kalliita toteuttaa, mikä tarkoittaa, että esimerkiksi pienten yritysten ei tyypillisesti ole mahdollista luoda laadukkaita persoonia. Lisäksi manuaaliset persoonat perustuvat pieneen dataan ja vanhenevat helposti.
Automaattisesti luodut persoonat voivat korjata näitä puutteita (Salminen ym., 2017b). Automaattiset persoonat luodaan sosiaalisen median datasta käyttäen ohjelmointirajapintojen (eng. application programming interface, API) avulla noudettuja käyttäjätilastoja ja tunnistamalla matriisifaktoroinnin avulla käyttäjäryhmien latentit vuorovaikutuskomponentit tietyn verkkosisällön (esim. YouTube-videot) kanssa (An, Kwak, & Jansen, 2017). Näitä komponentteja rikastamalla eli nimet, kuvat ja muut tiedot automaattisesti lisäämällä saadaan lopputuloksena kokonaisia persoonaprofiileja. Esimerkki automaattisesti luodusta persoonasta näkyy Kuviossa 1.
Kuvio 1: Automaattisesti luotu persoonaprofiili.
Esimerkkinä on kansainvälinen mediaorganisaatio, jolla on YouTube-katselijoita yli 200 maasta. Perinteinen persoonien luominen pohjautuisi haastatteluihin, mutta ei ole mahdollista resurssien puutteissa haastatella edustavaa otosta näin suuresta joukosta. Järjestelmä luo persoonat automaattisesti käyttäytymiseen pohjautuvasta datasta tiivistämällä tuhansia videoita ja miljoonia katselukertoja 5–15 katselijapersoonaan. Menetelmän potentiaalista huolimatta automaattiseen persoonanluontiin liittyy kuitenkin useita avoimia kysymyksiä, joita havainnollistetaan Kuviossa 2.
Kuvio 2: Avoimia tutkimuskysymyksiä automaattisessa persoonanluonnissa.
Informaatiotarpeiden selvittäminen on myös tärkeää. Kuluttajat käyvät sosiaalisessa mediassa keskusteluja, joista brändien tulisi olla tietoisia (Ojala, 2018). Esimerkiksi brändimieltymysten ja ilmaistujen tarpeiden liittäminen persooniin saattaa olla tarpeellista. Tämän selvittämiseksi tarvitaan toimialakohtaisia kyselyjä ja haastatteluja, joissa selvitetään persoonien käyttäjien haluama tieto.
Menetelminä voivat lisäksi olla käyttäjätutkimukset (eng. user studies) aidoissa käyttöympäristöissä. Käyttäjätutkimuksissa tutkimme monipuolisesti käyttäjien reaktioita heille esitettyyn informaatioon, ja esitämme siitä kysymyksiä. Käytännössä tietoa kerätään hiirenliikkeitä seuraamalla (eng. mouse tracking), silmänliikkeitä seuraamalla (eng. eye tracking) ja äänittämällä käyttäjän puhetta järjestelmän käytön aikana (eng. talk aloud recording).
Avoimien kysymysten ratkominen edellyttää poikkitieteellistä yhteistyötä markkinoijien ja tietojenkäsittelytieteilijöiden välillä. Markkinoijilla on ymmärrys markkinointityön todellisuudesta ja vaatimuksista, ja tietojenkäsittelytieteilijät ymmärtävät mikä on teknisesti mahdollista ja miten järjestelmät tulisi parhaiten toteuttaa.
Persoonatutkimuksessa on kunnostautunut Qatar Computing Research Instituten News Analytics -tiimi, joka on kehittänyt Automatic Persona Generation (APG) -järjestelmän automaattiseen persoonan luontiin (Jung ym., 2017; Kwak, An, & Jansen, 2017). APG-järjestelmä on ainutlaatuinen maailmassa.
Persoonien tavoitteen voi ymmärtää markkinaorientaation jalkauttamisena organisaation sisälle siten, että se näkyy sekä tiimin sisäisessä työskentelyssä että tiimien välisessä kommunikaatiossa. Markkinoinnin teoriakirjallisuudessa persoonia ei kuitenkaan vielä ole kytketty markkinaorientaation käsitteeseen, vaikka markkinaorientaation jalkauttaminen on käytännön ongelma monessa organisaatiossa.
Tulevaisuudessa tutkimus voikin pyrkiä kytkemään persoonat markkinointiorientaation käsitteen alle, ja näin rakentaa silta ihmisten ja koneiden vuorovaikutusta (eng. human-computer interaction, HCI) käsittelevän kirjallisuuden, jossa persoonakäsite on tunnettu, markkinoinnin teorioihin (vrt. Salminen ym., 2017a). Persoonat jalkauttavat näkemyksemme mukaan teoreettisluontoista markkinaorientaatiota eli siirtävät sen strategisesta ajattelutyöstä operatiiviselle toiminnan tasolle.
Lisätietoa automaattisesta persoonien luonnista.
Kirjoittajasta: KTT Joni Salminen toimii tutkijana Turun kauppakorkeakoulussa ja Qatar Computing Research Institute -tutkimuslaitoksessa. Hän on erikoistunut digitaaliseen markkinointiin, startupeihin, asiakassegmentointiin, ja persooniin.
Lähteet
An, J., Haewoon, K., & Jansen, B. J. (2017). Personas for Content Creators via Decomposed Aggregate Audience Statistics. In Proceedings of Advances in Social Network Analysis and Mining (ASONAM 2017).
Cooper, A. (2004). The Inmates Are Running the Asylum: Why High Tech Products Drive Us Crazy and How to Restore the Sanity (1 edition). Indianapolis, IN: Sams – Pearson Education.
Järvinen, J., & Karjaluoto, H. (2015). The use of Web analytics for digital marketing performance measurement. Industrial Marketing Management, 50(Supplement C), 117–127.
Kahneman, D., & Tversky, A. (1972). Subjective probability: A judgment of representativeness. Cognitive Psychology, 3(3), 430–454.
Kohli, A. K., & Jaworski, B. J. (1990). Market orientation: The construct, research propositions, and managerial implications. The Journal of Marketing, 54(2), 1–18.
Jenkinson, A. (1994). Beyond segmentation. Journal of Targeting, Measurement and Analysis for Marketing, 3(1), 60–72.
Jung, S.-G., An, J., Kwak, H., Ahmad, M., Nielsen, L., & Jansen, B. J. (2017). Persona Generation from Aggregated Social Media Data. In Proceedings of the 2017 CHI Conference Extended Abstracts on Human Factors in Computing Systems (pp. 1748–1755). New York, NY, USA: ACM.
Kwak, H., An, J., & Jansen, B. J. (2017). Automatic Generation of Personas Using YouTube Social Media Data (pp. 833–842). Presented at the Hawaii International Conference on System Sciences (HICSS-50). 4-7 January, Waikoloa, Hawaii.
Nielsen, L. (2013). Personas – User Focused Design. London: Springer Science & Business Media.
Ojala, P. (2018) Onko sen pakko olla Mersu? Automerkkifoorumit markkinatiedon lähteenä. Väitöstutkimus, esitarkastuksessa.
Salminen, J., Sarlin, P., & Olkkonen, R. (2017a). Who does what in marketing? Toward an understanding of marketer–machine interaction. Presented at the International AAAI Conference on Web and Social Media (ICWSM2017) Workshop: Studying User Perceptions and Experiences with Algorithms, Montreal, Canada.
Salminen, J., Sercan, Ş., Haewoon, K., Jansen, B. J., An, J., Jung, S., … Harrell, F. (2017b). Generating Cultural Personas from Social Data: A Perspective of Middle Eastern Users. In Proceedings of The Fourth International Symposium on Social Networks Analysis, Management and Security (SNAMS-2017). Prague, Czech Republic.
