Marketing Research in The 21st

e-ISSN: 2177-5184
DOI: 10.5585/bjm.v17i5.4173
MARKETING RESEARCH IN Received on:

05/29/2018
THE 21ST CENTURY: Approved on:

08/30/2018
OPPORTUNITIES AND Responsible Editors:
CHALLENGES Prof. Dr. Marcelo Luiz Dias da Silva Gabriel
Prof. Dr. Dirceu da Silva
Evaluation Process:
Joe F. Hair, Jr.
University of South Alabama Guest Paper
Dana E. Harrison
East Tennessee State University
ORCID: 0000-0002-7250-9522
Jeffrey J. Risher
University of West Florida
ORCID: 0000-0002-0359-2668
Abstract
The role of marketing is evolving rapidly, and design and

analysis methods used by marketing researchers are also
changing. These changes are emerging from
transformations in management skills, technological
innovations, and continuously evolving customer
behavior. But perhaps the most substantial driver of these
changes is the emergence of big data and the analytical
methods used to examine and understand the data. To
continue being relevant, marketing research must remain
as dynamic as the markets themselves and adapt
accordingly to the following: data will continue
increasing exponentially; data quality will improve;
analytics will be more powerful, easier to use, and more
widely used; management and customer decisions will
increasingly be knowledge-based; privacy issues and
challenges will be both a problem and an opportunity as
organizations develop their analytics skills; data analytics
will become firmly established as a competitive
advantage, both in the marketing research industry and
in academics; and for the foreseeable future, the demand
for highly trained data scientists will exceed the supply.
Keywords: Big Data. Data Analytics. Data Quality.

Marketing Analytics. Marketing Research.
__________________________________________________________________________________
Brazilian Journal of Marketing - BJM
HAIR/ HARRISON 666 Revista Brasileira de Marketing – ReMark
RISHER São Paulo, Brazil. Special Issue v.17n.5. October 2018
Marketing Research in the 21st Century: Opportunities and Challenges
_______________________________________________________________________________
Marketing Research in the 21st Century: problems and opportunities. Similarly,

Opportunities and Challenges Erevelles, Fukawa and Swayne (2016) identify
propositions that examine big data solutions to
The role of marketing for consumers various marketing activities, as well as how
and businesses is rapidly evolving (Ferrell, these findings can be applied to develop
Hair, Marshall & Tamilia 2015). Indeed, the sustainable competitive advantages. Syam and
marketing function is fundamentally changing Sharma (2017) highlight the importance of
as a result of the digital transformation, data, understanding how machine learning (ML) and
data analytics and most recently, personal artificial intelligence (AI) can advance
mobile devices, such as infusion software, marketing research, and Abadular et al. 2017)
which track time as individuals work or play, propose ways to apply AI and neural
can search for local businesses or customers networking. Thus, as these and other parallel
while in a coffee shop, send an invoice or quote developments are applied to expand our
from a client’s office, and much more (Shah et knowledge of marketing and consumer
al 2014). Marketing research design and behavior trends, businesses can more
analysis methods are also changing rapidly effectively meet consumer needs and reduce
(Hair, Black, Babin & Anderson 2019). These information overload.
changes are emerging from transformations in The purpose of this article is to suggest
management skills (Henke, Levine & how emerging market trends, and particularly
McInerney 2018; Davenport 2018), those in marketing, are likely to impact
technological innovation, particularly in the marketing research. First, we will explore the
digital space (Davenport 2018), and emerging role of the marketing function that is
continuously evolving customer behavior developing from new business models. Second,
(needs and expectations) (Wedel & Kannan we will examine the implications of this change
2016). To continue being relevant, marketing on academic marketing research. Finally, we
research must remain as dynamic as the will address transformations that are likely to
markets themselves. continue evolving in the future.
At the same time, academic research is
increasingly applying advanced analytic tools Emerging Role of Marketing and
and algorithms (Erevelles, Fukawa & Swayne Marketing Research
2016; Syam & Sharma 2017, Wedel & Kannan
2016; Petrescu & Krishen, 2017), and even Numerous developments are
artificial intelligence in combination with influencing marketing, and thereby marketing
neural networking (Ababukar et al. 2017). Just research. Among the most important
as advanced analytics is providing key developments are the following:
competitive advantages in industry practices, it
also is forcing rapid changes in social sciences Modern Markets
academic research (Krishen & Petrescu 2018).
Directions for research, particularly Perhaps one of the most important
marketing and related social sciences, include trends impacting marketing research is
applications of advanced analytics techniques internet-based markets. Business models such
and technologies. Wedel and Kannan (2016), for as the sharing economy or digital matching
example, suggest how machine learning firms have emerged from advanced technology
methods and cognitive computing technologies platforms and become highly successful,
can be applied to better understand marketing
__________________________________________________________________________________
HAIR/ HARRISON
667 Revista Brasileira de Marketing – ReMark
São Paulo, Brazil. Special Issue v.17n.5. October 2018
RISHER
_______________________________________________________________________________
digitally connected marketplaces (Harrison & their personal data, or to use their mobile phone
Hair 2017). Examples include internet-based to search for and purchase groceries, or almost
companies such as Uber, Amazon, Airbnb, any other product or service they want.
Salesforce and Netflix that have forged
successful new business models, ultimately Emergence of Big Data
revolutionizing industries. While these
developments have been gradually Companies and customers are
materializing over the last 20 years, their full producing large amounts of data from various
impact is now becoming evident. touchpoints. On the customer side data is
Customers and companies have captured through heavily promoted omni-
collectively become less averse to risks often channel experiences. As examples, consider
associated with online transactions, and this has Target’s buy online and immediate pickup in
fueled growth among these emerging business store, Amazon’s prime membership and
models. Furthermore, dynamic customer associated sales and shipping relationships, or
behavior and market changes have contributed FedEx’s use of blockchain methodology for
to the need for greater convenience and more managing customer dispute data and as an
personalized experiences than initially offered efficient method for tracking packages, all are
through online markets. For example, faster producing mountains of useful information for
moving trends in clothing fashions and fads is both business and consumer sides of
one of many market developments that can be transactions. Perhaps the most pervasive data
attributed to the capabilities of internet-based collector is Google, which has trackers on
products and services. But there are many other almost 80 percent of all websites (except China,
examples. In essence, innovative companies where Google withdrew because they refused
have developed and mastered value to permit censoring of information). Similarly,
propositions that more effectively respond to on the B-to-B side General Electric and Boeing
market opportunities, and more closely fulfill are installing sensors in jet engines, robots are
customer wants and needs. being coordinated to manufacture many
A critical component that has emerged products, such as autos and airplanes, sensors
along with these new value propositions is are enabling vehicle brands such as Volvo,
digital data, which has enabled both businesses Tesla, Mercedes, BMW, and others to market
and consumers to not only be more informed self-driving cars, and many other distribution
than ever before, but also to sell and seek almost and manufacturing innovations, all of which
all products and services completely online. For are also collecting data across the entire
example, if you have a My Google account it is manufacturing and distribution ecosystem to
tracking your activities 24/7. One individual generate actionable and valuable insights. As a
checked the number of items tracked over a result, companies can better manage
period of time and found that on average, more production, understand and respond to
than 200 activities were added to their My customer requirements, and add value. With
Google account per day, which is more than this emerging resource of data, they can more
73,000 per year. Who would have thought a few intelligently manage their businesses, improve
years ago that individuals would not only be response times, promote innovation, reduce
sharing their personal data, but bicycles and costs, and boost revenues and profits.
cars instead of buying them, not to mention Data changes power within the
being willing to give organizations such as organization. Today only about five percent of
Google or Facebook access to huge amounts of the U.S. economy is the data economy – small
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
now but the percent is expanding customer lifetime value, drivers of customer
exponentially. In the past, data was the loyalty, and so forth.
responsibility of the Chief Information Officer
(CIO), a staff position. Last year (2017) in the Transformative Marketing
U.S., for the first time more of the information
technology budget was spent by line managers As the amount, type (structured and
than CIOs. For CIOs, the security of data unstructured), and complexity of data changes,
systems is a priority. In contrast, CMOs and so do the methods of research necessary to
CFOs care about business execution. The support these developments. The variety,
Equifax data breach of 2017 was likely a result velocity and volume of data stems from
of this transition in responsibility for data changing marketing environments, emerging
security. At the same time, for individuals technology, and the lower cost of collecting and
trained in the business college it is likely storing data (Erevelles, Fukawa & Swayne 2015;
surprising that over 15 percent of CEOs are now Kumar 2018; Varadarajan 2018; Davenport
data scientists – they do not have an MBA 2018). Examples of drivers of data creation
degree! include evolving customer purchase behavior,
Data and data analytics have the the internet of things, digital wearables, the rise
potential to change the economic order of the of artificial intelligence, enhanced supply chain
world in ways that will be disturbing to many technology, and the ability to embed analytics
companies and people. Moreover, knowledge- into sales, distribution, and production
based data will likely become a source of power systems, to mention a few (Kumar 2018).
that is difficult to challenge for countries and Facebook alone has over 200 billion photos
companies lacking this knowledge and these stored in the Cloud, and more than 350 million
skills. In short, data and analytics have become new photos are uploaded every day. In
to the 21st century economies what oil was to response to these drivers, marketing strategies,
the 20th – a valuable asset essential to a better organizational decisions and performance are
economic life. It appears, therefore, that we are being revolutionized by information assets,
on the brink of a new data world, and this will analysis capabilities, and increased customer
definitely change both marketing and knowledge.
marketing research.
On the data analysis side, advanced Changing Role of Marketing Research
technology and lower costs are now capable of
storing and processing the large amounts of There is value in both traditional
data from these various interactions. Storage research approaches that examine, for example,
costs of one megabyte of information, for hypotheses derived from practice and theory,
example, have dropped from $15.00 U.S. in as well as predictive analytics that commonly
1992, to less than 10 cents U.S. for one megabyte emphasize solving business problems with data
in 2017. But, as more data is produced and (Babin, Griffin & Hair 2015; Delen & Zolbanin
stored, there is a greater need to apply 2018). Indeed, tools and techniques are
advanced marketing analytics methods to gain increasingly available that inform different
a more sophisticated understanding of the data, levels of sophisticated intelligence (Davenport
not only related to what is selling and through & Harris 2017). These tools and techniques
which channels, but to produce improved range from simple spreadsheet analyses used
measures of return on marketing investments, by companies to understand how many, how
often or why something occurred, to predictive
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
tools that help to explain and forecast what is Data used in descriptive analytics can
likely to happen, and automated machine be found within and external to the
learning tools that are applied to obtain insights organization. Companies often collect data on a
from data. In short, all levels of sophistication regular basis regarding customers and
offer the potential for competitive advantages competitors, but also use data from external
(Davenport & Harris, 2017). But increasingly sources such as data.com. Although the amount
companies must adopt and rely on the more of internal data is much easier to collect at this
sophisticated tools available. What is often point, it is likely that the future will bring
overlooked, however, it that machine learning, advanced technology resources that permit
increasingly coupled with artificial intelligence, organizations to more efficiently collect data
often requires human intervention to execute from external sources.
and complete the analyses. Thus, the role of
marketing researchers will both expand as well Predictive Analytics
as increase in complexity, requiring much more
advanced training. Advanced technology combined with
The following paragraphs provide an complex algorithms facilitates predictive
overview of how three marketing research analytics approaches. These emerging
approaches – descriptive, predictive and techniques examine mountains of data to
prescriptive analytics – are evolving and promote narratives for more effectively
changing. assessing opportunities as well as predicting
future developments. In short, predictive
Traditional Descriptive Analytics analytics applies modeling tools to data to
predict future market developments and trends
Traditional research often uses (Davenport & Harris 2017). Researchers have
descriptive and diagnostic methods. This type categorized predictive analytics into two
of research is more explanatory and categories: regression techniques and machine
confirmatory in nature (Sivarajah, Kamal, Irani learning techniques (Gandomi & Haider 2015),
& Weerakkody 2017). For example, key both of which are increasingly core elements of
performance indicators (KPIs) provide real- marketing research programs.
time dashboard visualizations for While predictive analytics typically
understanding how effective and efficient the requires some level of human intervention,
company is in achieving business objectives there is often flexibility in the level of
such as sales performance, inventory control involvement (e.g., selecting target variables,
management or supply chain responsiveness. developing theoretically derived models,
Although valuable as historical metrics, this permitting the data to tell a story). Big data
confirmatory feedback offers only limited obtained from many sources, potentially
predictive insights as to whether future results containing thousands and even millions of
will be similar. But it will continue to be very driver variables, is analyzed using hundreds of
useful for marketers as a means of monitoring analytical models. But this type of modeling
day-to-day operations, and marketing presents substantial challenges compared to
researchers will need to provide support for traditional methods (Davenport & Harris 2017),
better understanding and explaining market and requires more knowledgeable data analysts
developments, as well as suggesting innovative than in the past. For example, with many
ways to apply this information. sources and types of data (both structured and
unstructured) integrated into a single database,
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
it is virtually impossible to hypothesize every marketing researchers to determine optimal

possible relationship. According to Peter behaviors and evaluate the eventual business
Norvig (2009), Google’s Research Director, the impact (Davenport & Harris 2017; Sivarajah et
large amount of data and resulting complexity al. 2017). To accomplish this, prescriptive
of the relationships often make it advantageous analytics experiments with and optimizes
for computers to derive models from the data, various scenarios at an accelerated rate, and is
versus having humans initially spend time at less risk for subjective human interpretation
using scientific approaches to identify possible (Davenport & Harris 2017). This may be good if
models. Computers, therefore, explore the data the analytics work well, but may not be so good
to locate hidden relationships that otherwise otherwise. Thus, prescriptive analytics while
often would not be identified, and then develop not completely autonomous at this point can
predictive models that support tentative produce implications and generate
conclusions and facilitate strategic decision- recommendations. As one example, FleetPride,
making. a provider of truck and trailer parts for
Predictive analytics is increasingly customers across many industries, found
being applied in the corporate sector as well. success in implementing prescriptive analytics.
Not only by the largest companies but now Using solutions offered by IBM, results
some middle sized ones are using predictive provided supply chain managers with insights
analytics, But to do so still involves to operate seamlessly; allowing the company to
considerable human intervention from optimize distribution networks, increase the
marketing and data analysts. Competent speed of inventory flow and reduce warehouse
individuals must be able to select the packing errors. Although the number of
appropriate analytical method, and when organizations using prescriptive analytics is
solutions are identified someone has to growing, it is difficult to know the level of
interpret them in terms of logic, relevance to adoption. Unfortunately, it isn’t uncommon
business problems, and ultimately strategic where adoption has occurred in departmental
value. The problem is there are not enough or unit silos, that others throughout the
qualified data scientists to make these organization are often unaware that
decisions. McKinsey estimates the U.S. alone prescriptive analytics has been implemented
faces a shortage of 140,000 to 190,000 people (Rossi 2015). Of course, the key to successful
with analytical expertise, and 1.5 million prescriptive analytics relies, as with predictive
managers and analysts with the skills to analytics, on the skills of the data scientists
understand and make decisions based on the executing it, and there is a global shortage of
analysis of big data. In response to this need, trained individuals in this area as well.
U.S. universities have added more than 100
data analytics bachelor’s degree programs in Where does Marketing Research go from
the past five years, with more being added here?
every year.
Sophisticated tools and techniques are
Prescriptive Analytics being readily adopted in market research
practice, with budgets increasingly dedicated to
Prescriptive analytics is an advanced the purchase of advanced analytics solutions
level of analytics that examines what should be (Mela & Moorman 2018). With the constantly
done or what can be done to make something evolving data inputs (e.g., technologies), data
happen. Prescriptive analytics enables types (e.g., unstructured data) and changing
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
customer behavior, it’s important for marketing have relied on do it yourself, online survey
research to remain managerial relevant and methods such as Qualtrics, Google Survey,
timely. Several relevant questions are to what Mechanical Turk, and Survey Monkey
extent should marketing researchers and data (Hulland & Miller 2018). Companies and
scientists allow these new analytical tools to researchers alike are capitalizing on the digital
develop models and outputs without first transformation to reach survey participants via
developing theoretically derived hypotheses? online platforms. Online platforms have
Where is the place in marketing research for the provided convenient access to business and
integration of predictive and prescriptive tools? consumer samples that were difficult, costly
How could this method develop new theories and often impossible to reach. Unfortunately,
and add value to the field? How can marketing populations are being over surveyed resulting
research apply software such as SAS/STAT for in refusals to respond, and the proportion of
predictive modeling, LIWK for text analysis, survey-based papers has started to decline
social media network analysis tools such as (Hulland, Baumgartner & Smith 2018). Another
NodeXL or machine learning tools such as issue noted by numerous social sciences
DataRobot? How are artificial intelligence (AI) disciplines, and particularly management and
solutions be applied, such as Salesforce Einstein supply chain groups, is single respondent
that not only offers predictions but also makes survey designs. In this type of design, the same
recommendations on how to respond to survey respondent answers questions related to
customers, impacting salesforce capabilities? both the independent and dependent variables,
Marketing research must remain cognizant of producing what is referred to a common
the evolution in big data and analytics, methods bias (Krause, Luzzini & Lawson 2018;
understand how and when to use these Kull, Kotlar & Spring 2018; Flynn, Pagell &
methods in research, and maintain pace with Fugate 2018; Roh, Whippe & Boyer 2013). Other
managerial priorities in practice. disciplines, including marketing, have raised
similar concerns and are suggesting designs
Changes in Methodology and Research that combine secondary data with primary data
Design as a solution. Unfortunately, to date no method
of precisely measuring the extent of common
Parallel to the evolution in advanced methods bias in survey designs has been
techniques and tools, we are also witnessing developed.
changes in research designs and
methodologies. Shift Towards Objective Data
The Use of Survey Data With the emergence of digital data, and
lots of it, researchers have shifted toward
In the 1980s more than 2/3 of scholarly collecting objective, secondary data. Archival or
published papers were survey or interview proprietary information, such as historical data,
based. But by 2013, the number of survey-based is readily available to researchers (Verma,
published papers in the three top marketing Agarwal, Kachroo & Krishen 2017). Using
journals [Journal of the Academy of Marketing historical data, event studies (Sorescu, Warren
Science (JAMS), Journal of Marketing (JM), and & Ertekin 2017) can examine the long-term
Journal of Marketing Research (JMR)] was only impact of a particular decision on the firm.
about 1/3 (Hulland, Baumgartner & Smith Businesses and researchers alike are focused on
2018). To collect data, researchers increasingly predictive and prescriptive strategies,
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
enhanced by artificial intelligence (Huang & extend their expertise in segmentation,

Rust 2018) and machine learning (Antons & customers’ level of engagement and experience,
Breidbach 2018). To some extent, these social networking and sentiment analysis,
techniques are capable of producing self- which also creates expanded opportunities for
correcting analyses, while others such as market researchers.
mathematical optimization, “determine the best
solution to mathematically defined problems” Greater Focus on Relevance and Rigor
(Snyman 2005). In consumer markets, for
example, digitalization has facilitated the As data and analytical methods become
availability of physiological data. In fact, across more complex, marketing research is also
the board more technical research methods experiencing a shift toward more rigorous
include biometric and neurological focused techniques. Researchers should use every
data (Chan, Boksem & Smidts 2018; Harris, reasonable approach to disprove their
Ciorciara & Gountas 2017). These techniques, hypotheses versus feeling it necessary to
initially emerging in economics, finance, statistically support hypotheses to make a
computer science and medical research, are contribution (Babin, Griffin & Hair 2015). For
now becoming more prevalent and infused in example, endogeneity, statistical power (effect
marketing research, and the social sciences in size), external validity and predictive relevance
general. As we look to the future, these evolving play an important role in the accurate
research methods will become a critical assessment of relationships between exogenous
resource in the dynamic and ever changing (independent) and endogenous (dependent)
business-to-business and consumer markets. variables.
For many years, marketing researchers
The Rise of Unstructured Data have examined observed heterogeneity.
Observed heterogeneity is based on the
Digital marketing through areas such knowledge that subgroups of populations
as social media has produced substantial likely exhibit differences, and also that these
unstructured content (Balducci & Marinova differences are known when the research is
2018) that can be submitted to text analysis designed and conducted. For example, male
(Humphreys & Wang 2017), and increasingly and female consumers often exhibit different
coded for quantitative modeling. In fact, the search and shopping patterns, and ultimately
conversion of unstructured data for purchase behavior. For consumers, observed
quantitative analysis is expanding rapidly since heterogeneity typically has been based on
90 percent of all data is unstructured. demographics. For organizations, observed
Unstructured data includes tweets, photos, heterogeneity has been based on company size,
service call logs, blogs, customer complaint and product or service offerings, convenience, and
comment data, customer purchase behavior, so forth. More recently, technology has enabled
and so forth, all of which has to be analyzed and data analysts to examine the possibility of
coded before being submitted to quantitative unobserved heterogeneity, or that populations
data analytics software. Programs such as consist of subgroups of the population that are
NodeXL an LIWC are used to enhance not easily observable. Knowledge regarding the
quantitative modelling (Harrison, Ajjan & presence of unobserved heterogeneity is critical
Coughlan 2018). Through the collection and in today’s empirical studies, and if not explored
analysis of unstructured data, such as digital it potentially threatens the validity of
text or comments, companies and researchers measurement and structural models examined
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
when applying both descriptive and predictive relationships (Hair, Sarstedt, Ringle & Mena
analytics (Becker, Rai, Ringle & Volckner 2013; 2012). Another increasingly popular software is
Sarstedt & Ringle 2010; Hair, Matthews, R, which is widely used among statisticians and
Matthews & Sarstedt 2017). Both industry and data scientists to execute data analysis.
academic researchers are rapidly making Unfortunately, it is not very user friendly but is
strides to develop advanced statistical analyses open source and free.
that effectively address potential reliability and If moderators are unknown ahead of
validity issues. time, this type of analysis becomes more
Although these issues have long been a difficult. Often, clusters appear which have
concern in marketing research, enhanced similar values for certain variables. These types
statistical methods enable researchers to of groups cannot be accurately defined by any
address them more rigorously (Hult, Hair et al. particular demographic or descriptive data
2018; Worm, Bharadwaj, Ulaga & Reinartz variable. This type of moderation can be
2017). Regression based analyses function on difficult to predict or even identify. In these
the assumption of minimal multicollinearity. At cases, prediction-based techniques should be
the same time, however, moderation occurs used to identify segments that may be creating
when two or more factors covary enough to unexplained heterogeneity. In addition, several
alter the impact on the outcome. If the statistical software packages offer researchers
moderation is known or suspected, it can be the opportunity to further verify external
tested with either continuous or categorical validity and predictive relevance
variables. This is particularly useful for (www.smartpls.de, www.r-project.org;
identifying hygiene variables or boundary Schmueli, Ray et al. 2016).
conditions. Focusing on PLS-SEM, researchers have
Academicians and practitioners are proposed the methodological application of
increasingly using sophisticated software to prediction-oriented segmentation (PLS-POS)
execute predictive analytics. One example, the and finite mixture partial least squares (FIMIX-
SmartPLS software (www.SmartPLS.de) is PLS) segmentation as methods to overcome
cutting edge in terms of analytics, and a prior limitations of identifying unobserved
preferred option for many scholars and heterogeneity. Other heuristic techniques
practitioners because it is very user friendly. should be used when the heterogeneity found
The software executes multi-group analysis in in these effects is sequential. This goes far
SmartPLS and can be used to examine observed beyond longitudinal analysis, and often this
heterogeneity, in which known groups are type of variance results from nested effects, due
proposed to behave differently (e.g., to the order of effects, seasonality, grouping,
female/male comparisons; large/small etc. Traditionally, HLM has been used to
businesses), as well as unobserved identify these in econometrics. In machine
heterogeneity (Sarstedt et al., 2017; Hair et al., learning, Bayes theorem is used to overcome
2016; Matthews et al. 2016). Multi-group the cross sectional nature of these situations.
analyses (MGA) assist researchers in Bayes theorem assumes that error terms vary
discovering if differences exist in the parameter depending on the situation or order of the
estimates (e.g., outer weights, outer loadings effects. Bayesian modeling uses what is known
and parameter estimates) of pre-defined data to predict the unknown. Furthermore, Markov
groups (Matthews, Hair & Matthews 2018). In Chain Monte Carlo (MCMC) modeling, such as
PLS-SEM, MGA is beneficial in efficiently Bayesian techniques, consists of algorithms
examining moderation across multiple focused on probability distributions for large
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
multi-dimensional, hierarchical models and big data and its impact. It was then when the
unknown parameters. The method is first attempts to quantify the growth rate in data
advantageous when a high level of uncertainty began, and for the next 50 or so years this trend
exists and historical information is scarce, and was referred to as the “information explosion”.
can be used to investigate information across At about the same time (1941), the Oxford
multiple sources of data (Rossi & Allenby 2003). English Dictionary for the first time included
The use of Bayesian methods has increased in the term information explosion in its list, and
parallel with the digital transformation driven many other data terms have been added since.
by internet use. Among the first business authors to
Marketing research, particularly write about this phenomenon was Tom Peters
academic, has welcomed the adoption of in his 1991 book titled Thriving on Chaos. While
Bayesian techniques and applied the method to his book predicted many broad economic
address many aspects of marketing (Rossi & changes occurring at that time, the phrase most
Allenby 2003) such as advertising (Agarwal, relevant to big data was We are drowning in
Hosanager & Smith 2011), customer choice information and starved for knowledge. He went on
(Chung, Rust & Wedel 2009) and customer to note that the difference in information and
relationships (Netzer, Lattin & Srinivasan knowledge is that information consists of only
2008). Although data is plentiful, digitalization words and numbers that may be interesting, but
has magnified the unknown in consistently they are not useful for decision-making.
evolving, dynamic environments. Moreover, the thinking in that day was that
perhaps only five percent of all information was
Concluding Observations knowledge and the challenge was to convert
more of the available information to
As should be evident, much has knowledge. Peters and others believed that
changed in marketing and marketing research would be possible if they created awareness of
in the past few years. Many more changes are this problem, but they did not foresee the
anticipated in the next few years. The following impact of the internet and particularly the
summarizes our thoughts about future emergence of digital data.
developments. Predictions of the future are In the late 1990s the book titled How
clearly risky. Many intelligent individuals have much information is there in the world?, by
attempted to forecast the future – and often Michael Lesk (1997), concluded that “There
been proven wrong. Our thoughts are based on may be a few thousand petabytes of
what we believe is sound reasoning, but like information all told; and . . . in only a few years
others in the past it is unlikely that our thinking . . . we will be able [to] save everything–no
will be entirely as it appears to us today. We do information will have to be thrown out, and . . .
believe that we are mostly correct and ask that the typical piece of information will never be
you view our thoughts as at least directional – looked at by a human being.” By this time
as we are confident about the direction but not scholars and practitioners were clearly aware
necessarily the specifics. not only of the huge amounts of data being
produced, but also the importance of data
Data Will Continue Increasing Exponentially analytics, and particularly the role of machine
learning in analyzing the available data. Of
The first discussions of the rapid course, the data scientists were also developing
expansion of data began at least 70 years ago, new terms in an effort to clarify how one could
well before the current widespread interest in measure the large amounts of data, and began
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
using words like terabyte, petabyte, exabyte, and digital data in only a few instances. But
zettabyte, and finally yottabyte – with each there are increasingly substantial opportunities
succeeding term referring to an amount 1,000 to access this type of data, particularly in
times larger. According to a Forbes report, the marketing, and as data increases exponentially
total amount of information in 2013 was 4.4 so will opportunities for academicians to
zettabytes, and by 2020 the amount of data will pursue these opportunities. At the same time,
reach 44 zettabytes (Kanellos, 2016). For the marketing research texts must also undergo
layman, 44 zettabytes means little, but for the major revisions since most include only limited
data scientist it clearly indicates a huge amount material on data analytics, or even on the
of data. Of course, this and other estimates are explosion of secondary and digital data.
just informed predictions but the direction and
amount of increase in data accumulation and Data Quality Will Improve
storage is unquestionably correct.
As noted, we believe data will continue All aspects of both academic and
to increase exponentially, and this clearly will practitioner research are being impacted by the
impact both market research practitioners and availability of data and the advances in data
scholars. Practitioners must help organizations analytics. One area impacted is data
to understand and respond effectively to this examination, and as data examination is
glut of data. They must advise marketers on implemented in organizations it will improve
which data is relevant and which can be data quality and ultimately the success or
dismissed. Beyond that, marketing researchers failure of the research effort. While many
will need to be more effective in informing researchers continue to operate with primary
marketing managers on how the data can be data, both qualitative and quantitative, many
used, and what data will be most helpful. The others increasingly are dealing with widely
bulk of data available now and in the future will disparate data sources (e.g., customer-level
be secondary and digital. This is in stark data within multiple divisions of firms, social
contrast to the past, in which marketing media and other digital data, locational data,
researchers collected primary data and etc.) that have different data structures and
controlled what type of data would be collected formats. Expanded data examination, often
in hopes that it would be directly and referred to as data cleaning, is necessary and
immediately applicable to problems will improve data quality and thus results.
confronting their customers. With the increase Another evolving area, and one that is
in secondary data, marketing researchers must likely the most challenging of the big data era,
help organizations sift through the mountains is data management – organizing, cleaning and
of data and determine what is relevant and coding the data from multiple sources and in
what is of little or no value. Moreover, going multiple formats to prepare for analysis. Many
forward longitudinal data will be available to researchers think the primary question is which
conduct retrospective analyses, as well as technique to use, and do not realize that the
prepare more effective forecasts. type of data often dictates the selection of the
Marketing scholars must follow a technology and analysis technique. In most
similar path – determining and gaining access instances, what precedes and dictates the
to secondary data that is relevant to their appropriate analysis technique is the
research and will enable them to publish in management of data from multiple sources,
quality peer-reviewed journals. Academicians which can easily take 50 percent or more of the
have thus far accessed and applied secondary
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
total time for completing a data analytics Decisions will Be More Knowledgeable
project.
Combining and managing data from Both management and customer
multiple sources becomes complex very decisions will increasingly be knowledge-
quickly. What may seem like a simple merging based. The era of big data has provided new
of data can be very difficult when the analyst and varied sources of data, and has placed
has to extract the data from multiple databases, additional requirements on the analytical
matching formats and timeframes and many techniques that must handle these data sources.
other required adjustments. And since 90 There are, therefore, unique challenges facing
percent of data is often unstructured, this task today’s analyst with the many issues in big data
is clearly daunting. Therefore, academic and and analytics. We believe with an expanded
practitioner researchers in all fields will have to focus on data challenges and data analytics,
become “data managers” along with being data data scientists will be able to create awareness
analysts. and motivate management to invest in these
promising developments. If this happens,
Data Analytics Will Improve marketing research and business decisions in
general will be based on better data and more
A primary force behind the widespread effective analytical techniques, and thus be
application of data analytics is the potential more knowledge based. Clearly, the
improvement in decision-making. Improved organizations and individuals that move the
data analytics will benefit practitioners and quickest in these emerging areas will acquire
academics, as well as governments and for- and establish true competitive advantages in
profit or non-for-profit organizations. But to the marketplaces of tomorrow.
realize these benefits analysts will need to be
more involved in providing critical inputs on Privacy Issues and Challenges
what data to collect, in what format, how to
manage and combine the data, and ultimately In his book The Assault on Privacy,
selecting the best analytic technique. Arthur Miller (1971) noted that “Too many
Unfortunately, to date academicians information handlers seem to measure [an
have been slower in adopting and applying big individual by] the number of bits of storage
data and data analytics into their research. capacity [their] dossier will occupy.” Today, in
Some disciplines in the sciences (biology, advanced economies data exists on everyone
biomedicine, and neuroscience) are moving and has grown in exponential size due to digital
faster in adopting data analytics, but the social records. Increasingly, however, government
sciences are beginning to recognize the implemented policy changes are impacting the
potential of more complex analytical methods. way we collect, access, store and use data. On
These enhanced analytics methods make it the heels of the Cambridge Analytica’s
possible for additional types of research information security issues involving Facebook,
questions to be examined and new challenges to two consumer privacy laws have been or are is
be overcome. As marketing research academics in the process of being adopted – the General
and practitioners become more aware of these Data Protection Regulation (GDPR) and the
opportunities, in both data and techniques, California Consumer Privacy Act, A.B. 375
their utilization will increase, hopefully sooner were developed to provide greater control to
rather than later. customers of data that was collected on them.
As a result, companies must now increase
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
controls and transparency of how data is only their research questions more broadly, but
collected, what data is collected, why data is also the scope of their responsibility in leading
being collected, who has access to the data and the way to more effectively use data to solve
how companies are using the collected data. business problems. The successful utilization of
Marketing researchers are also required to data analytics will be influenced substantially
comply with these regulations as they face the by the analysts and the decisions they make not
same rules in collecting, securing and only in informing senior managers of the
distributing identifiable data. potential of data analytics, but also in the
selection and application of the techniques to
Data Analytics Capabilities Are An Important use moving forward.
Competitive Advantage According to the Study Portals website,
in the U.S. there are slightly more than100
Data is only as good as the intelligence bachelor’s degree programs with a
we can glean from it, and that entails effective concentration in data analytics. This number
data analytics and a whole lot of computing needs to be five and perhaps ten times that
power to cope with the exponential increase in many – and similar changes must follow
the volume and type of data. Most all globally. But an even greater need exists for
organizations (large, medium, and even small) master’s degrees in data analytics (only about
can apply data analytics to improve 40 are offered in the U.S.) since being a data
manufacturing, supply chain, management and scientist requires substantial training.
marketing activities, and to be more efficient Universities globally need to move quickly to
and effective in achieving organizational goals. train these data scientists to meet not only the
While the application of data analytics is current demand, but to continue producing
producing useful findings in the fields of what will be a substantial and expanding need
agriculture, healthcare, urban design, crime for data scientists in the future, particularly in
reduction, and energy, along with business in the field of marketing research.
general, much remains to be done. The field of
analytics is evolving quickly and more References
opportunities are emerging to apply the new
sources of data and the additional, more Abubakar, A.M., Namin, B.H., Harazneh, I.,
sophisticated methods of analysis. The speed of Arasli, H., & Tunç, T. (2017). Does gender
adoption and application to decision-making moderate the relationship between
will clearly influence the acquisition of favoritism/nepotism, supervisor incivility,
competitive advantages, but the leaders in this cynicism and workplace withdrawal: A neural
field will accrue the advantages, and their network and SEM approach. Tourism
advantages could become insurmountable for Management Perspectives, 23, 129-139.
the laggards.
Antons, D., & Breidbach, C. F. (2018). Big data,
Demand for Trained Data Scientists Will big insights? Advancing service innovation
Exceed Supply and design with machine learning. Journal of
Service Research, 21(1), 17-39.
More universities need to become
involved in training new data scientists. Agarwal, A., Hosanagar, K., & Smith, M. D.
Training and awareness of big data and data (2011). Location, location, location: An analysis
analytics will encourage analysts to define not of profitability of position in online advertising
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
markets. Journal of marketing research, 48(6), Erevelles, S., Fukawa, N., & Swayne, L. (2016).
1057-1073. Big Data consumer analytics and the
transformation of marketing. Journal of Business
Bachelor's Degrees in Data Science & Big Data Research, 69(2), 897-904.
in the United States,
https://www.bachelorsportal.com/study- Flynn, B., Pagell, M., & Fugate, B. (2018).
options/269779226/data-science-big-data- Survey Research Design in Supply Chain
united-states.html, accessed August 2018. Management: The Need for Evolution in Our
Expectations. Journal of Supply Chain
Balducci, B., & Marinova, D. (2018). Management, 54(1), 1-15.
Unstructured data in marketing. Journal of the
Academy of Marketing Science, 46(4), 1-34. Gandomi, A., & Haider, M. (2015). Beyond the
hype: Big data concepts, methods, and
Becker, J. M., Rai, A., Ringle, C. M., & analytics. International Journal of Information
Völckner, F. (2013). Discovering unobserved Management, 35(2), 137-144.
heterogeneity in structural equation models to
avert validity threats. MIS Quarterly, 37(3), 665- Hair, J. F., Black, W. C., Babin, B. J., &
694. Anderson, R. E. (2019). Multivariate Data
Analysis (8th ed.). Cengage Learning, U.K.
Chan, H. Y., Boksem, M., & Smidts, A. (2018).
Neural profiling of brands: Mapping brand Hair, J.H., Matthews, L., Matthews, R., &
image in consumers' brains with visual Sarstedt, M. (2017). PLS-SEM or CB-SEM:
templates. Journal of Marketing Research. 55(4), Updated Guidelines on Which Method To
600-615. Use,” (2017), International Journal of Multivariate
Data Analysis, Vol. 1 (2), pp 107-123.
Chung, T. S., Rust, R. T., & Wedel, M. (2009).
My mobile music: An adaptive personalization Hair, J.H., Matthews, L., Ringle, C., & Sarstedt,
system for digital audio players. Marketing M. (2016). Identifying and Treating
Science, 28(1), 52-68. Unobserved Heterogeneity with FIMIX-PLS:
Part I – Method, European Business Review,
Davenport (2018) Will data scientist continue 28(1), 63-76.
to be the sexiest job? Downloaded June 2018 at
https://iianalytics.com/research/will-data- Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena,
scientist-continue-to-be-the-sexiest-job. J. A. (2012). An Assessment of the use of
Partial Least Squares Structural Equation
Davenport, T., & Harris, J. (2017). Competing on Modeling in Marketing Research. Journal of the
Analytics: Updated, with a New Introduction: The Academy of Marketing Science, 40(3), 414-433.
New Science of Winning. Harvard Business
Press. Harris, J. M., Ciorciari, J., & Gountas, J. (2018).
Consumer neuroscience for marketing
Delen, D., & Zolbanin, H. M. (2018). The researchers. Journal of Consumer
analytics paradigm in business Behaviour, 17(3), 239-252.
research. Journal of Business Research, 90, 186-
195. Harrison, D.E., Ajjan, H. and Coughlan, A.
(2018). Working paper: Understanding social
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
media sentiment, positioning and engagement: os/2016/03/03/152000-smart-devices-every-

the impact on direct selling sales performance. minute-in-2025-idc-outlines-the-future-of-
Informs Society of Marketing Science Proceedings. smart-things/.
Harrison, D. E., & Hair, J. F. (2017). The Use of Krause, D., Luzzini, D., & Lawson, B. (2018).
Technology in Direct-Selling Marketing Building the Case for A Single Key Informant
Channels: Digital Avenues for Dynamic in Supply Chain Management Survey
Growth. Journal of Marketing Channels, 24(1-2), Research. Journal of Supply Chain
39-50. Management, 54(1), 42-50.
Henke, N., Levine, J., McInerney, P. (2018). Kull, T. J., Kotlar, J., & Spring, M. (2018). Small
You don’t have to be a data scientist to fill this and Medium Enterprise Research in Supply
must have analytics role. Harvard Business Chain Management: The Case for Single‐
Review. February 05. Respondent Research Designs. Journal of
Supply Chain Management, 54(1), 23-34.
Huang, M. H., & Rust, R. T. (2018). Artificial
intelligence in service. Journal of Service Kumar, V. (2018). Transformative Marketing:
Research, 21(2), 155-172. The Next 20 Years. Journal of Marketing. 82(4),
1-12.
Hulland, J., Baumgartner, H., & Smith, K. M.
(2018). Marketing survey research best Matthews, L., Hair, J., Matthews, R. (2018).
practices: evidence and recommendations from PLS-SEM: The holy grail for advanced
a review of JAMS articles. Journal of the analysis. Marketing Management Journal, 28(1),
Academy of Marketing Science, 46(1), 92-108. 1-13.
Hulland, J., & Miller, J. (2018). “Keep on Matthews, L., Hair, J.H., Sarstedt, M., and
Turkin’”?. Journal of the Academy of Marketing Ringle, C. (2016). Identifying and Treating
Science, 46(5), 789-794. Unobserved Heterogeneity with FIMIX-PLS:
Part II – Case Study, European Business
Hult, T., Hair, J. F., Sarstedt, M., Ringle, C., Review, 28(2).
Proksch, D., and Pinkwart, A. (2018).
Addressing Endogeneity in International Mela, C.F. & Moorman, C. (2018). Why
Marketing Applications of Partial Least Marketing Analytics hasn’t lived up to its
Squares Structural Equation Modeling, Journal promise. May 30, retrieved from
of International Marketing, forthcoming. https://hbr.org/2018/05/why-marketing-
analytics-hasnt-lived-up-to-its-promise.
Humphreys, A., & Wang, R. J. H. (2017).
Automated text analysis for consumer Netzer, O., Lattin, J. M., & Srinivasan, V.
research. Journal of Consumer Research, 44(6), (2008). A hidden Markov model of customer
1274-1306. relationship dynamics. Marketing science, 27(2),
185-204.
Kanellos, M. (2016). 152,000 smart devices
every minute in 2025: IDC outlines the future Roh, J. A., Whipple, J. M., & Boyer, K. K.
of smart things. March 2016, retrieved from (2013). The effect of single rater bias in multi‐
https://www.forbes.com/sites/michaelkanell stakeholder research: A methodological
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
evaluation of buyer‐supplier literature: an overview. Journal of the Academy

relationships. Production and Operations of Marketing Science, 45(2), 186-207.
Management, 22(3), 711-725.
Snyman, J. A. and Wilke, D. N. (2005). Practical
Rossi, B. (2015), From insight to action: why mathematical optimization: basic optimization
prescriptive analytics is the next big step for theory and gradient-based algorithms.
data. February 2015, retrieved from Springer.
https://www.information-age.com/insight-
action-why-prescriptive-analytics-next-big- Varadarajan, R. (2018). A Commentary on
step-big-data-123458977/. “Transformative Marketing: The Next 20
Years”. Journal of Marketing. 82(4), 15-18.
Rossi, P. E., & Allenby, G. M. (2003). Bayesian
statistics and marketing. Marketing Verma, P., Agarwal, S., Kachroo, P., & Krishen,
Science, 22(3), 304-328. A. (2017). Declining transportation funding
and need for analytical solutions: dynamics
Sarstedt, M., & Ringle, C. M. (2010). Treating and control of VMT tax. Journal of Marketing
unobserved heterogeneity in PLS path Analytics, 5(3-4), 131-140.
modeling: a comparison of FIMIX-PLS with
different data analysis strategies. Journal of Wedel, M., & Kannan, P. K. (2016). Marketing
Applied Statistics, 37(8), 1299-1318. analytics for data-rich environments. Journal of
Marketing, 80(6), 97-121.
Sarstedt, M., Ringle, C., & Hair, J. (2017).
Identifying and Treating Unobserved White, S., (2017). What is a data scientist? A
Heterogeneity in PLS: A State of the Art key data analytics role and a lucrative career.
Review,” chapter in Recent Developments on https://www.cio.com/article/3217026/data-
Partial Least Squares Structural Equation science/what-is-a-data-scientist-a-key-data-
Modeling: Basic Concepts, Methodological analytics-role-and-a-lucrative-career.html,
Issues and Applications, H. Latan, and Richard accessed August, 2018.
Noonan, Editors, Springer International
Publishing AG, Switzerland. Worm, S., Bharadwaj, S. G., Ulaga, W., &
Reinartz, W. J. (2017). When and why do
Shmueli, G., Ray, S., Velasquez Estrada, J. M., customer solutions pay off in business
& Chatla, S. B. (2016). The elephant in the markets? Journal of the Academy of Marketing
room: Predictive performance of PLS models, Science, 45(4), 490-512.
Journal of business Research, 69, 4552-4564.
Sivarajah, U., Kamal, M. M., Irani, Z., &

Weerakkody, V. (2017). Critical analysis of Big
Data challenges and analytical
methods. Journal of Business Research, 70, 263-
286.
Sorescu, A., Warren, N. L., & Ertekin, L. (2017).

Event study methodology in the marketing
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
e-ISSN: 2177-5184
DOI: 10.5585/bjm.v17i5.4173
PESQUISA EM MARKETING Recebido em:

29/05/2018
NO SÉCULO XXI: Aceito em:

30/08/2018
OPORTUNIDADES E DESAFIOS Editores Responsáveis:
Prof. Dr. Marcelo Luiz Dias da Silva Gabriel
Prof. Dr. Dirceu da Silva
Joe F. Hair, Jr.
University of South Alabama
Processo de Avaliação:
Dana E. Harrison
Artigo convidado
East Tennessee State University
ORCID: 0000-0002-7250-9522
Jeffrey J. Risher
University of West Florida
ORCID: 0000-0002-0359-2668
Resumo
O papel do marketing está evoluindo rapidamente, e

desenhos e métodos de análise usados por
pesquisadores de marketing também estão mudando.
Essas mudanças estão emergindo das transformações
nas habilidades de gerenciamento, inovações
tecnológicas e evolução do comportamento do
consumidor. Porém, talvez, o maior condutor dessas
mudanças seja o aparecimento do big data e dos métodos
analíticos usados para examinar e entender os dados.
Para continuar a ser relevante, a pesquisa de marketing
deve permanecer tão dinâmica quanto os mercados e se
adaptar de acordo com o seguinte: os dados continuarão
crescendo exponencialmente; a qualidade dos dados irá
se aprimorar; analytics (inteligência analítica) será mais
poderosa, fácil de usar e mais amplamente usada;
gerenciamento e decisões do consumidor serão, cada vez
mais, baseados em conhecimento; questões de
privacidade e desafios serão tanto um problema quanto
uma oportunidade, enquanto as organizações
desenvolvem suas habilidades analíticas; dados
analíticos se tornarão fortemente estabelecidos como
uma vantagem competitiva, tanto na indústria de
pesquisa em marketing quanto nos estudos acadêmicos;
e, num futuro previsível, a demanda por cientistas de
dados altamente treinados excederá a oferta.
Keywords: Big Data. Análise de Dados. Qualidade de

Dados. Marketing Analítico. Pesquisa em Marketing.
__________________________________________________________________________________
Pesquisa em Marketing no Século XXI: Oportunidades e Desafios
__________________________________________________________________________
Pesquisa em Marketing no Século XXI: pesquisa acadêmica em nas ciências sociais

Oportunidades e Desafios (Krishen & Petrescu, 2018).
Diretrizes para a pesquisa,
O papel do marketing para especialmente em marketing e ciências sociais
consumidores e empresas está evoluindo relacionadas, incluem aplicações de técnicas
rapidamente (Ferrell, Hair, Marshall & Tamilia, avançadas de análises e tecnologias. Wedel e
2015). De fato, a função do marketing está Kannan (2016), por exemplo, sugerem que
fundamentalmente mudando, como resultado métodos de aprendizado de máquina (machine
da transformação digital, dos dados e da análise learning) e tecnologias cognitivas
dos dados. Mais recentemente, devido a computadorizadas podem ser aplicados para
dispositivos móveis pessoais, como os softwares melhor compreensão de problemas e
de infusão, os quais rastreiam o tempo oportunidades de marketing. Similarmente,
enquanto os indivíduos trabalham ou brincam, Erevelles, Fukawa e Swayne (2016)
estes podem procurar por empresas locais ou identificaram proposições para examinar as
consumidores enquanto estão em uma soluções de big data em várias atividades de
cafeteria, podem enviar uma fatura ou citação marketing, tanto quanto para o modo com esses
do escritório de um cliente, e muito mais (Shah achados podem ser aplicados para
et al., 2014). O desenho da pesquisa em desenvolverem vantagens competitivas
marketing e os métodos de análise também sustentáveis. Syam e Sharma (2017) destacam a
estão mudando rapidamente (Hair, Black, importância de se compreender como o
Babin, & Anderson, 2019). Tais mudanças estão aprendizado de máquina (AM) e a inteligência
emergindo, vindas de transformações nas artificial (IA) podem contribuir para a pesquisa
habilidades de gerenciamento (Henke, Levine, em marketing avançar, e Abadular et al. (2017)
& McInerney, 2018; Davenport, 2018), inovação propuseram meios de aplicar a IA e as redes de
tecnológica, particularmente no espaço digital contatos neurais.
(Davenport, 2018), e continuamente evoluindo Assim, à medida que esses e outros
o comportamento do consumidor incrementos paralelos são aplicados para
(necessidades e expectativas) (Wedel & expandir nosso conhecimento sobre as
Kannan, 2016). Para continuar a ser relevante, a tendências de marketing e do comportamento
pesquisa em marketing deve permanecer tão do consumidor, as empresas podem atender
dinâmica quanto os próprios mercados. com mais eficiência as necessidades dos
Ao mesmo tempo, a pesquisa consumidores e reduzir a sobrecarga de
acadêmica está, cada vez mais, utilizando informações.
ferramentas analíticas avançadas e algoritmos O objetivo deste artigo é sugerir como
(Erevelles, Fukawa, & Swayne, 2016; Syam & as tendências emergentes do mercado, e
Sharma, 2017, Wedel & Kannan, 2016; Petrescu particularmente as do marketing,
& Krishen, 2017), e até mesmo inteligência provavelmente afetarão a pesquisa em
artificial, em combinação com redes de marketing. Primeiro, exploraremos o papel
interligações neurais (Ababukar et al., 2017). emergente da função do marketing, que está se
Enquanto a inteligência analítica avança e está desenvolvendo a partir de novos modelos de
fornecendo importantes vantagens negócios. Em segundo lugar, examinaremos as
competitivas para as práticas das indústrias, implicações dessa mudança na pesquisa
também está forçando rápidas mudanças na acadêmica em marketing. Finalmente,
abordaremos as transformações que
__________________________________________________________________________________
_______________________________________________________________________________
provavelmente continuarão evoluindo no produtos e serviços baseados na internet.

futuro. Porém, há muitos outros exemplos. Em
essência, as companhias inovadoras têm
Papel Emergente do Marketing e da desenvolvido e dominado proposições de valor
Pesquisa em Marketing que respondem mais efetivamente às
oportunidades de mercado e atendem mais de
Vários incrementos estão influenciando perto às necessidades e aos desejos dos clientes.
o marketing e, portanto, a pesquisa em Um componente crítico que emergiu
marketing. Entre os incrementos mais junto com tais novas proposições de valor são
importantes, estão os que seguem: os dados digitais, que permitiram à empresas e
aos consumidores não apenas se tornarem mais
Mercados Modernos informados do que nunca antes, mas também
venderem e buscarem quase todos os produtos
Talvez uma das tendências mais e serviços completamente por via on-line. Por
importantes que impactam a pesquisa em exemplo, se você tem uma conta My Google,
marketing sejam os mercados baseados na está tendo suas atividades monitoradas 24
internet. Modelos de negócios, como a horas por dia, sete dias por semana. Um
economia de compartilhamento ou empresas de indivíduo que verificar o número de itens
correspondência digital, têm emergido de rastreados ao longo de um período irá descobrir
plataformas de tecnologia avançada e se que, em média, mais de 200 atividades são
tornaram mercados altamente bem-sucedidos e adicionadas à sua conta do My Google por dia,
digitalmente conectados (Harrison & Hair o que representa mais de 73.000 adições por
2017). Os exemplos incluem empresas baseadas ano. Quem poderia imaginar, há alguns anos,
na internet, tais como Uber, Amazon, Airbnb, que os indivíduos não apenas compartilhariam
Salesforce e Netflix, que forjaram novos seus dados pessoais, mas bicicletas e carros, em
modelos de negócios prósperos, enfim vez de comprá-los, sem mencionar que estariam
revolucionando as indústrias. Embora esses dispostos a dar para organizações, como
incrementos tenham se materializado Google ou Facebook, acesso a vastas
gradualmente nos últimos 20 anos, seu impacto quantidades de seus dados pessoais? Ou usar
total está se tornando agora evidente. seu celular para procurar e comprar
Clientes e empresas estão se tornando mantimentos, ou para quase qualquer outro
coletivamente menos avessos a riscos produto ou serviço que se queira?
frequentemente associados a transações on-line,
e isso impulsionou o crescimento desses Surgimento do Big Data
modelos de negócios emergentes. Além disso, o
comportamento dinâmico do cliente e as Companhias e consumidores estão
mudanças no mercado têm contribuído para a o produzindo grandes quantidades de dados, a
estabelecimento da necessidade de maior partir de vários pontos de contato. Do lado do
conveniência e experiências mais consumidor, os dados são capturados por
personalizadas, do que as oferecidas experiências de omni-channel fortemente
inicialmente pelos mercados on-line. Por promovidas. Como exemplos, considerem a
exemplo, tendências de mudança mais rápidas compra da Target on-line e a retirada imediata
em modismos e moda de roupas são exemplos na loja, a associação principal da Amazon e as
dos muitos incrementos de mercado que relações de vendas e empresas de transporte
podem ser atribuídos às capacidades de parceiras, ou o uso da metodologia blockchain
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
pela FedEx, para gerenciar dados de disputa de Officers) se importam com a execução do
clientes e como método eficiente de negócio. A divulgação de quebra e roubo da
rastreamento de pacotes. Assim, todos estão informação feita pela empresa Equifax, em
produzindo quantidades significativas de 2017, foi provavelmente a responsável pelo
informações úteis, tanto para as empresas resultado dessa transição na responsabilidade
quanto para os consumidores envolvidos nas pela segurança de dados. Ao mesmo tempo,
transações. Talvez o coletor de dados mais para indivíduos treinados na faculdade de
difundido seja o Google, que tem rastreadores Administração, é surpreendente que mais de
em quase 80% do total de sites (exceto na China, 15% dos CEOs (Chief Executive Officers) sejam
de onde o Google se retirou porque se recusou agora cientistas de dados – eles não têm um
a permitir a censura de informações). Da MBA!
mesma forma, no lado B-to-B (business-to- Dados e análise de dados têm o
business), General Electric e Boeing estão potencial de mudar a ordem econômica do
instalando sensores em motores a jato, os robôs mundo, em modos que perturbarão muitas
estão sendo programados para fabricarem empresas e pessoas. Além disso, dados
muitos produtos, como automóveis e aviões, baseados no conhecimento se tornarão,
sensores estão permitindo marcas de veículos, provavelmente, uma fonte de poder que é difícil
como Volvo, Tesla, Mercedes, BMW e outros, a de desafiar, por parte de países e empresas que
comercializarem carros autônomos, além de não possuem este conhecimento e essas
muitas outras inovações de distribuição e habilidades. Em síntese, dados e análises se
manufatura, que também coletam dados em tornaram, para as economias do século XXI, o
todo o ecossistema de fabricação e distribuição, que o petróleo era para o século XX, ou seja, um
para gerar insights valiosos e praticáveis. Como ativo valioso essencial para uma vida
resultado, as empresas podem gerenciar melhor econômica aprimorada. Parece, portanto, que
a produção, entender e responder às demandas estamos à beira de um novo mundo de dados,
do cliente e agregar valor. Com esse recurso que definitivamente mudará tanto o marketing
emergente de dados, empresas podem quanto a pesquisa em marketing.
gerenciar, de maneira mais inteligente, seus Em relação à análise de dados, a
negócios, podem melhorar tempos de resposta, tecnologia avançada e os custos mais baixos
promover inovações, reduzir custos e agora são capazes de armazenar e processar
impulsionar receitas e lucros. grandes quantidades de dados vindos dessas
Dados mudam o poder dentro das várias interações. Os custos de armazenamento
organizações. Atualmente, apenas 5% da de um megabyte de informação, por exemplo,
economia dos Estados Unidos é referente a caíram de 15 dólares, em 1992, para menos de
dados – um percentual pequeno agora, mas que 10 centavos de dólar por um megabyte em 2017.
está se expandindo exponencialmente. No Mas, à medida que mais dados são produzidos
passado, dados eram responsabilidade do chief e armazenados, há uma necessidade maior de
information officer (CIO), uma posição de se aplicarem métodos analíticos avançados de
funcionário. No ano passado (2017), nos marketing, para haver um entendimento mais
Estados Unidos, pela primeira vez, o orçamento sofisticado dos dados, não apenas relacionados
de tecnologia da informação foi gasto mais por ao que está sendo vendido e por quais canais,
gestores de linha de frente do que por CIOs. mas também para produzir medidas
Para os CIOs, o sistema de segurança dos dados aprimoradas de retorno sobre investimentos de
é uma prioridade. Ao contrário, CMOs (Chief marketing, valor da vida útil do consumidor,
Marketing Officers) e CFOs (Chief Financial
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
motivadores de fidelidade do consumidor, e ferramentas como técnicas, que informam

assim por diante. diferentes níveis de inteligência sofisticada,
estão cada vez mais disponíveis (Davenport &
Marketing Transformador Harris, 2017). Essas ferramentas e técnicas
abrangem desde planilhas de análises usadas
Enquanto a quantidade, o tipo por empresas para entender quantas, com que
(estruturado e não estruturado), e a frequência ou porque alguma coisa ocorreu, até
complexidade dos dados mudam, assim ferramentas preditivas que ajudam a explicar e
também mudam os métodos de pesquisa prever o que provavelmente acontecerá, além
necessários para sustentar esses incrementos. A de ferramentas automatizadas de aprendizado
variedade, velocidade e o volume de dados de máquina aplicadas para obter insights de
derivam de ambientes de marketing em dados. Em resumo, todos os níveis de
mudança, de tecnologia emergente e do menor sofisticação oferecem o potencial para
custo de coleta e armazenamento de dados vantagens competitivas (Davenport & Harris,
(Erevelles, Fukawa, & Swayne, 2015; Kumar, 2017). Entretanto, cada vez mais, as empresas
2018; Varadarajan, 2018; Davenport, 2018). devem adotar e confiar nas ferramentas mais
Exemplos de direcionadores da criação de sofisticadas disponíveis. Assim, o que é
dados incluem o comportamento de compra de frequentemente negligenciado é o fato de que o
consumidores em evolução, a Internet das aprendizado de máquina, cada vez mais
Coisas, wearables (tecnologias vestíveis) digitais, associado à inteligência artificial, requer
a ascensão da inteligência artificial, tecnologia intervenção humana para executar e completar
aprimorada da cadeia de suprimentos e a as análises. Dessa maneira, o papel dos
capacidade de incorporar análises em vendas, pesquisadores de marketing tanto se expandirá
distribuição e sistemas de produção, para quanto aumentará em complexidade, exigindo
mencionar apenas alguns exemplos (Kumar, um treinamento muito mais avançado.
2018). O Facebook sozinho possui mais de 200 Os parágrafos seguintes oferecem uma
bilhões de fotografias armazenadas na nuvem, visão geral de como as três abordagens de
e mais de 350 milhões são carregadas todos os pesquisa em marketing – descritiva, preditiva e
dias. Em resposta a esses direcionadores, analítica prescritiva – estão evoluindo e
estratégias de marketing, decisões mudando.
organizacionais e de desempenho estão sendo
completamente alteradas pelos recursos de Análise Descritiva Tradicional
informação, capacidades de análise e pelo
conhecimento aprimorado do consumidor. Pesquisa tradicional usa,
frequentemente, métodos descritivos e
Mudando o Papel da Pesquisa em diagnósticos. Esse tipo de pesquisa é de
Marketing natureza mais explicativa e confirmatória
(Sivarajah, Kamal, Irani, & Weerakkody, 2017).
Há valor em ambas as abordagens de Por exemplo, os indicadores-chave de
pesquisa tradicionais que examinam, por desempenho (ICD) fornecem visualizações de
exemplo, hipóteses derivadas da prática e da painel em tempo real, para compreensão do
teoria, bem como análises preditivas que, quanto a empresa se mostra efetiva e eficiente,
geralmente, enfatizam a solução de problemas para atingir os objetivos de negócios, como
de negócios com dados (Babin, Griffin, & Hair, desempenho de vendas, gerenciamento de
2015; Delen & Zolbanin, 2018). De fato, tanto controle de estoque ou capacidade de resposta
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
da cadeia de fornecimento. Embora valiosos Embora a análise preditiva

como métricas históricas, esses feedbacks normalmente exija algum nível de intervenção
confirmatórios fornecem apenas compreensões humana, muitas vezes há flexibilidade no nível
preditivas limitadas sobre a possibilidade dos de envolvimento (por exemplo, selecionar
resultados futuros serem semelhantes ao variáveis-alvo, desenvolver modelos teóricos
obtidos. Mas esse processo continuará a ser derivados, permitir que os dados contem uma
muito útil para os profissionais de marketing, história). Big data, obtido a partir de muitas
como meio de monitorar as operações fontes, potencialmente contém milhares e até
cotidianas. Assim, os pesquisadores de milhões de variáveis condutoras, sendo
marketing precisarão fornecer suporte para analisado por meio de centenas de modelos
melhor compreensão e explicação dos analíticos. Mas esse tipo de modelagem
incrementos do mercado, além de sugerirem apresenta desafios substanciais, em
maneiras inovadoras de aplicação dessas comparação aos métodos tradicionais
informações. (Davenport & Harris, 2017), e exige mais
Os dados usados na análise descritiva analistas de dados com bom conhecimento do
podem ser encontrados dentro e fora da que no passado. Por exemplo, com muitas
organização. As empresas coletam, geralmente, fontes e tipos de dados (estruturados e não
dados sobre clientes e concorrentes, mas estruturados) integrados em um único banco de
também os usam vindos de fontes externas, dados, é virtualmente impossível formular
como o data.com. Embora a quantidade de hipóteses sobre todas as relações possíveis. De
dados internos seja muito mais fácil de coletar acordo com Peter Norvig (2009), diretor de
atualmente, é provável que o futuro traga pesquisa do Google, a vasta quantidade de
recursos de tecnologia avançada que permitam dados e a complexidade resultante dos
às organizações coletarem dados de fontes relacionamentos geralmente tornam vantajoso
externa mais eficientemente. para os computadores extraírem modelos a
partir dos dados, em vez de os humanos
Análise Preditiva gastarem tempo usando abordagens científicas
para identificar possíveis modelos. Os
A tecnologia avançada combinada com computadores, portanto, exploram os dados
algoritmos complexos facilita as abordagens de para localizar relacionamentos ocultos que,
análise preditiva. Essas técnicas que vêm normalmente, não seriam identificados e, em
surgindo examinam enormes quantidades de seguida, desenvolvem modelos preditivos que
dados, para promoverem narrativas para uma suportam conclusões preliminares e facilitam a
avaliação mais eficaz de oportunidades, além tomada de decisões estratégicas.
da previsão de desenvolvimentos futuros. A análise preditiva está sendo, cada vez
Assim, a análise preditiva aplica ferramentas de mais, aplicada também no setor corporativo.
modelagem aos dados para prever futuros Não apenas pelas maiores empresas, mas
incrementos e tendências de mercado também algumas de médio porte estão usando
(Davenport & Harris, 2017). Os pesquisadores a análise preditiva. Entretanto, esse
categorizaram a análise preditiva em duas procedimento ainda envolve considerável
dimensões: técnica de regressão e técnica de intervenção humana, promovida por analistas
aprendizado de máquina (Gandomi & Haider de marketing e de dados. Os indivíduos
2015), sendo ambas elementos cada vez mais competentes devem ser capazes de selecionar o
centrais dos programas de pesquisa em método analítico apropriado, e quando as
marketing. soluções são identificadas, alguém deve
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
interpretá-las em termos de lógica, relevância aperfeiçoasse as redes de distribuição,

para os problemas de negócios e, em última aumentasse a velocidade do fluxo de estoque e
instância, de valor estratégico. O problema é reduzisse os erros de embalagem. Embora o
que não há cientistas de dados qualificados número de organizações que usam a análise
suficientemente para tomar tais decisões. A prescritiva esteja crescendo, é difícil saber o
empresa McKinsey estima que, apenas nos nível de adoção em cada organização.
Estados Unidos, enfrenta-se uma escassez de Infelizmente, não é incomum que a adoção
140.000 a 190.000 pessoas com conhecimento tenha ocorrido em silos de unidades e que
analítico e 1.5 milhão de gerentes e analistas outras pessoas da organização não estejam
com habilidades para entenderem e tomarem cientes de que a análise prescritiva foi
decisões com base na análise de big data. Em implementada (Rossi, 2015). É claro que a chave
resposta a essa necessidade, as universidades para a análise prescritiva bem-sucedida
dos Estados Unidos adicionaram mais de 100 depende, como na análise preditiva, das
programas de graduação em análise de dados habilidades dos cientistas de dados que a
nos últimos cinco anos, com ainda mais cursos executam e também é evidente que há uma
sendo adicionados a cada ano. escassez global de indivíduos treinados nessa
área.
Análise Prescritiva
Para Onde Irá a Pesquisa em Marketing
A análise prescritiva é um nível Agora?
avançado de análise que examina o que deve ou
pode ser feito para que algo aconteça. A análise Ferramentas e técnicas sofisticadas
prescritiva permite que os pesquisadores de estão sendo prontamente adotadas na prática
marketing determinem os comportamentos de pesquisa de mercado, com valores e
ideais e avaliem o impacto final de ações nos orçamentos cada vez mais dedicados à compra
negócios (Davenport & Harris, 2017; Sivarajah de soluções avançadas de análise (Mela &
et al., 2017). Para conseguir esse intento, a Moorman 2018). Com as entradas de dados em
análise prescritiva experimenta e otimiza vários constante evolução (por exemplo, tecnologias),
cenários em um ritmo acelerado e proporciona tipos de dados (por exemplo, dados não
menos riscos para a interpretação humana estruturados) e mudanças no comportamento
subjetiva (Davenport & Harris, 2017). Isso pode do cliente, é importante que a pesquisa em
ser interessante se a análise funcionar bem, mas marketing permaneça relevante e oportuna
pode não ser tão boa ideia de outra forma. para a gestão. Várias questões relevantes se
Assim, a análise prescritiva, embora não relacionam a até que ponto os pesquisadores de
completamente autônoma, pode produzir marketing e os cientistas de dados devem
implicações e gerar recomendações. Como permitir que essas novas ferramentas analíticas
exemplo, FleetPride, empresa fornecedora de desenvolvam modelos e produtos, sem
peças para caminhões e reboques para clientes primeiro desenvolver hipóteses teoricamente
em vários setores, obteve sucesso na derivadas? Onde está o lugar na pesquisa em
implementação de análises prescritivas. marketing para a integração de ferramentas
Usando soluções oferecidas pela IBM, os preditivas e prescritivas? Como esse método
resultados da empresa forneceram aos gerentes poderia desenvolver novas teorias e agregar
da cadeia de suprimentos insights para valor ao campo? Como a pesquisa de marketing
operarem de forma integrada. Assim, os pode aplicar softwares, como o SAS/STAT, para
resultados permitiram que a empresa modelagem preditiva, o LIWK para análise de
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
texto, ferramentas de análise de rede de mídia impossíveis de obter. Infelizmente, as

social, como o NodeXL, ou ferramentas de populações estão sendo superestimadas,
aprendizado de máquina como o DataRobot? resultando em recusas para responder surveys,
Como as soluções de inteligência artificial (IA) e a proporção de artigos baseados em pesquisas
são aplicadas, como o Salesforce Einstein, que começou a declinar (Hulland, Baumgartner, &
não apenas oferece previsões, mas também tece Smith, 2018). Outra questão notada por várias
recomendações sobre como responder aos disciplinas de ciências sociais e,
clientes, afetando os recursos da equipe de particularmente, por grupos de gerenciamento
vendas? Os pesquisadores de marketing devem e cadeia de suprimentos, é o design de
permanecer cientes da evolução do big data e da questionários de respondentes únicos. Nesse
análise, entender como e quando utilizar esses tipo de projeto, o mesmo respondente da
métodos na pesquisa e manter o ritmo com as pesquisa responde também questões
prioridades gerenciais da prática. relacionadas às variáveis independentes e
dependentes, produzindo o que é referido
Mudanças na Metodologia e no Projeto de como um viés comum de métodos (Krause,
Pesquisa Luzzini & Lawson 2018; Kull, Kotlar, & Spring,
2018; Flynn, Pagell, & Fugate, 2018; Roh,
Em paralelo com a evolução em Whippe, & Boyer, 2013). Outras disciplinas,
técnicas avançadas e ferramentas, nós também incluindo o marketing, levantaram
testemunhamos mudanças nos designs de nas preocupações semelhantes e estão sugerindo
metodologias de pesquisa. projetos que combinem dados secundários com
dados primários como uma solução.
O Uso de Dados de Surveys Infelizmente, até o momento, nenhum método
para mensuração com precisão a extensão do
Na década de 1980, mais de 2/3 dos viés de métodos comuns nos projetos de
trabalhos acadêmicos publicados eram pesquisa foi desenvolvido.
baseados em pesquisa ou entrevista. Porém, até
2013, o número de artigos publicados com base Mudança Para Dados Objetivos
em pesquisas nas três principais revistas
acadêmicas de marketing [Journal of the Academy Com o surgimento de dados digitais,
of Marketing Science (JAMS), Journal of Marketing uma grande quantidade deles, na verdade, os
(JM) e Journal of Marketing Research (JMR)] pesquisadores se voltaram para a coleta de
estava em torno de 1/3 (Hulland, Baumgartner, dados objetivos e secundários. Informações
& Smith, 2018). Para coletar dados, os arquivísticas ou proprietárias, como dados
pesquisadores têm confiado, cada vez mais, em históricos, estão prontamente disponíveis para
métodos de pesquisa on-line, como o Qualtrics, pesquisadores (Verma, Agarwal, Kachroo, &
o Google Survey, o Mechanical Turk e o Survey Krishen 2017). Usando dados históricos, em
Monkey (Hulland & Miller, 2018). Empresas e estudos de eventos (Sorescu, Warren, & Ertekin,
pesquisadores estão capitalizando a 2017), pode-se examinar o impacto do longo
transformação digital para alcançar os prazo em uma determinada decisão sobre a
participantes da pesquisa, por meio de empresa. Empresas e pesquisadores estão
plataformas on-line. As plataformas on-line focados em estratégias preditivas e prescritivas,
proporcionaram acesso conveniente para aprimoradas pela inteligência artificial (Huang
amostras de empresas e de consumidores, que & Rust 2018) e pelo aprendizado de máquina
antes eram difíceis, caras e, muitas vezes, (Antons & Breidbach, 2018). Até certo ponto,
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
essas técnicas são capazes de produzir análises estruturados, como texto digital ou
autocorretivas, enquanto outras, como a comentários, empresas e pesquisadores
otimização matemática, “determinam a melhor ampliam seus conhecimentos em segmentação,
solução para problemas matematicamente nível de envolvimento e experiência dos
definidos” (Snyman, 2005). Nos mercados de clientes, redes sociais e análise de sentimentos,
consumo, por exemplo, a digitalização facilitou fato que também cria oportunidades ampliadas
a disponibilidade de dados fisiológicos. De fato, para pesquisadores de mercado.
os métodos de pesquisa mais técnicos incluem
tanto dados biométricos quanto neurológicos Maior Foco em Relevância e Rigor
(Chan, Boksem, & Smidts, 2018; Harris,
Ciorciara & Gountas, 2017). Essas técnicas, À medida que os dados e os métodos
inicialmente emergentes da economia, finanças, analíticos se tornam mais complexos, a pesquisa
ciência da computação e pesquisa médica, estão em marketing também experimenta uma
se tornando cada vez mais predominantes e mudança em direção a técnicas mais rigorosas.
infundidas na pesquisa de marketing e nas Os pesquisadores devem usar todas as
ciências sociais em geral. À medida que abordagens razoáveis para refutar suas
voltamos nosso olhar para o futuro, esses hipóteses versus sentir que é necessário apoiar
métodos de pesquisa em evolução irão tornar- estatisticamente hipóteses para fazer uma
se um recurso crítico nos mercados de negócios contribuição (Babin, Griffin, & Hair, 2015). Por
de empresa para empresa e para os mercados exemplo, endogeneidade, poder estatístico
de consumo, sempre dinâmicos e em constante (tamanho do efeito), validade externa e
mudança. relevância preditiva desempenham papel
importante na avaliação precisa das relações
A Ascensão de Dados Não Estruturados entre variáveis exógenas (independentes) e
endógenas (dependentes).
O marketing digital, em áreas como Por muitos anos, pesquisadores de
mídias sociais, tem produzido conteúdo marketing examinaram a heterogeneidade
substancial não estruturado (Balducci & observada. A heterogeneidade observada
Marinova, 2018), o qual pode ser submetido à baseia-se no conhecimento de que subgrupos
análise de texto (Humphreys & Wang, 2017) e de populações, provavelmente, apresentam
ser, cada vez mais, codificado para modelagem diferenças, e também que essas diferenças são
quantitativa. De fato, a conversão de dados não conhecidas quando a pesquisa é planejada e
estruturados para análise quantitativa se conduzida. Por exemplo, os consumidores
expande rapidamente, já que 90% de todos os homens e mulheres, geralmente, exibem
dados não são estruturados. Os dados não diferentes padrões de pesquisa e de compras e,
estruturados incluem tweets, fotografias, por fim, de comportamento de compra. Para os
registros de chamadas de serviço, blogs, dados consumidores, a heterogeneidade observada
de reclamações e comentários de clientes, geralmente se baseia em dados demográficos.
comportamento de compra do cliente etc., que Para as organizações, a heterogeneidade
precisam ser analisados e codificados antes de observada é baseada no tamanho da empresa,
serem enviados ao software de análise de dados ofertas de produtos ou serviços, conveniência, e
quantitativos. Programas como o NodeXL e o assim por diante. Mais recentemente, a
LIWC são usados para melhorar a modelagem tecnologia permitiu aos analistas de dados
quantitativa (Harrison, Ajjan, & Coughlan, examinarem a possibilidade de
2018). Por meio da coleta e análise de dados não heterogeneidade não observada, ou seja, que as
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
populações consistem em subgrupos da feminino e masculino; grandes e pequenas

população que não são facilmente observáveis. empresas), bem como heterogeneidade não
O conhecimento sobre a presença de observada (Sarstedt et al ., 2017; Hair et al., 2016;
heterogeneidade não observada é crítico nos Matthews et al., 2016). Análises multigrupo
estudos empíricos atuais e, se não for (AMG) auxiliam pesquisadores a descobrirem
explorado, potencialmente ameaçará a validade se existem diferenças nas estimativas dos
dos modelos de medição e estruturais ao se parâmetros (por exemplo, pesos externos,
aplicarem análises descritivas e preditivas cargas externas e estimativas de parâmetros) de
(Becker, Rai, Ringle, & Volckner, 2013; Sarstedt grupos de dados pré-definidos (Matthews,
& Ringle, 2010; Hair, Matthews, Matthews, & Hair, & Matthews, 2018). Em PLS-SEM, a AMG
Sarstedt, 2017). Pesquisadores acadêmicos e do é benéfica, ao examinar, com eficiência, a
setor industrial estão rapidamente avançando moderação em várias relações (Hair, Sarstedt,
no desenvolvimento de análises estatísticas Ringle, & Mena 2012). Outro software cada vez
aprimoradas, que abordam efetivamente mais popular é o R, que é amplamente usado
possíveis questões de confiabilidade e validade. entre estatísticos e cientistas de dados, para
Embora essas questões sejam, há muito execução da análise de dados. Infelizmente, não
tempo, uma preocupação na pesquisa de é muito amigável, mas é de código aberto e
marketing, métodos estatísticos mais gratuito.
avançados passaram a permitir que os Se os moderadores são desconhecidos
pesquisadores os abordem com mais rigor antecipadamente, tal tipo de análise se torna
(Hult, Hair et al., 2018; Worm, Bharadwaj, mais difícil. Frequentemente, aparecem clusters
Ulaga, & Reinartz, 2017). Análise baseada em que possuem valores semelhantes para
regressão funciona para a hipótese de determinadas variáveis. Essas tipologias de
multicolinearidade mínima. Ao mesmo tempo, grupos não podem ser definidas com precisão
porém, a moderação ocorre quando dois ou por nenhuma variável de dados demográfica
mais fatores covariam o suficiente para ou descritiva específica. Esse tipo de moderação
alterarem o impacto no resultado. Se a pode ser difícil de prever ou até mesmo de
moderação é conhecida ou conjecturada, pode identificar. Nesses casos, técnicas baseadas em
ser testada com variáveis contínuas ou previsão podem ser usadas para identificar
categóricas. Isso é particularmente útil para segmentos que possam criar uma
identificação de variáveis intervenientes ou heterogeneidade inexplicável. Além disso,
problemas de correlação espúria. vários pacotes de softwares estatísticos oferecem
Os acadêmicos e profissionais estão aos pesquisadores a oportunidade de
usando, cada vez mais, softwares mais verificação da validade externa e a relevância
sofisticados para execução de análises preditiva (www.smartpls.de, www.r-
preditivas. Um exemplo, o software SmartPLS project.org; Schmueli & Ray et al., 2016).
(www.SmartPLS.de), é considerado de ponta Tratando-se do PLS-SEM, os
em termos de análise, sendo uma opção pesquisadores propuseram a aplicação
preferida por muitos estudiosos e profissionais, metodológica da segmentação orientada à
porque é de uso bastante amigável. O software predição (PLS-POS) e da segmentação por
executa análise multigrupo no SmartPLS e pode mínimos quadrados de mistura finita (FIMIX-
ser usado para examinar a heterogeneidade PLS), como métodos para superação de
observada, na qual se propõe que grupos limitações prévias de identificação de
conhecidos se comportam de maneiras heterogeneidade não observada. Outras
diferentes (por exemplo, comparações entre técnicas heurísticas devem ser utilizadas
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
quando a heterogeneidade encontrada nesses no próprio marketing nos últimos anos. Muitas
efeitos for sequencial. Esse procedimento vai outras mudanças são esperadas nos próximos
muito além da análise longitudinal, sendo que, anos. A seguir, resumimos nossos pensamentos
muitas vezes, esse tipo de variância resulta em sobre incrementos futuros. As previsões do
efeitos aninhados, devido à ordem dos efeitos, futuro são claramente arriscadas. Muitos
sazonalidade, agrupamento etc. indivíduos inteligentes tentaram prever o
Tradicionalmente, o HLM tem sido usado para futuro – e, muitas vezes, se provaram errados.
identificar esses efeitos em econometria. Em Nossos pensamentos são baseados no que
aprendizado de máquina, o teorema de Bayes é acreditamos ser um bom raciocínio, mas, como
usado para superar a natureza da seção outros no passado, é improvável que nosso
transversal dessas situações. O teorema de pensamento seja, no futuro, inteiramente como
Bayes assume que os termos de erro variam, nos parece hoje. Acreditamos que estamos
dependendo da situação ou da ordem dos corretos e pedimos que você veja nossas ideias
efeitos. A modelagem bayesiana usa o que é como, pelo menos, direcionais – pois estamos
conhecido para prever o desconhecido. Além confiantes sobre a direção, mas não
disso, a modelagem Markov Chain Monte Carlo necessariamente sobre as especificidades.
(MCMC), como as técnicas bayesianas, consiste
em conjuntos de algoritmos focados em Os Dados Continuarão Aumentando
distribuições de probabilidade para grandes Exponencialmente
modelos multidimensionais, hierárquicos e
para parâmetros desconhecidos. O método é As primeiras discussões sobre a rápida
vantajoso quando existe um alto nível de expansão dos dados começaram há, pelo
incerteza e a informação histórica é escassa, e menos, 70 anos, bem antes do atual interesse
pode ser usado para investigar informações por generalizado por big data e seu impacto. Foi
meio de múltiplas fontes de dados (Rossi & então que começaram as primeiras tentativas
Allenby, 2003). O uso de métodos bayesianos para quantificar a taxa de crescimento nos
aumentou em paralelo com a transformação dados, Nos 50 anos seguintes, essa tendência foi
digital impulsionada pelo uso da internet. chamada de “explosão da informação”. Mais ou
Pesquisas em marketing, particularmente as menos na mesma época (1941), o Oxford English
acadêmicas, vêm recebendo com agrado a Dictionary incluiu, pela primeira vez, o termo
adoção de técnicas bayesianas e aplicado o explosão de informações em seu índice, e
método para abordar vários aspectos do muitos outros termos de dados foram
marketing (Rossi & Allenby, 2003), como adicionados desde então.
publicidade (Agarwal, Hosanager, & Smith Entre os primeiros autores de negócios
2011), escolha do cliente (Chung, Rust, & que escreveram sobre esse fenômeno estava
Wedel, 2009) e relacionamento com clientes Tom Peters, com seu livro de 1991, intitulado
(Netzer, Lattin & Srinivasan, 2008). Embora os Thriving on Chaos. Enquanto o livro previa
dados sejam abundantes, a digitalização muitas mudanças econômicas relevantes
ampliou o desconhecido em ambientes ocorrendo na época, a frase mais importante
dinâmicos em constante evolução. para o big data era: estamos nos afogando em
informação e famintos por conhecimento. Tom
Observações Finais Peters observou que a diferença entre
informação e conhecimento é que a informação
Como deve estar evidente, muitas consiste apenas em palavras e números que
coisas mudaram nas pesquisas em marketing e podem ser interessantes, mas não são úteis para
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
a tomada de decisões. Além disso, o isso claramente afetará tanto os profissionais de

pensamento à época era de que talvez apenas pesquisa de mercado quanto os pesquisadores
5% de toda a informação fosse conhecimento, acadêmicos. Os profissionais devem ajudar as
sendo que o desafio era converter mais da organizações a melhor entenderem e
informação disponível em conhecimento. responderem de forma eficaz a esse excesso de
Peters e outros acreditavam que isso seria dados. Tais profissionais devem aconselhar o
possível se houvesse a criação da consciência pessoal de marketing sobre quais dados são
desse problema, mas não previam o impacto relevantes e quais podem ser descartados. Além
que causaria a internet e, particularmente, o disso, os pesquisadores em marketing
surgimento de dados digitais. precisarão ser mais eficazes para informar os
No final da década de 1990, o livro gerentes de marketing sobre como os dados
intitulado How much information is there in the podem ser usados e quais dados serão mais
world?, de Michael Lesk (1997), concluiu que úteis. A maior parte dos dados disponíveis
“pode haver alguns milhares de petabytes de atualmente e no futuro será secundária e
informação contados; e. . . em apenas alguns digital. Tal fenômeno está em contraste gritante
anos. . . seremos capazes de salvar tudo – com o passado, no qual os pesquisadores de
nenhuma informação terá que ser descartada, e. marketing coletavam dados primários e
. . a informação típica nunca será vista por um controlavam quais tipos de dados seriam
ser humano.” Àquela altura, estudiosos e coletados, na esperança de que fossem direta e
profissionais estavam bem cientes, não apenas imediatamente aplicáveis aos problemas
da enorme quantidade de dados sendo enfrentados por seus clientes. Com o aumento
produzidos, mas também da importância da dos dados secundários, os pesquisadores de
análise de dados e, particularmente, do papel marketing devem ajudar as organizações a
do aprendizado de máquina na análise dos filtrarem as imensas quantidades de dados e
dados disponíveis. Certamente, os cientistas de determinar o que é relevante e o que é de pouco
dados também estavam desenvolvendo novos ou nenhum valor. Além disso, dados
termos, em um esforço para esclarecer como se prospectivos longitudinais estarão disponíveis
poderia mensurar grandes quantidades de para realizar análises retrospectivas, bem como
dados, e começaram a usar palavras como preparar previsões mais efetivas.
terabyte, petabyte, exabyte, zettabyte e finalmente Os acadêmicos de marketing devem
yottabyte, sendo que cada termo subsequente seguir um caminho semelhante, ou seja,
referia-se a um quantidade 1.000 vezes maior. determinar e obter acesso a dados secundários
De acordo com um relatório da Forbes, o que sejam relevantes para suas pesquisas e
volume total de informações, em 2013, foi de 4,4 permitir que sejam publicados em revistas de
zettabytes e, até 2020, a quantidade de dados qualidade revisadas por pares. Até o momento,
chegará a 44 zettabytes (Kanellos, 2016). Para o os acadêmicos acessam e aplicam dados
leigo, 44 zettabytes significa pouco, mas para o secundários e digitais em apenas algumas
cientista de dados indica claramente uma instâncias. Entretanto, há oportunidades cada
enorme quantidade de dados. Com certeza, esta vez mais substanciais para acessar esse tipo de
e outras estimativas são apenas previsões dados, particularmente em marketing e, à
informadas, mas a direção e a quantidade de medida que os dados aumentam
aumento no acúmulo e armazenamento de exponencialmente, também aumentam as
dados são, inquestionavelmente, corretas. oportunidades para que os acadêmicos os
Assim, acreditamos que os dados busquem. Ao mesmo tempo, os textos de
continuarão a aumentar exponencialmente, e pesquisa em marketing também devem passar
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
por grandes revisões, já que a maioria inclui que pode parecer uma simples fusão de dados
apenas material limitado sobre análise de pode ser muito difícil, quando o analista precisa
dados, ou mesmo sobre a explosão de dados extraí-los de vários bancos de dados, formatos e
secundários e digitais. cronogramas correspondentes, além de muitos
outros ajustes necessários. Como 90% dos
A Qualidade dos Dados Irá Melhorar dados são frequentemente desestruturados,
essa tarefa é claramente desafiadora. Portanto,
Todos os aspectos tanto da pesquisa pesquisadores acadêmicos e profissionais em
acadêmica quanto da profissional estão sendo todos os campos terão que se tornar, além de
afetados pela disponibilidade de dados e pelos analistas, “gerentes de dados”.
avanços na análise de dados. Uma área
impactada é o exame de dados e, à medida que A Análise de Dados Irá Melhorar
o exame de dados é implementado nas
organizações, melhora a qualidade dos dados e, Uma força primária por trás da ampla
em última instância, o sucesso ou o fracasso do aplicação da análise de dados é a melhoria
esforço de pesquisa. Embora muitos potencial na tomada de decisões. A análise
pesquisadores continuem operando com dados aprimorada de dados beneficiará tanto
primários, tanto qualitativos quanto profissionais quanto acadêmicos, bem como
quantitativos, vários outros estão lidando, cada governos e organizações com ou sem fins
vez mais, com fontes de dados distintas (por lucrativos. Mas, para realizar esses benefícios,
exemplo, dados no nível do cliente em várias os analistas precisarão estar mais envolvidos no
divisões de empresas, mídias sociais e outros fornecimento de informações críticas sobre
dados digitais, dados de localização etc.), que quais dados coletar, em que formato, como
possuem diferentes estruturas e formatos. O gerenciar e combinar os dados e, finalmente,
exame de dados expandido, muitas vezes selecionar a melhor técnica analítica.
chamado de limpeza de dados, é necessário e Infelizmente, até o momento, os
melhorará a qualidade dos dados e, portanto, os acadêmicos têm sido mais lentos na adoção e
resultados. aplicação de big data e na análise de dados em
Outra área em evolução, e suas pesquisas. Algumas disciplinas das outras
provavelmente a mais desafiadora da era do big ciências (biologia, biomedicina e neurociência)
data, é o gerenciamento de dados: organizar, estão se movendo mais rapidamente na adoção
limpar e codificar os dados de várias fontes e da análise de dados, mas as ciências sociais
em vários formatos para preparar a análise. estão começando a reconhecer o potencial de
Muitos pesquisadores acreditam que a questão métodos analíticos mais complexos. Esses
principal seria qual técnica usar, e não métodos aprimorados de análise permitem que
percebem que o tipo de dados geralmente tipos adicionais de perguntas de pesquisa sejam
determina a seleção da tecnologia e da técnica examinados e novos desafios sejam superados.
de análise. Na maioria dos casos, o que precede À medida que os acadêmicos e profissionais de
e determina a técnica de análise apropriada é o pesquisa em marketing se tornarem mais
gerenciamento de dados de várias origens, que conscientes dessas oportunidades, tanto em
pode, facilmente, tomar 50% ou mais do tempo dados quanto em técnicas, sua utilização
total para se concluir um projeto de análise de aumentará, mais cedo ou mais tarde.
dados.
Combinar e gerenciar dados de várias
fontes se torna complexo muito rapidamente. O
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
Decisões Serão Mais Baseadas em Regulamento Geral de Proteção de Dados

Conhecimento (RGPD) e a Lei de Privacidade do Consumidor
da Califórnia, A.B. 375, que foram
Tanto a gestão quanto as decisões dos desenvolvidas para fornecer maior controle aos
clientes serão cada vez mais baseadas em clientes dos dados que foram deles coletados.
conhecimento. A era do big data vem Como resultado, as empresas agora precisam
fornecendo fontes de dados novas e variadas e aumentar os controles e a transparência sobre
colocou requisitos adicionais nas técnicas como os dados são coletados, quais dados o são,
analíticas que lidam com essas fontes de dados. porque os dados estão sendo coletados, quem
Há, portanto, desafios únicos enfrentados pelo tem acesso aos dados e como as empresas estão
analista de hoje com os muitos problemas em usando os dados coletados. Pesquisadores de
big data e analytics. Acreditamos que, com um marketing também são obrigados a cumprir
foco expandido em desafios de dados e análise esses regulamentos, pois enfrentam as mesmas
de dados, os cientistas de dados poderão criar regras na coleta, proteção e distribuição de
conscientização e motivar a administração a dados identificáveis.
investir nesses desenvolvimentos promissores.
Se isso acontecer, a pesquisa de mercado e as Capacidades de Análise de Dados São uma
decisões de negócios em geral serão baseadas Importante Vantagem Competitiva
em melhores dados e técnicas analíticas mais
eficazes e, portanto, mais baseadas em Os dados são tão bons quanto a
conhecimento. Visivelmente, as organizações e inteligência que podemos extrair deles, e isso
indivíduos que se movem mais rapidamente envolve análise de dados eficaz e muito poder
nessas áreas emergentes irão adquirir e computacional para lidar com o aumento
estabelecer verdadeiras vantagens competitivas exponencial do volume e do tipo de dados. A
nos mercados futuros. maioria das organizações (grandes, médias e
até pequenas) pode aplicar a análise de dados
Questões de Privacidade e Desafios para melhorar as atividades de manufatura,
cadeia de suprimentos, gerenciamento e
Em seu livro The Assault on Privacy, marketing e para ser mais eficiente e eficaz no
Arthur Miller (1971), observou que “muitos alcance das metas organizacionais. Embora a
manipuladores de informações parecem medir aplicação da análise de dados esteja
[um indivíduo pelo] número de bits de produzindo descobertas úteis nos campos da
capacidade de armazenamento que o dossiê agricultura, saúde, urbanismo, redução do
ocupará”. Atualmente, em economias crime e energia, juntamente com os negócios em
avançadas, existem dados em todos, os quais geral, ainda há muito a ser feito. O campo da
vêm crescendo em tamanho exponencial, análise está evoluindo rapidamente e mais
devido aos registros digitais. Cada vez mais, no oportunidades estão surgindo para aplicar as
entanto, as mudanças nas políticas implantadas novas fontes de dados e os métodos adicionais
pelo governo afetam a maneira como e mais sofisticados de análise. A velocidade de
coletamos, acessamos, armazenamos e usamos adoção e aplicação à tomada de decisão
os dados. Logo após os problemas de segurança influenciará certamente a aquisição de
da informação da Cambridge Analytica, vantagens competitivas, mas os líderes nesse
envolvendo o Facebook, duas ou mais leis de campo acumularão as vantagens e estas
privacidade do consumidor estão ou estarão em poderão se tornar insuperáveis para os
processo de adoção nos Estados Unidos – o retardatários.
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
Demanda Por Cientistas Treinados em Dados cynicism and workplace withdrawal: A neural
Vai Ultrapassar a Oferta network and SEM approach. Tourism
Management Perspectives, 23, 129-139.
Mais universidades precisam se engajar
no treinamento de novos cientistas de dados. O Antons, D., & Breidbach, C. F. (2018). Big data,
treinamento e a conscientização do big data e da big insights? Advancing service innovation
análise de dados incentivarão os analistas a and design with machine learning. Journal of
definirem não apenas suas perguntas de Service Research, 21(1), 17-39.
pesquisa de forma mais ampla, mas também o
escopo de sua responsabilidade ao liderarem os Agarwal, A., Hosanagar, K., & Smith, M. D.
caminhos para o uso mais eficiente de dados, na (2011). Location, location, location: An analysis
solução de problemas do mundo dos negócios. of profitability of position in online advertising
A utilização bem-sucedida da análise de dados markets. Journal of marketing research, 48(6),
será influenciada substancialmente pelos 1057-1073.
analistas e pelas decisões que tomarão, não
apenas ao informar os gerentes seniores sobre o Bachelor's Degrees in Data Science & Big Data
potencial da análise de dados, mas também in the United States,
quanto à seleção e aplicação das técnicas a https://www.bachelorsportal.com/study-
serem utilizadas no futuro. options/269779226/data-science-big-data-
De acordo com o site Study Portals, nos united-states.html, accessed August 2018.
Estados Unidos, há pouco mais de 100
programas de bacharelado com concentração Balducci, B., & Marinova, D. (2018).
no ensino de análise de dados. Esse número Unstructured data in marketing. Journal of the
precisa ser cinco, talvez 10 vezes maior – e Academy of Marketing Science, 46(4), 1-34.
mudanças semelhantes devem seguir-se
globalmente. Porém, existe uma necessidade Becker, J. M., Rai, A., Ringle, C. M., &
ainda maior de mestrados em análise de dados Völckner, F. (2013). Discovering unobserved
(apenas cerca de 40 desses cursos são oferecidos heterogeneity in structural equation models to
nos Estados Unidos), já que ser um cientista de avert validity threats. MIS Quarterly, 37(3), 665-
dados requer treinamento substancial. 694.
Universidades ao redor do mundo precisam se
mover rapidamente para treinar tais cientistas Chan, H. Y., Boksem, M., & Smidts, A. (2018).
de dados, para atendimento não apenas a Neural profiling of brands: Mapping brand
demanda atual, mas para a continuidade da image in consumers' brains with visual
produção do que será uma necessidade templates. Journal of Marketing Research. 55(4),
substancial e em expansão para os cientistas de 600-615.
dados no futuro, particularmente no campo da
pesquisa em marketing. Chung, T. S., Rust, R. T., & Wedel, M. (2009).
My mobile music: An adaptive personalization
Referências system for digital audio players. Marketing
Science, 28(1), 52-68.
Abubakar, A.M., Namin, B.H., Harazneh, I.,
Arasli, H., & Tunç, T. (2017). Does gender Davenport (2018) Will data scientist continue
moderate the relationship between to be the sexiest job? Downloaded June 2018 at
favoritism/nepotism, supervisor incivility,
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
https://iianalytics.com/research/will-data- Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena,

scientist-continue-to-be-the-sexiest-job. J. A. (2012). An Assessment of the use of
Partial Least Squares Structural Equation
Davenport, T., & Harris, J. (2017). Competing on Modeling in Marketing Research. Journal of the
Analytics: Updated, with a New Introduction: The Academy of Marketing Science, 40(3), 414-433.
New Science of Winning. Harvard Business
Press. Harris, J. M., Ciorciari, J., & Gountas, J. (2018).
Consumer neuroscience for marketing
Delen, D., & Zolbanin, H. M. (2018). The researchers. Journal of Consumer
analytics paradigm in business Behaviour, 17(3), 239-252.
research. Journal of Business Research, 90, 186-
195. Harrison, D.E., Ajjan, H. and Coughlan, A.
(2018). Working paper: Understanding social
Erevelles, S., Fukawa, N., & Swayne, L. (2016). media sentiment, positioning and engagement:
Big Data consumer analytics and the the impact on direct selling sales performance.
transformation of marketing. Journal of Business Informs Society of Marketing Science Proceedings.
Research, 69(2), 897-904.
Harrison, D. E., & Hair, J. F. (2017). The Use of
Flynn, B., Pagell, M., & Fugate, B. (2018). Technology in Direct-Selling Marketing
Survey Research Design in Supply Chain Channels: Digital Avenues for Dynamic
Management: The Need for Evolution in Our Growth. Journal of Marketing Channels, 24(1-2),
Expectations. Journal of Supply Chain 39-50.
Management, 54(1), 1-15.
Henke, N., Levine, J., McInerney, P. (2018).
Gandomi, A., & Haider, M. (2015). Beyond the You don’t have to be a data scientist to fill this
hype: Big data concepts, methods, and must have analytics role. Harvard Business
analytics. International Journal of Information Review. February 05.
Management, 35(2), 137-144.
Huang, M. H., & Rust, R. T. (2018). Artificial
Hair, J. F., Black, W. C., Babin, B. J., & intelligence in service. Journal of Service
Anderson, R. E. (2019). Multivariate Data Research, 21(2), 155-172.
Analysis (8th ed.). Cengage Learning, U.K.
Hulland, J., Baumgartner, H., & Smith, K. M.
Hair, J.H., Matthews, L., Matthews, R., & (2018). Marketing survey research best
Sarstedt, M. (2017). PLS-SEM or CB-SEM: practices: evidence and recommendations from
Updated Guidelines on Which Method To a review of JAMS articles. Journal of the
Use,” (2017), International Journal of Multivariate Academy of Marketing Science, 46(1), 92-108.
Data Analysis, Vol. 1 (2), pp 107-123.
Hulland, J., & Miller, J. (2018). “Keep on
Hair, J.H., Matthews, L., Ringle, C., & Sarstedt, Turkin’”?. Journal of the Academy of Marketing
M. (2016). Identifying and Treating Science, 46(5), 789-794.
Unobserved Heterogeneity with FIMIX-PLS:
Part I – Method, European Business Review, Hult, T., Hair, J. F., Sarstedt, M., Ringle, C.,
28(1), 63-76. Proksch, D., and Pinkwart, A. (2018).
Addressing Endogeneity in International
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
Marketing Applications of Partial Least Mela, C.F. & Moorman, C. (2018). Why
Squares Structural Equation Modeling, Journal Marketing Analytics hasn’t lived up to its
of International Marketing, forthcoming. promise. May 30, retrieved from
https://hbr.org/2018/05/why-marketing-
Humphreys, A., & Wang, R. J. H. (2017). analytics-hasnt-lived-up-to-its-promise.
Automated text analysis for consumer
research. Journal of Consumer Research, 44(6), Netzer, O., Lattin, J. M., & Srinivasan, V.
1274-1306. (2008). A hidden Markov model of customer
relationship dynamics. Marketing science, 27(2),
Kanellos, M. (2016). 152,000 smart devices 185-204.
every minute in 2025: IDC outlines the future
of smart things. March 2016, retrieved from Roh, J. A., Whipple, J. M., & Boyer, K. K.
https://www.forbes.com/sites/michaelkanell (2013). The effect of single rater bias in multi‐
os/2016/03/03/152000-smart-devices-every- stakeholder research: A methodological
minute-in-2025-idc-outlines-the-future-of- evaluation of buyer‐supplier
smart-things/. relationships. Production and Operations
Management, 22(3), 711-725.
Krause, D., Luzzini, D., & Lawson, B. (2018).
Building the Case for A Single Key Informant Rossi, B. (2015), From insight to action: why
in Supply Chain Management Survey prescriptive analytics is the next big step for
Research. Journal of Supply Chain data. February 2015, retrieved from
Management, 54(1), 42-50. https://www.information-age.com/insight-
action-why-prescriptive-analytics-next-big-
Kull, T. J., Kotlar, J., & Spring, M. (2018). Small step-big-data-123458977/.
and Medium Enterprise Research in Supply
Chain Management: The Case for Single‐ Rossi, P. E., & Allenby, G. M. (2003). Bayesian
Respondent Research Designs. Journal of statistics and marketing. Marketing
Supply Chain Management, 54(1), 23-34. Science, 22(3), 304-328.
Kumar, V. (2018). Transformative Marketing: Sarstedt, M., & Ringle, C. M. (2010). Treating
The Next 20 Years. Journal of Marketing. 82(4), unobserved heterogeneity in PLS path
1-12. modeling: a comparison of FIMIX-PLS with
different data analysis strategies. Journal of
Matthews, L., Hair, J., Matthews, R. (2018). Applied Statistics, 37(8), 1299-1318.
PLS-SEM: The holy grail for advanced
analysis. Marketing Management Journal, 28(1), Sarstedt, M., Ringle, C., & Hair, J. (2017).
1-13. Identifying and Treating Unobserved
Heterogeneity in PLS: A State of the Art
Matthews, L., Hair, J.H., Sarstedt, M., and Review,” chapter in Recent Developments on
Ringle, C. (2016). Identifying and Treating Partial Least Squares Structural Equation
Unobserved Heterogeneity with FIMIX-PLS: Modeling: Basic Concepts, Methodological
Part II – Case Study, European Business Issues and Applications, H. Latan, and Richard
Review, 28(2). Noonan, Editors, Springer International
Publishing AG, Switzerland.
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
_______________________________________________________________________________
Shmueli, G., Ray, S., Velasquez Estrada, J. M., Verma, P., Agarwal, S., Kachroo, P., & Krishen,
& Chatla, S. B. (2016). The elephant in the A. (2017). Declining transportation funding
room: Predictive performance of PLS models, and need for analytical solutions: dynamics
Journal of business Research, 69, 4552-4564. and control of VMT tax. Journal of Marketing
Analytics, 5(3-4), 131-140.
Sivarajah, U., Kamal, M. M., Irani, Z., &
Weerakkody, V. (2017). Critical analysis of Big Wedel, M., & Kannan, P. K. (2016). Marketing
Data challenges and analytical analytics for data-rich environments. Journal of
methods. Journal of Business Research, 70, 263- Marketing, 80(6), 97-121.
286.
White, S., (2017). What is a data scientist? A
Sorescu, A., Warren, N. L., & Ertekin, L. (2017). key data analytics role and a lucrative career.
Event study methodology in the marketing https://www.cio.com/article/3217026/data-
literature: an overview. Journal of the Academy science/what-is-a-data-scientist-a-key-data-
of Marketing Science, 45(2), 186-207. analytics-role-and-a-lucrative-career.html,
accessed August, 2018.
Snyman, J. A. and Wilke, D. N. (2005). Practical
mathematical optimization: basic optimization Worm, S., Bharadwaj, S. G., Ulaga, W., &
theory and gradient-based algorithms. Reinartz, W. J. (2017). When and why do
Springer. customer solutions pay off in business
markets? Journal of the Academy of Marketing
Varadarajan, R. (2018). A Commentary on Science, 45(4), 490-512.
“Transformative Marketing: The Next 20
Years”. Journal of Marketing. 82(4), 15-18.
__________________________________________________________________________________
HAIR/ HARRISON
RISHER
© 2018. This work is licensed under
http://creativecommons.org/licenses/by/3.0/ (the “License”). Notwithstanding
the ProQuest Terms and Conditions, you may use this content in accordance
with the terms of the License.

Marketing Research in The 21st

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Marketing Research in The 21st

Загружено:

Авторское право:

Доступные форматы

e-ISSN: 2177-5184

MARKETING RESEARCH IN Received on:

THE 21ST CENTURY: Approved on:

The role of marketing is evolving rapidly, and design and

Keywords: Big Data. Data Analytics. Data Quality.

Marketing Research in the 21st Century: problems and opportunities. Similarly,

it is virtually impossible to hypothesize every marketing researchers to determine optimal

enhanced by artificial intelligence (Huang & extend their expertise in segmentation,

media sentiment, positioning and engagement: os/2016/03/03/152000-smart-devices-every-

evaluation of buyer‐supplier literature: an overview. Journal of the Academy

Sivarajah, U., Kamal, M. M., Irani, Z., &

Sorescu, A., Warren, N. L., & Ertekin, L. (2017).

PESQUISA EM MARKETING Recebido em:

NO SÉCULO XXI: Aceito em:

O papel do marketing está evoluindo rapidamente, e

Keywords: Big Data. Análise de Dados. Qualidade de

Pesquisa em Marketing no Século XXI: pesquisa acadêmica em nas ciências sociais

provavelmente continuarão evoluindo no produtos e serviços baseados na internet.

motivadores de fidelidade do consumidor, e ferramentas como técnicas, que informam

da cadeia de fornecimento. Embora valiosos Embora a análise preditiva

interpretá-las em termos de lógica, relevância aperfeiçoasse as redes de distribuição,

texto, ferramentas de análise de rede de mídia impossíveis de obter. Infelizmente, as

populações consistem em subgrupos da feminino e masculino; grandes e pequenas

a tomada de decisões. Além disso, o isso claramente afetará tanto os profissionais de

Decisões Serão Mais Baseadas em Regulamento Geral de Proteção de Dados

https://iianalytics.com/research/will-data- Hair, J. F., Sarstedt, M., Ringle, C. M., & Mena,

Вам также может понравиться