ראיונות סינתטיים: כן או לא למחקר משתמשים?

ראיונות עם משתמשים סינתטיים. הייתה התלהבות רבה בפלטפורמות מדיה חברתית כמו לינקדאין ורדיט סביב הנושא הזה, במיוחד לגבי היתרונות והחסרונות שלו.

אבל האם זה באמת שמן הנחש כפי שהוצג בפני אנשי UX ושיווק? או שיש בעצם מהות מאחורי הרעיון? אחרי הכל, כל המטרה של מחקר UX היא לצפות ולראיין משתמשים אמיתיים, ללמוד על נקודות הכאב שלהם, ולזהות גורמים שהופכים את החוויות שלהם לייחודיות.

ראיונות מסורתיים הם יקרים, כן, אבל בסופו של דבר, הם מאפשרים לגלות את הניואנסים והמורכבויות שמאחורי האינטראקציות והרגשות האנושיים.

כלי generative AI כמו ChatGPT, שפועלים על מודלי שפה מתקדמים מאוד, יכולים ליצור רק משתתפי AI שמשקפים את הממוצע הקולקטיבי, וחסרים את האישיויות המגוונות והמאפיינים הייחודיים שנמצאים בדמוגרפיה הרגילה.

עם זאת, עבור חוקרים שרוצים להתגבר על בעיית הדף הריק, או עבור MNCs שמתמודדים עם חיכוך ארגוני, מחקר סינתטי יכול אכן להיות הזרז שמניע את הדברים. העלות והזמן הנדרשים, בהשוואה לאלטרנטיבות המסורתיות, הם גם די מינימליים.

אז האם זה אומר שאתם יכולים להחליף אנשים אמיתיים במשתמשים מבוססי AI במחקרי השוק שלכם? או להסתמך על ראיונות סינתטיים כדי לקבל החלטות חשובות; החלטות שיכולות להשפיע מאוד על העסק שלכם? בואו נבחן את זה.

דאטה סינטטית ומשתמשים סינטטיים

לפני שנדבר על ראיונות סינטטיים, או פרסונה סינטטיים, אנחנו צריכים להבין מהי דאטה סינטטית. דאטה סינטטית אינה דבר חדש; נעשה בה שימוש נרחב לאימון מודלים שפתיים גדולים לאחר שהדאטה המקורית מוצתה.

כפי שניתן להבין משמה, דאטה סינטטית היא מידע מלאכותי המיוצר באמצעות בינה מלאכותית (AI). היא אינה נאספת ממקורות אמיתיים ואינה מייצגת נתונים מהעולם האמיתי, אלא נגזרת מדפוסים שנמצאו בעולם האמיתי.

מה המשיכה שבה? ובכן, היא זולה ויחסית קלה יותר לייצור.

נתונים מהעולם האמיתי נוטים לעתים קרובות לטעויות והטיות, אך דאטה סינטטית ניתנת לתכנון באופן שממזער טעויות אלה. ניתן לייצר נתונים הדומים למאגר הנתונים המקורי שלך מבלי לשתף מידע רגיש או מזהה אישי, כך שאינך צריך לדאוג לחוקי פרטיות המשתמש.

בנוסף, היא שימושית כשמתמודדים עם קהלי נישה או במקרים בהם המידע הזמין חלקי או מוגבל.

כולם יודעים שנדרשים הרבה כסף וזמן כדי לאסוף מחקר שוק מקורי ממשתמשים ולקוחות. זו אחת הסיבות העיקריות שבגללן מותגים גדולים ועסקים קטנים משתמשים כיום בדאטה סינטטית כדי לאסוף תובנות בעלות ערך על קהל היעד שלהם.

זה מביא אותנו למשתמשים סינטטיים...

משיבים סינטטיים הם טרנד במחקר שיווק ועיצוב. בינה מלאכותית יוצרת משמשת בכל מקום, אז זה לא מפתיע שאנשים בתחומים אלה (אם כי לא כולם) מנצלים אותה ליצירת משתמשים סינטטיים.

במילים פשוטות, פרסונה סינטטיים הם אווטארים דיגיטליים או ייצוגים וירטואליים של הלקוחות או המשתמשים שלך. הם אינם כמו פרסונה מסורתיים שפותחו על ידי אנשי שיווק או עיצוב, אלא נבנים באמצעות טכנולוגיות AI ולמידת מכונה.

הדרך הקלה ביותר ליצור אחד היא באמצעות LLMs כמו GPT-4: התחל בתיאור לקוחות היעד שלך, לאחר מכן ציין את המטרות, האתגרים והצרכים שלהם, ולבסוף, הוסף את רעיון המוצר או השירות שלך, שישמש כפתרון לבעיות אלה. לאחר מכן, הנחה אותו לאמץ את ה"persona" של קהל זה.

אתה יכול לייצר מאות ואפילו אלפי פרסונה מבוססי-AI המייצגים קבוצות דמוגרפיות מסוימות ויכולים להגיב בדיוק לסקרים וראיונות שלך. מכיוון שכלים כמו ChatGPT מאומנים על מאגרי נתונים מגוונים הכוללים שיחות כתובות ומדוברות ממקורות ותעשיות מרובים, הם יכולים לחקות את ההתנהגויות וההעדפות של מגוון משתמשים.

כך שאתה יכול להשתמש במשתמשים סינתטיים כדי לדמות תרחישים שונים ולבצע ניסויים ובדיקות לפני שחרור המוצרים או השירותים שלך לשוק. הם יכולים לעבד כמויות גדולות של מידע ולספק משוב לתמיכה בעיצוב ואיטרציות של קמפיינים.

עם זאת, למרות כל השימושים שלהם, פרסונה סינתטיות מגיעות עם מגבלה בסיסית: אם אתה מתמודד עם רעיון חדשני או מנסה להבין סוג חדש של לקוח, כמו עובדי מטעים בקולומביה, הם עלולים להיכשל.

כפי שכריסטופר רוזן, תומך בעיצוב ממוקד-אדם, מסביר:

"בינה מלאכותית גנרטיבית מבוססת על לכידה של האינטרנט... היא מאחסנת את המבנה של כל ההטיות באינטרנט, הכוללות הטיות הרחק מאנשים המוצגים בעושר בכל הצבעים, הצורות והרעיונות שלהם ולעבר הצגה סטריאוטיפית מאוד של אנשים."

בינה מלאכותית מתקשה לייצג אנשים שאינם מיוצגים מספיק באינטרנט, אז כשאתה מבקש ממנה ליצור פרסונה עבור עובדים בקולומביה, היא עשויה ליצור סטריאוטיפים גנריים כי המידע שעליו היא אומנה מכיל תיאורים שטחיים של אנשים כאלה. הכלים שלך עלולים להחמיץ נקודות מפתח, לחזור על קלישאות, ולחסר את העומק הנדרש כדי לענות על שאלות המיועדות לקבוצות חדשות או מודרות.

עכשיו, מה הם ראיונות סינתטיים?

ראיונות סינתטיים דומים לראיונות משתמשים; עם זאת, במקום להציג שאלות לאנשים אמיתיים, אתה מתקשר עם משתתפים סינתטיים (או משתמשים סינתטיים), בדרך כלל דרך דיאלוג מבוסס טקסט או פורמט מבוסס סקר, כדי לאסוף תובנות משתמשים בנושאים שונים.

כעת, כל מי שעשה אי פעם מחקר, בין אם מדובר בראיונות או בקבוצות מיקוד, יודע כמה זמן וכסף זה יכול לקחת. אחרי הכל, נדרש הרבה תכנון, תיאום ואנשי מקצוע מיומנים רק כדי להכין את השאלות הנכונות. בנוסף, עליך לדבר עם הרבה אנשים כדי לזהות את המטרות ונקודות הכאב הנכונות.

בהשוואה לזה, ראיונות סינתטיים נראים כמציעים אלטרנטיבה מהירה וחסכונית יותר לניהול שיחות עם המשתמשים או הלקוחות שלך.

לפי ג'ון ווהלן בשיעורו "התנסות עם משתמשים סינתטיים: עתיד מחקר הלקוחות," ראיונות סינתטיים אידיאליים ל:

• יצירת רעיונות בשלבים מוקדמים.
• ראיונות עם קהלי יעד נישתיים מבלי למצוא ולגייס אותם.
• שאילת שאלות חודרניות או רגישות בסביבה בטוחה ונטולת סיכונים.
• חקירת מצבים היפותטיים או עתידיים.

לא משנה איזה סוג שאלות אתה שואל; משתמשים סינתטיים לעולם לא מהססים.

אבל המידע או הפלט המופק שאתה מקבל אינו תמיד מושלם. תשובות הראיונות האלה עשויות לענות על ה"מה", אך לא בהכרח על ה"למה".

אתה מפספס את ההקשר העדין שרק פנים או קול אנושי יכולים לספק – ללא הבעות מיקרו, אינטונציות ושפת גוף. ראיונות סינתטיים גם מתקשים לתפוס את עומק הרגשות האנושיים, כיוון שמילים כתובות לעתים קרובות נכשלות בהכללת העושר ההקשרי שנמצא בתהליך המחקר המסורתי.

לכן אתה חייב להעריך ולתקף באופן קבוע ראיונות סינתטיים מול תגובות אנושיות. למה הגישה ההיברידית? כי נתוני הראיון עשויים להיות מופקים על ידי בינה מלאכותית, אבל ההחלטות שאתה מקבל על בסיסם יהיו בעלות השפעה בעולם האמיתי.

ראיונות סינתטיים לפני ChatGPT

סקוט סטיבנס ומייקל כריסטל דנו בנושא הראיונות הסינתטיים ב-1998, במאמרם "ראיונות סינתטיים: אמנות יצירת 'דיאדה' בין דמויות מבוססות אדם ומכונה." כמובן, החוקרים מ-Carnegie Mellon התמקדו ב-ראיונות סינתטיים, הטכנולוגיה שפותחה באוניברסיטה.

המאמר שלהם הגדיר ראיונות סינתטיים בתור:

"אמצעי לשוחח בעומק עם אדם או דמות, המאפשר למשתמשים לשאול שאלות בצורה שיחתית... ולקבל תשובות רלוונטיות ומתאימות לשאלות שנשאלו."

הטכנולוגיה הייתה אמורה להיות "דמוית חיים" בהעברת מידע, באופן המשקף חשיבה ותהליכי חשיבה אנושיים. משתמשים יכלו לשאול שאלות ל-personas ממוחשבות דרך ממשקים מדוברים או מוקלדים כדי להבין את העדפותיהם, התנהגותם וערכיהם.

כדי לממש זאת, אלפי קטעי וידאו של שחקנים אנושיים הוקלטו ואוחסנו במסד נתונים. השחקנים האלה צולמו עונים על שאלות פוטנציאליות, יחד עם קטעים לא-מילוליים נוספים, כמו שתיית קפה, גירוד בראש, או חיוך, כדי לגרום לדמויות להרגיש יותר אנושיות.

תגובות אלה הוצגו בפורמט של ראש מדבר, כך שהמשתמשים יכלו להרגיש כאילו הם פנים מול פנים עם האישיות. ה-personas הממוחשבות כללו גם הרגלים ייחודיים לאישיויות המוצגות, כמו של אלברט איינשטיין, כדי להפוך אותן לאותנטיות יותר.

הממשק אפשר למשתמשים לדבר באופן רגיל למיקרופון ולקבוע את זרימת הראיון. מערכת זיהוי הדיבור ניתחה את שאלותיהם באמצעות ה-LLMs הקיימים שלה וסיפקה תוצאות מדויקות עבור שאלות רלוונטיות ותוצאות קבילות עבור שאלות בלתי צפויות (קרא את המאמר להבין למה הכוונה).

בזמנו, טכנולוגיה זו נתפסה כדרך להציע חוויות אינטראקטיביות עם שחקנים, מנהיגים דתיים ודמויות ציבוריות אחרות.

זה היה לפני שכלי בינה מלאכותית גנרטיבית הגיעו. כעת, אתה יכול פשוט לבקש ממודל "להתנהג כמו" אדם מסוים, או במקרה שלנו, קבוצת לקוחות או משתמשים ספציפית, והוא יפיק מיד תגובות דמויות חיים, מינוס הראשים המדברים, כמובן.

יצירת ראיונות סינתטיים עם בינה מלאכותית

עריכת מחקר משתמשים ללא אנשים נשמעת קשה, אבל זה לא. באמת. כל מה שאתה צריך הוא כלי בינה מלאכותית גנרטיבי, רעיון טוב לגבי מיהו קהל היעד שלך, והסט הנכון של הנחיות ושאלות.

• כלי בינה מלאכותית שיחתית: ChatGPT, Gemini, או Claude.
• קהל יעד/persona: מסמך Word או PDF המתאר פרופילי לקוחות, כמו הדמוגרפיה שלהם (גיל, מגדר, מיקום), פרופיל קריירה, מניעים פסיכולוגיים, משימות לביצוע, התנהגות קנייה, מכשולים עיקריים, ועוד.

מלבד זאת, הגדר את צרכי המחקר שלך. מהן המטרות ומקרי השימוש שלך? מה אתה רוצה ללמוד מסשן הראיונות הזה? זה יעזור לך לנסח את שאלות הראיון. החלט כמה משתמשים סינתטיים אתה רוצה, באיזה פורמט (טקסט, תגובות סקר), וכמה מגוונות התגובות שלהם צריכות להיות.

לצורך הדגמה, ניצור שבעה משתמשים סינתטיים עבור המוצר האחרון שלנו, פרסונה מחקר by Delve AI, באמצעות הגרסה החינמית של ChatGPT.

השלב הראשון הוא להעלות מסמך המכיל פרטים על קבוצת המשתמשים האידיאלית שלנו - זה עוזר להגביל את המשיבים לדמוגרפיה מסוימת. לאחר מכן, אנו מוסיפים את תיאור המוצר ומציינים את מספר המשתתפים הסינתטיים שאנו רוצים שהמערכת תייצר באמצעות פרומפט מנוסח היטב.

לאחר הפרומפט, ChatGPT מיד יצר פרסונה סינתטיות מגוונות. הנה דוגמה לאחת בשם דן מילר, סמנכ"ל שיווק בחברת אי-קומרס.

העברנו את שאלות הראיון הבאות (הכוללות שילוב של שאלות פתוחות ושאלות בסגנון סקר) דרך כל אחת מה-personas הללו.

• האם תוכל לתאר לי כיצד אתה או הצוות שלך יוצרים פרסונה כרגע?
• באילו סוגי נתונים אתם משתמשים בדרך כלל? (למשל, תמלילי ראיונות, תוצאות סקרים, ניתוח אתרים וכו')
• כמה זמן בדרך כלל לוקח לצוות שלך ליצור או לעדכן personas?
• בסולם של 1 עד 5, עד כמה אתה בטוח שה-personas הנוכחיות שלך מייצגות במדויק את המשתמשים שלך? (1 = כלל לא בטוח, 5 = בטוח מאוד)
• מהם האתגרים הגדולים ביותר שאתה נתקל בהם בעת יצירה או תחזוקה של personas?
• אם כלי יוכל לעזור לך ליצור פרסונה מדויקות ומבוססות נתונים תוך דקות ספורות מהמחקר הקיים שלך, עד כמה זה יהיה בעל ערך עבורך או הצוות שלך?
• אילו תכונות היית מצפה או צריך מכלי כזה?
• האם השתמשת אי פעם בכלי מבוסס בינה מלאכותית או אוטומטי ליצירת personas? אם כן, איך הייתה החוויה שלך?
• האם תהיה פתוח לבדוק כלי חדש שעוזר לך ליצור פרסונה מהר יותר באמצעות נתוני המחקר שלך?
• לדעתך, מה יהפוך מוצר כזה ל'חובה' במקום רק ל'נחמד שיש'?

ביקשנו מהצ'אטבוט לסכם את תשובות הראיון לדוח נקי ומקצועי, תוך הדגשת הבעיות או החששות שיש להם עם המוצר, מה הם אוהבים בו, וציטוטים תומכים.

כצפוי, המערכת זיהתה את רוב הבעיות הנפוצות שמשתמשים היו מקשרים לסוג כזה של יצירת פרסונה - פלט גנרי, חששות פרטיות וכו'. אחרי זה הגיע סיכום של מה שהם אהבו במוצר, שגם הוא לא היה רע.

תהליך הראיון הזה השאיר אותנו עם דברים שהמשתמשים הפוטנציאליים שלנו עשויים להתעניין בהם, אבל שום דבר יוצא דופן. התשובות היו מהירות - כל התרגיל לקח כ-15 דקות - עם זאת, ניתן להשתמש בנתונים אלה רק כדי ליצור שאלות טובות יותר וממוקדות יותר למשתמשים האמיתיים שלך.

אתה יכול לראות את התוצאות המלאות, יחד עם הנחיות והשאלות ששימשו כאן.

נתוני הראיון שלך טובים רק כמו המשתמשים הסינתטיים שהמערכת בונה. אז אם אתה רוצה ליצור ראיונות סינתטיים בדרך זו, סקור ביסודיות את נתוני הלקוח שהזנת למודל לבדיקת איכות. האם יש הטיות או פערים? האם אתה כולל את הנתונים הנכונים מלכתחילה? אתה מאמן את המערכת לחקות משהו, אז וודא שה"משהו" הזה הוא באמת מה שאתה רוצה.

כדי ש-LLMs ייצרו נתונים המשקפים את המורכבות והניואנסים של תגובות אנושיות אמיתיות, אתה צריך הנחיות טובות.

זכור: נתוני קלט מעולים + הנחיות מנוסחות היטב = פלט ראיונות איכותי.

לאחר יצירת הנתונים הסינתטיים, אמת אותם לפני השימוש. בצע בדיקות ידניות והשתמש בכלי אימות להערכת איכות, עקביות ודיוק. בעלי עניין סקפטיים לגבי נתונים סינתטיים (ובצדק), לכן היה שקוף אם אתה משתמש בנתונים שנוצרו על ידי AI בדוחות מחקר המשתמשים שלך.

בעיות פוטנציאליות עם ראיונות סינתטיים

מייקל מייס משווה את Synthetic Users, כלי המשתמש ב-AI גנרטיבי לסימולציה של ראיונות לקוחות, לראיונות עם אנשים אמיתיים במאמרו "האם AI יכול להחליף ראיונות גילוי? השוואה תחרותית."

אם עלינו לדון בחסרונות של משיבים סינתטיים ובתורם ראיונות סינתטיים, הפוסט שלו מספק נקודת פתיחה מצוינת.

מייס ערך מחקר בין Synthetic Users ו-UserTesting (המאפשר לך לשאול שאלות אנשים אמיתיים מפאנל מקוון) באמצעות רעיון חדשני – שירות שיתוף נסיעות המשתמש במכוניות מעופפות.

תוצאות מחקר זה לא היו לטובת משתמשים סינתטיים.

Synthetic Users היה בהחלט מהיר. אתה יוצר את המשתמשים, מוסיף את השאלות, והתשובות נוצרות תוך דקות. לעומת זאת, השימוש ב-UserTesting דרש יום שלם – כתיבת תכנית, הגדרת מסננים, המתנה לתשובות, ואז ניתוח התוצאות. וגם אז, מציאת האנשים הנכונים עם התכונות שרצית הייתה קשה.

העניין עם Synthetic Users הוא, שאם אתה מגדיר משתמש עם בעיה ספציפית, הוא לא יערער אם הבעיה הזו קיימת. הוא פשוט מניח שכן. אז אתה מסיים עם משתמשים היפותטיים שלא קיימים במציאות.

שזו בעיה.

אפילו התמלילים שנוצרו היו קצת יותר מדי מושלמים, ללא מילות מילוי, חזרות, או משפטים לא שלמים. הם חסרו את הרמזים הרגשיים ש-UserTesting הציע, מכיוון שלא היו סרטונים או הבעות פנים לניתוח.

יתר על כן, המשתתפים הסינתטיים נשמעו דומים זה לזה, עם תשובות כמעט זהות.

הם הרגישו בסיסיים, ממוצעים ומנותקים מהחיים האמיתיים. משתמשים אמיתיים, למרות שתגובותיהם היו לא מלוטשות, הביאו יותר גיוון ופירוט.

מלבד מהירות וסקירה בסיסית של הקהל שלך, הכלי הזה לא תרם דבר ללמידה על האופן שבו הלקוחות שלך חושבים ומגיבים. אשר, לצערנו, זו הבעיה עם רוב שיטות המחקר הסינתטיות.

מחקר סינתטי: יצירת משתמשים מדומים, סקרים וראיונות עם delve ai

בחנו את הדרכים הידניות לביצוע מחקר סינתטי; כעת, הבה נבדוק את הדרכים המופעלות על ידי בינה מלאכותית. תוכנת המחקר הסינתטי של delve ai היא אחד הכלים שעוזרים לך ליצור פרסונה מבוססות בינה מלאכותית עבור המשתמשים או הלקוחות שלך, ולנצל אותם לביצוע סקרים וראיונות.

כרגע, תוכנת המחקר כוללת שלוש פונקציונליות:

• משתמשים מדומים
• סקרים
• ראיונות

בנויות ממקורות מידע ראשוניים וציבוריים, פרסונה וירטואליות אלו הן בנות-קיימא ומגוונות. ניתן ליצור כל מספר של משתמשים ולערוך כמה ראיונות כמותיים ואיכותיים שתרצו.

שלב 1: פרסונה

עליך ליצור פרסונה בסיסיות לפני שתפתח משתמשים מדומים. לשם כך, עליך להירשם לאחד ממוצרי ה-persona שלנו.

כרגע, מחולל ה-personas המבוסס בינה מלאכותית שלנו מציע שישה מהם:

• customer פרסונה (מבוסס על נתוני ה-CRM שלך)
• Website פרסונה (עבור מבקרי/קוני האתר שלך)
• social פרסונה (עבור קהלי המדיה החברתית שלך)
• competitor פרסונה (עבור מתחרים)
• research פרסונה (עבור המשתמשים שלך)
• audience פרסונה (מבוסס על תיאור הקהל שלך)
• employee פרסונה (למקום העבודה)

במקרה זה, נבנה פרסונה באמצעות כלי ה-research פרסונה שהוזכר קודם.

הירשם או התחבר ל-delve ai, עבור ל-research persona, והעלה את המסמכים שלך. ניתן לכלול כל דבר רלוונטי, כמו תמלילי ראיונות, דוחות סקרים, חדשות תעשייה, או פרופילי משתמשים קודמים.

לחץ על "צור personas", ו-delve ai יפתח פרסונה בהתבסס על הנתונים שסיפקת. אל דאגה אם אין לך חומרי מחקר; פשוט הוסף תיאור קצר של קהל היעד שלך יחד עם כמה פרטים על המוצר או העסק שלך (אופציונלי), ואנחנו נטפל בשאר.

בנוסף לקלט שלך, הפלטפורמה שלנו מסתמכת על למידה מאלפי פרסונה שנוצרו בעבר כדי ליצור פרופילי לקוחות ייחודיים. הפלט יכול להיות פרסונה אחת או מספר personas, בהתאם לקהל וליישום שלך. כל אחד מהמקטעים הללו מכיל פרטי persona, תפוצה ומפות מסע.

לחץ על פרטי PERSONA, ותראה דמוגרפיה של משתמשים, סגנון חיים, מצב קריירה, שאיפות, גורמים המשפיעים על החלטות רכישה, מניעים פסיכולוגיים (מטרות, מוטיבציות, צרכים), ואתגרים מרכזיים.

אחרי זה מגיע מידע על ערוצי התקשורת המועדפים, רשתות חברתיות, מותגים, אתרי קניות, מוזיקה, תוכניות טלוויזיה, סרטים, ערוצי יוטיוב, פודקאסטים, סאברדיטים, מקורות השפעה ועוד.

הלשונית הפצה מציגה כיצד הקהל שלך מתפלג בתוך מגזר מסוים, בחלוקה לפי ערוץ, רשת חברתית, גיל, מגדר, שפה, מיקום, רמות פעילות ונושאים (הן מהדהדים והן כלליים).

הלשונית האחרונה, מסעות לקוח, מכילה מפות מסע משתמש המחולקות לשלבים מובחנים, וחוקרת את המטרות, הפעולות, הבעיות ותהליכי החשיבה של המשתמשים שלך.

הערה: ה-personas שלך מתעדכנות אוטומטית עם נתונים חדשים מדי חודש, ואתה יכול גם להוסיף להן נתוני מחקר נוספים.

שלב 2: משתמשים מדומים

עכשיו שבנינו את ה-personas, בואו נעבור לשלב הבא, כלומר, יצירת משתמשים סינתטיים. למה זה הכרחי? כי אי אפשר לערוך ראיונות בלעדיהם.

כדי להתחיל, עבור ללוח המחוונים של מחקר סינתטי ורכוש את מספר המשתמשים שאתה צריך – לדוגמה, 100. אז, צור פאנל עם קבוצה זו ותן לה שם, כמו קבוצת תובנות שיווק. זה יעזור לך לארגן ולנהל את הקהלים שלך בהמשך.

תועבר למסך בו תוכל לבחור את ה-persona(s) או מוצר ה-persona שברצונך להשתמש בו ליצירת משתמשים סינתטיים. כאן, נבחר מקטע מ-Research פרסונה בשם Edward Collins.

כפי שמוצג להלן, התוכנה יצרה 100 משתמשים סינתטיים בהתבסס על מקטע פרסונה ספציפי זה. לכל משתמש יש אפשרות "התחל צ'אט", בה תוכל להשתמש כדי לתקשר איתם (ראה Digital Twin למידע נוסף).

שלב 3: סקרים + ראיונות

ה-personas הסינתטיים שלנו מוכנים; הגיע הזמן לערוך סקרי משתמשים וראיונות.

בסרגל הצד, לחץ על קבוצת תובנות שיווק, ואז בחר בסקרים מהתפריט הנפתח. בלוח הבקרה, לחץ על כפתור "צור סקר". תתבקש להזין את שם הסקר שלך (למשל, סקר התאמת מוצר לשוק), לציין את מספר המשתמשים (למשל, 100), ולהעלות קובץ CSV המכיל את שאלות הסקר שלך.

הקובץ שלך יכול לכלול סוגים שונים של שאלות, כמו שאלות רב-ברירה, סולם דירוג, סולם ליקרט, שאלות פתוחות ושאלות דירוג. ייקח רק זמן קצר עד שהתשובות שלך ייווצרו.

יחד עם התוצאות, תוכל לחקור אילו משיבים נתנו תשובות ספציפיות לכל שאלה ואפילו לשאול אותם על הסיבות לבחירותיהם באמצעות פונקציית הצ'אט.

תוכל גם לבקש מהם משוב על נושאים אחרים הקשורים לשיווק ולמוצר. בדוגמה למעלה, שאלנו משתמש אילו גורמים השפיעו על החלטתו להשלים רכישה בקניות באינטרנט.

מה הופך כלי זה לשונה

ביקורת מרכזית על מחקר מבוסס בינה מלאכותית היא שהוא חסר את האותנטיות, העומק והניואנסים הרגשיים שמקבלים בדרך כלל מראיונות אמיתיים. זאת, והחשש שהטיות בנתוני האימון עלולות להטות את ממצאי המחקר שלך

כפי ש-Niloufar Salehi כותבת במאמרה על משתמשים סינתטיים:

"כל המטרה של להקדיש זמן לראיין אנשים ואז... לנתח את כמויות הנתונים הגדולות שנאספו היא היכולת להתחבר איתם, לבנות אמון, לחפור עמוק יותר, לבקש מהם לשתף סיפורים, וללמוד על הרגשות והרגשות שלהם. אף אחת ממנכי סינתזת הדפוסים אינה מכילה את אלה."

עם זאת, עבור אנשים או צוותים שרק מתחילים, במיוחד אלה שאין להם זמן או תקציב למחקר משתמשים מקיף, ראיונות סינתטיים יכולים להיות אלטרנטיבה מושכת ונגישה.

תוכנת המחקר הסינתטי של Delve AI אינה מגייסת אנשים. או מראיינת אותם.

אבל היא כן משתמשת במידע שאספת על המשתמשים שלך ליצירת קהלים דומים. משתמשים וירטואליים אלה, הבנויים מ-personas שנוצרו באמצעות נתוני צד ראשון שלך (סי-אר-אם, אנליטיקת אתרים), נתוני צד שני (נתוני קהל חברתי, מודיעין מתחרים), ונתוני קול הלקוח, אינם משהו גנרי ש-ChatGPT המציא.

הם מותאמים אישית למקרה השימוש העסקי שלך וככל הנראה יעניקו לך הבנה טובה יותר של המשתמשים שלך וצורכיהם העיקריים.

בואו נסתכל על הצד החיובי

ראיונות סינתטיים יכולים להיות בעייתיים, אבל רק אם המשתמשים המדומים שאתם מריצים עליהם הם כלליים, לא מדויקים או מוטים. איכות הפרסונות הסינתטיות קשורה ישירות לאיכות התגובות שאתם מקבלים; ככל שהאיכות טובה יותר, כך התגובות טובות יותר.

אז, האחריות מוטלת עליכם לבחור, או אם אתם מוכנים לכך, לבנות תוכנת מחקר סינתטית אמינה (שתדרוש משאבים רבים).

ברגע שתמצאו אחת, תוכלו להשתמש בה כדי לזהות את הבעיות הברורות לפני שאתם עורכים ראיונות אמיתיים. משתמשים סינתטיים טובים גם לסיעור מוחות לרעיונות חדשים. נקודות מבט או דעות טריות שכבר היו שם, אבל לא ידעתם עליהן.

מיותר לציין שבשלב בו הם נמצאים כרגע, ראיונות סינתטיים צריכים רק להשלים את מחקרי המשתמשים שלכם. משתמשים מדומים לעולם לא צריכים לקבל עדיפות על פני משתמשים אמיתיים. אתם יכולים להשתמש בהם לבדיקת תרחישים מרובים, אבל תמיד לאמת את התוצאות האלה עם ממצאי המחקר האמיתיים שלכם.

בסופו של דבר, לא משנה איזה סוג משתמשים תבחרו; מה שחשוב הן השאלות שאתם שואלים, או לא שואלים.