Introduction

This article considers three classes of contemporary marketing research challenges for academics and practitioners. They include: I) the impact of big data, II) the potential of online surveys, and III) more for academics, new philosophies regarding publishing.

I. Big Data

Big data are defined by volume (the sheer size of the databases), velocity (the speed of data replenishment), and variety (different forms of data beyond traditional spreadsheets to photos, videos, etc.) Sometime big data are also characterized by veracity (data quality), visualization (graphs and charts instead of statistics) and value (the extent to which the data are informative). Big data are an omnipresent part of today’s marketing research efforts and conversations.

The thought in industry is that big data, if implemented well, can enhance customer satisfaction. Google draws from its vast storage of user searches to offer phrase completions for new searchers. Amazon and Pandora and similar retailers draw from their databases of customer selections to make recommendations for new purchasers’ consideration. Customers seem to value these intangible benefits of assistance, and presumably as a result are purchasing items closer to their known, or suggested and revealed, preferences. The biggest challenge for managers seems to be the coordination of in-house databases which obviously must be in place prior to accessing the data, modeling it, and offering thoughtful suggestions to customers.

For academics, access to big data datasets is like letting a child lose in a candy store. The data reflect real purchases (not just attitudes or intentions), of real people (not just students), of real purchases (not just vignettes or scenarios), and does all that on a scale (sample size) that our academic studies simply cannot match. We will continue to conduct our own studies, of course, to test hypotheses not covered in the big data databases, and these different and complementary approaches to research should naturally coexist with their traditional relative strengths (e.g., external validity of big data and internal validity of custom studies). The prevalence of big data also seems to be changing attitudes among our students, who used to avoid taking classes like marketing research (“too boring!”) but are now interested in learning marketing analytics (“this will help me on my job!”).

If there is a concern regarding big data, it is the ironic fact that the statistical power of having numerous observations (households, consumers) practically guarantees that any statistical test will be significant. As a result, the logic of a binary hypothesis test is undermined, and we must instead assess effect sizes. Effect sizes are imperfect as well, most notably due to the fact that it is a subjective call as to whether an effect is “small” or “large.” Still, at the least, relative sizes of effects within any given study are discernible and interpretable (e.g., one factor contributing more than another to a consumer’s decision making).

As big data datasets get supplemented with data scraped from components of the proverbial Internet of Things, we will all be able to see fresh, new perspectives and insights into customer behavior. Presumably the “next big thing” will be to leverage artificial intelligence to help coordinate the databases and maybe even begin to sift through the data, and depending on the IQ of the AI, perhaps provide at least elementary analyses.

II. Surveys

Whereas quantitative marketers tend to gravitate toward big data to estimate their increasingly complex models, behavioral marketers tend to more frequently implement surveys set in experimental settings. Managerial marketers (e.g., B2B researchers) tend to use surveys but in the field wherein experiments are difficult to conduct. Thus any developments regarding surveys can potentially impact behavioral and managerial marketing researchers.

The primary change among survey technology is that we are all increasingly going online to post surveys and find respondents, sometimes provided by panels or sometimes the sampling net is cast more widely. The data collection tools include Qualtrics, Survey Gizmo, Survey Monkey, Survey Pro, and the like. These survey hosts provide software that is typically easy to implement, inexpensive, and that delivers data with quick turn-arounds. That ease, speed, and value enhance both the breadth and depth of our research efforts—breadth through extensive samples and survey items covering multitudes of constructs across multiple forms of the survey, depth from drilling down into one or two key constructs per survey. Most academics became researchers driven by their curiosity, and this wonderment is met in a nearly addictive fashion with running numerous online surveys.

One tricky challenge of online surveys, especially as they are increasingly executed on mobile phones, is that the surveys must be kept very brief in order to enjoy any nontrivial response rate. Thus, any research inquiry enveloping multiple constructs, each measured by a multi-item scale, must be apportioned across multiple forms of the survey. Then data may be compiled together if the samples may be said to be random, representative samples drawn from the same population. That assumption seems plausible, but it is nevertheless an assumption.

Finally, for behavioral marketers conducting experiments, the typical protocol is to first show some stimulus (an advertisement, a verbal product or shopping description), and then ask a few questions. The stimulus now must also be brief. We will all no doubt adapt to these changes.

III. Publishing

An issue more for the marketing academic than practitioner involves our journals. Manuscripts are submitted to the top journals at bewildering rates, nearly 1000 per journal per year, and given the fixed pages of output (to which no one subscribes anymore), that volume necessarily reduces acceptance rates. More scholars are rejected and discouraged than ever before. What’s the academic to do?

Here’s a radical thought that no doubt will go unimplemented. Most scholars have found that no matter where they publish their research, each paper finds an audience (or not!) via online communities such as ResearchGate.net, and others. We could do away with the journals and let the Internet do what it is excellent at doing—democratically finding audiences. Of course, until this strategy is commonly accepted, a young scholar would find it risky, so perhaps in particular, after a scholar achieves one or two or three articles in a particular publication, they are essentially bounced to publish the work online, thereby allowing the precious pages for young people and career development. Lastly, more immediately, I would simply encourage that academics, as authors or reviewers, strive for real, substantial contributions rather than creating papers that follow the currently popular simple, standard templates.

Conclusion

In close, marketing research is undergoing a number of changes, and each challenge prompts the opportunity for reconsidering current methods in favor of updating our practices to take advantage of the new context. In particular, between big data and online surveys, we marketers can come to understand just about any aspect of a customer’s behaviors or attitudes that we wish—the limitations come only from our own imaginations!

Introdução

Este artigo considera três classes de desafios contemporâneos dos pesquisadores de marketing, para acadêmicos e praticantes. Os desafios incluem: i) o impacto do big data, ii) o potencial de pesquisas online, e iii) mais para os acadêmicos, novas filosofias a respeito das publicações.

I. Big Data

Pode-se definir big data por volume (o tamanho das bases de dados), velocidade (a rapidez do reabastecimento de dados), e variedade (formas diferentes de dados além de planilhas tradicionais para fotos, vídeos etc.)

Pode-se definir big data por volume (o tamanho das bases de dados), velocidade (a rapidez do reabastecimento de dados), e variedade (formas diferentes de dados além de planilhas tradicionais para fotos, vídeos etc.). Algumas vezes, big data é também um conceito caracterizado por veracidade (qualidade dos dados), visualização (gráficos e diagramas, ao invés de estatísticas), e valor (até que ponto os dados são informativos). Big data é parte onipresente dos esforços e conversas dos pesquisadores de marketing atualmente.

O pensamento, na indústria, é que o big data, se bem implementado, pode melhorar a satisfação do consumidor. O Google utiliza seu vasto repositório de pesquisas de usuários para completar as frases de busca de novos pesquisadores. Amazon, Pandora e outros varejistas semelhantes utilizam seus bancos de dados de seleções dos consumidores para fazerem recomendações para novos compradores. Consumidores parecem valorizar tais benefícios intangíveis de assistência e, presumivelmente, como resultado, estão comprando itens mais próximos de suas preferências conhecidas, sugeridas, ou reveladas. O maior desafio para os gestores parece ser a coordenação de bases de dados internas, as quais, obviamente, devem estar funcionando antes do acesso aos dados, modelando-os e oferecendo sugestões criteriosas aos clientes.

Para os acadêmicos, ter acesso aos conjuntos de dados do big data compara-se a deixar uma criança se perder em uma loja de doces. Os dados refletem as compras concretas (não apenas atitudes e intenções), de pessoas reais (não apenas estudantes), de compras reais (não apenas em vinhetas ou cenários), e faz tudo isso em uma escala (tamanho da amostra) que nossos estudos acadêmicos simplesmente não podem igualar. Nós continuaremos a conduzir nossos próprios estudos, claro, para testar hipóteses não contempladas nas bases de big data, e essas abordagens diferentes e complementares de pesquisa deveriam coexistir naturalmente, com suas forças relativas tradicionais (por exemplo, validade externa do big data e validade interna dos estudos personalizados). A prevalência do big data também parece estar modificando atitudes entre nossos estudantes, que costumam evitar terem aulas de pesquisa de marketing (“muito chato!”), mas que estão interessados em aprender análises de marketing (“isto vai me ajudar no meu trabalho!”).

Se há uma preocupação referente ao big data, é o fato irônico de que o poder estatístico de observações numerosas (donas de casa, consumidores) praticamente garante que nenhum teste estatístico será significante. Como resultado, a lógica de um teste de hipótese binária é indeterminada, e nós devemos, no lugar, avaliar o tamanho do efeito. Tamanhos de efeito são imperfeitos também, mais notadamente pelo fato de que é subjetivo se um efeito é “pequeno” ou “grande”. Ainda assim, pelo menos, tamanhos de efeito relativos, dentro de qualquer estudo, são discerníveis e interpretáveis (por exemplo, apontando um fator que contribui mais do que outro para tomada de decisão de um consumidor).

À medida que os conjuntos de dados de big data forem complementados com dados extraídos de componentes da proverbial Internet das Coisas, poderemos ver perspectivas novas e frescas e ter maior discernimento sobre o comportamento do consumidor. Presumivelmente, a próxima “grande coisa” será a alavancagem da inteligência artificial para ajudar na coordenação das bases de dados e, talvez, começaremos a peneirar os dados e, dependendo do quociente de inteligência da inteligência artificial, esta forneça, pelo menos, análises elementares.

II. Surveys

Enquanto os profissionais de marketing quantitativos tendem a gravitar na direção de big data para estimar seus cada vez mais complexos modelos, profissionais de marketing comportamentais tendem a mais frequentemente implementar surveys definidas em ambientes experimentais. Pesquisadores de marketing gerenciais (exemplo, pesquisadores de B2B) tendem a usar surveys, mas em áreas nas quais experimentos são difíceis de serem conduzidos. Assim, qualquer desenvolvimento relativo a surveys pode potencialmente impactar pesquisadores de marketing comportamental e gerencial.

A mudança primária entre as tecnologias de pesquisa é que todos nós estamos usando cada vez mais a via online para postar surveys e encontrar respondentes, muitas vezes fornecidos por painéis interativos, ou outros, às vezes, quando a rede é lançada mais amplamente. As ferramentas de coleta de dados incluem Qualtrics, Survey Gizmo, Survey Monkey, Survey Pro, e similares. Estes hospedeiros de surveys fornecem um software que é, tipicamente, fácil de implementar, econômico e pronto a entregar os dados em rodadas rápidas. Essa facilidade, velocidade e valor aumentam tanto a amplitude como a profundidade de nossos esforços de pesquisa – amplitude por meio de amostras extensivas e itens de surveys cobrindo múltiplos construtos em várias formas de pesquisa, e profundidade por aprofundar um ou dois construtos-chave por survey. A maioria dos acadêmicos se tornam pesquisadores direcionados por sua curiosidade, e este prodígio é evidenciado de forma quase viciante, com numerosas surveys sendo conduzidas online.

Um desafio complicado referente às surveys online, especialmente enquanto são, cada vez mais, executadas pelos telefones celulares, é que devem ser curtas, para aproveitar qualquer taxa de resposta não trivial.

Assim, qualquer pesquisa envolvendo múltiplos construtos, cada um mensurado por uma escala multi-itens, deve ser distribuída em várias formas de survey. Então, os dados podem ser compilados juntos, se as amostras puderem ser chamadas de aleatórias, sendo amostras representativas retiradas da mesma população. Essa suposição é plausível, sendo, no entanto, uma suposição.

Finalmente, para os pesquisadores de marketing que conduzem experimentos, o protocolo típico é primeiro mostrar alguns estímulos (uma propaganda, um produto descrito verbalmente, ou a descrição de uma compra), para então proporem-se algumas questões. O estímulo agora também deve ser breve. Todos nós, sem dúvida, nos adaptaremos a essas mudanças.

III. Publicações

Uma questão mais para os acadêmicos de marketing do que para os profissionais envolve os periódicos. Manuscritos são submetidos para os melhores periódicos em quantidades desconcertantes, próximas a 1.000 por periódico por ano, e dado o limite de páginas do trabalho final publicado (mesmo que a maioria dos periódicos esteja em formato digital), o volume necessariamente reduz as taxas de aceitação. Acadêmicos são hoje mais rejeitados e desencorajados que nunca. O que os acadêmicos devem fazer, então?

Aqui está um pensamento radical que, sem dúvida, não será implantado. A maioria dos acadêmicos tem percebido que, não importa onde eles publiquem, cada trabalho encontra um público (ou não!) via comunidades online, como o ResearchGate.net, e outros. Nós poderíamos acabar com os journals e deixar a internet fazer o que é excelente fazendo – encontrar públicos democraticamente. Claro que até que esta estratégia seja comumente aceita, o jovem acadêmico acharia isto arriscado, assim, talvez em particular, após um acadêmico lançar um ou dois ou três artigos em certa publicação, eles seriam devolvidos essencialmente para serem publicados online, liberando assim as preciosas páginas e o desenvolvimento de carreira.

Por último, mais urgentemente, eu simplesmente encorajaria os acadêmicos, como autores ou revisores, para que se esforçassem mais para fornecerem contribuições reais e substanciais em vez de criarem trabalhos que sigam os atuais modelos simples e padronizados.

Conclusão

Em suma, a pesquisa de marketing está passando por uma série de mudanças, e cada desafio estimula a oportunidade de se reconsiderarem os métodos atuais em favor da atualização de nossas práticas, para aproveitamento do novo contexto. Em particular, entre big data e pesquisas online, nós, profissionais de marketing, podemos entender praticamente qualquer aspecto dos comportamentos ou atitudes de um cliente que desejamos – as limitações vêm apenas de nossa própria imaginação!

Alternative link

https://periodicos.uninove.br/index.php?journal=remark&page=article&op=view&path%5B%5D=12419&path%5B%5D=5982 (pdf)