问卷调查传统上是十分仰赖人工的业务。举凡评估客户需求来报价、设计问卷、挑选发送者、整理回应、製作分析报告，每一个环节都仰赖高度真人专业经验。不过，生成式AI仍能在这些流程中扮演辅助角色，来加速流程，甚至产出原本纯人工难以达成的成果。

鼎鼎联合行销（Happy Go）数据长黄士峰昨日于一场活动中揭露，自家旗下市调服务Go Survey如何用AI与生成式AI，来强化市调每个环节。

用AI评估客户需求，缩短75%报价所需时间

接市调委託时，Go Survey需要了解客户需求，评估目标客群的寻找难易度，来决定报价。过往，报价只能凭藉Go Survey人员的专业经验及资料蒐集能力，可能有金额评估与过往案件不一致的风险。不只如此，当题目较陌生，他们还需花费时间与心神，先深入研究，才能报价。

为降低人为偏误风险及陌生题目研究时间，他们利用GPT-3.5模型和RAG技术，打造出自动报价系统。此系统可以分析过往报价资料，来让报价金额相对一致。遇到过往市调不常处理的题目时，也能自动上网查找资料，来协助报价人员判断。报价系统不只会给出建议金额，更会列出完整报价思路，供报价人员及客户了解。

此系统上线后，Go Survey不仅在接案时，对于报价人员领域专业要求降低，更使整体报价作业时程从2天缩短到半天。

完善问卷题目，降低2成问卷设计时间

儘管有既有题型模板，不过由人工来设计问卷题目时，难免基于个人观点不够全面，而遗漏部分询问角度。Go Survey利用Claude模型加上RAG技术，打造GenA问卷设计助手来补足这个缺漏。

此助手能根据过往问卷模板及当前市调主题，快速建议问卷题目。黄士峰说，这个做法不仅能使题目角度更周全，在市调主题相对陌生时，还能帮助问卷设计人员聚焦题目方向。不只如此，相较纯人工，使用此助手能节省20%问卷设计费时。

精準挑选调查对象，找足样本数，更使问题能更聚焦

挑选调查对象环节，Go Survey则利用传统ML机制来协助。他们利用自家顾客特徵资料库来训练ML模型，来挑选出适合市调主题的调查对象。若样本数不够，还会再使用Amazon Personalize上的相似受众寻找功能（Look-alike），挑选出更多属性相似的调查卡友，作为调查对象。

这种做法不只可以找出符合调查需求的样本数，还能提升有效问卷回收率，以及促使问卷设计更聚焦。黄士峰说明，当挑选调查对象的精準度够高，问卷问题能省去「确认性问题」，也就是确认调查对象确实符合主题需求的问题。如此，便能询问更聚焦、更深入的问题，同时提升调查对象填写问卷的体验。这种做法，提升了20%有效问卷回收率。

用AI彙整开放式答题内容，减少8成整理时间

问卷系统虽然能快速整理选择题，但传统上，面临开放式问答题，仍需人工一笔笔判读错别字与名字翻译差异，并彙整答覆内容。Go Survey利用Claude 3模型，结合RAG技术，存取自家资料库内的产品及品牌名称，来解析及彙整这类答题。

黄士峰说，这个做法看起来简单直观，但带来巨大效益，使判读及彙整开放式问答内容作业减少8成费时。

结合问卷外资料来产出更全面的分析报告，创造更多商机

黄士峰说，起初Go Survey尝试使用AI与生成式AI，只是希望可以增加效率、节省人力。不过，随着他们应用方法更加成熟，发现不只能减少作业成本，甚至可以创造出新的价值和商机。

AI製作问卷调查报告就是最好的例子。过往，问卷报告大多只能针对问卷问答来彙整、分析。Go Survey则进一步利用判断式AI及生成式AI，结合问卷外资料，产出更详细、更全面的报告。

例如，他们会结合Happy Go卡友相关消费行为，来产生出调查对象的顾客轮廓（Persona）。甚至可以根据分析结果来建议客户，如何透过Happy Go其他服务，来进行导购、行销等后续行动。黄士峰说，这种做法不只大幅提升客户满意度，也为他们其他带来更多业务机会。