Analiza tematyczna oczekiwań i opinii konsumentów – Przykłady zastosowania statystycznej metody Topic Modeling w podglądaniu myśli konsumentów.

Analiza tematyczna oczekiwań i opinii konsumentów, co to znaczy? Co to za rodzaj analizy statystycznej i jakie wnioski można z niej wyciągnąć? Co z takiej analizy wynika? Czego konsumenci głównie oczekują od produktów i co chcieliby wiedzieć na ich temat?

W swoim warsztacie badawczym mam dwa badania ilościowe które dotyczyły problemu odnoszącego się do pytania „Co konsumenci chcieliby wiedzieć na temat konkretnego (telefonu komórkowego lub samochodu autonomicznego) produktu?”. Mam wyniki dotyczące dwóch produktów które przebadałem na przełomie 2019 i 2020 roku. Pierwszym produktem był telefon komórkowy. Niemniej trochę źle zaprojektowałem ankietę, ponieważ pytania przed główną częścią badania aktywizowały w umyśle respondentów pewne schematy myślenia o produkcie, co ukierunkowywało ich odpowiadanie w dalszej części ankiety. Pomimo tego, że wyniki badania tego produktu są nieco skrzywione, to rzucają one pewne światło na możliwości analizy tematycznej oczekiwań konsumentów, a to pozwala się zapoznać z ich opiniami i oczekiwaniami.

Drugie badanie które przeprowadziłem z zachowaniem większego rygoru metodologicznego dotyczyło produktu jakim jest pojazd autonomiczny. Pojazd autonomiczny jest to samochód kierowany przez komputer. Jego użytkownik nic nie musi robić prócz wskazania mu punktu końcowego trasy lub ewentualnych przystanków. Badanie tego produktu było niezwykłym przedsięwzięciem, ponieważ samochód ten nie jest jeszcze wszystkim znany, a na pewno nie jest jeszcze dopuszczony do użytku publicznego (co ma się zmienić już w ciągu najbliższych 15 lat). Wyniki tego badania były bardzo ciekawe, bo ukazały dwa główne wątki tematyczne dotyczące oczekiwań konsumentów co do technologii pojazdów autonomicznych.

Metodologia badania i statystyczna analiza tematyczna oczekiwań konsumentów dotycząca telefonu komórkowego i technologii samochodów autonomicznych.

W tych badaniach ogólnie chodziło mi o to, by uczestnicy pozostawili po sobie napisany przez nich tekst. Ich pisemne odpowiedzi zostały przetłumaczone na angielski i przetworzone pod kątem ilościowym. Niemniej, jak wyglądała metoda badania oczekiwań konsumentów co do produktów?

Metodologia obu badań była taka sama. W obu przypadkach zadałem badanym 5 prostych pytań na które mieli udzielić pisemnych odpowiedzi:

– Co byś chciał/chciała oglądać na reklamach telefonów komórkowych (samochodów autonomicznych)?

– Jaki miałby mieć przekaz taka reklama telefonów (samochodów autonomicznych)?

– Co chciałbyś/abyś, by w takiej reklamie miało się dziać?

– Co byś chciał/a w niej zobaczyć?

– Jakie wartości/idee miałby być przekazane w takiej reklamie?

Badani mieli wolną rękę i wpisywali swoje przemyślenia, oczekiwania, a także opinie na temat telefonów komórkowych (badanie 1) oraz samochodów autonomicznych (badanie 2). Jak została wykonana analiza tematyczna oczekiwań i opinii konsumentów?

Analiza wątków tematycznych – Topic Modeling (LDA – Latent Dirichlet Allocation)

Analiza wątków tematycznych – Topic Modeling – odnosi się do zadania identyfikowania wątków które najlepiej opisują zestaw dokumentów tekstowych. Dzięki niej może być wykonana analiza tematyczna oczekiwań konsumentów której rezultatem są wątki. Te wątki pojawiają się w toku modelowania, dlatego nazywają się wątkami latentnymi (ponieważ ich struktura nie jest obserwowalna). Wyniki analizy wątków są przeliczane poprzez algorytm LDA (ang. Latent Dirichlet Allocation). Czy to jest analiza tematyczna oczekiwań i opinii konsumentów? Tak, ogólną logiką tego algorytmu jest to, że każdy dokument może być opisany przez stały rozkład wątków, a każdy wątek może być opisany przez stały rozkład słów w dokumentach tekstowych. Algorytm zwraca ogólną wagę występowania konkretnych słów w danych wątkach (w jednym wątku słowo występuje częściej, a w innym rzadziej). Ten statystyczny algorytm analizy wątków jest naiwnym sposobem zamiany częstości występowania danych słów w zbiorze danych na prawdopodobieństwo występowania ich w danych wątkach. Naiwny jest dlatego, że liczba poszczególnych wątków jest zawsze ustalana przez użytkownika w procesie modelowania ilości tych wątków. Pomimo swojej prostoty zrozumienia, algorytm ten jest z powodzeniem stosowany w badaniach naukowych (Asmussen & Møller, 2019; Brookes & McEnery, 2019). Osobiście wykorzystałem go w pracy naukowej dotyczącej akceptacji technologii samochodów autonomicznych, która jest teraz oceniana przez recenzentów. W opisie pomijam standardowe etapy każdej analizy związanej z przetwarzaniem danych tekstowych (preprocessing) np. stop words list, lemantyzacja, tekenizacja, usuwanie interpunkcji. Jak by nie było, analizę wątków tematycznych (Topic Modeling) poprzez wspaniały algorytm LDA można wykorzystać do analizy oczekiwań i opinii konsumentów w badaniach marketingowych, które są pod taką analizę zaprojektowane.

Wyniki analizy tematycznej oczekiwań i opinii konsumentów na temat telefonów komórkowych i samochodach autonomicznych.

Więcej informacji na temat badania związanego z telefonami komórkowymi można przeczytać tutaj klik, a na temat analizy wątków (Topic Modeling poprzez Latent Dirichlet Allocation) w kontekscie samochodów autonomicznych można przeczytać tutaj klik. O wiele więcej na temat wykonania analizy tematycznej w ptyhonie i możliwościach interaktywnej prezentacji można poczytać tutaj klik.

Wyniki analizy tekst mining dotyczącej oczekiwań co do telefonów komórkowych (badanie 1). Ta analiza tematyczna oczekiwań i opinii konsumentów przedstawia chmurę słów. Im większe słowo tym częściej badani wskazywali je w swoich wypowiedziach.

Wyniki analizy wątków (Topic Modeling) – Wątek tematyczny 1 wskazuje na to, że badani konsumenci oczekują od samochodu autonomicznego bezpieczeństwa (badanie 2). Im większe słowo tym częściej się ono pojawia w powyższym wątku tematycznym.

Wyniki analizy wątków (Topic Modeling) – Wątek tematyczny 2 wskazuje na to, że badani konsumenci oczekują od samochodu autonomicznego informacji na temat jego działania i funkcjonowania (badanie 2). Im większe słowo tym częściej się ono pojawia w powyższym wątku tematycznym.

Bibliografia:

Asmussen, C. B., & Møller, C. (2019). Smart literature review: a practical topic modelling approach to exploratory literature review. Journal of Big Data, 6(1). https://doi.org/10.1186/s40537-019-0255-7

Brookes, G., & McEnery, T. (2019). The utility of topic modelling for discourse studies: A critical evaluation. Discourse Studies, 21(1), 3–21. https://doi.org/10.1177/1461445618814032