問卷調查傳統上是十分仰賴人工的業務。舉凡評估客戶需求來報價、設計問卷、挑選發送者、整理回應、製作分析報告，每一個環節都仰賴高度真人專業經驗。不過，生成式AI仍能在這些流程中扮演輔助角色，來加速流程，甚至產出原本純人工難以達成的成果。

鼎鼎聯合行銷（Happy Go）數據長黃士峰昨日於一場活動中揭露，自家旗下市調服務Go Survey如何用AI與生成式AI，來強化市調每個環節。

用AI評估客戶需求，縮短75%報價所需時間

接市調委託時，Go Survey需要了解客戶需求，評估目標客群的尋找難易度，來決定報價。過往，報價只能憑藉Go Survey人員的專業經驗及資料蒐集能力，可能有金額評估與過往案件不一致的風險。不只如此，當題目較陌生，他們還需花費時間與心神，先深入研究，才能報價。

為降低人為偏誤風險及陌生題目研究時間，他們利用GPT-3.5模型和RAG技術，打造出自動報價系統。此系統可以分析過往報價資料，來讓報價金額相對一致。遇到過往市調不常處理的題目時，也能自動上網查找資料，來協助報價人員判斷。報價系統不只會給出建議金額，更會列出完整報價思路，供報價人員及客戶了解。

此系統上線後，Go Survey不僅在接案時，對於報價人員領域專業要求降低，更使整體報價作業時程從2天縮短到半天。

完善問卷題目，降低2成問卷設計時間

儘管有既有題型模板，不過由人工來設計問卷題目時，難免基於個人觀點不夠全面，而遺漏部分詢問角度。Go Survey利用Claude模型加上RAG技術，打造GenA問卷設計助手來補足這個缺漏。

此助手能根據過往問卷模板及當前市調主題，快速建議問卷題目。黃士峰說，這個做法不僅能使題目角度更周全，在市調主題相對陌生時，還能幫助問卷設計人員聚焦題目方向。不只如此，相較純人工，使用此助手能節省20%問卷設計費時。

精準挑選調查對象，找足樣本數，更使問題能更聚焦

挑選調查對象環節，Go Survey則利用傳統ML機制來協助。他們利用自家顧客特徵資料庫來訓練ML模型，來挑選出適合市調主題的調查對象。若樣本數不夠，還會再使用Amazon Personalize上的相似受眾尋找功能（Look-alike），挑選出更多屬性相似的調查卡友，作為調查對象。

這種做法不只可以找出符合調查需求的樣本數，還能提升有效問卷回收率，以及促使問卷設計更聚焦。黃士峰說明，當挑選調查對象的精準度夠高，問卷問題能省去「確認性問題」，也就是確認調查對象確實符合主題需求的問題。如此，便能詢問更聚焦、更深入的問題，同時提升調查對象填寫問卷的體驗。這種做法，提升了20%有效問卷回收率。

用AI彙整開放式答題內容，減少8成整理時間

問卷系統雖然能快速整理選擇題，但傳統上，面臨開放式問答題，仍需人工一筆筆判讀錯別字與名字翻譯差異，並彙整答覆內容。Go Survey利用Claude 3模型，結合RAG技術，存取自家資料庫內的產品及品牌名稱，來解析及彙整這類答題。

黃士峰說，這個做法看起來簡單直觀，但帶來巨大效益，使判讀及彙整開放式問答內容作業減少8成費時。

結合問卷外資料來產出更全面的分析報告，創造更多商機

黃士峰說，起初Go Survey嘗試使用AI與生成式AI，只是希望可以增加效率、節省人力。不過，隨著他們應用方法更加成熟，發現不只能減少作業成本，甚至可以創造出新的價值和商機。

AI製作問卷調查報告就是最好的例子。過往，問卷報告大多只能針對問卷問答來彙整、分析。Go Survey則進一步利用判斷式AI及生成式AI，結合問卷外資料，產出更詳細、更全面的報告。

例如，他們會結合Happy Go卡友相關消費行為，來產生出調查對象的顧客輪廓（Persona）。甚至可以根據分析結果來建議客戶，如何透過Happy Go其他服務，來進行導購、行銷等後續行動。黃士峰說，這種做法不只大幅提升客戶滿意度，也為他們其他帶來更多業務機會。