Masa Depan Riset Pasar Adalah Penilaian, Bukan Data.

Saya sudah cukup lama berkecimpung di bidang riset pasar untuk mengetahui bahwa memiliki lebih banyak data tidak selalu berarti Anda semakin dekat dengan keputusan yang tepat.

Justru sebaliknya yang bisa terjadi. Sebagian besar organisasi kini dikelilingi oleh informasi: data survei, data perilaku, basis data pelanggan, pemantauan media sosial, ulasan, data penjualan, dasbor, dan aliran riset sekunder yang terus-menerus. Tantangannya jarang terletak pada menemukan sesuatu yang menjawab pertanyaan. Tantangannya adalah menentukan bukti mana yang layak dipertimbangkan, apa yang telah disalahpahami, apa yang hilang, dan pada akhirnya, apa yang harus dilakukan bisnis dengan semua itu.

Sebagai sebuah industri, kita sangat mahir dalam membahas metodologi, kualitas sampel, teknik analitis, dan beragam alat yang semakin banyak tersedia bagi kita. Semua hal tersebut memang penting, tetapi tidak sama dengan penilaian. Riset bisa saja secara metodologis kuat, namun tetap mengarahkan bisnis ke arah yang salah karena pertanyaan yang diajukan salah, konteksnya terlewatkan, atau temuan menarik diberi bobot lebih dari yang seharusnya.

Saya rasa di sinilah masa depan riset pasar menjadi jauh lebih menarik. Peneliti yang paling berharga tidak selalu orang yang menghasilkan analisis terbanyak. Mereka adalah orang-orang yang tahu kapan harus mempertanyakan brief, kapan tidak boleh percaya pada jawaban yang tampak jelas, bagaimana menghubungkan bukti yang tidak saling cocok, dan kapan ada cukup bukti untuk merekomendasikan langkah tindakan.

Riset tidak pernah kekurangan data. Yang semakin dibutuhkan oleh bisnis adalah seseorang yang mampu memahaminya.

AI Membuat Pelaksanaan Menjadi Lebih Murah. Kemampuan Penilaian Menjadi Semakin Berharga.

AI telah mempercepat perubahan yang sudah berlangsung dalam bidang penelitian. Tugas-tugas yang dulunya memakan waktu berjam-jam atau membutuhkan dukungan spesialis kini dapat diselesaikan dalam hitungan menit. Transkrip dapat diringkas hampir seketika. Kuesioner dapat disusun, penelitian pustaka dapat disintesis, dan analisis awal dapat dihasilkan dengan sangat mudah.

Hal itu memang berguna, tetapi juga memunculkan pertanyaan yang tidak nyaman bagi industri ini: jika semakin banyak pelaksanaan yang dapat diotomatisasi, di mana peneliti menciptakan nilai?

Saya tidak berpikir jawabannya adalah prompt yang lebih baik. Keunggulannya akan datang dari kemampuan mengenali kapan hasilnya salah, kapan secara teknis benar tetapi secara konteks tidak masuk akal, dan kapan pertanyaannya sendiri perlu dipertanyakan sebelum siapa pun mulai menganalisis jawabannya. AI dapat menghasilkan sesuatu yang rapi dan masuk akal dengan sangat cepat. Namun, kelogisan bukanlah hal yang sama dengan penilaian.

Penelitian jarang berurusan dengan kebenaran yang jelas dan objektif. Orang-orang sering bertentangan dengan diri mereka sendiri, pasar berubah-ubah, budaya bergeser, dan apa yang dikatakan konsumen sering kali berbeda dari apa yang sebenarnya mereka lakukan. Sebuah model bisa membantu kita memproses kontradiksi-kontradiksi tersebut, tetapi tidak bisa menghilangkan kebutuhan untuk menafsirkannya. Justru, semakin mudah analisisnya, semakin penting pula penafsiran itu.

Peneliti Saat Ini dan Peneliti di Masa Depan

Jika AI menghilangkan hambatan dalam pelaksanaan, pertanyaan yang jelas muncul adalah: apa yang seharusnya menjadi keahlian peneliti yang semakin ditingkatkan?

Saya tidak berpikir jawabannya adalah mengubah setiap peneliti menjadi seorang teknolog. Tentu saja kita perlu memahami alat-alat tersebut, tetapi perubahan yang lebih besar terletak pada cara kita memandang pekerjaan itu sendiri.

Peran penelitian tradisional sering kali dibangun di sekitar penyampaian hasil kerja yang baik: merancang studi, mempertahankan metodologi, menganalisis hasil, dan mempresentasikan temuan dengan jelas. Keterampilan-keterampilan tersebut tentu saja masih penting, tetapi di era AI, keterampilan tersebut semakin kurang menonjol jika berdiri sendiri.

Peneliti masa depan perlu beroperasi jauh lebih dekat dengan pengambilan keputusan.

Jika Anda mengelola fungsi wawasan, memesan penelitian, atau mengandalkan penelitian untuk mengambil keputusan, saya pikir cara Anda menilai nilainya juga harus berubah.

Jumlah studi yang diselesaikan, dasbor yang disajikan, atau metodologi yang diterapkan tidak banyak memberi gambaran apakah riset tersebut benar-benar meningkatkan kinerja bisnis. Pertanyaan yang lebih baik adalah apakah peneliti Anda memengaruhi pengambilan keputusan. Apakah mereka mendeteksi risiko sebelum menjadi jelas? Apakah mereka mengidentifikasi peluang yang mungkin terlewatkan oleh bisnis? Apakah mereka siap memberi tahu pimpinan senior bahwa pertanyaan yang diajukan sebenarnya salah?

Itu adalah standar yang jauh lebih tinggi daripada sekadar menghasilkan riset yang baik. Hal ini juga menjelaskan mengapa tim wawasan terbaik semakin tidak terlihat seperti fungsi layanan internal, melainkan lebih seperti mitra strategis bagi bisnis.

Pergeseran pertama adalah dari sekadar menanggapi brief menjadi menganalisisnya secara kritis.

Pada saat penelitian ditugaskan, masalah bisnis biasanya sudah diterjemahkan menjadi pertanyaan penelitian. Terkadang terjemahan tersebut tepat, tetapi terkadang justru membuat semua orang sibuk menjawab pertanyaan yang tidak akan pernah menyelesaikan masalah sebenarnya.

Seorang peneliti yang baik dapat menjawab pertanyaan yang diberikan kepadanya … seorang peneliti yang hebat dapat mengenali kapan pertanyaan tersebut salah.

Hal itu membutuhkan kepercayaan diri yang sama besarnya dengan rasa ingin tahu. Artinya, memahami keputusan di balik brief dan bersiap untuk menentang ketika penelitian yang diminta tidak akan membawa bisnis ke arah yang seharusnya.

Pergeseran kedua adalah dari analisis ke interpretasi.

Analisis dapat memberi tahu kita apa yang terjadi dalam data. Interpretasi adalah tentang memutuskan hal apa yang layak diberi bobot.

Hasil yang signifikan secara statistik mungkin memiliki nilai komersial yang sangat kecil. Perubahan perilaku yang kecil mungkin tampak tidak signifikan jika dilihat secara terpisah, tetapi bisa menjadi sinyal awal dari sesuatu yang jauh lebih besar. Dua set data dapat mengarah ke arah yang berbeda tanpa salah satunya salah, dan konsumen sering kali mengatakan satu hal sambil melakukan hal lain.

Di sinilah penilaian menjadi penting. Peneliti harus memutuskan bukti mana yang paling kredibel, apa yang masih perlu diuji, dan seberapa besar kepercayaan yang harus diberikan bisnis terhadap kesimpulan tersebut.

AI dapat mengungkap pola lebih cepat, tetapi tidak dapat menghilangkan ambiguitas.

Pergeseran ketiga adalah dari temuan ke rekomendasi.

Para peneliti sangat nyaman mengatakan, “Inilah yang kami temukan.” Kami biasanya lebih berhati-hati dalam mengatakan, “Inilah yang menurut saya sebaiknya Anda lakukan.”

Sebagian dari kehati-hatian itu wajar. Bukti memiliki batasan, dan peneliti yang baik harus jelas mengenai hal itu. Namun, netralitas bisa menjadi tempat persembunyian ketika setiap temuan diberi bobot yang sama, dan klien dibiarkan menafsirkan implikasinya sendiri.

Para pembuat keputusan tingkat atas tidak membutuhkan lebih banyak informasi hanya demi informasi itu sendiri. Mereka membutuhkan sudut pandang: apa yang penting, apa yang tidak, apa yang tidak pasti, dan apa yang disarankan oleh bukti sebagai langkah selanjutnya.

Itu tidak berarti berpura-pura bahwa kepastian ada di mana sebenarnya tidak ada. Artinya, harus jelas mengenai batasan-batasan bukti tersebut, namun tetap siap untuk mengambil keputusan.

Pergeseran keempat adalah dari keahlian metodologis ke penilaian metodologis.

Mengetahui cara menjalankan suatu metode tidak sama dengan mengetahui kapan harus mempercayai hasilnya.

Perbedaan tersebut menjadi semakin penting karena peneliti diminta untuk mengevaluasi hasil kerja yang tidak mereka hasilkan sendiri: pengkodean otomatis, responden sintetis, kumpulan data perilaku, ringkasan yang dihasilkan AI, atau analisis yang dibuat di bagian lain dalam organisasi.

Keterampilan yang sesungguhnya adalah mengenali saat sesuatu tidak masuk akal.

Peneliti berpengalaman mengembangkan insting untuk hal ini. Sebuah angka terlihat salah, atau sebuah segmen tampak terlalu rapi secara mencurigakan. Apa yang dikatakan responden tidak sesuai dengan apa yang sebenarnya mereka lakukan. Sebuah kesimpulan telah melampaui batas yang diizinkan oleh bukti.

Insting tersebut berasal dari pengalaman melihat cukup banyak orang nyata, pasar nyata, dan proyek nyata sehingga memahami bagaimana penelitian dapat gagal.

Terakhir, peneliti masa depan akan membutuhkan literasi komersial yang jauh lebih kuat.

Sebuah rekomendasi hanya berguna jika masuk akal dalam dunia bisnis yang nyata. Temuan yang tampak penting dalam laporan penelitian mungkin menjadi jauh kurang penting begitu faktor seperti penetapan harga, kendala operasional, persaingan, regulasi, atau politik internal ikut berperan.

Di sinilah riset mulai membuktikan nilai komersialnya. Hasilnya jarang berupa laporan itu sendiri. Hasilnya adalah keputusan buruk yang terhindarkan, peluang yang terdeteksi lebih awal, produk yang diubah sebelum diluncurkan, atau investasi yang dialihkan sebelum terlalu banyak waktu dan uang terbuang.

Para peneliti terbaik yang saya kenal tertarik pada hal-hal yang jauh lebih luas daripada sekadar penelitian. Mereka memahami bagaimana kategori tersebut beroperasi, bagaimana bisnis menghasilkan uang, di mana kelemahannya, apa yang dilakukan pesaing, serta perubahan apa dalam budaya, teknologi, atau perilaku konsumen yang dapat mengubah gambaran tersebut.

Itulah mengapa saya berpendapat bahwa masa depan riset harus dinilai bukan semata-mata berdasarkan seberapa efisien kita menghasilkan bukti, melainkan lebih pada apakah kita membantu bisnis mengambil keputusan yang lebih baik.

Kita Perlu Melatih Kemampuan Penilaian

Jika kita ingin peneliti yang lebih strategis, kita harus berhenti menganggap bahwa mereka akan secara otomatis menjadi strategis seiring bertambahnya masa kerja.

Sebagian besar peneliti dikembangkan dengan fokus pada pelaksanaan pekerjaan dengan baik: mengelola proyek, menjaga kualitas, menganalisis dengan cermat, dan menyelesaikan tepat waktu. Keterampilan-keterampilan tersebut memang penting, tetapi tidak secara otomatis mengajarkan seseorang cara menantang klien, membuat keputusan komersial, atau mengambil sikap ketika bukti yang ada belum lengkap.

Penilaian dipelajari dalam pekerjaan itu sendiri. Peneliti perlu berada di ruangan saat masalah bisnis masih rumit, saat klien menolak, saat harus membuat kompromi, dan saat seseorang harus mengambil keputusan tanpa informasi yang sempurna.

Pengalaman tersebut harus diperoleh lebih awal dalam karier penelitian, bukan setelah seseorang telah menghabiskan bertahun-tahun membuktikan bahwa mereka mampu melaksanakan tugas.

Kita Perlu Melatih Peneliti untuk Berpikir di Luar Batas

Para peneliti tidak selalu dilatih untuk berpikir di luar kotak. Terutama peneliti kuantitatif, yang diajarkan untuk disiplin, konsisten, dan cermat dalam menafsirkan apa yang didukung oleh data. Kebiasaan-kebiasaan tersebut penting, namun juga dapat membuat kita kurang nyaman menghadapi ambiguitas yang dituntut oleh strategi.

Para pemasar umumnya lebih terbiasa mengambil keputusan dengan informasi yang tidak sempurna. Para peneliti sering kali lebih nyaman menjelaskan bukti daripada melampaui batasnya.

Pekerjaan yang menarik berada di antara keduanya.

Strategi jarang hanya bergantung pada data, dan jarang pula hanya bergantung pada kreativitas. Strategi adalah titik di mana bukti, konteks, pengalaman, dan imajinasi bersatu untuk membentuk sebuah keputusan.

Pergeseran ini bukanlah menjauh dari disiplin. Melainkan menuju kemampuan untuk menggabungkan disiplin dengan imajinasi dan tetap mengambil keputusan ketika data tidak secara jelas mengarah ke satu arah.

Dari Wawasan ke Pandangan ke Depan

Langkah selanjutnya bagi riset pasar bukanlah sekadar wawasan yang lebih baik … melainkan pandangan ke depan.

Wawasan membantu menjelaskan apa yang sedang terjadi dan mengapa. Pandangan ke depan melihat lebih jauh ke depan: apa yang mungkin berubah, apa yang dapat mengganggu arah saat ini, dan apa yang harus mulai dipersiapkan oleh bisnis sebelum bukti menjadi jelas.

Bagi merek, perbedaan ini sangat penting secara komersial. Wawasan sering kali menjelaskan perilaku yang sudah dapat kita lihat. Pandangan ke depan memperluas cakrawala pengambilan keputusan, memberi bisnis lebih banyak waktu untuk merespons perubahan pada konsumen, budaya, teknologi, atau persaingan sebelum perubahan tersebut sepenuhnya tercermin dalam angka-angka.

Ini bukan soal berpura-pura bahwa peneliti bisa meramalkan masa depan. Mereka tidak bisa. Nilainya terletak pada mengidentifikasi arah-arah yang mungkin terjadi sejak dini, mendeteksi sinyal-sinyal lemah, dan mempertanyakan apa arti sinyal-sinyal tersebut jika semakin menguat.

Di situlah para peneliti mulai terlihat sedikit lebih seperti futuris. Bukan peramal dengan bola kristal, melainkan orang-orang yang mampu menghubungkan perkembangan di berbagai pasar dan budaya, menantang lintasan yang diharapkan, serta membantu bisnis bersiap menghadapi lebih dari satu kemungkinan masa depan.

Seiring dengan kemudahan yang diberikan AI dalam merangkum apa yang telah terjadi dan menganalisis apa yang sedang terjadi saat ini, kemampuan untuk melihat ke depan menjadi poin pembeda yang jauh lebih jelas.

Pemikiran tersebut juga mendasari THEN. NOW. NEXT., kampanye ulang tahun ke-35 kami di Kadence.

THEN adalah konteksnya: dari mana pasar berasal, apa yang telah membentuknya, dan asumsi mana yang masih memengaruhi keputusan saat ini.

NOW adalah bukti yang ada di depan mata: apa yang dilakukan konsumen, bagaimana kategori-kategori berubah, dan di mana bisnis-bisnis memperoleh atau kehilangan pangsa pasar.

NEXT adalah titik di mana diferensiasi sesungguhnya dimulai. Ini tentang menggunakan penilaian, pandangan ke depan, dan konteks komersial untuk membantu klien melihat apa yang mungkin akan terjadi sebelum hal tersebut sepenuhnya terlihat dalam data.

Itulah inti dari riset yang baik: bukan sekadar mendeskripsikan perubahan, tetapi membantu bisnis meresponsnya cukup dini agar berdampak signifikan.

Jika organisasi Anda sedang mempertimbangkan bagaimana riset dapat beralih dari wawasan ke pandangan ke depan, kami akan dengan senang hati berdiskusi. Kadence membantu bisnis memahami apa yang sedang berubah, apa implikasinya selanjutnya, dan di mana harus bertindak sebelum peluang — atau risiko — tersebut menjadi jelas.