المنهجية

القسم 1

منهجنا

يحتل Rascasse موقعًا متميزًا في مشهد البحوث: Audience Intelligence قائم على السلوك. نحن لسنا مزوّد خدمات استماع اجتماعي ولا مزوّد أبحاث استقصائية. بل نحلّل بشكل منهجي السلوك الرقمي القابل للملاحظة عبر مصادر متعددة لبناء ملفات جمهور قائمة على ما يفعله الناس يفعلونه، لا ما يقولون.

هذا التمييز مهم. الفجوة بين المواقف المُعلنة ذاتيًا والسلوك الفعلي — وهي فجوة القول والفعل (Say-Do Gap) — موثّق جيدًا في الأدبيات الأكاديمية والممارسة المهنية على حد سواء. فقد أثبت Choi وVarian أن سلوك البحث الرقمي يتنبأ بالنشاط الاقتصادي الواقعي بدقة أعلى من أدوات الاستطلاع التقليدية.1 أظهر Kosinski وزملاؤه أن السجلات الرقمية للسلوك البشري يمكنها التنبؤ بالسمات الشخصية بدقة لافتة.2

يعترف قطاع أبحاث السوق نفسه بهذا التحدي بشكل متزايد. ففي IIeX North America 2025، عرضت Qrious Insights نتائج تشير إلى معدلات خطأ تبلغ نحو 80% في بيانات استهلاك الوسائط المُبلَّغ عنها ذاتيًا.{{methodology.toc_item_14}} حلّل تقرير State of Survey Fraud الصادر عن Rep Data لعام 2025 نحو 4.1 مليار محاولة استبيان، ووجد أن 33% منها احتيالية و27% غير منتبهة — ما يترك نحو نصف الردود المجمّعة صالحة للاستخدام فعليًا.{{methodology.toc_item_15}}

يتوافق نهجنا مع ما تعترف به الآن رسميًا مدونة ICC/ESOMAR الدولية (الإصدار الخامس، 2025): الدور المشروع لـ“الباحث بوصفه منسّق بيانات” — أي المهنيين الذين يستخلصون الرؤى من مصادر بيانات قائمة بدلًا من توليد بيانات أولية عبر الاتصال المباشر بالمشاركين.5

في مؤتمر ESOMAR Reimagine 2025، قدّمت Heineken إطاراً لتقييم مخاطر البيانات الاصطناعية والمُسنَدة. وضمن هذا الإطار، تُصنَّف منهجية Rascasse ضمن “الخطوة 1: إسناد البيانات” — وهي الفئة الأقل خطورة، لأنها تستنتج من إشارات سلوكية حقيقية بدلاً من توليد بيانات اصطناعية.{{methodology.toc_item_17}}

المبادئ الأساسية

• التثليث متعدد المصادر: يتم التحقق من كل نقطة بيانات مقابل مصادر مستقلة. ولا يهيمن مصدر واحد على النتيجة.
• بيانات مجمّعة غير شخصية: نعالج الأنماط السلوكية على مستوى السكان. لا تتبع للأفراد ولا معالجة لبيانات شخصية — امتثال للائحة GDPR بحكم التصميم.
• السلوك القابل للملاحظة بدلًا من التفضيلات المعلنة: استعلامات البحث وأنماط التفاعل وسلوك الاستهلاك توفّر بيانات أعلى دقة من إجابات الاستبيانات المُعلنة ذاتيًا.
• الشفافية بشأن عدم اليقين: حين تكون البيانات شحيحة، نُبلغ عن نقص البيانات بدلًا من عرض قيم مُقدَّرة.

القسم 2

بنية البيانات & الاستقلالية

بنية بيانات Rascasse محافظة عن قصد. فقد عملنا دون أي حظر لمصدر واحد، أو إلغاء لوصول API، أو إنذار قانوني، أو انتهاك لشروط الخدمة. وهذا ليس محض صدفة — بل هو نتيجة تصميم. فبنيتنا قائمة على سلوك قابل للملاحظة علنًا لا يتطلب وصولًا مميزًا إلى واجهات برمجية، أو مصادقة مستخدمين، أو شراكات مع أطراف ثالثة يمكن سحبها.

بلا اعتماد على ملفات تعريف الارتباط من أطراف ثالثة

في حين يواجه جزء كبير من منظومة الإعلان الرقمي اضطرابًا بسبب إلغاء ملفات تعريف الارتباط — Privacy Sandbox من Google، وITP في Safari، وETP في Firefox — فإن منهجية Rascasse مستقلة تمامًا عن ملفات تعريف الارتباط. فنحن لا نتتبع المستخدمين الأفراد عبر المواقع. ونقاط بياناتنا أنماط سلوكية مجمّعة: أحجام البحث، ومقاييس التفاعل، وبيانات التفاعل العلني. ولا يعتمد أي منها على آليات تتبع على مستوى المتصفح.

لا حاجة إلى أي بيانات عملاء

لا يتطلب Rascasse الوصول إلى أنظمة CRM لدى العميل، أو بيانات الطرف الأول، أو قواعد بيانات العملاء، أو أي معلومات مملوكة. فذكاؤنا مستمد بالكامل من بيانات سلوكية متاحة للعموم. ويعني ذلك عدم الحاجة إلى اتفاقيات معالجة بيانات (DPAs) تتجاوز شروط SaaS القياسية، وانتفاء خطر خلط بيانات العميل بمصادر خارجية، وعدم وجود تأخير في التهيئة لدمج البيانات، وامتثالًا كاملًا للائحة GDPR بحكم التصميم.

استقلالية المصادر

على خلاف المنافسين الذين يعتمدون على واجهة برمجية لمصدر واحد — مثل Twitter/X Decahose أو Marketing API من Meta — تضمن بنية Rascasse متعددة المصادر ألّا يُعطّل أي تغيير في مصدر واحد خط بياناتنا. وعندما تقيّد خدمات الأطراف الثالثة الوصول إلى واجهاتها البرمجية، كما فعلت Twitter/X في 2023 أو كما تعدّل Meta واجهة Marketing API دورياً، تبقى منهجيتنا غير متأثرة.

يعترف دليل ESOMAR بشأن الجمع السلبي للبيانات والملاحظة والتسجيل صراحةً بمشروعية البحوث القائمة على بيانات قابلة للملاحظة علنًا، شريطة الالتزام بمبدأي الشفافية والتناسب — وهما مبدآن تستوفيهما بنية Rascasse بحكم تصميمها.7

القسم 3

مصادر البيانات

يستوعب Rascasse بيانات سلوكية من فئات مستقلة متعددة. وتلتقط كل فئة جانبًا مميزًا من السلوك الرقمي، ولا يهيمن مصدر واحد على المخرجات النهائية. ويتبع هذا النهج متعدد المصادر مبادئ دمج البيانات كما وصفتها Ipsos MediaCT: الجمع بين تدفقات بيانات مستقلة لإنتاج تقديرات لا يستطيع أي مصدر منفرد تقديمها وحده.8

القسم 4

توصيف نقاط البيانات

نقطة بيانات في نظام Rascasse هي أي كيان ثقافي أو تجاري أو اجتماعي منفصل يولّد سلوكاً رقمياً قابلاً للقياس. ويحلّل النظام حالياً أكثر من 500,000 نقطة بيانات ضمن خمسة أنواع: العلامات التجارية, الأشخاص, الفعاليات, الإعلام، و الموضوعات.

بناء نقاط البيانات

تُعرَّف كل نقطة بيانات بمجموعة منسَّقة من كلمات البحث والأسماء البديلة وتصنيفات الفئات. وهذا التنسيق ضروري: فالاستعلام نفسه ظاهريًا قد يشير إلى نقاط بيانات مختلفة (مثل “Jaguar” علامة السيارات مقابل “Jaguar” الحيوان)، ويتطلب فضّ الالتباس خبرة في المجال مقترنةً بتحقق خوارزمي.

حجم نقطة البيانات

حجم نقطة البيانات مقياس مُطبَّع يجمع حجم البحث مع بيانات التفاعل الاجتماعي. وهو يوفّر قياسًا قابلًا للمقارنة للبصمة الرقمية الإجمالية لنقطة البيانات، بما يتيح المقارنات عبر الفئات وعبر الدول. وحجم نقطة البيانات خاص بالنوع: فالعلامة التجارية تُرجَّح بشكل مختلف عن الشخص أو الفعالية، بما يعكس الأنماط السلوكية المتمايزة التي يولّدها كل نوع.

معامل الجودة (QualFactor)

تحمل كل نقطة بيانات درجة QualFactor مشتقة من التحقق المتبادل بين البيانات السلوكية القائمة على البحث وتلك القائمة على التفاعل. تشير درجة QualFactor المرتفعة إلى أنماط متسقة عبر مصادر مستقلة؛ أما الدرجة المنخفضة فتستدعي مراجعة يدوية أو إثراءً للبيانات.

القسم 5

بناء الجمهور

تُبنى الجماهير في Rascasse من نقاط البيانات عبر تنظيم خبراء متخصصين — لا عبر التجميع الخوارزمي. ويضمن هذا الاختيار التصميمي المتعمَّد الاتساق الدلالي: فجمهور “عشّاق السيارات الفاخرة” يبنيه خبراء يفهمون أي العلامات التجارية والمنصات الإعلامية والفعاليات والمؤثرين تُعرِّف تلك الشريحة.

جماهير أحادية نقطة البيانات

أبسط أنواع الجمهور يتمحور حول نقطة بيانات واحدة. فـ“محبو Dallas Cowboys” يشمل كل السلوك الرقمي المرتبط بفريق Dallas Cowboys — أنماط البحث والتفاعل الاجتماعي واستهلاك المحتوى وتقاربات العلامات ذات الصلة.

جماهير متعددة نقاط البيانات

تجمع الجماهير المركّبة بين عدة نقاط بيانات باستخدام تركيبات منطقية (AND وOR وNOT). فعلى سبيل المثال، قد يجمع جمهور “الأزياء المستدامة” بين علامات تركّز على الاستدامة، ووسائل إعلام معنية بالأزياء الأخلاقية، ومؤثرين ذوي صلة — مع استبعاد علامات الأزياء السريعة.

التجميع المرجّح

عند بناء جماهير متعددة نقاط البيانات، تُرجَّح نقاط البيانات المكوِّنة بحسب صلتها. فجمهور “American Hip-Hop Fans” قد يمنح الفنانين وزنًا أكبر من المنصات الإعلامية، بما يعكس النمط السلوكي الأقوى الذي يوفره التفاعل مع الفنانين.

القسم 6

النمذجة الديموغرافية

الخصائص الديموغرافية غير قابلة للرصد المباشر من بيانات البحث. لذلك نعتمد منهج تقدير متعدد المصادر يجمع عدة مؤشرات ديموغرافية مستقلة في تقدير مركّب. ويسهم كل مؤشر بجزء من الدليل؛ ويتشكّل الملف الديموغرافي النهائي من تقارب هذه المدخلات المستقلة.

يتبع الإطار البايزي الذي يقوم عليه المؤشران 2 و5 أساليب راسخة في علم التسويق، كما وصفها Rossi وAllenby وMcCulloch (2005)9 وطُبِّق على نمذجة المزيج الإعلامي من قِبل Google Research (2017).10

يعتمد مكوّن التحليل الديموغرافي البصري على بنية DEX (Deep EXpectation) لتقدير العمر الظاهري من صور الوجوه11 وأعمال أوسع حول الكشف الديموغرافي المعتمد على تعلّم الآلة من وسائل التواصل الاجتماعي.12

تُعاير التوزيعات الديموغرافية الخاصة بكل قناة مقابل الدراسات المستمرة لمركز Pew Research Center حول أنماط استخدام وسائل التواصل الاجتماعي عبر المجموعات الديموغرافية.13

القسم 7

نمذجة التقارب & السيكوغرافيا

درجات التقارب

يقيس التقارب القوة النسبية للصلة بين جمهور معيّن وعلامة تجارية أو شخص أو أصل. وخط الأساس هو 1.0، ويمثل متوسط السوق. وتشير درجة تقارب أعلى من 1.0 إلى اهتمام يفوق المتوسط؛ بينما تشير القيم دون 1.0 إلى اهتمام يقل عن المتوسط. وهذا النهج القائم على المؤشرات — الشائع في التخطيط الإعلامي — يتيح المقارنة المباشرة بين نقاط البيانات والجماهير.

يستند حساب التقارب إلى تقنيات الترشيح التعاوني وتحليل المصفوفات، كما وصفها Koren وBell وVolinsky (2009) في سياق أنظمة التوصية.14 الرؤية الجوهرية: أنماط التزامن عبر البيانات السلوكية تكشف تفضيلات كامنة لا تستطيع نقاط البيانات المنفردة وحدها التقاطها.

التوصيف السيكوغرافي (28 سمة)

يقدّر Rascasse 28 سمة سيكوغرافية لكل جمهور، منظّمة حول أبعاد مثل التوجه نحو الاستدامة، وتبنّي التقنية، والتقارب مع الرفاهية، والوعي الصحي، والانخراط الثقافي.

تُقيَّم كل سمة من خلال نقاط بيانات دالّة: علامات تجارية وأشخاص وأصول تمثّل مؤشرات قوية على بُعد سيكوغرافي معيّن. فعلى سبيل المثال، تستند سمة “الاستدامة” إلى أنماط التفاعل مع علامات مثل Patagonia، ومحتوى إعلامي عن تغيّر المناخ، وفعاليات تركّز على القضايا البيئية. وتمثّل درجة السمة مدى تفوّق الجمهور أو تراجعه في نقاط البيانات المرجعية هذه مقارنةً بعموم السكان.

يستند هذا النهج إلى أبحاث حول التنبؤ بالسمات النفسية من السلوك الرقمي2 وإطار قيم شوارتز، الذي يوفر تصنيفًا للقيم الإنسانية مؤسَّسًا نظريًا.15 أظهر Boyd وآخرون (2015) أنه يمكن استنتاج التوجهات القيمية بموثوقية من أنماط السلوك الرقمي.16

القسم 8

Location Intelligence

توفر Rascasse ذكاءً على مستوى الموقع في أكثر من 200 دولة، وأكثر من 100,000 مدينة، وأكثر من 250,000 رمز بريدي. وتُشتق بيانات المواقع من التوزيع الجغرافي لسلوك البحث مقترنًا بالتحليل المكاني لنقاط الاهتمام (POIs).

التقارب المكاني

يقيس Location Affinity مدى قوة صدى علامة تجارية أو أصل رعائي في منطقة جغرافية محددة مقارنةً بالمتوسط الوطني. ويجمع بين توزيع حجم البحث وأنماط الاهتمام، وفق منهجية التحليل الإقليمي التي وصفها لأول مرة Choi وVarian (2012).1

قاعدة بيانات نقاط الاهتمام (POI)

يحتفظ النظام بقاعدة بيانات تضم أكثر من 8 ملايين نقطة اهتمام مستمدة من قواعد بيانات جغرافية مفتوحة — تشمل مواقع الأماكن ومتاجر التجزئة والمؤسسات الثقافية والمنشآت الرياضية. وتُربط نقاط الاهتمام بتصنيف Rascasse للمدن والمناطق، بما يتيح تحليلًا مكانيًا يصل السلوك الرقمي بالحضور في العالم المادي.

رصد القيم الشاذة

ليست كل نقطة بيانات جغرافية ذات دلالة. يستخدم النظام التحقق عبر الجوار للتمييز بين الاتجاهات المحلية الحقيقية وتشوهات البيانات: فالمدينة التي تُظهر تقاربًا مرتفعًا بصورة غير معتادة يجري التحقق منها مقابل المدن المجاورة وأنماط المنطقة. أما الطفرات المعزولة التي لا تدعمها المنطقة فتُوسم كتشوهات محتملة بدلًا من تقديمها كرؤى.

القسم 9

Share of Search

يقيس Share of Search نسبة العلامة التجارية من إجمالي حجم البحث عن العلامات ضمن مجموعة تنافسية محددة. وقد طرحه رسميًا لأول مرة Les Binet في IPA EffWorks Global عام 202017، وقد جرى التحقق منذ ذلك الحين من صلاحية هذا المقياس كمؤشر بديل موثوق لحصة السوق.

حلّل مركز الأبحاث IPA Think Tank، بقيادة James Hankins، 30 دراسة عبر 12 فئة و7 دول، ووجد أن Share of Search يمثّل نحو 83% من تباين الحصة السوقية.18 والأهم أن التغيّرات في Share of Search تميل إلى تسبق التغيّرات في حصة السوق الفعلية، ما يجعله مؤشراً استباقياً للديناميكيات التنافسية.

كيفية تطبيق Rascasse

• تعريف مرن للفئة: تُعرَّف المجموعات التنافسية حسب حالة الاستخدام — دون التقيّد بتصنيفات جاهزة. فمجموعة “السيارات الفاخرة” في ألمانيا قد تختلف عن المفهوم نفسه في الولايات المتحدة.
• التتبع الشهري: يُحتسب Share of Search شهريًا مع مقارنات سنوية، ما يتيح رصد الاتجاهات بما يتجاوز الضجيج الموسمي.
• تفصيل على مستوى الدولة: يُحلَّل كل سوق على حدة، بما يعكس اختلاف الديناميكيات التنافسية بحسب الجغرافيا.
• التطبيع: تُطبَّع أحجام البحث الخام لمراعاة التقلبات الموسمية والنمو أو التراجع على مستوى الفئة.

القسم 10

التحقق & القيود

إطار التحقق

يستخدم Rascasse آليات تحقق متعددة لضمان جودة المخرجات:

• الاتساق عبر المصادر: يجب تأكيد نقاط البيانات عبر مصدرين مستقلين على الأقل قبل الإبلاغ عنها بدرجة ثقة عالية. أما نقاط البيانات أحادية المصدر فتُوسم وفقًا لذلك.
• الاستقرار الزمني: يتم التحقق من النتائج عبر سلاسل زمنية لاستبعاد ضجيج الشهر الواحد. والتحوّلات المفاجئة غير المؤكَّدة تستدعي مراجعة بدلاً من إدراجها تلقائياً في التقارير.
• قارن أداءك ببيانات عامة: تُقارَن الملفات دوريًا ببيانات خارجية متاحة — نسب المشاهدة التلفزيونية، وأرقام المبيعات المنشورة، وديموغرافيات التعداد السكاني، ونتائج أبحاث السوق المتاحة للعموم.
• تقييم عامل الجودة: تحمل كل نقطة بيانات معامل QualFactor يعكس اتساق بياناتها الأساسية واتساعها. وتُوسَم نقاط البيانات ذات QualFactor المنخفض في واجهة المستخدم.

القيود المعروفة

نؤمن بأن الشفافية بشأن حدود المنهج ضرورية لمصداقيته المنهجية. وفيما يلي القيود المعروفة لمنهجنا:

للاطلاع على قائمة كاملة بالمراجع الأكاديمية التي تستند إليها هذه المنهجية، راجع المراجع.