Сравнительный анализ новых и традиционных методов сбора маркетинговых данных для прогнозирования поведения потребителей на рынке маркетплейсов

Введение

Сегодня рынок маркетинговых исследований претерпевает кардинальную трансформацию. По данным отчета ESOMAR Global Market Research 2024, доля расходов на «технологически опосредованные» методы (AI-аналитика, мониторинг социальных медиа) впервые превысила 50% мирового рынка исследований [6]. Однако, качественный опрос экспертов рынка, проведенный GreenBook Research Industry Trends 2025, говорит о том, что несмотря на это традиционные опросы и качественные исследования остаются ядром индустрии [9].

Подобное противоречие объясняется в первую очередь тем, что существует огромный разрыв между технологическими возможностями сбора данных посредством современных технологий и организационными возможностями извлекать из этих данных качественные инсайты [13]. Более того, сегодня исследователи и особенно практики все больше говорят об «иллюзии точности» больших данных: компании, полагающиеся исключительно на алгоритмы, сталкиваются с «галлюцинациями данных» — корреляциями без причинно-следственной связи [8].

По этой причине основной фокус в развитии методологии маркетинговых исследований на сегодняшний день лежит в области смешанных (микс) методов, то есть интеграции разных типов данных в рамках единой методологии, и гибридизации процесса исследования, то есть конвергенции различных техник и источников сбора данных [11]. Исследование ESOMAR CEO Industry Insights 2024 показывает, что компании, интегрирующие AI с качественными методами, демонстрируют рост выручки на 4.5%, против 2.5% у тех, кто игнорирует новые инструменты [7]. Более того, возврат к традиционным методам (глубинные интервью, этнография) продиктован требованиями законов о защите персональных данных (GDPR в ЕС, 152-ФЗ в России и их аналоги) и поиском «человеческого нюанса», который алгоритмы теряют в 30-40% случаев при анализе сложного потребительского контекста [16].

Таким образом, основной исследовательский вопрос, сформулированный авторами в данной статье, звучит следующим образом: каким образом можно наиболее эффективно комбинировать традиционные и новые методы маркетинговых исследований? Для ответа на него был проведен сравнительный анализ новых и традиционных методов сбора маркетинговых данных для прогнозирования различных аспектов поведения потребителей российского маркетплейса Ozon, что позволяет не только развивать теоретические положения в данной области исследований, но и адаптирует крайне актуальную тематику к специфике российских потребителей в наиболее динамично развивающемся на сегодняшний день сегменте электронной коммерции.

В данной статье фокус сделан преимущественно на методах сбора данных в рамках общей методологии маркетинговых исследований. Однако, данный фокус не ограничивает применимость авторских выводов, поскольку методы сбора данных напрямую коррелируют с дальнейшим использованием методов обработки и анализа данных.

Теоретический обзор

В первую очередь, необходима терминологическая определенность, какие методы сбора данных относятся к традиционным, а какие – к новым. Данный вопрос является достаточно дискуссионным. Эксперты в области маркетинговых исследований, в частности, вице-президент и представитель крупнейшей частной исследовательской компании Civicom Marketing Research Ребекка Вест, считают, что глобальное развитие технологий привело к новому понимаю «традиционных» методов [18]. Еще 15 лет назад под традиционными методами понимались личные глубинные интервью, фокус-группы и бумажные опросы. Однако сегодня большинство современных исследователей относят к «новым традиционным» даже сравнительно молодые онлайн-методы исследования (в т. ч. онлайн-опрос, глубинные веб-интервью и фокус-группы), а статус «новые» получают анализ Big Data, нейромаркетинг, парсинг социальных сетей, веб-аналитика и некоторые другие методы.

По этой причине авторами видится наиболее целесообразным проведение классификации методов сбора маркетинговых данных не по принципу «традиционные - новые» (либо «классические - цифровые», либо «старые - современные»), а по совокупности критериев: предлагается следующая матрица с двумя осями, основанная на ключевых дихотомиях в современной методологии маркетинговых исследованиях (см. рис. 1):

1. Уровень вмешательства исследователя в процесс генерации данных (ось X): варьируется от высокого (исследователь активно запрашивает данные у респондента по заданному сценарию) до низкого (данные генерируются естественным поведением потребителя / пользователя и наблюдается пассивно);

2. Природа и формат собираемых данных (ось Y): варьируется от структурированных данных (цифры, числа, метрики) до неструктурированных (текст, изображения, видео).

Источник: составлено авторами.

Представленная на рис. 1 классификация отражает не хронологический порядок, а смену парадигмы от методов, основанных на запросе информации у респондента к методам, основанным на наблюдении и анализе цифрового поведения, что подтверждается исследованиями, картографирующими эволюцию цифрового маркетинга [14].

Построение подобной матрицы (рис. 1) необходимо, поскольку в рамках микс-методологии и гибридизации процесса исследования необходимо обосновать не преимущества, недостатки и области применения каждого метода, поскольку это сделает методику их комбинации слишком вариативной, а группы методов. Отдельно стоит отметить, что для построения данной матрицы авторами рассматривался ряд других критериев (первичные / кабинетные данные, качественные / количественные данные, декларативные / поведенческие данные и т.д.), однако представленный на рис. 1 подход видится наиболее комплексным.

Анализ рис. 1 показывает, что методы с высоким уровнем вмешательства исследователя (квадранты I и III) остаются незаменимы для изучения осознанных установок, мотиваций и намерений, когда необходимо получить ответ на вопрос «почему» (квадрант I) или надежно измерить распространенность мнения в целевой популяции (квадранты III). Их ключевые ограничения — подверженность социально желательным ответам, ограничения памяти респондентов, высокая стоимость и время масштабирования.

Методы, подразумевающие пассивное наблюдение со стороны исследователя (квадранты II и IV), дают доступ к объективному, непосредственно наблюдаемому поведению в естественной среде (физической либо цифровой) и позволяют анализировать данные в беспрецедентных масштабах и скорости. Однако они часто не могут объяснить внутреннюю логику потребителя (проблема «черного ящика» Big Data), поднимают острые вопросы этики и приватности данных, а также требуют сложных компетенций в области Data Science для их интерпретации.

Методы, позволяющие получить неструктурированные данные (квадранты I и II) позволяют «идти в глубину» и необходимы для объяснения внутренней логики поведения потребителя, а также разработки гипотез для последующих этапов исследования, однако страдают от ключевых рисков смещения выборки и субъективности интерпретации. Структурированные данные (квадранты III и IV) дают строгость измерения и масштаб, что необходимо для решения задач прогнозирования, а также проверки гипотез, но ограничены в способности раскрыть контекстуальную специфику, что создает риск поверхностной интерпретации и подмены истинных причинно-следственных связей статистическими корреляциями.

Таким образом, использование совокупности методов в рамках единой методологии служит задаче взаимной компенсации ограничений различных инструментов, что позволяет сформировать более валидную и многогранную картину потребительского поведения.

Это подтверждается публикациями в ведущих научных журналах по маркетингу и маркетинговым исследованиям. В частности, К. Лемон и П. Верхоев [12] доказывают, что для понимания нелинейного пути клиента использования какого-то одного, даже самого совершенного метода, недостаточно. Традиционные опросы (квадрант III рис.1) выявляют осознанные точки касания и общую удовлетворенность, анализ цифровых логов (квадрант IV) с высокой точностью показывает последовательность действий и потоки оттока, а глубинные интервью (квадрант I) раскрывают эмоциональные и контекстуальные причины, стоящие за наблюдаемым поведением.

Д. Швайдель и В. Мо [15] также доказывают, что пассивный анализ настроений в социальных сетях (квадрант II) дополняет традиционные методы тестирования концепций (квадрант III): упоминания и спонтанные обсуждения продуктов в соцсетях дают ранние сигналы об органическом интересе и потенциальных проблемах, которые могут быть упущены в формализованных опросах, где вопросы задает компания.

Проведя глубокий анализ эволюции от традиционных статистических методов к продвинутой аналитике, М. Ведель и П. Каннан [17] противопоставляют традиционную сегментацию на основе демографии и отношений (данные квадранта III) поведенческой сегментации на основе больших данных (квадрант IV). Новые методы позволяют выявить микро-сегменты и даже создать индивидуальные профили на основе реального поведения в режиме реального времени, что делает персонализацию более точной и динамичной, однако для интерпретации этих сегментов и разработки креативных сообщений по-прежнему необходимы качественные исследования (квадрант I). Авторы доказывают, что для задач сегментации новые методы сбора данных (автоматическая фиксация поведения) превосходят опросы в точности классификации, но полностью проигрывают в задачах позиционирования, где требуется понимание субъективного восприятия атрибутов бренда.

Наконец, Д. Гревал и др. [10] анализирует эффективность сбора данных через мониторинг соцсетей (квадрант II) в сравнении с традиционными опросами (квадрант III) для задачи мониторинга репутации. Установлено, что сбор данных из соцсетей позволяет выявить «сигналы кризиса» на 2-4 недели раньше, чем традиционный ежемесячный трекинг. Однако для оценки лояльности традиционные опросы остаются более надежным инструментом, так как в соцсетях люди склонны транслировать экстремальные (позитивные или негативные) мнения.

Таким образом, в условиях цифровой экономики конкурентное преимущество формирует не владение отдельными методами сбора данных, а способность исследователя правильно подбирать метод исходя из задачи исследования и интегрировать разнородные методы сбора и типы данных рамках единой методологии. Однако будет ли проявляться специфика в использовании различных методов сбора маркетинговых данных на российском рынке для российских потребителей? Ответу на данный вопрос посвящено авторское эмпирическое исследование.

Методология исследования

Целью эмпирического исследования является проведение сравнительного анализа трех методов сбора маркетинговых данных на аналогичной выборке и выявление наиболее эффективного из них для изучения и прогнозирования отдельных аспектов поведения российских потребителей на рынке маркетплейсов.

В качестве объекта исследования были выбраны потребители популярного российского маркетплейса Ozon.

Исследование состояло из трех фаз [2]:

1. Проведение качественного эмпирического исследования посредством серии глубинных интервью и анализ полученных данных методом контент-анализа;

2. Проведение количественного эмпирического исследования посредством онлайн-опроса и обработка полученных результатов методами статистической обработки данных;

3. Парсинг официального сообщества Ozon и его подписчиков в социальной сети «ВКонтакте» и анализ полученных данных методами NLP (natural language processing, обработки данных на естественном языке) [4].

Валидация результатов каждого из этапов исследования осуществлялась посредством сравнения с данными, характеризующими фактическое поведение потребителей маркетплейса Ozon, полученными с помощью выгрузки из личных кабинетов потребителей, давших на это добровольное согласие.

Основным критерием отбора информантов для проведения качественного исследования (фаза 1) служила частота покупок на маркетплейсе Ozon. Всего было проведено 9 интервью с существующими потребителями, из которых три информанта покупают на Ozon редко (3-4 раза в год), три информанта - с умеренной частотой (6-10 раз в год), и три информанта – достаточно часто (от 1 раза в месяц и чаще). Выборка была сформирована из людей разных возрастов (от 21 до 52 лет), имеющие различный уровень дохода (от ~25 тыс. руб. до 500 тыс. руб. в месяц), и проживающие в разных населенных пунктах России (Санкт-Петербург, Ярославль, Барнаул, Вологда, пгт Ногинск-9). Стоит отметить, что каждый информант охарактеризовал свой образ жизни как «достаточно активный» или «очень активный», перечислив большое количество увлечений.

Итоговая выборка количественного исследования (фаза 2) составила 419 респондентов из разных населенных пунктов России, где представлены пункты выдачи маркетплейса Ozon, в возрастном интервале 18-55 лет, преимущественно охарактеризовавших свой уровень дохода как средний или высокий (80% респондентов суммарно), из которых 71% приходится на женщин и 29% на мужчин. Выборка формировалась на основе результатов серии глубинных интервью, где информанты подтвердили стремление улучшать и упрощать качество своей жизни (в т. ч. за счет пользования «удобным» сервисом Ozon). Респонденты как минимум 1 раз совершали покупку на Ozon.

Фаза 3 исследования представляла собой автоматизированный сбор комментариев на стене официального сообщества Ozon в социальной сети Вконтакте в совокупности с открытыми данными из профилей комментаторов посредством самостоятельно написанной авторами программы для парсинга данных на базе языка программирования Python [3]. Программа осуществляла сбор данных через API-интерфейс «ВКонтакте» и их обработку методами токенизации, лемматизации, построения «мешка слов» и сентимент-анализа, относящихся к методам обработки данных на естественном языке (NLP), и помогающих проанализировать как содержание, так и тональность публикаций [1].

Для достижения поставленной авторами цели исследования также было осуществлено обращение к фактическим данным истории заказов существующих покупателей интернет-магазина. В качестве фактических данных выступили скриншоты истории заказов респондентов из личных кабинетов Ozon, оцифрованные и представленные в табличной форме для удобства дальнейшего анализа. Скриншоты позволили извлечь следующую фактическую информацию: наименование заказанных товаров; товарная категория; стоимость заказа; частота заказов (среднее количество заказов в год); наличие скидки/акции (например, баллы Ozon); факт отмены/получения заказа (например, статус «получено»); скорость доставки (дата доставки минус дата оформления заказа); способ получения заказа (например, курьер); продавец товара (например, Ozon.ru).

Суммарно было собрано более 180 скриншотов у 30 существующих покупателей Ozon, из которых 21 человек – женщины (средний возраст - 24,9 лет), 9 человек – мужчины (средний возраст - 29,2 лет) с примерно равным соотношением «редких», «средних» и «частых» заказов.

Результаты исследования

Сравнительный анализ результатов трехфазного исследования с фактическим поведением потребителей представлен в табл. 1.

Таблица 1 - Сравнительный анализ результатов трех методов исследований с фактическими данными поведения потребителей маркетплейса Ozon

Анализ табл. 1 показывает, что глубинное интервью эффективнее других методов раскрывает мотивы и причины пользования маркетплейсом Ozon, что позволяет составить усредненный образ маркетплейса Ozon в восприятии потребителя: «Удобный магазин с быстрой доставкой, где можно посмотреть и заказать понравившийся товар по доступной цене, со скидкой или акцией, ориентируясь при этом не только на рейтинг и отзывы, но и на продавца. Для удобства и экономии времени приоритетней будет доставка заказа в пункт самовывоза, нежели через курьера. Ozon, Яндекс.Маркет и WildBerries находятся на «одной ступеньке» в сознании, но Ozon выигрывает за счет доставки и меньшего количества подделок».

В свою очередь онлайн-опрос является наилучшим методом для определения популярных и непопулярных категорий товаров и таких количественных данных, как частота покупок и средний чек. Парсинг комментариев и профилей комментаторов сообщества Ozon ВКонтакте показал наилучшие результаты относительно таких направлений, как выявление жалоб и претензий, описание интересов потребителей и их разговорного словаря, реакции на промоакции и рекламу, а также направлений совершенствования работы.

Однако причины подобных реакций потребителей лучше раскрываются в ходе серии глубинных интервью. Например, результаты интервью показали, что жалобы клиентов относительно качества/скорости доставки, либо наличия неоригинальной продукции у продавцов нивелируются для «средних» и «частых» потребителей за счет наличия сильных преимуществ (большой ассортимент; скидки и акции и др.). Также результаты интервью помогли объяснить такой результат количественного исследования как «Подавляющее большинство потребителей предпочитают самостоятельно забирать заказы (83% респондентов) по причине «Удобства получения заказа». Потребители отказываются от курьерской доставки не в силу ценового фактора, а в силу неудобства ожидания курьера и нежелания с ним контактировать.

Триангуляция результатов трехфазного исследования [5] позволила авторам составить обобщенный портрет потребителя маркетплейса Ozon (см. рис. 2).

Рисунок 2 – Обобщенный портрет потребителя маркетплейса Ozon

Источник: составлено авторами по результатам триангуляции результатов трехфазного исследования.

Анализируя рис. 2, важно отметить наличие большого количества жалоб и «узких мест» у маркетплейса, которые могут приводить к потере клиента. Портрет потребителя, построенный на основе триангуляции данных, фиксирует противоречие: с одной стороны, покупатели ценят Ozon за удобство, широкий ассортимент и скорость доставки, с другой — именно эти параметры становятся источником наиболее острых претензий.

Заключение

Проведенное эмпирическое исследование позволяет сопоставить выводы зарубежных теоретических работ, посвященных комбинации различных методов сбора маркетинговых данных, с результатами, полученными на базе исследования российских потребителях маркетплейса Ozon.

Результаты полностью подтверждают базовый тезис К. Лемон и П. Верхоев [12] о комплементарности методов: ни один из трех использованных методов не дал полной картины в одиночку. Только триангуляция данных глубинных интервью (мотивы), опроса (распространенность) и парсинга (реальные жалобы) позволила построить валидный портрет потребителя. Также нашел подтверждение вывод М. Ведель и П. Каннан [17] о превосходстве новых методов в задачах сегментации: парсинг профилей «ВКонтакте» позволил выявить неочевидные поведенческие паттерны (например, связь между хобби и категориями покупок), которые не фиксировались опросом.

Вместе с тем, исследование выявило ряд особенностей, характерных для российских потребителей и обуславливающих особенности сбора данных при их исследовании:

В зарубежных моделях (например, Д. Швайдель и В. Мо [15]) отзывы рассматриваются как один из факторов, но в российской практике, судя по данным глубинных интервью, они играют гипертрофированную роль. Потребители воспринимают Ozon не как единого гаранта качества, а как «агрегатора продавцов», и механизмом верификации выступает именно система отзывов и рейтингов. Страх перед подделками (упоминавшийся во всех интервью) делает отзывы критически важным фильтром, что, вероятно, связано с более высокой долей контрафакта на российских маркетплейсах по сравнению с западными аналогами (например, Amazon).

Таким образом, исследование подтвердило универсальность методологических принципов, но обогатило их содержательной спецификой, связанной с особенностями доверия, восприятия цены и логистических предпочтений российских потребителей.

Перспективы развития авторских выводов лежат в области микс-методологии, а именно ответов на следующие исследовательские вопросы:

· В какой последовательности наиболее целесообразно применять различные методы сбора маркетинговых данных в зависимости от решаемой задачи, этапа исследования и специфики изучаемого продукта? (например, качественные → количественные → цифровая аналитика для валидации);

· Каким образом данные, собранные одним методом, определяют входные параметры следующего?

· Какими факторами можно дополнить алгоритм выбора метода сбора данных, в частности, какую роль играют ресурсные факторы (время, бюджет, экспертиза в Data Science) и оценка критичности риска (недостатков конкретного метода)?