Az adatgyűjtésről a marketingben sokszor úgy beszélnek, mintha önmagában a több adat már jobb döntést jelentene. Ez félrevezető kiindulópont. A szervezet számára az adat akkor válik használható erőforrássá, amikor világos, hogy milyen üzleti kérdésre keres választ, milyen típusú bizonyítékot tekint elég erősnek, és milyen módszertannal gyűjti be azt az információt. A marketinges gyakorlatban az adatgyűjtés így döntéselőkészítő folyamat. Ha ez a folyamat gyenge, a kampányoptimalizálás, a termékfejlesztés, a pozicionálás és az ügyfélkapcsolati stratégia is bizonytalan alapra kerül.
A témáról azért érdemes fegyelmezett módon írni, mert a módszerek száma ma már nagy, a digitális eszközök választéka folyamatosan bővül, közben a vállalatok hajlamosak összekeverni a véleményt, a viselkedést, a digitális nyomot és a történeti adatot. Ebből sok vezetői félreértés születik. Egy kérdőívből például azt lehet megtudni, hogyan írja le magát a fogyasztó, egy megfigyelésből azt, hogyan viselkedik adott helyzetben, egy CRM-rendszerből pedig azt, milyen mintázatot hagy maga után a tényleges vásárlás és az interakció. A három réteg közül egyik sem felesleges, és egyik sem elég minden kérdéshez.
Az adatgyűjtés értéke abból fakad, hogy a vállalkozás tudja-e, milyen döntéshez milyen bizonyító erejű információra van szüksége. – Dajka Gábor
Ebben a cikkben azt az álláspontot képviselem, hogy a marketinges adatgyűjtés akkor lesz hivatkozható és üzletileg is használható, ha külön kezeljük az elsődleges és másodlagos adatforrásokat, összevetjük a kérdőíves, kvalitatív és digitális adatlogikát, majd ezeket egy közös értelmezési keretbe rendezzük. Ennek megfelelően a szöveg döntési logikára épül. A végén egy saját rendszerező modellt is javaslok, amely oktatásban, piackutatási tervezésben és vezetői vitákban egyaránt használható.
Mit tekintünk adatnak a marketingben, és milyen döntést szolgál az adatgyűjtés?
A marketingben adatnak tekinthető minden olyan strukturált vagy strukturálatlan információ, amelyből következtetés vonható le a piacról, a fogyasztóról, a termékhasználatról, az értékesítési folyamatról vagy a kommunikáció eredményességéről. Ez a meghatározás szándékosan tág, mert a gyakorlatban ugyanabba a döntési rendszerbe kerülhet be kérdőíves válasz, vásárlási tranzakció, keresési viselkedés, ügyfélszolgálati beszélgetés, kampányteljesítmény, bolti megfigyelés vagy egy korábbi iparági jelentés is. A közös pont az, hogy az adat önmagában még nem döntés. Az adatból csak akkor lesz értelmezhető tudás, ha ismert a keletkezés módja, a torzulás lehetősége és a felhasználás célja.
Érdemes ezért már a kutatás elején tisztázni, milyen döntést kell támogatni. A marketinges adatgyűjtés tipikusan négyféle döntést szolgál. Az első a diagnosztikai döntés: miért gyenge egy kampány, miért esik vissza a konverzió, miért nő az ügyfélelvándorlás. A második a választási döntés: melyik szegmens, ajánlat vagy csatorna kapjon nagyobb figyelmet. A harmadik az előrejelző döntés: milyen kereslet, reakció vagy viselkedés várható. A negyedik a tanulási döntés: hogyan értse meg jobban a szervezet a vevői motivációkat, az árelfogadást vagy a márkaészlelést. Ugyanaz az adatgyűjtési módszer e négy döntéstípus közül rendszerint csak egy-kettőhöz ad elég erős támaszt.
Dillman, Smyth és Christian survey-módszertani megközelítése itt azért tanulságos, mert világossá teszi: az adatfelvétel módja már önmagában formálja a válaszok minőségét. A kérdezés közege, a vizuális vagy auditív forma, az eszköz, a mintavétel és a válaszadási környezet mind alakítják azt, hogy a begyűjtött információ mennyire használható. Ez a gondolat a marketingben különösen fontos, mert sok vállalkozás úgy kezeli az online kérdőívet, mintha az semleges mérőeszköz lenne. Valójában az online űrlap is kommunikációs helyzet, amelyben a kérdés sorrendje, a kitöltési terhelés és a platformélmény hat a kimenetre.
A kiinduló tétel tehát egyszerű: jó adatgyűjtéshez először üzleti kérdés kell, utána módszertan. Ennek hiányában a szervezet sok adatot fog birtokolni, miközben kevés dolgot fog valóban érteni.
Elsődleges és másodlagos adatforrások: eltérő bizonyító erő, eltérő felhasználás
A marketingkutatás klasszikus megkülönböztetése szerint az elsődleges adatok olyan információk, amelyeket az adott döntési kérdéshez közvetlenül a szervezet vagy a kutató gyűjt be. Ilyen az online kérdőív, a telefonos vagy személyes megkérdezés, a mélyinterjú, a fókuszcsoport, a megfigyelés, a használati teszt vagy a saját digitális analitika. A másodlagos adatok ezzel szemben már létező forrásokból származnak: ide tartozhatnak a KSH és az Eurostat adatai, iparági riportok, korábbi vállalati kampányeredmények, CRM-archívumok, nyilvános céginformációk vagy olyan publikációk, amelyek egy másik kutatási cél mentén jöttek létre.
A két adatforrást gyakran minőségi sorrendként kezelik, holott helyesebb eltérő funkciójú információrétegként gondolni rájuk. Az elsődleges adat előnye, hogy a kutatási kérdésre szabható. A másodlagos adat előnye, hogy gyorsan elérhető, történeti kontextust ad, és sok esetben segít elkerülni a felesleges új adatfelvételt. Egy vállalkozás számára a helyes gyakorlat rendszerint az, hogy először áttekinti, mi áll már rendelkezésre, és csak azután gyűjt új adatot. Ezzel időt, költséget és kutatási hibát lehet csökkenteni.
| Adatforrás | Mit ad jól? | Mi a fő korlátja? | Mikor hasznos? |
|---|---|---|---|
| Elsődleges adat | Közvetlen válasz az aktuális kérdésre, testreszabható mérés | Költség, idő, mintavételi és mérési hiba | Új termék, kampány, pozicionálási kérdés, friss döntési helyzet |
| Másodlagos adat | Gyors kontextus, történeti összevetés, olcsóbb indulás | Elavultság, eltérő módszertan, részletességi hiány | Piaci áttekintés, benchmark, előzetes becslés, hipotézisalkotás |
A marketinges gyakorlatban a probléma sokszor abból ered, hogy a másodlagos adatot végső bizonyítékként kezelik, vagy fordítva, minden kisebb kérdésre új kutatást indítanak. Egy jól vezetett szervezet ennél differenciáltabban gondolkodik. Ha például az a kérdés, hogy egy új ajánlat hogyan illeszkedik a jelenlegi ügyfélbázis viselkedéséhez, akkor a belső CRM és kampánytörténet kiindulópont lehet. Ha az a kérdés, hogy miért nem érti a célcsoport az ajánlat nyelvét, akkor közvetlen kvalitatív adatfelvételre lesz szükség. A bizonyító erő itt mindig attól függ, hogy a forrás mennyire közel van a döntési problémához.
Érdemes hozzátenni, hogy a másodlagos adatforrásokkal kapcsolatban a marketingben gyakori a túlzott bizalom. Sok iparági jelentés jól használható, közben eltérő mintavételi eljárásra, más földrajzi piacra vagy homályos kategóriákra épülhet. A jó kutatómunka ezért nem áll meg az adat megtalálásánál. A forrás létrejöttének feltételeit is vizsgálni kell.
Három módszertani logika összevetése: kérdőív, kvalitatív feltárás és digitális nyomadat
Az adatgyűjtés marketingbeli áttekintéséhez szerintem három nagy módszertani logikát érdemes egymás mellé tenni. Az első a kérdőíves logika, amely a deklarált válaszokra épít. A második a kvalitatív feltáró logika, amely a jelentést, a motivációt és a kategóriaképzést vizsgálja. A harmadik a digitális nyomadat logikája, amely viselkedési jelekből, eseménysorokból és platforminterakciókból dolgozik. Ugyanarra a fogyasztóra mindhárom logika mást mondhat, és ez nem hiba. Eltérő réteget figyelnek.
Dillman és szerzőtársai munkája a kérdőíves adatfelvétel oldaláról mutatja meg, hogy a mérési környezet mennyire számít. A survey-logika erőssége az összehasonlíthatóság, a strukturáltság és az, hogy nagyobb mintán ad leírható mintázatokat. Calder klasszikus tanulmánya a kvalitatív marketingkutatás oldaláról hoz rendet a gondolkodásba: rámutat arra, hogy a fókuszcsoport és a kvalitatív kutatás célja a fogyasztói jelentések, nyelvi kategóriák és értelmezési minták feltárása. Wedel és Kannan pedig a data-rich marketingkörnyezetet úgy írják le, mint ahol a digitális interakciók, tranzakciók és platformjelek új elemzési világot nyitnak, közben a mérési, oksági és adatvédelmi kérdések is felerősödnek.
Ez a három megközelítés együtt ad használható képet a marketinges adatgyűjtésről. A kérdőívből azt tudjuk meg, mit mond a fogyasztó a saját döntéséről. A kvalitatív kutatásból azt, hogyan szervezi jelentéssé a tapasztalatát. A digitális nyomadatból azt, milyen viselkedési mintát hagy maga után tényleges használat vagy vásárlás közben. Az üzleti értelmezéshez rendszerint e három réteget kell egymásra olvasni.
Szakmai álláspontom szerint a marketingben sok téves következtetés onnan ered, hogy a szervezet összekeveri ezt a három logikát. Egy online kérdőívben magas vásárlási szándék jelenik meg, a tényleges kampányteljesítmény mégis gyenge marad. Egy fókuszcsoportban lelkes reakciók hallhatók, a piaci indulás mégsem sikeres. Egy webanalitikai felületen sok az aktivitás, a márkaérték mégsem épül. Ezek a helyzetek azért zavaróak, mert eltérő kérdésre felelnek.
Kvantitatív adatgyűjtés: mikor ad érvényes és összehasonlítható képet?
A kvantitatív adatgyűjtés a marketingben elsősorban akkor hasznos, amikor a vállalatnak mérhető nagyságrendekre, arányokra, csoportközi különbségekre, trendekre vagy kapcsolatokra van szüksége. Ide tartoznak az online kérdőívek, a telefonos megkérdezések, a személyes kérdőíves adatfelvételek, a pánelkutatások, az ismételt tracking vizsgálatok, valamint bizonyos kísérleti eljárások is. A kvantitatív logika erőssége az, hogy standardizált formában gyűjt adatot, ezért az eredmények összehasonlíthatók és statisztikailag elemezhetők.
Ez a módszertani erő azonban csak akkor jelenik meg, ha a kutatás valóban jól van megtervezve. A marketingben a kvantitatív kutatás három ponton szokott meggyengülni. Az első a mintavétel. Ha a válaszadók nem tükrözik azt a közönséget, amelyről döntést akarunk hozni, akkor az eredmény csak részben lesz használható. A második a mérési hiba. A rosszul fogalmazott kérdés, a túl hosszú kérdőív, az egyirányú skálahasználat vagy a félreérthető válaszopciók torzíthatják a mintázatot. A harmadik a válaszadói helyzet. A kitöltési környezet, a mobilos használat, az időnyomás és a motiváció hiánya mind befolyásolja a válasz minőségét.
Online kérdőívek esetén a sebesség és a költséghatékonyság erős előny. Ezért terjedtek el széles körben a marketingben. Ettől még nem szabad azt gondolni, hogy minden online kérdőív egyformán jó. A platformhasználat, a kérdésblokk szerkezete, a belépési oldal, az ösztönző és a kitöltési idő mind alakítja a kapott adatot. Telefonos és személyes megkérdezésnél nagyobb a közvetlen kapcsolat, viszont magasabb a költség és erősebb lehet a társas megfelelés hatása. A pánelfelmérések sokat adnak a változás megértéséhez, közben figyelni kell a paneltagok kifáradására és az ismételt mérésből adódó torzításokra.
A kvantitatív adatgyűjtés tehát akkor erős, ha a kutatási kérdés egyértelműen operacionalizálható. Piacméret, ismertség, vásárlási gyakoriság, csatornahasználat, árérzékenységi becslés, márkaattribútumok összevetése vagy kampány utáni recall-vizsgálat esetén nagyon hasznos. Motivációs bizonytalanság, nyelvi jelentésképzés vagy új fogyasztói kategóriák feltárása esetén viszont gyakran előkészítő vagy kiegészítő szerepet érdemes neki adni.
Kvalitatív adatgyűjtés: mikor tár fel többet a motivációból, mint a skálázott kérdések?
A kvalitatív adatgyűjtés a marketingben azoknál a kérdéseknél erős, ahol a vállalat azt akarja megérteni, hogyan gondolkodik a fogyasztó, milyen jelentést társít egy márkához, hogyan beszél a problémájáról, milyen bizonytalanságok és elvárások rendezik a döntését. A mélyinterjú, a fókuszcsoport, a megfigyelés, az etnográfiai helyzet, a használati napló vagy a kvalitatív tartalomelemzés mind ide sorolható. Ezek a módszerek kisebb mintán dolgoznak, cserébe mélyebb betekintést adnak a kategóriák, a nyelvi minták és a mögöttes érvelések világába.
Calder tanulmánya azért maradt alapmű, mert rámutat: a kvalitatív marketingkutatásnak többféle célja lehet, és ezek összekeverése módszertani zavart hoz. Más logika mentén működik egy fókuszcsoport, amely ötletgenerálást és nyelvi minták azonosítását szolgálja, és másképp kell olvasni egy mélyinterjút, amely egyéni jelentésstruktúrákat tár fel. A kvalitatív adat akkor válik értékessé, amikor nem akarunk tőle olyan általánosíthatóságot, amelyet nem tud és nem is akar nyújtani.
A marketinggyakorlatban a kvalitatív módszer négy helyzetben ad különösen erős támogatást. Először akkor, amikor a vállalat még nem érti pontosan a problémát, ezért előfeltárásra van szüksége. Másodszor akkor, amikor új termékkategória, pozicionálás vagy kommunikációs nyelv kialakítása a feladat. Harmadszor akkor, amikor az önbevallásos kvantitatív adatok mögötti okokat kell tisztázni. Negyedszer akkor, amikor a szervezet olyan használati helyzeteket akar megérteni, amelyekről a fogyasztó kérdőívben csak nehezen beszélne pontosan.
A korlátok itt is fontosak. A moderátor kérdezési stílusa, a csoportdinamika, a résztvevők összetétele és az elemző értelmezési fegyelme mind hat a kimenetre. A kvalitatív kutatás ezért sokkal több, mint beszélgetés. Szöveg, helyzet, reakció és kontextus rendszerezett olvasata. Aki ezt a módszert csak inspirációs eszközként kezeli, kevésbé fogja kiaknázni a valódi értékét.
Big data és mesterséges intelligencia: hogyan változik az adatgyűjtés logikája a marketingben?
A digitális platformok, a webanalitika, a CRM-rendszerek, a marketingautomatizáció, az e-kereskedelmi eseményadatok és a közösségi felületek nyomán a marketing ma adatgazdag környezetben működik. Ez a helyzet a klasszikus piackutatáshoz képest két fontos változást hozott. Az egyik az adatmennyiség és az adatfolyam sebességének növekedése. A másik az, hogy a szervezet sok olyan viselkedési jelhez fér hozzá, amelyet korábban csak közvetetten tudott mérni. Ide sorolható a kattintási útvonal, a termékoldali időtöltés, az ismételt visszatérés, a kosárelhagyás, a vásárlási gyakoriság, a kampányérintések sorozata vagy az ügyfélút több csatornán átívelő mintázata.
Wedel és Kannan adatgazdag marketingkörnyezetről szóló áttekintése itt azért erős kapaszkodó, mert az analitikáról higgadt, szerkezeti nézőpontból ír, és megmutatja, hogyan változik a marketingkutatási és elemzési feladat. Több adatforrás kapcsolódik össze, az elemzés időben közelebb kerül a döntéshez, a személyre szabás lehetősége nő, közben az oksági következtetés, a zajszűrés, az adatösszekapcsolás és az adatvédelem kérdése is hangsúlyosabb lesz.
A mesterséges intelligencia ebben a környezetben adatfeldolgozási és mintafelismerési eszközrendszer. Tud segíteni a szegmentálásban, az előrejelzésben, az ügyfélszolgálati kategorizálásban, a szövegek elemzésében, az ajánlórendszerek működtetésében és az anomáliák azonosításában. Ettől még a mérési kérdés megmarad. Az algoritmus abból dolgozik, amit a rendszer rögzít. Ha rossz eseményeket mérünk, ha a kampányjelölés hibás, ha az adatösszekapcsolás pontatlan, akkor az elemzés kifinomultsága csak gyorsabban termeli újra a bizonytalanságot.
A marketingben ezért a big data és az AI kapcsán óvatos pontosságra van szükség. A digitális nyomadat kiválóan megmutatja, mi történt a rendszerben. Sokkal kevésbé magyarázza meg önmagában, hogy a fogyasztó miért cselekedett így, milyen jelentést tulajdonított a helyzetnek, vagy milyen alternatív értelmezést élt meg. A jó szervezet ebből integrált adatstratégiát épít.
Saját értelmezési keret: a 4M-adatkeret
A marketinges adatgyűjtés rendszerezésére a 4M-adatkeretet javaslom. A négy elem: Mondja, Mutatja, Nyoma, Múltja. A modell célja az, hogy a szervezet gyorsan el tudja helyezni, milyen típusú adatot lát maga előtt, és milyen következtetési erőt tulajdoníthat neki. Ezzel a módszertani vita egyszerűbbé válik, és a vezetői értelmezés kevésbé csúszik el.
Mondja. Ide kerül minden olyan adat, amelyet a fogyasztó közvetlenül kimond, leír vagy deklarál. Kérdőívek, interjúk, fókuszcsoportok, NPS-válaszok, nyílt szöveges visszajelzések. Ezekből azt tudjuk meg, hogyan beszél magáról, a preferenciájáról és a tapasztalatáról. Erőssége a tudatos vélemény és a nyelvi megformálás. Korlátja, hogy a tényleges viselkedéshez képest lehet eltérés.
Mutatja. Ide tartozik minden megfigyeléses vagy helyzetközeli adat, amely látható viselkedést rögzít. Bolti mozgás, használati teszt, felhasználói út figyelése, megfigyeléses kutatás, bizonyos kísérleti helyzetek. Ezek megmutatják, hogyan működik a fogyasztó cselekvés közben. Erősségük a helyzeti valóság közelsége. Korlátjuk, hogy a motivációs háttér csak részben látszik belőlük.
Nyoma. Ide sorolható a digitális és tranzakciós nyomadat: webanalitika, CRM, vásárlási előzmény, apphasználat, kattintási folyamat, lojalitásprogram-adat, hirdetési eseménysor. Ezekből nagy mennyiségben és gyakran folyamatosan kap információt a szervezet. Erősségük a viselkedési sűrűség és az időbeliség. Korlátjuk, hogy a jelentés és az okság csak részben olvasható ki belőlük.
Múltja. Ide kerülnek a történeti és másodlagos adatok: korábbi kampányok, archív riportok, iparági jelentések, állami statisztikák, nyilvános adatbázisok. Ezek adják a piaci és szervezeti kontextust. Erősségük a viszonyítás lehetősége. Korlátjuk, hogy eltérő céllal és eltérő módszertannal jöttek létre.
| 4M-réteg | Fő kérdés | Jellemző források | Mire elég erős? |
|---|---|---|---|
| Mondja | Mit vall magáról a fogyasztó? | Kérdőív, interjú, fókuszcsoport | Attitűd, nyelv, elégedettség, deklarált preferencia |
| Mutatja | Mit tesz megfigyelhető helyzetben? | Megfigyelés, teszt, kísérlet | Használati viselkedés, helyzeti döntés, súrlódási pontok |
| Nyoma | Milyen jelet hagy a rendszerben? | Webanalitika, CRM, tranzakció, appadat | Mintázat, előrejelzés, folyamatoptimalizálás |
| Múltja | Milyen történeti és piaci háttér látszik? | Riport, statisztika, archív adat | Benchmark, kontextus, trendolvasat |
A 4M-adatkeret gyakorlati haszna abban áll, hogy segít elkerülni a rétegek összekeverését. Ha a vállalat márkaüzenetet akar finomítani, a Mondja és a Mutatja réteg sokat adhat. Ha ügyfélút-optimalizálás a feladat, a Nyoma és a Mutatja réteg erős. Ha piacválasztási vagy kapacitástervezési kérdés van napirenden, a Múltja réteg és a strukturált elsődleges kutatás együtt tud jól működni. Ezzel a módszerválasztás döntéselméleti kérdéssé válik.
Gyakori félreértések, módszertani korlátok és vezetői következtetések
Az adatgyűjtéssel kapcsolatban a marketingben több visszatérő félreértés él. Az első, hogy a több adat automatikusan jobb döntést hoz. A valóságban az adatmennyiség könnyen elfedheti a rosszul megfogalmazott kérdést. A második, hogy a fogyasztó önbevallása pontosan tükrözi a tényleges viselkedést. Sok helyzetben hasznos, közben a cselekvés és a kimondott preferencia eltávolodhat egymástól. A harmadik, hogy a digitális analitika már kiváltja a klasszikus kutatást. A nyomadat sok folyamatot láthatóvá tesz, a motivációs és jelentésbeli rétegekhez viszont gyakran további módszer kell. A negyedik, hogy az AI majd megoldja a mérési problémákat. A gépi tanulási eljárás a meglévő adatstruktúra minőségétől függ.
- A kutatási kérdést érdemes előbb rögzíteni, mint a mérőeszközt.
- Minden adatforrásnál tisztázni kell a keletkezési körülményeket.
- A deklarált attitűd és a tényleges viselkedés közé nem szabad egyenlőségjelet tenni.
- A másodlagos adat jó kiindulópont, végső bizonyítéknak csak korlátozottan alkalmas.
- A digitális nyomadat értéke akkor nő, ha minőségi és kérdőíves adattal együtt olvassák.
A vezetői következtetés ebből szerintem egyértelmű. A marketingben az adatgyűjtésről döntési architektúraként érdemes gondolkodni. Egy szervezet akkor válik érettebbé, amikor tudja, hogy egy márkaismertségi kérdéshez más adat kell, mint egy árelfogadási problémához, egy ügyfélélmény-zavarhoz vagy egy csatornaszintű optimalizáláshoz. Ettől kezdve a kutatás a stratégiai dokumentumban is teherbíró szerepet kap.
Miért fontos ez hosszabb távon a marketingoktatás és a vállalati döntés számára?
A marketingoktatásban az adatgyűjtési módszerek tárgyalása sokszor technikai fejezet marad. Pedig ennél többről van szó. Aki megtanulja elkülöníteni az önbevallott véleményt, a megfigyelt viselkedést, a digitális nyomadatot és a történeti kontextust, az a marketing egészét fegyelmezettebben fogja érteni. Ez a szemlélet egyetemi közegben azért hasznos, mert a hallgató módszertani definíciókat és következtetési felelősséget is tanul. Vállalati közegben pedig azért, mert a vezetői vita így kevésbé csúszik át benyomások és gyors ítéletek világába.
Dajka Gábor nézőpontjából a kérdés hosszabb távú súlya ott látszik, hogy a magyar vállalkozások jelentős része egyszerre küzd erőforráshiánnyal, bizonytalan piaci képpel és túl gyorsan importált külföldi mintákkal. Ilyen környezetben az adatgyűjtés minősége közvetlenül hat a kampányhatékonyságra és a stratégiai józanságra. Aki rossz kérdést mér, az hiába dolgozik több platformon, hiába gyűjt több számot, továbbra is bizonytalan marad abban, hogy valójában mi történik a piacán.
Ezért érdemes újragondolni az adatgyűjtést a marketingben. Azért érdemes újragondolni, mert a döntési környezet bonyolultabb lett, a fogyasztói út töredezettebbé vált, és a szervezetekre nagyobb értelmezési felelősség hárul. Az olvasó ebből a témából szerintem azt értheti meg jobban, hogy a jó marketingkutatás ereje abból fakad, hogy a vállalat tudja, melyik adat mit tud megmutatni, és mely kérdésre nem ad teljes választ. Ez a különbség sok esetben többet ér, mint egy új dashboard vagy egy új szoftver bevezetése.
Források
Dillman, Don A.; Smyth, Jolene D.; Christian, Leah Melani (2014). Internet, Phone, Mail, and Mixed-Mode Surveys: The Tailored Design Method. 4th edition. Wiley. Hivatalos kiadói oldal: https://www.wiley.com/en-fr/Internet%2C%2BPhone%2C%2BMail%2C%2Band%2BMixed-Mode%2BSurveys%3A%2BThe%2BTailored%2BDesign%2BMethod%2C%2B4th%2BEdition-p-9781118921302
Calder, Bobby J. (1977). Focus Groups and the Nature of Qualitative Marketing Research. Journal of Marketing Research, 14(3), 353–364. DOI: https://doi.org/10.1177/002224377701400311
Wedel, Michel; Kannan, P. K. (2016). Marketing Analytics for Data-Rich Environments. Journal of Marketing, 80(6), 97–121. DOI: https://doi.org/10.1509/jm.15.0413
