Olen ollut tutkimusalalla sen verran pitkään, että olen ehtinyt nähdä jo useamman trendiaallon. Ja myös useamman trendikuplan.
Osa ilmiöistä toteutuu nopeasti. Osa kypsyy hitaasti ja muuttaa lopulta koko toimialaa. Osa jää puheen asteelle. Ja osa katoaa yhtä nopeasti kuin ilmestyykin.
Trendejä kannattaa seurata, mutta hypeä välttää
Trendejä on kiinnostavaa seurata. Suurin kysymys ei yleensä ole se, mikä on mahdollista, vaan se, mihin kannattaa tarttua ja milloin. Kaikessa ei aina kannata olla ensimmäisenä.
Oma ohjenuorani muutoksiin onkin vanha kansanviisaus:
“Äläpä hättäile, istuhan mättäälle, keitämmä kahvit, kyllä se pipo löytyy.”
Tämä on yllättävän toimiva strategia myös liiketoiminnassa. Kun kahvit on keitetty ja pipo löytynyt, asiat näyttävät usein vähän selkeämmiltä. Ainakin päätökset ovat silloin vähemmän hätäiltyjä.
Samalla maailma muuttuu vauhdilla, eikä tekoäly ole mikään ohimenevä villitys. Se on tullut jäädäkseen ja tuo mukanaan valtavasti mahdollisuuksia, mutta myös uusia tapoja tehdä typeriä virheitä entistä nopeammin.
Helpot ratkaisut ovat edelleen usein laadun kannalta vaarallisia, ja siksi suitsista kiinni pitäminen on jatkuvasti tärkeää. Kyse ei ole lopulta keinoista vaan lopputuloksesta. Siitä, syntyykö parempaa ymmärrystä ja parempia päätöksiä vai ainoastaan enemmän dataa entistä nopeammin.
Tästä näkökulmasta tarkastelen seuraavaksi joitakin markkinatutkimuksen keskeisiä teemoja vuoteen 2026 katsoen. Esitän ne omina teeseinäni.
Teesi 1: Tekoäly arkipäiväistyy, mutta ei tee tutkimuksesta automaattisesti parempaa
Kaikessa alkaa olla tekoälyä, mutta harva enää pysähtyy miettimään, mitä se oikeasti tarkoittaa.
Markkinatutkimuksessa tekoälystä puhutaan välillä kuin se olisi laadun tae. Ikään kuin työkalun vaihtaminen tekisi tutkimuksesta suoraan parempaa. Mutta eihän kahvinkeittimen vaihtaminenkaan auta, jos pavut ovat homeessa.
Tekoäly mahdollistaa paljon. Se tekee tutkimuksesta nopeampaa. Se auttaa suunnittelussa, litteroinnissa ja avoimien vastausten jäsentelyssä. Se poistaa paljon käsityötä, jota harva jää kaipaamaan.
Mutta kun tullaan aidosti älykkäisiin johtopäätöksiin, ollaan heikommalla pohjalla. Tietääkö esimerkiksi kielimalli, mikä on päätöksenteon kannalta oikeasti olennaista ja mikä vain kiinnostavaa nippelitietoa? Me kaikki tiedämme, että tekoäly osaa kuulostaa vakuuttavalta silloinkin, kun sen pitäisi nostaa käsi pystyyn ja todeta, että tästä ei voi vielä päätellä mitään.
Tekoäly on hyvä apuri, mutta kuljettajan paikalle siitä ei ole. Jos tämän unohtaa, syntyy nopeasti paljon valmista, mutta tuskin juurikaan viisautta.
Teesi 2: Pylväsraportoinnin kysyntä hiipuu entisestään
Ihmeellisen pitkään vanhakantainen tiedonkeruututkimus on elänyt. Olen jotenkin ollut siinä luulossa, että maailmassa datasta ei ole varsinaisesti pulaa.
Mutta mitä arvoa on tutkimuksella, jonka raportti on pylväsjakaumia kysymysjärjestyksessä ja jonka johtopäätökset ovat samat luvut ranskalaisilla viivoilla? En ole ymmärtänyt tätä enää pitkään aikaan.
Se, mitä markkinatutkijan pitäisi tuottaa asiakkaalle, on hyöty ja lisäarvo, ei data. Dataa heillä on luultavasti jo enemmän kuin tarpeeksi. Tarvitaan kykyä käsitellä aineistoa, tulkita sitä, rakentaa johtopäätöksiä ja kääntää ne toimenpidesuosituksiksi. Tätä ei vielä luotettavasti automatisoida yhdellä napinpainalluksella, vaikka kuinka tekisi mieli.
Tutkimuksen tavoitteena on antaa suuntaviivoja tulevaisuuteen ja muuttaa ymmärrystä tai toimintaa.
Tekoäly voi auttaa tässä. Se voi koota ja tiivistää aineistoja ja tunnistaa teemoja. Se voi myös ehdottaa tulkintoja. Mutta varsinainen arvo syntyy vasta, kun ihminen arvioi luotettavuutta, punnitsee vaihtoehtoja ja uskaltaa ottaa kantaa.
On jo vuosia puhuttu siitä, että menestyvä markkinatutkija ei ole datan raportoija, vaan liiketoiminnan konsultti. Muutos tähän suuntaan on nyt kiihtynyt, ja siitä olen enemmän kuin onnellinen.
Tämä tarkoittaa kuitenkin myös sitä, että vastuu kasvaa. Lukujen ja pylväsgraafien taakse ei voi enää mennä piiloon. On uskallettava ottaa kantaa ja perustella se datalla ja analyysillä.
Tässä kohtaa mättäälle istahtaminen ja toinenkin kahvikupillinen ovat usein paikallaan.
Teesi 3: Se tarina on oikeasti osattava kertoa
Jos tutkimuksen lopputulos on raportti, jota kukaan ei muista, tutkimus ei tehnyt tehtäväänsä.
Ihmiset muistavat tarinoita, tulkintoja ja merkityksiä. Miten asiat liittyvät toisiinsa? Mitä tästä pitäisi oppia? Miksi tämä on tärkeää? Mitä pitäisi tehdä seuraavaksi?
Hyvä tarina ei ole keinotekoista koristelua. Se on tapa jäsentää monimutkainen asia ymmärrettäväksi kokonaisuudeksi ja helpottaa päätöksentekoa tilanteessa, jossa täydellistä varmuutta ei koskaan ole.
Tekoäly voi auttaa muotoilussa ja tiivistämisessä. Se voi ehdottaa rakennetta ja sanavalintoja. Mutta tarinan ydin syntyy valinnoista. Mitä nostetaan esiin ja mitä jätetään pois. Tässä kohtaa ihmisen harkinta on edelleen korvaamaton.
Ja muistutus: hyvä tarina ei saa peittää alleen heikkoa dataa. Kaunis kertomus huonosta aineistosta on edelleen huono päätöspohja. Jos esitämme vain mielipiteitä, joille ei löydy datasta selkeää tukea, emme ole sen vakuuttavampia kuin seuraava mielipiteensä esittäjä, jolla ei edes sitä dataa ole.
Teesi 4: Synteettinen data ei vielä korvaa aitoa dataa
Synteettiset vastaajat kuulostavat siltä, että kohta voimme lopettaa kyselyiden tekemisen kokonaan. Ei enää kenttätyötä, ei vastaajaväsymystä, ei aikatauluja. Vain puhdasta simulaatiota ja täydellisiä aineistoja.
Todellisuus on vähän tylsempi. Ja siksi turvallisempi.
Synteettinen data toimii hyvin testauksessa ja ideoinnissa. Sillä voi kokeilla kyselyrakenteita, pohtia mahdollisia vastausjakaumia ja sparrata ajattelua. Se on erinomainen harjoituskumppani.
Mutta se ei ole korvike ihmisten kuulemiselle. Se näyttää uskottavalta, vaikka olisi väärää, ja juuri se tekee siitä vaarallisen, jos sitä käyttää liian itsevarmasti. Lisäksi luotettavan synteettisen datan rakentaminen vaatii valtavasti työtä ja laadukasta koulutusaineistoa.
Kuten tekoäly, myös synteettinen data on hyvä renki mutta huono isäntä. Kehitystä kannattaa seurata ja olla hereillä, mutta samalla on oltava realisti. Mihin tätä oikeasti voi käyttää ja mihin ei.
Teesi 5: Maailmassa ei ole datasta pulaa, mutta luotettavasta datasta voi olla
Datan laatu on aihe, josta harva innostuu keskusteluun kahvitauolla. Silti se on se asia, joka ratkaisee, onko koko tutkimuksella mitään arvoa.
Siksi ihmettelen edelleen, miten vähän siihen usein kiinnitetään huomiota. Kerätään tuhat vastaajaa, raportoidaan tulokset ja ajatellaan lapsenuskoisesti, että kaikki vastasivat huolellisesti.
Vastaajaväsymys, tahattomat virheet, tahalliset virheet ja automaattiset vastaajat eivät ole katoamassa mihinkään. Päinvastoin. Samalla päätöksiä tehdään yhä enemmän datan pohjalta.
Tämä tekee laadunhallinnasta strategisen kysymyksen, ei vain teknisen. Laatu ei synny yhdestä työkalusta tai yhdestä tarkistuksesta, vaan koko prosessista.
Ja kyllä, nopeus syö usein laatua. Jos aikataulu sanelee kaiken, laatu maksaa laskun myöhemmin. Halpa data tulee todella kalliiksi, jos se ohjaa päätöksiä väärään suuntaan.
Lopuksi
Tekoäly ja uudet työkalut muuttavat markkinatutkimusta nopeasti. Samalla ne pakottavat meidät alalla toimivat miettimään omaa rooliamme uudelleen. Vähemmän suorittamista, enemmän ajattelua. Vähemmän raportointia, enemmän näkemyksiä.
Lopulta ratkaisee se, syntyykö parempaa ymmärrystä ja parempia päätöksiä. Ei se, kuinka modernilta työkalupakki näyttää. Teknologia on vain väline.
Ja jos välillä tuntuu siltä, että trendit juoksevat liian kovaa, voi aina palata perusstrategiaan.
Istua mättäälle. Keittää kahvit. Etsiä pipo.
Ja vasta sitten päättää, mihin suuntaan lähdetään.
