Rastgele cihaz etkileşimi: Yöntemlerle ne olduğu

Telefonlar giderek daha az yaygın hale geldikçe, telefon tabanlı anketler yapmak zorlaşıyor. Ancak iyi haber şu ki, anket yapmanın yeni bir yolu var! Rastgele cihaz katılımı (RDE), katılımcının benzersiz tanımlayıcısını katılımlarının temel taşı olarak kullanan araştırma yürütmenin yenilikçi bir yöntemidir.

Anket firmalarının cihaz dünyası reklamlarının tanımlayıcısını gözlemleyerek SUMA'larla (tek kullanıcı, birden fazla hesap) ilgili dolandırıcılığı önleyebileceğini belirtmek önemlidir. RDE örnekleri de tamamen rastgeledir ve önyargısızdır. Rastgele numara çevirmede bir iyileştirme, sabit hatlı (ve şimdi cep) telefonlarla rastgele etkileşim kurmak için kullanılır.

Bu esnekliğin geleneksel anket yöntemlerine göre bir takım avantajları vardır: RDE'ler daha ucuzdur çünkü seyahat veya görüşme yapmakla bağlantılı diğer maliyetler gerektirmezler; anketi kimin tamamladığını veya tamamlamadığını kimse görmediği için yanıtlayanlar için daha fazla gizlilik sağlarlar; ve toplama alanlarında görüşmecilere veya diğer personele ihtiyaç olmadığından, katılımcıların ankete ne zaman erişebilecekleri konusunda daha fazla kontrol sunarlar (Tucker 1983; West ve Blom 2017).

Rastgele cihaz etkileşimi nedir?

Random Device Engagement'ı (RDE) tanıtalım; imla, felsefe ve kalite açısından RDD'nin (Rastgele Rakam Çevirme) doğal ardılı.

Rastgele cihaz etkileşimi (RDE) anketi, rastgele insanlarla bulundukları yerde etkileşim kurmak için reklam ağlarına veya cihazlardaki diğer portallara dayanır. Bunun en yaygın sürümlerinden biri akıllı telefon reklam modülleri içindedir, ancak oyun, sanal gerçeklik vb.

Random Device Engagement yoklamasının arkasındaki ilke, bir anket şirketi tarafından seçilen kişilerin, seçilmeyen kişilere göre anketlere katılma olasılığının daha yüksek olmasıdır. Reklamverenler, ürünleri veya hizmetlerinde müşteri deneyiminin ne olduğunu ve bunları nasıl iyileştirebileceklerini daha iyi anlamak için RDE anketinden bu şekilde yararlanabilir.

Random Device Engagement, özellikle RDD ile karşılaştırıldığında çok büyük bir fayda sağlar. Anketler birkaç gün içinde tamamlanabilse de, RDD'nin haftalar hatta aylar alması nadir değildir. Sosyal ağlar ve yardımlı kitle kaynak kullanımı ile anketler RDE'ye göre biraz daha hızlı tamamlanabilir, ancak yine de RDE'nin sunduğu hızdan yoksundur.

Birleştirilmiş panellerden yanıtlayanlar için fazladan ödeme yaparsanız çevrimiçi panellerin hızı karşılaştırılabilir hale gelir (çevrimiçi paneller, hızlarını artırdığı için diğer panellerden yanıtlayanları almak için ekstra ücret alır).

RDE'nin doğruluğu söz konusu olduğunda, kapsamın ana faktörlerden biri olduğunu bilmek önemlidir. ABD pazarında, büyük RDE şirketleri 5.000.000'den fazla tekil yanıtlayana ulaşabilir. RDE, şu anda kapsama açısından hala RDD'nin gerisinde kalıyor, ancak yakında yetişecek. Sosyal medyayı kullanan kitle kaynaklı anket, sosyal medya destekli kitle kaynak kullanımına benzer ve kapsam çevrimiçi panellerden daha üstündür.

Çevrimiçi olarak sunulan paneller, nüfus hakkında ayrıntılı bilgi toplama yeteneklerini etkileyen çok küçük bir ayak izine sahiptir.

Rastgele Cihaz Etkileşim Yöntemleri

RDE örneklerinin ne kadar etkili olabileceğini göstermek için hem Goel, Obeng ve Rothschild (2015) hem de Konitzer, Corbett-Davies ve Rothschild'de (Nd) yayınlanan çalışmaları gözden geçirelim. Bir de 2017-2018 özel kongre seçimlerinden örnekler ekleyin.

İlk çalışma Goel ve arkadaşları tarafından yapılmıştır. (2015) Michigan'daki genel seçimlerde 1.200 kayıtlı seçmenden oluşan nüfusa dayalı bir örneklem kullandı. Örnek, Michigan'daki Board of Canvassers'ın resmi seçmen dosyalarından alındı ​​ve 2004'te oy kullanma hakkı olan ancak oy kullanmayan seçmenleri içeriyordu.

Bu çalışma, 2004'te seçmen olmayanların Kerry'yi Bush'a tercih etme olasılığının seçmenlere göre daha muhtemel olduğunu ve seçmenler arasında sadece 3 yüzde puanına kıyasla Kerry için seçmen olmayanlar arasında yüzde 8 puanlık göreceli bir avantaj olduğunu ortaya koydu (p<0.05).

İkinci çalışma, 2008 başkanlık seçim döngüsü sırasında RDD'ler aracılığıyla 1.068 katılımcıyla görüşen Kooperatif Kongre Seçim Çalışmasını (CCES) kullanan Konitzer ve diğerleri (2016) tarafından yapılmıştır. CCES veri seti, katılımcıların siyasi tutumlarının yanı sıra geçmişteki oy verme davranışları hakkında bilgi içerir; bu, Konitzer ve diğerlerinin geçmiş oylama davranışlarının gelecekteki katılımı nasıl etkilediğini incelemesine olanak tanır.

Araştırmacılar, Pollfish aracılığıyla RDE kullanımının Genel Sosyal Anket gibi altın standart anketlerle nasıl yakından eşleştiğini gösterebildiler. Araştırmacılar, ev aramalarının çoğu araştırma projesinin karşılayamayacağı kadar pahalı olduğu için, bu yöntemin anketlerde ev aramalarının yerini almak için kullanılabileceğini buldular, bu nedenle bu yararlı bir kıyaslama.

Sonuçlar, tek bir ankete dayalı tahminlerinin, Huffington Post Pollster (HPP) gibi anket toplayıcıların tahminlerinden önemli ölçüde daha kötü olmadığını gösterdi. Eyalet bazında tahminlerini gerçek sonuçla karşılaştırırken, HPP'nin tahminlerine kıyasla RMSE'lerinin sadece biraz daha yüksek olduğunu buldular: %4,24 puana karşılık %3,62 puan (DC hariç 50 eyalet için)

Yöntem #1 – Rastgele Rakam Çevirme (RDD)

İlk yöntem, Rastgele Rakam Çevirme (RDD), geleneksel yöntemdir. İyi çalışıyor, ancak önümüzdeki birkaç yıl içinde mahkum edildi. Bu nedenle, bu gerçekten yeni çevrimiçi anket örnekleme yöntemlerinden hangisinin onun yerini alacağı ile ilgilidir: çevrimiçi paneller, Destekli Kitle Kaynak Kullanımı veya Rastgele Cihaz Katılımı (RDE). RDE'nin gelecek olduğuna inanıyoruz.

2017 ve 2018 yıllarında anket firmaları Kongre seçim sonuçlarını tahmin etmek için üç yeni yöntemi de kullandı: RDE diğer ikisinin çok üzerinde.

Anket firmaları, 2017 ve 2018 yıllarında Kongre seçim sonuçlarını tahmin etmek için üç yeni yöntem kullandı. RDE diğerlerinden daha iyi performans gösteriyor.

Bu makalede, Pew Araştırma Merkezi tarafından yürütülen anketler de dahil olmak üzere, yöntemin güçlü yönlerinin ayrıntılı bir analizini sunuyoruz.

Yöntem #2 – T öğesi Verileri

Tarama araştırmasında telemetri verilerinin kullanımı yeni değil. Aslında, bu tekniğin en ünlü örneği, 1948'den beri ev düzeyinde telefon ve yüz yüze anketler toplayan Amerikan Ulusal Seçim Çalışmaları'dır (ANES). zaman içindeki ve coğrafi konumlardaki değişiklikleri takip edebilir.

Daha yakın zamanlarda, RDE, toplanan tutum verilerini çeşitli parametrik veya telemetrik verilerle desteklemeye başlamıştır.

Ankete katılan insanlar, hepimizin bildiği gibi, anket yapmayanlardan temelde farklıdır. CIVIS, son zamanlarda ilerici analitik mağazası olarak, sosyal güven ve kozmopolitlik kavramlarına ulaşan yaklaşık 30 ek demografik, davranışsal ve yaşam tarzı sorusundan oluşan bir pilin, ankete katılanların tüm yöntemlerini tartıp düzeltebilmek için gerekli olduğunu savundu. olağan dışı.

Konitzer, Eckman ve Rothschild'in (2016) öne sürdüğü gibi, telemetri verileri bu değişkenleri toplamanın çok daha uygun maliyetli (ve göze batmayan) bir yoludur. Uydu tabanlı (okuma: son derece doğru) boylamsal konum koordinat verilerinden elde edilen ev ve iş yeri, işe gidip gelme veya hareketlilik kalıpları veya kişinin mahallesinin veya sosyal ağının siyasi yapısı, demografik değişkenleri iyi tahmin eder.

Yöntem #3 – Nehir örneklemesi

Nehir örneklemesi, banner reklamları kullanan katılımcıları işe alma yöntemidir. Pazar araştırması ve anketlerde yaygın bir uygulamadır, ancak bazı önemli dezavantajları vardır.

Nehir örnekleme yöntemine bağlı olarak, afiş reklamlar yoklama için kullanılabilir veya eski web siteleri veya Rapid Data Enumeration'ın katılımcıları işe aldığı yerler aracılığıyla katılım gerçekleşebilir. RDE'nin hesap numaralarına erişimi vardır, ancak nehir örneklemesi erişimi yoktur, bu da iki ciddi dezavantaja neden olur: Nehir örneklemesi SUMA'yı tespit edemez – dolandırıcılar, özellikle katılım için mali bir teşvik varsa, aynı ankete iki kez katılarak hile yapabilir. Ve herhangi bir derecede demografik/coğrafi hedefleme imkansız görünüyor.

İşlem basittir: sunucuya bir reklam isteği gelir ve bu istek onu doğrudan işlenmek üzere reklam ağına yönlendirir. Reklam ağı, söz konusu kullanıcı için uygun olan mevcut reklamların olup olmadığını belirler ve bunları sunucuya gönderir.

İyi bir RDE yoklaması yayıncının işbirliğiyle yapılır ve yerel bir deneyim sağlanırken banner reklamlar reklam ağı üzerinden gönderilir.

Rastgele Cihaz Etkileşim Örnekleri

Daha önce belirtildiği gibi, Rastgele Rakam Çevirmenin (RDD) sonunun geldiğine kesinlikle inanıyoruz. Çevrimiçi paneller etkili ancak pahalıdır, Destekli Kitle kaynak kullanımı iyi çalışır ancak çok uzun sürer ve Rastgele Cihaz Etkileşimi (RDE) çok daha hızlı ve daha uygun maliyetlidir.

RDE'nin geleceği parlak. Cihazların nüfuzu gelecekte daha da artacak, RDE'nin ABD'deki erişimini artıracak ve RDE'yi daha az gelişmiş pazarlarda tek geçerli alternatif haline getirecektir. Afrika'yı ele alalım: akıllı telefon penetrasyon oranının yıllık %52,9 oranında artması bekleniyor.

Şu anda kıtada 293 milyon akıllı telefon kullanıcısı var, yani mevcut büyüme oranları dikkate alındığında, Afrika'da 2021 yılına kadar 929,9 milyon akıllı telefon olacak. Ancak RDE'nin pembe geleceği yalnızca penetrasyonla ilgili değil; Reklam Kimliklerini Amerikan pazarında bilinen diğer tanımlayıcılarla birleştirmedeki ilerlemeler, finansal geçmişe veya kredi kartı harcama modellerine dayalı bireysel hedeflemenin mümkün olacağı anlamına geliyor.

Ve biz veri kaynakları arasında köprü kurmaktan söz ederken: siyasi anket firmaları artık doğrudan 250 milyon Amerikalı seçmen dosyasından anket yapabilir.

Çözüm

Geleneksel RDD'nin nasıl çalıştığını ve sabit hatlara sahip olma olasılığı daha düşük olan gençlerin katılım eksikliğinin nasıl mahvolduğunu tartışarak başladık. İki yeni tekniği inceledik: çevrimiçi paneller ve yardımlı Kitle Kaynak Kullanımı. Çevrimiçi paneller, geleneksel RDD'ye benzer ancak daha modern teknolojiye sahiptir; katılımcıların herhangi bir soruyu yanıtlamalarını veya hatta bir insanla konuşmalarını gerektirmezler.

Bunun yerine, katılmayı kabul eden internet kullanıcılarından veri toplamak için otomatik komut dosyaları ve algoritmalar kullanırlar. Destekli Kitle Kaynak Kullanımı, bilgisayarların yanı sıra insanları da kullanır; insanlar görüntüleri etiketlemek veya ses kayıtlarını kopyalamak gibi görevler için kullanılırken bilgisayarlar duygu analizi amacıyla metin belgelerini analiz etmek gibi başka şeyler yapıyor.

Son olarak, tercih ettiğimiz yöntemi tartıştık: Random Device Engagement (RDE). Bu yöntem, cihazları otomatik olarak tanımlamak için gelişmiş algoritmalar kullanır.

QuestionPro's Audience ile araştırmanın gücünü nasıl ortaya çıkaracağınızı öğrenin. Ürünlerimiz 50'den fazla ülkede 3 milyondan fazla kişi tarafından kullanılmaktadır ve müşterilerinizden ve müşterilerinizden daha anlamlı içgörüler elde etmenize yardımcı olmak için her zaman teknolojimizi kullanmanın yeni yollarını arıyoruz.

Size daha iyi veriler sağlayacak daha doğru anketler oluşturmanıza yardımcı olması için QuestionPro'nun Hedef Kitlesini kullanın .

DAHA FAZLA BİLGİ EDİN