O marketing há muito trabalha com base na suposição de que existem dois caminhos para compreender as pessoas e os mercados – muitas vezes descritos como “nuances versus números”.

A Nuance quer saber como as pessoas se sentem, como as marcas são conceituadas e compreendidas, quais fatores desconhecidos causam o comportamento humano e o que impulsiona o sucesso dos negócios. Os números querem saber exatamente qual o tamanho dos nossos mercados, o que as pessoas compram, que preço pagam, qual o caminho que seguiram e o que impulsiona o sucesso dos negócios.

A diferença entre estes dois pontos de vista é mais pronunciada em Insights e Pesquisa de Mercado, onde os indivíduos se descrevem orgulhosamente como “investigadores quantitativos” ou “investigadores qualitativos”. Agora entendo a necessidade de especialização, mas às vezes esquecemos que os temas da pesquisa – pessoas, produtos e marcas – são os mesmos.

Aqui está um experimento mental: imagine que você é um pesquisador de marca e eu lhe dou um arquivo com um milhão de tweets. Seu trabalho é extrair insights desse cache e usá-los para impulsionar os negócios. Eu então pergunto: “Você está fazendo pesquisa quant ou qual?”

Zen koans e a arte do raciocínio indutivo/abdutivo

A questão é um koan porque ambas as respostas são igualmente certas e erradas. E, como muitos bons koans, a solução é desfazer a pergunta. Faça isso e você verá que a suposição da questão – a dualidade dos dois tipos de pesquisa – é o que está errado.

Uma razão pela qual esse experimento mental nos confunde é que associamos qual com profundidade e quant com escala. No entanto, aqui os dados têm profundidade (a confusão dos pensamentos humanos aleatórios) e escala (os milhões de observações).

Aprofunde-se: o que é análise preditiva?

Para obter nuances, precisamos de profundidade. Precisamos interagir com os indivíduos e usar observações para detectar padrões e então formar nossas hipóteses e teorias. Este raciocínio indutivo é o núcleo da maioria das abordagens qualitativas. Para que funcione, precisamos de profundidade – 20 perguntas em um questionário não são suficientes. Precisamos sondar e mergulhar. Isso é caro de fazer e complexo e caro de sintetizar. É por isso que Qual é geralmente associado a amostras pequenas.

Para números, precisamos de escala – quanto mais apropriados forem os dados, melhor. Em seguida, aplicamos análises e raciocínio dedutivo. Começamos com uma teoria e hipóteses e utilizamos métodos estatísticos (frequentistas) para confirmá-las (ou não). Estas técnicas estatísticas requerem amostras grandes e dados consistentes, razão pela qual as tecnologias e plataformas para as apoiar se concentraram na investigação Quant como um exercício de automatização e repetibilidade. É por isso que a investigação Quant tem sido historicamente dominada pelo problema da escala.

O problema das dicotomias

Freqüentemente, você verá tabelas como as seguintes para resumir as diferenças:

Aceitamos esta divisão não porque fosse ideal, mas porque era necessária. Dito isto, muitos proponentes de métodos de modo misto combinam as abordagens e criam fluxos de trabalho que utilizam o melhor de ambas.

A ascensão do raciocínio abdutivo está mudando a dicotomia quant/qual. No raciocínio abdutivo, vamos além da simples procura de padrões e perguntamos: “Qual é a explicação mais provável para esta observação (surpreendente)?” Na verdade, muitos pesquisadores usam o que é conhecido como “loop abdutivo”, onde coletam dados, percebem uma surpresa, formam a melhor explicação e, em seguida, coletam mais dados. De forma semelhante, os métodos quânticos agora muitas vezes vão além das abordagens frequentistas (teste de hipóteses) para métodos bayesianos, onde os dados são usados ​​para atualizar sucessivamente as nossas crenças sobre o que está acontecendo.

Aprofunde-se: como entender todos esses dados de marketing

No entanto, ambos ainda estão sujeitos à dicotomia profundidade/escala: a abdução requer observações profundas; Bayesian depende do volume de dados.

Trazendo tudo de volta para casa

Felizmente, novas tecnologias e modelos permitem-nos ter profundidade em escala. Não que a qualidade precisasse de amostras pequenas — simplesmente era muito caro coletar as observações e mais difícil sintetizar os resultados se houvesse muitos sujeitos. Amostras pequenas não são uma definição de qualidade. Eles são apenas uma limitação tecnológica.

A coleta de dados qualitativos em escala agora é completamente viável (seja como entrevistas primárias ou como dados mineráveis ​​— como o exemplo do tweet), graças às novas abordagens de IA. Especificamente, IA/LLMs generativos podem realizar abdução computacional – o que significa que têm a capacidade de raciocínio para realizar a síntese necessária.

A divisão qual/quant desaparecerá nos próximos anos à medida que percebermos que a antiga dicotomia profundidade versus escala não é mais uma limitação. Veremos uma mudança na forma como os dados são coletados e como os insights são obtidos – sem quaisquer compromissos entre profundidade e escala. Não definiremos mais a nossa investigação por estas limitações binárias, mas sim derivaremos a verdade sobre os nossos clientes, produtos e marcas a partir de profundidade e escala simultâneas.