Telefonlar giderek daha az yaygınlaştıkça, telefon tabanlı anketler yapmak zorlaşmaktadır. Ancak iyi haber şu ki, anket yapmanın yeni bir yolu var! Rastgele cihaz katılımı (RDE), bir katılımcının benzersiz tanımlayıcısını katılımlarının temel taşı olarak kullanan yenilikçi bir araştırma yürütme yöntemidir.
Cihaz dünyası reklamlarının tanımlayıcısını gözlemleyerek, anket firmalarının SUMA’larla (tek kullanıcı, çoklu hesap) ilgili sahtekarlığı önleyebileceğini belirtmek önemlidir. RDE örnekleri de tamamen rastgele ve önyargısızdır. Rastgele rakam çevirmenin bir geliştirmesi olan bu yöntem, sabit hatlı (ve artık cep) telefonlarla rastgele iletişim kurmak için kullanılır.
Bu esnekliğin geleneksel anket yöntemlerine göre bir dizi avantajı vardır: RDE’ler daha ucuzdur çünkü seyahat veya görüşme yapmakla ilgili diğer masrafları gerektirmez; anketi kimin doldurup kimin doldurmadığını kimse görmediği için katılımcılar için daha fazla gizlilik sağlar ve toplama yerlerinde anketörlere veya diğer personele ihtiyaç olmadığı için katılımcıların ankete ne zaman erişebilecekleri konusunda daha fazla kontrol sunar (Tucker 1983; West ve Blom 2017).
Rastgele cihaz etkileşimi nedir?
Yazım, felsefe ve kalite açısından RDD’nin (Random Digit Dialing) doğal halefi olan Random Device Engagement’ı (RDE) tanıtalım.
Rastgele cihaz etkileşimi (RDE) yoklaması, cihazlardaki reklam ağlarına veya diğer portallara dayanarak rastgele kişilerin bulundukları yerde etkileşime geçmesini sağlar. Bunun en yaygın versiyonlarından biri akıllı telefon reklam modülleridir, ancak oyun, sanal gerçeklik vb. alanlara da kolayca yerleştirilebilir.
Rastgele Cihaz Katılımı anketinin arkasındaki ilke, bir anket şirketi tarafından seçilen kişilerin anketlere katılma olasılığının seçilmeyenlere göre daha yüksek olmasıdır. Reklamverenler, ürün veya hizmetlerinde müşteri deneyiminin ne olduğunu ve bunları nasıl geliştirebileceklerini daha iyi anlamak için RDE yoklamasından bu şekilde faydalanabilirler.
Rastgele Cihaz Bağlantısı, özellikle RDD ile karşılaştırıldığında büyük bir fayda sağlar. Anketler birkaç gün içinde tamamlanabilirken, RDD’nin haftalar hatta aylar sürmesi alışılmadık bir durum değildir. Sosyal ağlar ve destekli kitle kaynak kullanımı ile anketler RDE’den biraz daha hızlı tamamlanabilir, ancak yine de RDE’nin sunduğu hızdan yoksundur.
Çevrimiçi paneller, birleştirilmiş panellerden gelen yanıtlayıcılar için ekstra ödeme yaparsanız hız açısından karşılaştırılabilir (çevrimiçi paneller, hızlarını artırdığı için diğer panellerden yanıtlayıcı almak için ekstra ücret alır).
RDE’nin doğruluğu söz konusu olduğunda, kapsamın ana faktörlerden biri olduğunu bilmek önemlidir. ABD pazarında, başlıca RDE şirketleri 5.000.000’dan fazla tekil katılımcıya ulaşabilmektedir. RDE şu anda kapsam açısından RDD’nin gerisinde kalmaktadır, ancak yakında yakalayacaktır. Sosyal medyayı kullanan kitle kaynaklı yoklama, sosyal medya destekli kitle kaynak kullanımına benzer ve kapsama alanı çevrimiçi panellerden daha üstündür.
Çevrimiçi olarak sunulan paneller çok küçük bir alana sahiptir ve bu da nüfus hakkında ayrıntılı bilgi toplama yeteneklerini etkilemektedir.
Rastgele Cihaz Bağlantısı Yöntemleri
RDE örneklerinin ne kadar etkili olabileceğini göstermek için hem Goel, Obeng ve Rothschild (2015) hem de Konitzer, Corbett-Davies ve Rothschild (N.d.) tarafından yayınlanan çalışmaları gözden geçirelim. Ve 2017-2018 özel kongre seçimlerinden örnekler ekleyin.
İlk çalışma Goel ve diğerleri (2015) tarafından Michigan’daki genel seçimlerde 1.200 kayıtlı seçmenden oluşan nüfus temelli bir örneklem kullanılarak gerçekleştirilmiştir. Örneklem, Michigan’daki Board of Canvassers’ın resmi seçmen dosyalarından alınmış ve 2004 yılında oy kullanma hakkına sahip olan ancak oy kullanmayan seçmenleri içermiştir.
Bu çalışma, seçmen olmayanların 2004 yılında Kerry’yi Bush’a tercih etme olasılıklarının seçmenlerden daha yüksek olduğunu ortaya koymuştur; seçmenler arasında sadece yüzde 3 puanlık bir avantaja karşılık, seçmen olmayanlar arasında Kerry için yüzde 8 puanlık bir göreceli avantaj söz konusudur (p<0.05).
İkinci çalışma Konitzer ve diğerleri (2016) tarafından yürütülmüştür. 2008 başkanlık seçim döngüsü sırasında RDD’ler aracılığıyla 1.068 katılımcıyla görüşen Cooperative Congressional Election Study (CCES) kullanılmıştır. CCES veri seti, katılımcıların siyasi tutumlarının yanı sıra geçmiş oy verme davranışları hakkında da bilgi içermekte ve bu da Konitzer ve diğerlerinin geçmiş oy verme davranışının gelecekteki katılımı nasıl etkilediğini incelemelerine olanak tanımaktadır.
Araştırmacılar, Pollfish aracılığıyla RDE kullanımının Genel Sosyal Anket gibi altın standart anketlerle nasıl yakından eşleşebildiğini gösterebilmiştir. Araştırmacılar, bu yöntemin anketlerde ev aramalarının yerine kullanılabileceğini, çünkü ev aramalarının çoğu araştırma projesinin karşılayamayacağı kadar pahalı olduğunu, bu nedenle bunun yararlı bir ölçüt olduğunu bulmuşlardır.
Sonuçlar, tek bir ankete dayanan tahminlerinin, Huffington Post Pollster (HPP) gibi anket toplayıcılarının tahminlerinden önemli ölçüde daha kötü olmadığını göstermiştir. Eyalet bazında tahminlerini gerçek sonuçlarla karşılaştırdıklarında, HPP’nin tahminlerine kıyasla kendi RMSE’lerinin sadece biraz daha yüksek olduğunu gördüler: %4,24 puana karşılık %3,62 puan (DC hariç 50 eyalet için)
Yöntem #1 – Rastgele Rakam Çevirme (RDD)
İlk yöntem olan Rastgele Rakam Çevirme (RDD) geleneksel yöntemdir. İyi çalışıyor, ancak önümüzdeki birkaç yıl içinde mahkum olacak. Dolayısıyla, bu aslında yeni çevrimiçi anket örnekleme yöntemlerinden hangisinin onun yerini alacağıyla ilgilidir: çevrimiçi paneller, Destekli Kitle Kaynak Kullanımı veya Rastgele Cihaz Katılımı (RDE). Geleceğin RDE’de olduğuna inanıyoruz.
2017 ve 2018 boyunca anket firmaları Kongre seçim sonuçlarını tahmin etmek için her üç yeni yöntemi de kullandı: RDE diğer ikisinden çok daha üstün çıktı.
Anket firmaları 2017 ve 2018 Kongre seçim sonuçlarını tahmin etmek için üç yeni yöntem kullandı. RDE diğerlerinden daha iyi performans gösterir.
Bu makalede, Pew Araştırma Merkezi tarafından yürütülen anketler de dahil olmak üzere, yöntemin güçlü yönlerine ilişkin ayrıntılı bir analiz sunuyoruz.
Yöntem #2 –Telemetri Verileri
Anket araştırmalarında telemetri verilerinin kullanımı yeni değildir. Aslında bu tekniğin en ünlü örneği, 1948’den beri hane halkı düzeyinde telefonla ve yüz yüze anketler toplayan Amerikan Ulusal Seçim Çalışmalarıdır (ANES). ANES, araştırmacıların zaman içindeki ve coğrafi konumlar arasındaki değişiklikleri izleyebilmeleri için bu bilgileri sürekli olarak toplamaktadır.
Son zamanlarda RDE, toplanan tutumsal verileri çeşitli parametrik veya telemetrik verilerle desteklemeye başlamıştır.
Hepimizin bildiği gibi, ankete katılan insanlar, ankete katılmayanlardan temelde farklıdır. İlerici analiz şirketi CIVIS’in yakın zamanda savunduğu gibi, anket katılımcılarının sıra dışı olduğu tüm yolları tartabilmek ve düzeltebilmek için sosyal güven ve kozmopolitlik kavramlarını ele alan yaklaşık 30 ek demografik, tutumsal ve yaşam tarzı sorusu gereklidir.
Konitzer, Eckman ve Rothschild’in (2016) belirttiği gibi, telemetri verileri bu değişkenleri toplamak için çok daha uygun maliyetli (ve göze batmayan) bir yoldur. Uydu tabanlı (son derece doğru) uzunlamasına konum-koordinat verilerinden elde edilen ev ve iş konumu, 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 bir katılımcı bulma yöntemidir. Pazar araştırması ve anketlerde yaygın bir uygulamadır, ancak bazı önemli dezavantajları vardır.
Nehir örnekleme yöntemine bağlı olarak, anket için banner reklamlar kullanılabilir veya katılım, eski web siteleri veya Hızlı Veri Sayımının katılımcıları topladığı yerler aracılığıyla gerçekleştirilebilir. RDE’nin hesap numaralarına erişimi vardır, ancak nehir örneklemesinin yoktur, bu da iki ciddi dezavantajı beraberinde getirir: Nehir örneklemesi SUMA’yı tespit edemez – dolandırıcılar aynı ankete iki kez katılarak hile yapabilir, özellikle de katılım için mali bir teşvik varsa. Ve herhangi bir derecede demografik/coğrafi hedefleme imkansız görünüyor.
Süreç basittir: sunucuya bir reklam isteği gelir, sunucu da bunu doğrudan işlenmek üzere reklam ağına yönlendirir. Reklam ağı, söz konusu kullanıcı için uygun herhangi bir reklam olup olmadığını belirler ve bunları sunucuya gönderir.
İyi bir RDE yoklaması, yayıncının işbirliği ile yapılır ve yerel bir deneyim sağlarken, banner reklamlar reklam ağı üzerinden yayınlanır.
Rastgele Cihaz Bağlantısı Örnekleri
Daha önce de belirttiğimiz gibi, Rastgele Rakam Çevirmenin (RDD) sonunun geldiğine inanıyoruz. Çevrimiçi paneller etkili ancak pahalıdır, Destekli Kitle Kaynak Kullanımı iyi çalışır ancak çok uzun sürer ve Rastgele Cihaz Katılımı (RDE) çok daha hızlı ve uygun maliyetlidir.
RDE’nin geleceği parlak. Cihazların penetrasyonu gelecekte daha da artarak RDE’nin ABD’deki erişimini artıracak ve RDE’yi daha az gelişmiş pazarlarda tek uygulanabilir alternatif haline getirecektir. Afrika’yı ele alalım: akıllı telefon penetrasyon oranının bir önceki yıla göre %52,9 oranında artacağı tahmin ediliyor.
Şu anda kıta genelinde 293 milyon akıllı telefon kullanıcısı bulunuyor; bu da mevcut büyüme oranları dikkate alındığında 2021 yılına kadar Afrika’da 929,9 milyon akıllı telefon olacağı anlamına geliyor. Ancak RDE için pembe gelecek sadece penetrasyonla ilgili değil; Reklam Kimliklerini Amerikan pazarındaki diğer bilinen tanımlayıcılarla köprüleme konusundaki ilerlemeler, finansal geçmişe veya kredi kartı harcama modellerine dayalı bireysel hedeflemenin mümkün olacağı anlamına geliyor.
Veri kaynakları arasında köprü kurmaktan bahsetmişken: siyasi anket firmaları artık 250 milyon Amerikalıdan oluşan bir seçmen dosyasından doğrudan anket yapabiliyor.
Sonuç
Geleneksel RDD’nin nasıl çalıştığını ve sabit hatlara sahip olma olasılığı daha düşük olan gençlerin katılım eksikliği nedeniyle nasıl mahkum olduğunu tartışarak başladık. İki yeni tekniği inceledik: çevrimiçi paneller ve destekli Kitle Kaynak Kullanımı. Çevrimiçi paneller geleneksel RDD’ye benzer ancak daha modern bir teknolojiye sahiptir; katılımcıların herhangi bir soruyu kendilerinin yanıtlamasını veya hatta bir insanla konuşmasını gerektirmez.
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 yazıya dökmek gibi görevler için kullanılırken, bilgisayarlar duygu analizi amacıyla metin belgelerini analiz etmek gibi diğer işleri yapar.
Son olarak, tercih ettiğimiz yöntemi tartıştık: Rastgele Cihaz Bağlantısı (RDE). Bu yöntem, cihazları otomatik olarak tanımlamak için gelişmiş algoritmalar kullanır.
QuestionPro’nun Kitle ile araştırmanın gücünü nasıl ortaya çıkaracağınızı öğrenin. Ürünlerimiz 50’den fazla ülkede 3 milyondan fazla kişi tarafından kullanılıyor ve müşterilerinizden ve müşterilerinizden daha anlamlı bilgiler toplamanıza yardımcı olmak için teknolojimizi kullanmanın her zaman yeni yollarını arıyoruz.
Kullanım QuestionPro’nun Hedef Kitlesi Size daha iyi veriler sağlayacak daha doğru anketler oluşturmanıza yardımcı olmak için.