Detta forskningsprojekt adresserar den centrala utmaningen att tolka OD inom detaljhandeln. Målet är att utveckla ett enhetligt AI-baserat analysramverk som kan utläsa vad konsumenter tänker, känner, överväger, föredrar och diskuterar – baserat på multimodal OD.
Den exponentiella teknikutvecklingen har i grunden förändrat hur detaljhandeln utvinner insikter från ostrukturerad data (OD) vilken omfattar källor såsom video, ljud, bild och text. Enligt Statista (2024) förväntas den globala datamängden nå 394 zettabyte 2028 och 80 % av denna utgörs av OD (Forbes 2024). Jämfört med traditionella metoder (t.ex. enkäter) erbjuder OD ett kostnadseffektivt sätt att fånga konsumenters naturliga röst. Trots den stora potentialen är dock 90 % av OD fortfarande outforskad. Inom akademisk forskning har fokus i studiet av OD främst legat på text, medan medieformat som video, ljud och bild – som innehåller fler visuella, auditiva och sensoriska signaler – fått begränsad uppmärksamhet. Dessutom analyseras OD oftast i isolering, snarare än genom att integrera olika format för en mer heltäckande förståelse. Många studier fokuserar också på sociala medier. Inom detaljhandeln är användningen av multimodal OD fortfarande mycket begränsad (MIT Sloan School 2021), vilket hindrar företag från att fullt ut utnyttja dess potential. Detta är särskilt anmärkningsvärt med tanke på ODs stora möjligheter inom handeln, där multimodal OD kan ge värdefulla insikter om kunders känslor, preferenser, lojalitet och köpbeteenden. Gartner (2024) betonar därför vikten av att påskynda införandet av multimodala datamiljöer för att möjliggöra integration och användning av OD.