Kuvittele kauppiasta, joka haluaa selvittää, mitkä tekijät vaikuttavat siihen, mitä ihmiset ostavat lähikaupastaan. Nykyiset tieteelliset tutkimukset antavat hyviä vinkkejä siitä, mikä saa ihmisen tekemään ostopäätöksen. Niiden ongelmana on kuitenkin se, että ne antavat vinkkejä vain yhdestä tai kahdesta asiasta kerrallaan.

Käyttäytymisen tutkimus on keskittynyt tarkkojen ja yksinkertaisten teoreettisten mallien rakentamiseen ja testaukseen ennustamisen kustannuksella (Jolly & Chang, 2019; Yarkoni & Westfall, 2017). Todellisuudessa ostopäätökseen vaikuttavia tekijöitä on paljon enemmän, kuten esimerkiksi tuotteen hinta, saatavuus, tarpeellisuus, ostamisen ajankohta, ostajan varallisuus ja kilpailevien tuotteiden tarjonta.

Perinteinen kuluttajatutkimus käyttää menetelmiä, joiden avulla on vaikeaa käsitellä tällaista moniulotteista kuluttajan ostopäätöstä.
Tutkimus, joka rajoittaa muuttujia liikaa, kärsii usein ns. litteän maan harhasta (Jolly & Chang, 2019), jossa päätelmiä tehdään puutteellisten ja liian matalaulotteisen datan perusteella. Toisin sanoen koeasetelmat ja mittaukset sisältävät liian vähän parametreja. Tällöin käy helposti niin, että saadut tulokset eivät yleisty laboratorion ulkopuolelle ja niiden avulla ei voida ennustaa ihmisten aitoa käytöstä.

Neuroennustaminen hyödyntää aivokuvantamismenetelmiä

Eräs ratkaisu ongelmaan on hyödyntää aivokuvantamismenetelmiä (Barden, 2013; Genco, 2019; Morin & Renvoisé, 2018). Sekä tekoälyn että aivotutkimuksen menetelmät ovat edenneet siten, että niiden avulla ihmisen moniulotteista käyttäytymistä voidaan mitata, mallintaa ja ennustaa reaalimaailman tilanteissa entistä paremmin. Hyvänä esimerkkinä tästä on neuroennustaminen (eng. neuroforecasting). Se perustuu siihen, että tietyn tarkasti valitun ihmisryhmän aivoaktivaatiota mitataan samalla, kun he seuraavat tai tekevät valintoja markkinointi-, terveys- tai muista viesteistä.

Stanfordin yliopistossa tehtiin uraauurtava tutkimus neuroennustamisesta (Genevsky & Knutson, 2015). Siinä näytettiin yhdysvaltalaiselta Kiva-mikrolainasivustolla poimittuja mikrolainapyyntöä 30 koehenkilölle, jotka sijoittivat lainaan 25 tai 50 dollaria tai hylkäsivät sen. Kullekin osallistujalle annettiin ennen koetta 50 dollaria sijoitusrahaa, jonka hän siis sai sijoittaa tai pitää itsellään. Kokeen lopussa yksi valinta arvottiin todelliseksi valinnaksi ja henkilö sijoitti sen summan, jonka oli käyttänyt kokeen aikana juuri tuohon lainapyyntöön.

Lainasimulaation aikana henkilöiden aivoaktivaation muutoksia mitattiin toiminnallisella fMRI-magneettikuvauslaitteella, jolla oli mahdollista selvittää, mitä aivojen verkostoja henkilö käytti päätöksentekohetkillä. fMRI-mitattu data on korkeaulotteista, sisältäen kymmeniä tuhansia signaaleita koko aivojen alueelta.

Ilmeni, että ne lainapyyntömainokset, jotka aktivoivat henkilön aivojen etuotsalohkon keskialuetta ja aivojuoviota, olivat yhteydessä koehenkilön päätökseen antaa rahaa lainaksi. Näitä aivojen alueita kutsutaan valuaatioverkostoksi (Levy & Glimcher, 2012). Lisäksi tämän koehenkilöryhmän keskiarvoistettu aivojuovioaktivaatio ennusti lainapyynnön menestymistä todellisilla markkinoilla. Sen sijaan perinteisillä kyselytutkimuksilla tehdyillä arvioinneilla ei ollut yhteyttä näiden mainosten vaikuttavuuteen.

fMRI-tutkimukset vaativat paljon resursseja

Useissa muissa tutkimuksissa on havaittu sama ilmiö: Tupakoitsijoiden reaktiot terveysmainoksiin (Falk et al., 2012), kuluttajien reaktiot suklaamainoksiin (Kühn et al., 2016), korkeakouluopiskelijoiden reaktiot joukkorahoitusmainoksiin (Genevsky et al., 2017), sekä uusiin TV-sarjaideoihin (Falk et al., 2013). Nämä ovat osoittaneet, että mainittujen neurofokusryhmien valuaatioverkoston aktivaatioprofiili ennustaa mainostettujen tuotteiden ja konseptien menestymistä todellisilla markkinoilla paremmin kuin perinteiset kyselyihin perustuvat tulokset.

Neuroennustamistutkimukset on tehty toistaiseksi lähes yksinomaan fMRI:llä, koska aivojuovio on keskeinen osa valuaatioverkostoa ja sen aktivoitumisprofiilin muutoksia suhteessa näytettyihin ärsykkeisiin ei voi suoraan mitata muutoin. fMRI-tutkimusten hyödyntämisen suurimpia esteitä tällä hetkellä ovat niiden vaatimat taloudelliset ja osaamiseen liittyvät resurssit.

Myös yksinkertaisemmalla ja halvemmalla EEG-menetelmällä on saatu samansuuntaisia tuloksia (Boksem & Smidts, 2015). Suuret markkinointi- ja viestintäfirmat etenkin Yhdysvalloissa etsivät kuumeisesti keinoja löytää menetelmiä, joilla voisi korvata fMRI:n aivomittauksissa.

Ihmiset ovat enemmän samanlaisia kuin erilaisia

Mihin aivoista saatavan datan hyvä ennustekyky sitten perustuu? Ensinnäkin aivojen toiminta pohjautuu moniulotteiseen prosessiin, joka muodostuu miljardien aivosolujen yhteisaktivaatioista erittäin korkeaulotteisessa parametriavaruudessa.

Ihmisaivot ovat kehittyneet käsittelemään tehokkaasti moniulotteisia ja monimutkaisia riippuvuuksia sisältäviä ongelmia. Erityisesti valuaatioverkosto ”laskee” tällaisen moniulotteisen ongelman kokonaisarvoa päätöstilanteissa ja sen aktivaatio ennustaa hyvin käyttäytymistä. Tätä hyödyntämällä voidaan tekoälymenetelmillä luoda tehokkaita ennustemalleja.

Toiseksi ihmiset ovat loppujen lopuksi enemmän samanlaisia kuin erilaisia. Neuroennustaminen on niin tehokasta, koska aivojen vaistonvaraiset alueet – kuten aivojuovio – arvostavat hyvin samanlaisia asioita. Ryhmän tämän alueen aivoaktivaatio suhteessa markkinointiviesteihin ennustaa asian menestymistä markkinoilla paremmin kuin muiden tutkimusmenetelmien käyttö.

Tulevaisuudessa voidaan odottaa neuroennustamisen laajempaa käyttöä myös tutkimusmaailman ulkopuolella, esimerkiksi markkinoinnissa, palveluissa ja tuotekehityksessä.

Lähteet:

• Barden, P. 2013. Decoded: the science behind why we buy. John Wiley & Sons Ltd.
• Boksem, M. A. S., & Smidts, A. 2015. Brain Responses to Movie Trailers Predict Individual Preferences for Movies and Their Population-Wide Commercial Success. Journal of Marketing Research, 52(4), 482–492. https://doi.org/10.1509/jmr.13.0572
• Falk, E. B., Berkman, E. T., & Lieberman, M. D. 2012. From Neural Responses to Population Behavior: Neural Focus Group Predicts Population-Level Media Effects. Psychological Science, 23(5), 439–445. https://doi.org/10.1177/0956797611434964
• Falk, E. B., Morelli, S. A., Welborn, B. L., Dambacher, K., & Lieberman, M. D. 2013. Creating Buzz: The Neural Correlates of Effective Message Propagation. Psychological Science, 24(7), 1234–1242. https://doi.org/10.1177/0956797612474670
• Genco, S. J. 2019. Intuitive marketing: what marketers can learn from brain science.
• Genevsky, A., & Knutson, B. 2015. Neural Affective Mechanisms Predict Market-Level Microlending. Psychological Science, 26(9), 1411–1422. https://doi.org/10.1177/0956797615588467
• Genevsky, A., Yoon, C., & Knutson, B. 2017. When Brain Beats Behavior: Neuroforecasting Crowdfunding Outcomes. The Journal of Neuroscience, 37(36), 8625–8634. https://doi.org/10.1523/JNEUROSCI.1633-16.2017
• Jolly, E., & Chang, L. J. 2019. The Flatland Fallacy: Moving Beyond Low–Dimensional Thinking. Topics in Cognitive Science, 11(2), 433–454. https://doi.org/10.1111/tops.12404
• Kühn, S., Strelow, E., & Gallinat, J. 2016. Multiple “buy buttons” in the brain: Forecasting chocolate sales at point-of-sale based on functional brain activation using fMRI. NeuroImage, 136, 122–128. https://doi.org/10.1016/j.neuroimage.2016.05.021
• Levy, D. J., & Glimcher, P. W. 2012. The root of all value: a neural common currency for choice. Current Opinion in Neurobiology, 22(6), 1027–1038. https://doi.org/10.1016/j.conb.2012.06.001
• Morin, C., & Renvoisé, P. 2018. The persuasion code: how neuromarketing can help you persuade anyone, anywhere, anytime. Wiley.
• Yarkoni, T., & Westfall, J. 2017. Choosing Prediction Over Explanation in Psychology: Lessons From Machine Learning. Perspectives on Psychological Science, 12(6), 1100–1122. https://doi.org/10.1177/1745691617693393