User research + AI: una nuova frontiera della ricerca di mercato?

Durante l’AI festival, ho ascoltato uno speech molto stimolante di Gaia Rubera, Direttore Dipartimento di Marketing dell’Università Bocconi, in cui venivano presentate delle evidenze scientifiche che dimostrano che, se opportunamente interrogati, i Large Language Models (LLM) possono riprodurre comportamenti in linea con la teoria economica. Questa capacità apre a nuove frontiere per le ricerche di mercato, permettendo di ottenere insight preziosi senza la necessità di interagire direttamente con i consumatori

Come funzionano i LLM e il loro potenziale per le ricerche di mercato

I Large Language Models, come GPT (Generative Pre-trained Transformer), rappresentano una rivoluzione nell'analisi dei dati e nell'intelligenza artificiale. Al loro cuore, i LLM funzionano tramite l'analisi e la generazione di testo basata su enormi dataset di informazioni raccolte da internet. Questi modelli apprendono le strutture linguistiche, i modelli di discorso, e le relazioni tra concetti attraverso l'elaborazione di testi esistenti, consentendo loro di generare risposte che imitano la comprensione umana del linguaggio.

Una caratteristica distintiva dei LLM è la loro capacità di riprodurre comportamenti e ragionamenti che rispecchiano la teoria economica. Questo significa che possono simulare decisioni e preferenze che gli economisti attribuirebbero ad agenti razionali nel mercato, basandosi su principi come l'offerta e la domanda, l'elasticità dei prezzi, e le preferenze dei consumatori. La capacità dei LLM di riflettere questi principi apre nuove frontiere nella ricerca di mercato, offrendo la possibilità di sondare dinamiche complesse del mercato senza la necessità di coinvolgere direttamente i consumatori.

Sfruttare i LLM per la ricerca di mercato senza coinvolgere i consumatori

Utilizzando i LLM, le aziende possono condurre, ad esempio:

• analisi di scenario
• valutazioni di nuovi prodotti 
• studi di posizionamento di marca

il tutto esaminando come i modelli generano previsioni e risposte basate su query specifiche. Questo approccio permette di esplorare reazioni ipotetiche dei consumatori a variazioni di prezzo, innovazioni di prodotto, o cambiamenti nelle strategie di marketing, con un grado di dettaglio e una velocità che le metodologie tradizionali faticano a eguagliare.

Per esempio, un'azienda potrebbe interrogare un LLM su come i consumatori potrebbero reagire all'introduzione di un nuovo detersivo ecologico. Un LLM, attingendo dalla vasta gamma di informazioni disponibili e dai principi economici appresi durante il suo addestramento, può fornire insight su potenziali barriere all'adozione, fattori motivanti per l'acquisto, e perfino su come posizionare il prodotto rispetto alla concorrenza.

Bellissimo, ma ovviamente ci sono dei MA.

Vantaggi e svantaggi dei LLM per la ricerca di mercato

L'integrazione delle capacità avanzate dei LLM nella cassetta degli attrezzi della ricerca di mercato apre nuove e entusiasmanti prospettive per i brand. Proviamo però a schematizzare principali vantaggi e svantaggi di questo approccio

Vantaggi

• Costi: l'impiego di GPT per la ricerca di mercato può ridurre notevolmente i costi rispetto alle metodologie tradizionali, rendendo l'analisi più accessibile;
  
  
• Velocità e scalabilità: i LLM possono analizzare grandi volumi di testo in poco tempo, permettendo di raccogliere rapidamente insight da fonti come recensioni dei consumatori, post sui social media e discussioni online;
  
  
• Comprensione del linguaggio naturale: i LLM sono capaci di interpretare il linguaggio umano in modo relativamente sofisticato, il che può aiutare a identificare tendenze, emozioni e opinioni dei consumatori;
  
  
• Flessibilità e adattabilità: questi modelli possono essere personalizzati per adattarsi a vari contesti e settori, fornendo analisi su misura in base alle esigenze specifiche di un'organizzazione o di uno studio di ricerca.

Considerazioni e limitazioni

• Attendibilità dei dati: mentre i LLM possono fornire informazioni utili, la qualità e l'attendibilità delle informazioni dipendono fortemente dalla qualità dei dati di input. Se i dati di input sono distorti, incompleti o di parte, anche le analisi risultanti potrebbero essere poco affidabili; 
  
  
• Quantità di dati disponibili: questi modelli eccellono nell'analizzare e generare insight da grandi volumi di testo. Tuttavia, la mancanza di dati ampi e variati, come nel caso di brand meno noti o settori B2B con scarsa presenza online, può limitare la loro capacità di offrire analisi precise e rilevanti;
  
  
• Dinamicità dei dati disponibili: sebbene i LLM siano affidabili in settori con preferenze di mercato stabili (es. automotive), possono incontrare difficoltà nei mercati più volatili, come la moda o il turismo, dove le tendenze cambiano rapidamente e i dati storici potrebbero non riflettere le evoluzioni più recenti;
  
  
• Bias e preconcetti: i pregiudizi presenti nei dati di addestramento possono essere incorporati e perpetuati dai LLM, influenzando sottilmente ma significativamente l'analisi dei comportamenti dei consumatori;
  
  
• Complessità dei comportamenti umani: i comportamenti dei consumatori sono influenzati da una vasta gamma di fattori, inclusi quelli culturali, sociali, e psicologici, che possono essere difficili da catturare e interpretare correttamente attraverso l'analisi automatica del linguaggio.

Dai trend ai perché: la sinergia con la user research qualitativa

Questa analisi dei pro e dei contro, alcuni dei quali sono emersi dalla stessa relatrice, al termine dell’evento, mi ha stimolato a pensare come la user research qualitativa possa entrare in gioco per colmare queste lacune, fornendo contesto e profondità che i dati quantitativi da soli non possono offrire. Attraverso interviste approfondite e focus group, i ricercatori possono scavare nelle motivazioni profonde, nelle aspettative e nelle esperienze personali dei consumatori, ottenendo così una comprensione più sfumata e dinamica del loro comportamento.

Vediamo alcuni vantaggi e considerazioni pratiche di questo approccio combinato tra LLM e ricerca qualitativa.

• Approfondire e contestualizzare: le interviste qualitative possono esplorare in profondità le motivazioni, le percezioni e le esperienze individuali, offrendo un contesto ricco che può mancare nell'analisi dei dati su larga scala. Questo aiuta a interpretare correttamente i pattern emersi dall'analisi LLM;
  
  
• Validare e triangolare i dati: l’uso combinato di varie fonti dati e metodologie analitiche consente una robusta validazione dei risultati, rafforzando la credibilità delle conclusioni attraverso la triangolazione;
  
  
• Diversificare tematiche e innovare: la ricerca qualitativa può rivelare nuovi temi e aree di interesse che non erano evidenti nell'analisi dei dati quantitativi, guidando un'indagine più mirata e approfondita; non solo, l’applicazione pratica degli insight provenienti dalla ricerca permette di sviluppare o migliorare prodotti e servizi, indicando come personalizzare l'offerta in base alle specifiche necessità rilevate;
  
  
• Ottimizzare costi e tempi: la user research qualitativa richiede un numero limitato di partecipanti per generare insight significativi, risultando un approccio più efficiente, soprattutto quando integrato con le rapide analisi dei LLM, rispetto alle onerose ricerche di mercato tradizionali.
  
  
• Comprensione profonda anche delle esigenze B2B: le imprese operanti in mercati B2B si trovano di fronte a complessità uniche, che richiedono soluzioni su misura. La user research qualitativa permette un'esplorazione approfondita di queste sfide, migliorando la comprensione delle dinamiche decisionali e dei processi di acquisto;

• Identificazione di trend emergenti: nei mercati veloci o meno documentati online, i trend possono emergere e evolversi rapidamente. Le interviste, i focus group e altre tecniche di ricerca qualitativa possono catturare queste tendenze emergenti direttamente dalla voce dei clienti o degli stakeholder chiave, offrendo insight tempestivi che potrebbero non essere ancora ampiamente discussi o documentati online;
  
  
• Favorire lo sviluppo di relazioni e fidelizzazione: Nella sfera B2B, la creazione di legami duraturi è vitale. La user research qualitativa non solo arricchisce il database di conoscenze ma agisce anche come strumento di engagement, valorizzando le opinioni dei clienti e rafforzando le relazioni commerciali.
  
  
• Mitigare i bias: la user research qualitativa offre una prospettiva umana capace di riconoscere e correggere bias e interpretazioni errate nei dati generati dai LLM, fungendo da contrappeso critico alle conclusioni tratte esclusivamente da analisi automatizzate;

Ovviamente, anche la ricerca qualitativa può essere soggetta a bias, sia da parte dei ricercatori che dei partecipanti. È importante adottare misure per minimizzare questi bias, come l'utilizzo di protocolli di intervista standardizzati e l'analisi dei dati da parte di più ricercatori. La competenza e l'esperienza dei ricercatori sono fondamentali per entrambi gli approcci (quantitativo e qualitativo), garantendo che l'analisi dei dati sia accurata e che le interviste siano condotte in modo che minimizzi i bias e promuova la sincerità e la profondità delle risposte.

Esempi pratici dell'integrazione tra LLM e user research

Ok, ma vediamo ora nella pratica qualche esempio di come si possono integrare i due approcci in settori anche molti diversi tra loro.

Nel contesto B2B, caratterizzato da transazioni complesse e una scarsità di dati online, la user research può rivelare insight cruciali per il processo decisionale aziendale. Ad esempio, una società di software potrebbe scoprire tramite la user research che, nonostante l'elevata tecnologia dei propri prodotti, i clienti pongono un'enfasi primaria sulla facilità di integrazione con i sistemi già in uso, un'informazione che può indirizzare strategicamente lo sviluppo futuro.

Passando al settore turistico, noto per la sua instabilità e per il rapido cambiamento delle preferenze dei consumatori, l'utilizzo dei LLM può portare alla luce una tendenza verso il turismo sostenibile attraverso l'analisi delle conversazioni online. Tuttavia, è mediante la user research qualitativa che un'agenzia di viaggi può comprendere in profondità che la sostenibilità, per i propri clienti, implica non soltanto pratiche a basso impatto ambientale ma anche la ricerca di esperienze autentiche che favoriscano il benessere delle comunità locali.

Infine, consideriamo il caso di un'azienda automobilistica interessata alle percezioni sulle auto elettriche. Mentre i LLM possono facilitare il monitoraggio delle discussioni online riguardo a questa tematica, è attraverso la user research qualitativa che si può cogliere la vera essenza delle resistenze al cambiamento, scoprendo ad esempio che le preoccupazioni dei consumatori non si limitano all'autonomia dei veicoli, ma includono anche dubbi sulla capillarità e l'efficienza della rete di ricarica disponibile.

Conclusioni: una strategia di mercato olistica

L'integrazione tra user research qualitativa e Large Language Models (LLM) si rivela una sinergia potente, offrendo ai brand un vantaggio duplice e distintivo. Da un lato, questa unione strategica permette di rilevare con prontezza le tendenze emergenti, dall'altro, offre gli strumenti per scavare nelle profondità del "perché" che sottende queste tendenze. Questo approccio bifocale non solo garantisce che le strategie di marketing siano tempestive e reattive, ma le radica profondamente nelle reali esigenze e aspirazioni dei consumatori, fornendo una connessione autentica e significativa.

Penso che questa prospettiva possa aprire un dibattito su un tema affascinante e ricco di potenzialità: come l'uso combinato di LLM e user research qualitativa possa non solo arricchire la nostra comprensione dei consumatori, ma anche guidare l'innovazione nel modo in cui i brand interagiscono e soddisfano le esigenze dei loro clienti. Pur essendo un campo in piena evoluzione (le ricerche che ho visto avevano non anni, ma mesi di vita), esplorare questa sinergia potrebbe rappresentare un orizzonte significativo per mantenere competitività in un mercato dinamico.