Opis:

Na europejskich rynkach badacze proponują różne modele zmian w pomiarze mediów: a) rekrutacja respondenta za pomocą CATI; b) wywiad z respondentem w CAPI+CAWI; c) tylko CAWI; d) badanie jednoźródłowe mediów. Tymczasem reklamodawcy potrzebują nowych wyników, a nie nowych badań. Potrzebują nowych modeli planowania i rozliczania kampanii reklamowych. „Standardy badań” audytorium mediów będą zastępowane przez „standardy wyników” skuteczności reklam. To ma konsekwencje dla strategii firm takich jak Polskie Badania Czytelnictwa:

1. Kluczowe Czynniki Sukcesu. a) Otwarte na bieżące potrzeby programy do prezentacji wyników, b) Algorytmy do łączenia i modelowania danych.
2. Zasoby. a) Ludzie. W PBC pracują matematycy i programiści, a nie badacze. Zmiana pokoleniowa: otwarty język programowania Python zastąpił SPSS-a. b) wysokiej jakości dane pochodzące z wielu źródeł, pierwotne i wtórne, historyczne i bieżące.

Technologia.
Machine Learning (dalej: ML) to metody statystyczne dające programowi zdolność do "uczenia się" na podstawie danych, bez konieczności programowania go wprost do rozwiązywania zadanych problemów. Korzystamy min.: z metod bayesowskich, klasteryzacji, redukcji wymiaru, modelowania równań strukturalnych zaimplementowanych w pakietach Pythona do projektowania własnych systemów. Chcemy maksymalnie wykorzystać technologie open sources’owe, aby na każdym etapie procesu badawczego i każdym etapie przetwarzania i modelowania danych, zapytać czy nie można tego co robiliśmy wcześniej wykonać inaczej, dokładniej, prościej, szybciej, taniej. Rewidujemy dotychczasowe metody, czyniąc je bardziej elastycznymi i wydajnymi.

Kierunki rozwoju PBC

1. Łączymy dane z wielu źródeł i poddajemy modelowaniu dla uzyskania finalnego wyniku. Do badania metodą F2F przeprowadzamy dodatkowy pomiar metodą CAWI z użyciem innego kwestionariusza. Brakujące informacje z jednego badania są przenoszone na drugi zbiór. Dodatkowo wykorzystujemy zagregowane dane na temat sprzedaży pism. Taką bazę danych chcemy połączyć z danymi z pomiaru reklam przy użyciu eyetrackera: urządzenie mierzy uwagę (fiksacje), skupienie (czas spojrzenia) i reakcję źrenicy na reklamy.
2. Używamy algorytmów ML do realizacji i kontroli badań.
   • Stosujemy ML w ankiecie CAWI. Zamiast tradycyjnego kwestionariusza z filtrami przejść między pytaniami, można w zależności od tego, co w trakcie wywiadu powie respondent, wyświetlić odpowiednie zestawy pytań lub kategorii odpowiedzi. Korzyść to krótszy wywiad.
   • Używamy algorytmów ML do wykrywania nieuczciwych ankieterów, niepoprawnych wywiadów i respondentów „klikaczy”.

W jaki sposób prezentacja odnosi się do kwestii skutecznego i odpowiedzialnego wspierania decyzji wiedzą o rynku i człowieku?

Opracowano nowe modele potrzebne w planowaniu kampanii reklamowych w prasie, czyli podejmowania decyzji o alokacji budżetów reklamowych. Modele, które są agregatami wyników z różnych badań i różnych danych wtórnych. Przykładowo opracowujemy model: Gross Impression Exposure = Czytelnictwo Przeciętnego Wydania (liczba) modelowane sprzedażą egzemplarzową pisma * Liczba Powrotów do wydania * Część Czytanego Wydania * Liczba Fiksacji na reklamie * liczba emisji reklamy „Czytelnictwo” pochodzi ze standardowego badania PBC, „sprzedaż egzemplarzowa” to dane zewnętrzne, „liczba powrotów” i „część czytanego wydania” to model opracowany na podstawie badań CAWI, a „liczba fiksacji” pochodzi z badań z użyciem eyetrackera.

Źródła, materiały, dane:

Badania Czytelnictwa PBC oraz badania ad hoc (pomiar reklam eyetrackerem, badania CAWI).