Sebuah produk baru belum genap sehari beredar. Tim riset bahkan belum sempat menyusun kuesioner. Namun, konsumen sudah mengunggah foto di TikTok, mengeluh di X, membandingkan harga di kolom komentar, serta bertanya kepada orang asing di forum. Mereka berbicara tanpa moderator dan tanpa daftar pertanyaan.

Percakapan spontan tersebut memberi perusahaan sesuatu yang sulit diperoleh dari jawaban terstruktur. Konsumen memilih sendiri topik, bahasa, dan keluhannya. Social listening berusaha menangkap jejak itu secara sistematis, lalu mengelompokkan serta menganalisis percakapan publik dari media sosial, ulasan, atau forum digital.

Nilainya tidak berhenti pada hitungan penyebutan merek. Pertanyaan penting justru muncul sesudahnya. Dalam konteks apa merek dibicarakan? Masalah mana terus berulang? Siapa paling aktif membentuk narasi? Adakah perubahan kecil sebelum sebuah isu membesar?

---

Ketika Percakapan Daring Mendahului Riset Konvensional

Survei berangkat dari pertanyaan peneliti. Social listening berangkat dari percakapan yang sudah berlangsung. Perbedaan arah tersebut dapat membuka tema tak terduga.

Saat diminta menyebut pertimbangan memilih restoran, responden mungkin menjawab harga, rasa, atau lokasi. Percakapan sehari-hari bisa menyingkap perkara lebih rinci, seperti antrean panjang, musik terlalu keras, meja sempit, kasir kurang ramah, atau parkir sulit. Temuan semacam itu berguna untuk menyusun hipotesis dan memperbaiki pertanyaan riset.

Potensinya terlihat dalam studi Nekabari Sigalo dan Vanessa Frias-Martinez pada 2023. Mereka membandingkan sikap terhadap vaksin COVID-19 dari Twitter dengan Household Pulse Survey di Amerika Serikat. Sentimen positif di Twitter dapat memprediksi persepsi positif dalam survei pada model penelitian mereka. Hasil untuk sentimen negatif tidak selalu searah. Penulis juga mencatat kemungkinan bias agregasi, perbedaan persona daring, dan sarkasme.

Temuan tersebut penting sekaligus memberi peringatan. Data digital dapat membaca perubahan respons publik secara cepat, tetapi kedekatan waktu tidak menjamin ketepatan tafsir.

---

Mesin Bisa Menghitung Kata tetapi Belum Tentu Menangkap Maksud

Salah satu keluaran paling populer dari social listening ialah analisis sentimen. Sistem mengelompokkan percakapan sebagai positif, negatif, atau netral. Kerapian tiga kotak itu menggoda, sedangkan bahasa manusia gemar membangkang.

Kalimat “Bagus banget pelayanannya, satu jam makanan baru datang” memuat kata positif. Manusia mudah membaca sindiran tersebut. Mesin bisa terkecoh jika hanya mengenali kosakata tanpa memahami konteks.

Byron C. Wallace dan koleganya menunjukkan masalah serupa melalui riset tentang ironi pada 2014. Bahkan manusia memerlukan konteks tambahan untuk menilai maksud ironis. Model komputasional menghadapi batas serupa saat informasi tentang pembicara atau rangkaian percakapan tidak tersedia.

Tantangannya bertambah di Indonesia. Percakapan digital bercampur dengan singkatan, bahasa daerah, istilah komunitas, meme, plesetan, serta campur kode. Persentase sentimen tetap berguna sebagai peta awal. Namun, peneliti perlu membaca sampel percakapan, menguji klasifikasi, dan memetakan sumber emosi secara lebih rinci.

Sentimen negatif terhadap maskapai, misalnya, dapat berasal dari keterlambatan, bagasi, aplikasi, pelayanan staf, perubahan jadwal, atau proses pengembalian dana. Setiap sumber keluhan menuntut keputusan bisnis berbeda. Satu angka sentimen tidak mampu menjelaskan semuanya.

---

Banyak Suara Tidak Otomatis Mewakili Pasar

Seratus ribu unggahan tampak meyakinkan. Ukuran data tetap tidak menghapus persoalan representasi. Pengguna tiap platform memiliki ciri berbeda. Sebagian besar orang hanya membaca, sedangkan kelompok tertentu jauh lebih aktif menulis.

Neeti Pokhriyal, Benjamin A. Valentino, dan Soroush Vosoughi menyebut persoalan tersebut sebagai participation bias. Komposisi orang yang memilih ikut membahas sebuah topik dapat berbeda dari keseluruhan pengguna platform. Akibatnya, narasi dominan di media sosial tidak boleh langsung disebut sebagai pendapat mayoritas konsumen.

Christopher Barrie dan Arun Frey menemukan batas serupa saat membandingkan data Twitter dengan survei langsung peserta Women’s March 2017 di Washington, D.C. Sampel Twitter mereka cukup mendekati distribusi gender dan ideologi dari survei lapangan, meski masih memiliki bias. Estimasi kelompok usia justru tidak akurat. Jejak digital belum dapat menjadi sampel representatif bagi populasi luring.

Pilihan kata dalam laporan pun harus disiplin. Frasa “narasi paling dominan dalam percakapan publik teramati” lebih jujur daripada “mayoritas konsumen berpendapat”. Selisih kedua kalimat tersebut tampak tipis, tetapi konsekuensi metodologisnya lebar.

---

Mengubah Percakapan Menjadi Keputusan

Kekuatan social listening muncul saat perusahaan memasangkannya dengan metode lain. Metode ini dapat mendeteksi topik baru serta melacak perubahan percakapan. Survei mengukur seberapa luas persepsi itu. Diskusi kelompok terpumpun atau wawancara mendalam membantu menjelaskan alasan di baliknya.

Bayangkan produsen makanan menemukan keluhan “terlalu manis”. Percakapan digital menunjukkan kapan isu meningkat, produk pembanding, dan kosakata konsumen. Survei mengukur jumlah orang dengan persepsi serupa. Diskusi lanjutan dapat membedakan persoalan rasa, kekhawatiran terhadap gula, perubahan gaya hidup, atau pengaruh produk pesaing.

Proxima Research membantu perusahaan menyusun studi social listening dengan kerangka riset terarah. Analisis dapat mencakup persepsi merek, kebutuhan konsumen, percakapan kompetitor, respons terhadap kampanye, serta tema untuk diuji melalui survei atau riset kualitatif.

Arus percakapan digital tidak pernah kekurangan suara. Kesulitan dimulai saat bisnis harus memilah siapa yang terdengar dan konteks di balik ucapan mereka. Setelah itu, perusahaan masih perlu menentukan pertanyaan lanjutan untuk diteliti.

Referensi

• Sigalo, N., & Frias-Martinez, V. (2023). Using COVID-19 Vaccine Attitudes Found in Tweets to Predict Vaccine Perceptions in Traditional Surveys: Infodemiology Study
• Wallace, B. C., Choe, D. K., Kertz, L., & Charniak, E. (2014). Humans Require Context to Infer Ironic Intent (so Computers Probably do, too)
• Pokhriyal, N., Valentino, B. A., & Vosoughi, S. (2023). Quantifying participation biases on social media
• Barrie, C., & Frey, A. (2021). Faces in the crowd: Twitter as alternative to protest surveys

Email: marketing@proximaresearch.co.id

Contact: +6282299988600

Editor: Hendy Adhitya