Målgruppeanalyse på Internettet

Christian Vermehren indledte med at fortælle, at FramFab's Centre of User Experience ofte kombinerer kvalitative og kvantitative metoder til at undersøge brugerne af Internettet og til at definere målgrupper.

Dagens oplæg fokuserede dog udelukkende på FramFabs erfaringer med at anvende statistik til at tilpasse websteder til brugernes behov.

For at kunne tilpasse ens websted til dets brugere må man først have et detaljeret kendskab til sin målgruppe. Dette kan bl.a. opnås vha. statistik ved at gennemgå 2 trin:

1. Data om målgruppen eller brugerne indsamles og lagres i en database.
2. Dataene analyseres.

Der er flere forskellige måder at indsamle data om brugerne på:

• Almindelig, "off-line" markedsanalyse.
• Internetpaneler.
• Online spørgeskemaundersøgelser.
• Logfilanalyser.

De to første metoder - "off-line" markedsanalyser og internetpaneler - anvendes til at få et generelt indblik i forbrugeradfærd (uanset om det drejer sig om Internettet eller ej). De to sidste - online spørgeskemaundersøgelser og logfilanalyser - anvendes til at undersøge et specifikt websted.

Online spørgeskemaundersøgelser og logfilanalyser bruges primært til at forbedre eksisterende sites. Formålet er at få indblik i et specifikt websteds brugere og derefter tilpasse indholdet og strukturen af sitet til disse.

Når først dataene er blevet indsamlet på en forsvarlig måde, er det tid til at analysere dem. Dette trin kan involvere forskellige analysemetoder. Udover almindelige frekvensanalyser og krydstabuleringer anvender Framfab's Centre of User Experience en såkaldt korrespondanceanalyse i kombination med en klyngeanalyse. Korrespondanceanalysen går ud på, at man kortlægger de væsentligste forskelle inden for målgruppen, mens klyngeanalysen har til formål at bruge disse forskelle til at opdele målgruppen i mindre, men mere præcise, segmenter.

Ved først at differentiere og derefter kategorisere brugerne af et websted ud fra avanceret statistik kan man definere en række segmenter, som hver især har ens præferencer og interesser, men som indbyrdes er meget forskellige. Udfordringen er nu at udforme sit websted på en sådan måde, at det passer til disse forskelle og ligheder. En af de store fordele ved Internettet i sammenligning med andre medier som fx fjernsyn er jo netop, at man har mulighed for at dække mange forskellige behov på én gang.

Denne unikke mulighed bør man udnytte, og det gør man bedst ved at anvende avanceret statistik i kombination med kvalitative metoder.

Christian Vermehren skitserede en case baseret på autentiske analyseresultater, men med fiktive firmanavne. "Projekt Investment Online" er et eksempel på en almindelig off-line markedsanalyse for en stor, udenlandsk investment banker, der p.t. henvender sig til superrige investorer i USA og Europa.

Formålet med analysen for Investment Online var at udnytte Internettet til at rådgive en bredere gruppe af mindre rige private investorer. Dette kunne gøres ved at give dem direkte, online adgang til bankens finansielle viden og beregningsværktøjer.

FramFab indledte undersøgelsen med en række personlige interviews i samarbejde med et eksternt analyseinstitut, der fokuserede på 3 områder.

Under analysen viste det sig, at det spørgsmål, som angik investorernes generelle finansielle attituder, var det mest afgørende at fokusere på i forsøget på at kortlægge forskellene inden for målgruppen.

En traditionel måde at få resultatet tolket på er almindelig frekvensanalyse og en rangordning af attituderne ud fra hvor mange der viste sig at tilslutte sig dem. Problemet herved er imidlertid, at man ikke får noget at vide om kombinationerne af de præferencer eller attituder, målgruppen har.

Korrespondanceanalysen har sin styrke i, at den netop kan afdække de mest typiske kombinationer af præferencer og attituder, fortæller Christian Vermehren, så man kan danne sig nogle mere fuldstændige profiler. Det skyldes at den er i stand til at behandle mange variable på én gang og at den således går "holistisk" til værks.

Før man kan gå i gang med en korrespondanceanalyse, er det nødvendigt at forberede sine data. Man må blandt andet slå nogle af svarkategorierne sammen og give dem mere sigende navne, så det bliver lettere at overskue materialet.

I tilfældet Investment Online var resultatet en konstruktion af forskellige værdier på baggrund af de gamle kategorier. Ved hjælp af korrespondanceanalysen placeredes værdierne i et todimensionelt "kort", der visualiserede de statistiske sammenhænge mellem værdierne. Hvis to værdier er tæt på hinanden i dette kort betyder det, at der er stor sandsynlighed for, at den samme person har dem, og derved begynder man, at kunne beskrive de mest typiske profiler på en mere fuldstændig måde.

Se videocitat.

Det er disse modsætninger, man bør anvende som udgangspunkt for sin segmentering.

Forinden bør man dog notere sig, at korrespondanceanalysen kun giver en indikation af de mest typiske profiler, som er til stede. Den giver ikke en præcis angivelse af, hvor mange segmenter, der er, og hvor store de er. Umiddelbart giver korrespondanceanalysen indtryk af, at en målgruppe altid bør opdeles i fire segmenter, idet den typisk kun visualiserer to akser ad gangen. Men i virkeligheden er disse to akser en projektion af et multidimensionalt rum med mange akser, og således er det faktisk muligt at dele op i flere undergrupper.

En måde at komme rundt om dette problem på er at anvende korrespondanceanalysen sammen med klyngeanalysen. Denne metode er ideel til at gruppere individer ud fra afstande. Man beregner først afstandene mellem individerne i det fulde multidimensionale rum produceret af korrespondanceanalysen og bruger dem derefter som datagrundlag for klyngeanalysen.

Herefter udregnes gennemsnitspunktet for hvert segment i det oprindelige kort med værdier. Resultatet er en præcis kortlægning af hvor mange segmenter, man bør operere med, hvor store disse segmenter er, og hvilke typiske værdier, der karakteriserer dem.

I tilfældet Investment Online viste det sig, at målgruppen kunne opdeles i fem undergrupper.

Når først man har defineret de mest typiske profiler på baggrund af værdier, er det muligt at uddybe med andre variable fra spørgeskemaet:

1. Alder
2. Køn
3. Finansielle ressourcer
4. Internetadfærd- hvilket segment bruger Internettet til finansielle formål osv.

Disse variable kan lægges ind i værdikortet som trends-linier, der angiver sammenhængen mellem fx alder og profilerne i kortet. Man kan således få at vide, hvor gamle folk i de forskellige segmenter typisk er, hvor mange penge til investering de har til rådighed, hvordan de bruger Internettet, og hvor villige de er til at bruge Investment Online.

Man kan blive ved med at lægge lag på lag og dermed få et mere og mere nuanceret billede af sin profil eller de mest interessante segmenter, fortæller Christian Vermehren. I tilfældet Investment Online betød det bl.a., at de "opportunistiske" og "arrogante" investorer blev identificeret som de mest interessante segmenter, og man bestemte derfor at, webstedet skulle fokusere på disse.

- hvordan kombineres kvantitative og kvalitative metoder?

Korrespondanceanalysen kan også bruges til at udvælge respondenter til kvalitative undersøgelser, således at kvantitativ statistik kombineres med dybdeinterviews. Metoden giver nemlig mulighed for at lave er kort over individer. Det hedder netop korrespondanceanalyse, forklarer Christian Vermehren, fordi den altid producerer to kort, et variabel- eller værdikort og et individkort, som korresponderer med hinanden. Variabler/værdier bliver skiftet ud med enkeltindivider. Det er interessant, at man kan udvælge personer til kvalitative interviews ved at gå ind og udpege de individer, der ligger tættest på gennemsnitsværdien for en undergruppe, og derved få fat i de personer, der bedst repræsenterer hele segmentet. Denne metode gør det muligt at generalisere et enkelt dybdeinterview til hele segmentet, netop fordi man ved, at segmentet er forholdsvist homogent.

Gennem systematisk, kvalitativ uddybning af korrespondanceanalysens værdikort ender man med en forståelse af ens målgruppe, der på samme tid er både bred og dyb.

Korrespondanceanalysen udelukker ikke andre statistiske metoder og skal ses i en større data-mining sammenhæng. Man bør, ifølge Christian Vermehren, altid supplere korrespondanceanalysen og klyngeanalysen med anden form for statistik, først med nogle meget simple frekvensberegninger og derefter med krydstabuleringer. Først til sidst anvendes avanceret korrespondanceanalyse.

Der findes en række alternativer til korrespondanceanalysen. Men det er vigtigt at forstå korrespondanceanalysens unikke fordele:

• For det første er den et eksempel på statistik uden tal - den er visuel med et intuitivt forståeligt resultat, selvom dette bygger på komplekse beregninger, der kan være svære at forstå.
• Den går holistisk til værks - dvs. den viser fragmenter af en hel personlighed og kombinationer af mange præferencer i stedet for kun at betragte én eller to variable ad gangen.
• Den lægger op til fortolkning og indlevelse (fragmenterne skal stykkes sammen) og er derfor specielt velegnet i forbindelse med kreativt arbejde.
• Den fokuserer på modsætninger såvel som på ligheder og er derfor ideel til at vise, hvordan folk ofte definerer sig i forhold til andre, i forhold til det man ikke er.
• Helt nye strukturer opstår ud fra korrespondanceanalysens data, når akserne fortolkes og navngives, og det giver mulighed for at forstå et meget stort datamateriale ud fra ganske få begreber.

Der opstår bestandigt helt nye data mining metoder baseret på kunstig intelligens.

• Neurale netværk
• Fuzzy logic
• Regelinduktion
• Beslutningstræer

Korrespondanceanalysen kan sagtens kombineres med disse nye metoder. Men problemet med de nye metoder er, at de sommetider er baseret på "Black Box" beregninger (fx neurale netværk) snarere end på fortolkning, indlevelse og forståelse. Et andet problem kan være, at de ofte er mere egnede til hypotesetestning end til hypotese-generering (fx regelinduktion og beslutningstræer).

Dette går imod formålet med data mining, som er at "lede" efter interessante sammenhænge. Ordet "data mining" er en metafor, hvor data sammenlignes med et minefelt, hvor man graver efter og pludselig finder guld.

En nuanceret beskrivelse af ens målgruppe stiller store krav ikke kun til de analysemetoder, man anvender, men også til de data man indsamler. En komplet analyse af ens målgruppe bør inkludere data fra webserverens logfiler.

Logfilanalyser har den fordel, at de kan foretages så tit man har lyst uden at belaste brugerne med spørgsmål. Spørgeskemaundersøgelser og logfilanalyser bør dog ideelt set kombineres, idet førstnævnte typisk fokuserer på holdninger og psykografi, mens sidstnævnte fokuserer på adfærd.

Det vigtigste begreb i forbindelse med logfilanalyser er "click streams" - dvs. den rækkefølge af websider, som brugeren eksponeres for under et besøg. For at kunne anvende "click stream" til noget, er man nødt til at forstå de mulige betydninger, som klikforløbet er udtryk for, mener Christian Vermehren.

Det er ikke nok blot at analysere hvor mange, der fx er kommet ind på side X og gået videre til side Y og Z. Man er også nødt til at finde ud af, hvilken oplevelse eller resultat, dette gav brugeren.

I stedet for at forstå en click stream som en navigation fra X til Y til Z, bør man beskrive den på et "højere" niveau - fx som et "Succesfuldt køb", et "Afbrudt køb", en "Forvirret bruger", en "Session killer", en "Jobsøgende bruger", en "Browsende bruger", eller måske endda en "Glad", "Sur" eller "Frustreret bruger".

De kategorier - specielt "Glad", "Sur", "Frustreret", osv. - kan ikke altid læses direkte ud fra en click stream. Ønsker man at beskrive logfil data på denne måde er det en god ide at supplere med kvalitative interviews. Dvs. man tager fat i folk karakteriseret ved bestemte click streams og udspørger dem om deres oplevelser. Lidt efter lidt finder man frem til hvad forskellige click streams står for, og til sidst anvender man disse kategorier i sin korrespondanceanalyse, klyngeanalyse, osv.

Analyser af logfiler på et højere beskrivelsesniveau forudsætter under alle omstændigheder et dybtgående kendskab til sitets struktur, og det er derfor altid en god ide at kombinere dem med ekspertvurveringer af indholdet og tænkehøjttest, afslutter Christian Vermehren.