Synthetische Interviews: Ja oder Nein für Nutzerforschung?

Interviews mit synthetischen Nutzern. In sozialen Medien wie LinkedIn und Reddit gab es viel Aufregung um dieses Thema, besonders über dessen Vor- und Nachteile.

Aber ist es wirklich das Wundermittel, als das es für UX- und Marketing-Fachleute dargestellt wird? Oder steckt tatsächlich etwas Substanzielles hinter der Idee? Schließlich geht es bei UX-Forschung darum, echte Nutzer zu beobachten und zu befragen, ihre Schmerzpunkte zu verstehen und Faktoren zu erkennen, die ihre Erfahrungen einzigartig machen.

Traditionelle Interviews sind zwar teuer, ermöglichen es aber letztendlich, die Nuancen und Komplexitäten hinter menschlichen Interaktionen und Emotionen zu entdecken.

Generative AI-Tools wie ChatGPT, die auf hochentwickelten Large Language Models basieren, können nur KI-Teilnehmer erstellen, die den kollektiven Durchschnitt widerspiegeln und denen die vielfältigen Persönlichkeiten und Eigenheiten der üblichen Demografie fehlen.

Dennoch kann synthetische Forschung für Forscher, die das Problem der leeren Seite überwinden möchten, oder für MNCs, die organisatorische Reibung erleben, tatsächlich der Katalysator sein, der die Dinge in Bewegung bringt. Die erforderlichen Kosten und der Zeitaufwand sind im Vergleich zu den traditionellen Alternativen auch recht minimal.

Bedeutet das also, dass Sie echte Menschen in Ihren Marktforschungsstudien durch KI-generierte Nutzer ersetzen können? Oder sich auf synthetische Interviews verlassen können, um wichtige Entscheidungen zu treffen; Entscheidungen, die große Auswirkungen auf Ihr Geschäft haben könnten? Schauen wir uns das genauer an.

Synthetische Daten & Synthetische Nutzer

Bevor wir uns mit synthetischen Interviews oder synthetischen personas beschäftigen, müssen wir uns mit synthetischen Daten befassen. Synthetische Daten sind nichts Neues; sie wurden häufig verwendet, um große Sprachmodelle zu trainieren, sobald die ursprünglichen Trainingsdaten erschöpft waren.

Wie der Name schon sagt, sind synthetische Daten künstliche Daten, die mithilfe künstlicher Intelligenz (KI) generiert werden. Sie werden nicht aus realen Quellen gesammelt und repräsentieren auch keine realen Daten, sondern werden aus Mustern der realen Welt abgeleitet.

Was macht sie nun so attraktiv? Nun, sie sind kostengünstig und relativ einfach zu generieren.

Reale Daten sind oft fehleranfällig und voreingenommen, aber synthetische Daten können so gestaltet werden, dass diese Fehler minimiert werden. Sie können Daten generieren, die Ihrem ursprünglichen Datensatz ähneln, ohne sensible oder persönlich identifizierbare Informationen zu teilen, sodass Sie sich keine Sorgen um Datenschutzgesetze machen müssen.

Außerdem ist es praktisch, wenn Sie es mit Nischenzielgruppen zu tun haben oder in Fällen, in denen die verfügbaren Daten unvollständig oder begrenzt sind.

Jeder weiß, dass es viel Geld und Zeit kostet, originale Marktforschung von Nutzern und Kunden zu erstellen. Dies ist einer der Hauptgründe, warum große Marken und kleine Unternehmen heute synthetische Daten nutzen, um wertvolle Erkenntnisse über ihre Zielgruppe zu sammeln.

Dies bringt uns zu synthetischen Nutzern...

Synthetische Befragte sind im Marketing- und Designforschung im Trend. Generative KI wird überall eingesetzt, daher ist es keine Überraschung, dass Menschen in diesen Bereichen (wenn auch nicht alle) sie nutzen, um synthetische Nutzer zu erstellen.

Einfach ausgedrückt sind synthetische personas digitale Avatare oder virtuelle Darstellungen Ihrer Kunden oder Nutzer. Sie sind nicht wie die traditionellen personas, die von Marketing- oder Designexperten entwickelt wurden, sondern werden mit KI- und Machine-Learning-Technologien erstellt.

Der einfachste Weg, eine zu erstellen, ist durch LLMs wie GPT-4: Beginnen Sie mit der Beschreibung Ihrer Zielkunden, definieren Sie dann ihre Ziele, Herausforderungen und Bedürfnisse, und fügen Sie schließlich Ihre Produkt- oder Serviceidee hinzu, die als Lösung für diese Probleme dienen wird. Sobald das erledigt ist, fordern Sie es auf, die "Persona" dieser Zielgruppe anzunehmen.

Sie können Hunderte oder sogar Tausende KI-generierte personas erstellen, die bestimmte demografische Gruppen repräsentieren und präzise auf Ihre Umfragen und Interviews antworten können. Da Tools wie ChatGPT mit vielfältigen Datensätzen trainiert wurden, die geschriebene und gesprochene Gespräche aus verschiedenen Quellen und Branchen enthalten, können sie das Verhalten und die Präferenzen verschiedener Nutzer nachahmen.

Als solche können Sie synthetische Benutzer verwenden, um verschiedene Szenarien zu simulieren und Versuche und Tests durchzuführen, bevor Sie Ihre Produkte oder Dienstleistungen auf den Markt bringen. Sie können große Datenmengen verarbeiten und Feedback zur Unterstützung von Design- und Kampagneniterationen liefern.

Trotz aller Verwendungsmöglichkeiten haben synthetische personas eine grundlegende Einschränkung: Wenn Sie mit einem neuartigen Konzept arbeiten oder einen neuen Kundentyp verstehen möchten, wie zum Beispiel Plantagenarbeiter in Kolumbien, werden sie wahrscheinlich nicht ausreichen.

Wie Christopher Roosen, ein Befürworter des menschenzentrierten Designs, erklärt:

"Generative KI basiert auf einer Erfassung des Internets... sie speichert die Struktur aller Vorurteile des Internets, einschließlich der Voreingenommenheit gegenüber reichhaltig dargestellten Menschen in all ihren Farben, Formen und Ideen und hin zu einer sehr stereotypen Darstellung von Menschen."

KI hat Schwierigkeiten, Menschen zu repräsentieren, die im Internet unterrepräsentiert sind. Wenn Sie sie also bitten, personas für Arbeiter in Kolumbien zu generieren, erstellt sie möglicherweise generische Stereotype, weil die Daten, mit denen sie trainiert wurde, oberflächliche Darstellungen solcher Menschen enthalten. Ihre Tools könnten wichtige Punkte übersehen, auf Klischees zurückgreifen und nicht die Tiefe haben, die erforderlich ist, um Fragen für neue oder marginalisierte Gruppen zu beantworten.

Was sind nun Synthetische Interviews?

Synthetische Interviews ähneln Benutzerinterviews; allerdings interagieren Sie anstelle von Fragen an echte Personen mit synthetischen Teilnehmern (auch synthetische Benutzer genannt), meist durch textbasierte Dialoge oder umfragebasierte Formate, um Benutzereinblicke zu verschiedenen Themen zu sammeln.

Jeder, der jemals Forschung betrieben hat, sei es durch Interviews oder Fokusgruppen, weiß, wie zeitaufwendig und kostspielig das sein kann. Schließlich braucht es viel Planung, Koordination und geschulte Fachkräfte, nur um die richtigen Fragen vorzubereiten. Außerdem muss man mit vielen Menschen sprechen, um die richtigen Ziele und Schmerzpunkte zu identifizieren.

Im Vergleich dazu scheinen synthetische Interviews eine schnellere, kostengünstigere Alternative zu bieten, um Gespräche mit Ihren Benutzern oder Kunden zu führen.

Laut John Whalen in seiner Lektion "Hands on with Synthetic Users: Customer Research's Future" sind synthetische Interviews ideal für:

• Generierung von Ideen in frühen Phasen.
• Befragung von Nischenzielgruppen ohne sie finden und rekrutieren zu müssen.
• Stellen von tiefgehenden oder sensiblen Fragen in einer sicheren, risikofreien Umgebung.
• Erforschung hypothetischer oder zukünftiger Situationen.

Es spielt keine Rolle, welche Fragen Sie stellen; synthetische Benutzer zögern nie.

Aber die generierten Daten oder Ergebnisse sind nicht immer perfekt. Diese Interviewantworten beantworten möglicherweise das "Was", aber nicht unbedingt das "Warum".

Sie vermissen den subtilen Kontext, den nur ein menschliches Gesicht oder eine Stimme liefern kann – ohne Mikroexpressionen, Betonungen und Körpersprache. Synthetische Interviews haben auch Schwierigkeiten, die Tiefe menschlicher Emotionen zu erfassen, da geschriebene Worte oft den kontextuellen Reichtum vermissen lassen, der im traditionellen Forschungsprozess zu finden ist.

Deshalb müssen Sie synthetische Interviews regelmäßig gegen menschliche Antworten evaluieren und validieren. Warum der Hybrid-Ansatz? Weil die Interviewdaten zwar KI-generiert sein mögen, aber die Entscheidungen, die Sie darauf basierend treffen, reale Auswirkungen haben werden.

Synthetische Interviews vor ChatGPT

Scott Stevens und Michael Christel diskutierten das Thema synthetische Interviews 1998 in ihrem Artikel "Synthetic Interviews: The Art of Creating a "Dyad" Between Humans and Machine-Based Characters." Natürlich konzentrierten sich die Forscher der Carnegie Mellon auf Synthetic Interviews, die von der Universität entwickelte Technologie.

Ihre Arbeit definierte Synthetische Interviews als:

"Ein Mittel zur ausführlichen Konversation mit einer Person oder einem Charakter, das es Benutzern erlaubt, Fragen auf eine gesprächige Art zu stellen... und relevante, passende Antworten auf die gestellten Fragen zu erhalten."

Die Technologie sollte bei der Informationsvermittlung "lebensecht" sein, auf eine Weise, die menschliches Denken und Gedankenprozesse widerspiegelt. Benutzer konnten computergenerierte (CG) personas über gesprochene oder getippte Schnittstellen befragen, um ihre Präferenzen, Verhalten und Werte zu verstehen.

Um dies zu ermöglichen, wurden tausende Videoclips von menschlichen Schauspielern aufgenommen und in einer Datenbank gespeichert. Diese Schauspieler wurden beim Beantworten möglicher Fragen gefilmt, zusammen mit zusätzlichen non-verbalen Clips, wie Kaffee trinken, am Kopf kratzen oder lächeln, um die Charaktere menschlicher wirken zu lassen.

Diese Antworten wurden dann in einem Talking-Head-Format präsentiert, sodass die Benutzer das Gefühl hatten, der Persönlichkeit von Angesicht zu Angesicht gegenüberzustehen. Die CG personas enthielten auch einzigartige Gewohnheiten der dargestellten Persönlichkeiten, wie die von Albert Einstein, um sie authentischer zu machen.

Die Schnittstelle ermöglichte es Benutzern, normal in ein Mikrofon zu sprechen und den Verlauf des Interviews zu bestimmen. Das Spracherkennungssystem analysierte ihre Fragen mit seinen vorhandenen LLMs und lieferte genaue Ergebnisse für relevante Fragen und akzeptable Ergebnisse für unerwartete Fragen (lesen Sie das Paper, um zu verstehen, was das bedeutet).

Damals wurde diese Technologie als Möglichkeit gesehen, interaktive Erfahrungen mit Schauspielern, religiösen Führern und anderen öffentlichen Personen anzubieten.

Das war, bevor generative KI-Tools aufkamen. Jetzt können Sie einfach ein Modell bitten, "wie" eine bestimmte Person zu agieren, oder in unserem Fall, wie eine spezifische Kunden- oder Benutzergruppe, und es wird sofort lebensechte Antworten generieren, natürlich ohne die Talking Heads.

Synthetische Interviews mit KI generieren

Benutzerforschung ohne Menschen klingt schwierig, ist es aber nicht. Wirklich. Sie benötigen nur ein generatives KI-Tool, eine gute Vorstellung von Ihrer Zielgruppe und die richtigen Prompts und Fragen.

• Konversations-KI-Tools: ChatGPT, Gemini oder Claude.
• Zielgruppe/persona: Ein Word-Dokument oder PDF, das Kundenprofile beschreibt, wie ihre Demografie (Alter, Geschlecht, Standort), Berufsprofil, psychologische Treiber, Jobs to be done, Kaufverhalten, wichtige Hindernisse und mehr.

Darüber hinaus skizzieren Sie Ihre Forschungsbedürfnisse. Was sind Ihre Ziele und Anwendungsfälle? Was möchten Sie aus dieser Interviewsitzung lernen? Dies wird Ihnen helfen, Ihre Interviewfragen zu formulieren. Entscheiden Sie, wie viele synthetische Benutzer Sie möchten, in welchem Format (Text, Umfrageantworten) und wie vielfältig ihre Antworten sein sollen.

Zu Demonstrationszwecken werden wir sieben synthetische Benutzer für unser neuestes Produkt, forschungs persona by Delve AI, mit der kostenlosen Version von ChatGPT erstellen.

Der erste Schritt ist das Hochladen eines Dokuments mit Details über unsere ideale Benutzergruppe – dies hilft, die Befragten auf eine bestimmte Zielgruppe zu beschränken. Dann fügen wir die Produktbeschreibung hinzu und legen die Anzahl der synthetischen Teilnehmer fest, die das System mit einer gut formulierten Eingabeaufforderung generieren soll.

Nach der Eingabeaufforderung generierte ChatGPT sofort verschiedene synthetische personas. Hier ist ein Beispiel von einem gewissen Dan Miller, VP of Marketing in einem E-Commerce-Unternehmen.

Wir haben die folgenden Interviewfragen (eine Mischung aus offenen und umfrageartigen Fragen) durch jede dieser personas laufen lassen.

• Können Sie mir erklären, wie Sie oder Ihr Team derzeit nutzer-personas erstellen?
• Welche Arten von Daten verwenden Sie normalerweise? (z.B. Interviewtranskripte, Umfrageergebnisse, Web-Analytik, etc.)
• Wie lange braucht Ihr Team normalerweise, um nutzer-personas zu erstellen oder zu aktualisieren?
• Auf einer Skala von 1 bis 5, wie zuversichtlich sind Sie, dass Ihre aktuellen personas Ihre Benutzer genau repräsentieren? (1 = Überhaupt nicht zuversichtlich, 5 = Äußerst zuversichtlich)
• Was sind die größten Herausforderungen bei der Erstellung oder Pflege von Nutzer-personas?
• Wenn ein Tool Ihnen helfen könnte, in nur wenigen Minuten genaue, datengesteuerte personas aus Ihrer bestehenden Forschung zu generieren, wie wertvoll wäre das für Sie oder Ihr Team?
• Welche Funktionen würden Sie von einem solchen Tool erwarten oder benötigen?
• Haben Sie schon einmal ein KI-basiertes oder automatisiertes Tool zur Erstellung von personas verwendet? Wenn ja, wie waren Ihre Erfahrungen?
• Wären Sie offen dafür, ein neues Tool zu testen, das Ihnen hilft, personas schneller mit Ihren Forschungsdaten zu erstellen?
• Was würde dieses Produkt Ihrer Meinung nach zu einem 'Muss' machen, anstatt nur 'schön zu haben'?

Wir baten den Chatbot, die Interviewantworten in einem übersichtlichen, professionellen Bericht zusammenzufassen, der die Probleme oder Bedenken mit dem Produkt, was ihnen daran gefällt und unterstützende Zitate hervorhebt.

Wie erwartet, erfasste das System die meisten üblichen Probleme, die Benutzer mit dieser Art der Persona-Erstellung verbinden – generische Ausgabe, Datenschutzbedenken, etc. Darauf folgte eine Zusammenfassung dessen, was ihnen am Produkt gefiel, was ebenfalls nicht schlecht war.

Dieser Interviewprozess hinterließ uns Dinge, die unseren potenziellen Benutzern wichtig sein könnten, aber nichts Außergewöhnliches. Die Antworten kamen schnell – die gesamte Übung dauerte etwa 15 Minuten – allerdings können diese Daten nur verwendet werden, um bessere, spezifischere Fragen für Ihre tatsächlichen Benutzer zu erstellen.

Die vollständigen Ergebnisse sowie die verwendeten Prompts und Fragen können Sie hier einsehen.

Ihre Interviewdaten sind nur so gut wie die synthetischen Nutzer, die das System erstellt. Wenn Sie also auf diese Weise synthetische Interviews generieren möchten, überprüfen Sie gründlich die Qualität der Kundendaten, die Sie in das Modell eingespeist haben. Gibt es Vorurteile oder Lücken? Verwenden Sie von Anfang an die richtigen Daten? Sie trainieren das System, etwas nachzuahmen, also stellen Sie sicher, dass dieses "Etwas" auch wirklich das ist, was Sie möchten.

Damit LLMs Daten generieren können, die die Komplexität und Nuancen echter menschlicher Antworten widerspiegeln, brauchen Sie gute Prompts.

Merken Sie sich: Gute Eingabedaten + gut formulierte Prompts = Qualitativ hochwertige Interview-Ergebnisse.

Sobald die synthetischen Daten generiert sind, validieren Sie diese vor der Verwendung. Führen Sie manuelle Überprüfungen durch und nutzen Sie Validierungswerkzeuge, um Qualität, Konsistenz und Genauigkeit zu bewerten. Stakeholder sind skeptisch gegenüber synthetischen Daten (und das zu Recht), seien Sie also transparent, wenn Sie KI-generierte Daten in Ihren Nutzerforschungsberichten verwenden.

Potenzielle Probleme mit synthetischen Interviews

Michael Mace vergleicht Synthetic Users, ein Tool, das generative KI zur Simulation von Kundeninterviews nutzt, mit Interviews mit echten Menschen in seinem Artikel "Kann KI Discovery-Interviews ersetzen? Ein Wettbewerbsvergleich."

Wenn wir über die Nachteile von synthetischen Befragten und damit synthetischen Interviews sprechen müssen, bietet sein Beitrag einen hervorragenden Ausgangspunkt.

Mace führte eine Studie zwischen Synthetic Users und UserTesting (das ermöglicht, Fragen an echte Menschen aus einem Online-Panel zu stellen) durch, unter Verwendung einer neuartigen Idee – eines Mitfahrdienstes mit fliegenden Autos.

Die Ergebnisse dieser Studie fielen nicht zugunsten von synthetischen Nutzern aus.

Synthetic Users war definitiv schnell. Man erstellt die Nutzer, fügt die Fragen hinzu, und die Antworten werden in Minuten generiert. Im Gegensatz dazu benötigte UserTesting einen ganzen Tag – einen Plan schreiben, Screenings einrichten, auf Antworten warten und dann die Ergebnisse analysieren. Und selbst dann war es schwierig, die richtigen Menschen mit den gewünschten Eigenschaften zu finden.

Das Problem bei Synthetic Users ist, wenn Sie einen Nutzer mit einem spezifischen Problem definieren, wird nicht hinterfragt, ob dieses Problem existiert. Es wird einfach angenommen, dass es existiert. So erhalten Sie hypothetische Nutzer, die in der Realität nicht existieren.

Was ein Problem darstellt.

Selbst die generierten Transkripte waren ein wenig zu perfekt, ohne Füllwörter, Wiederholungen oder unvollständige Sätze. Ihnen fehlten die emotionalen Hinweise, die UserTesting bot, da es keine Videos oder Ausdrücke zu analysieren gab.

Außerdem klangen die synthetischen Teilnehmer ähnlich zueinander, mit nahezu identischen Antworten.

Sie fühlten sich oberflächlich, durchschnittlich und losgelöst von der Realität. Echte Benutzer brachten, obwohl ihre Antworten ungeschliffen waren, mehr Vielfalt und Details.

Abgesehen von Geschwindigkeit und einem grundlegenden Überblick über Ihr Publikum hat dieses Tool nichts dazu beigetragen, mehr darüber zu erfahren, wie Ihre Kunden denken und reagieren. Das ist leider das Problem mit den meisten synthetischen Forschungsmethoden.

Synthetische Forschung: Erstellen Sie simulierte Benutzer, Umfragen und Interviews mit Delve AI

Wir haben uns die manuellen Methoden der synthetischen Forschung angesehen; schauen wir uns nun die KI-gestützten Methoden an. Die Synthetic Research Software von Delve AI ist eines der Werkzeuge, das Ihnen hilft, KI-Personas für Ihre Benutzer oder Kunden zu erstellen und diese für Umfragen und Interviews zu nutzen.

Derzeit umfasst die Forschungssoftware drei Funktionalitäten:

• Simulierte Benutzer
• Umfragen
• Interviews

Diese virtuellen Personas, die aus eigenen und öffentlichen Datenquellen erstellt werden, sind skalierbar und vielfältig. Sie können beliebig viele Benutzer generieren und so viele quantitative und qualitative Interviews durchführen, wie Sie möchten.

Schritt 1: personas

Sie müssen Basis-Personas erstellen, bevor Sie simulierte Benutzer entwickeln. Dafür müssen Sie eines unserer Persona-Produkte abonnieren.

Derzeit bietet unser KI-Persona-Generator sechs davon an:

• Customer persona (basierend auf Ihren CRM-Daten)
• Website persona (für Ihre Website-Besucher/Käufer)
• Social persona (für Ihre Social-Media-Zielgruppen)
• Competitor persona (für Wettbewerber)
• Research persona (für Ihre Benutzer)
• Audience persona (basierend auf Ihrer Zielgruppenbeschreibung)
• Employee persona (für den Arbeitsplatz)

In diesem Fall erstellen wir personas mit dem zuvor erwähnten forschungs persona-Tool.

Melden Sie sich an oder loggen Sie sich bei Delve AI ein, gehen Sie zu forschungs persona und laden Sie Ihre Dokumente hoch. Sie können alles Relevante einbeziehen, wie Interviewtranskripte, Umfrageberichte, Branchennachrichten oder frühere Benutzerprofile.

Klicken Sie auf "Personas erstellen", und Delve AI wird basierend auf Ihren bereitgestellten Daten personas entwickeln. Machen Sie sich keine Sorgen, wenn Sie kein Forschungsmaterial haben; fügen Sie einfach eine kurze Beschreibung Ihrer Zielgruppe zusammen mit einigen Details zu Ihrem Produkt oder Geschäft (optional) hinzu, und wir übernehmen den Rest.

Zusätzlich zu Ihren Eingaben greift unsere Plattform auf Erkenntnisse aus Tausenden zuvor generierter personas zurück, um einzigartige Kundenprofile zu erstellen. Das Ergebnis kann je nach Zielgruppe und Anwendungsfall eine oder mehrere personas sein. Jedes dieser Segmente enthält Persona-Details, Verteilung und Journey-Maps.

Klicken Sie auf PERSONA-DETAILS, und Sie sehen Benutzerdemografie, Lebensstil, Karrierestatus, Aspirationen, kaufentscheidende Faktoren, psychologische Treiber (Ziele, Motivationen, Bedürfnisse) und zentrale Herausforderungen.

Darauf folgen Informationen über ihre bevorzugten Kommunikationskanäle, sozialen Netzwerke, Marken, Einkaufswebsites, Musik, Fernsehsendungen, Filme, YouTube-Kanäle, Podcasts, Subreddits, einflussreiche Ressourcen und mehr.

Der VERTEILUNGS-Tab zeigt, wie Ihr Publikum innerhalb eines bestimmten Segments verteilt ist, aufgeschlüsselt nach Kanal, sozialem Netzwerk, Alter, Geschlecht, Sprache, Standort, Aktivitätsniveau und Themen (sowohl resonant als auch generisch).

Der letzte Tab, KUNDENREISEN, enthält Nutzerreise-Karten, die in verschiedene Phasen unterteilt sind und die Ziele, Handlungen, Probleme und Gedankenprozesse Ihrer Nutzer erforschen.

Hinweis: Ihre personas werden jeden Monat automatisch mit neuen Daten aktualisiert, und Sie können sie auch mit zusätzlichen Forschungsdaten ergänzen.

Schritt 2: Simulierte Benutzer

Nachdem wir die personas erstellt haben, gehen wir zum nächsten Schritt über, d.h. zur Generierung synthetischer Benutzer. Warum ist das notwendig? Weil Sie ohne sie keine Interviews durchführen können.

Um zu beginnen, gehen Sie zum Synthetic Research-Dashboard und kaufen Sie die Anzahl der Benutzer, die Sie benötigen – zum Beispiel 100. Dann erstellen Sie ein Panel mit dieser Gruppe und geben Sie ihm einen Namen, wie Marketing Insights Group. Dies wird Ihnen helfen, Ihre Zielgruppen später zu organisieren und zu verwalten.

Sie werden zu einem Bildschirm geleitet, wo Sie die persona(s) oder persona product auswählen können, die Sie zur Generierung synthetischer Nutzer verwenden möchten. Hier wählen wir ein Segment aus forschungs persona namens Edward Collins.

Wie unten gezeigt, hat die Software 100 synthetische Nutzer basierend auf diesem spezifischen nutzer-persona Segment generiert. Jeder Nutzer enthält eine "Chat starten" Option, die Sie zur Interaktion nutzen können (siehe Digital Twin für weitere Informationen).

Schritt 3: Umfragen + Interviews

Unsere simulierten personas sind bereit; es ist Zeit für Nutzerforschungsumfragen und Interviews.

Klicken Sie in der Seitenleiste auf Marketing Insights Group, dann wählen Sie Umfragen aus dem Dropdown-Menü. Klicken Sie auf dem Dashboard auf den "Umfrage erstellen" Button. Sie werden aufgefordert, Ihren Umfragenamen einzugeben (z.B. Produktmarkt-Fit-Umfrage), die Anzahl der Nutzer festzulegen (z.B. 100) und eine CSV-Datei mit Ihren Umfragefragen hochzuladen.

Ihre Datei kann verschiedene Arten von Fragen enthalten, wie Multiple-Choice, Bewertungsskala, Likert-Skala, offene Fragen und Rangfragen. Die Generierung Ihrer Antworten wird nur kurze Zeit in Anspruch nehmen.

Neben den Ergebnissen können Sie nachverfolgen, welche Befragten bestimmte Antworten auf jede Frage gegeben haben und sie sogar mithilfe der Chat-Funktion nach den Gründen für ihre Entscheidungen fragen.

Sie können sie auch nach Feedback zu anderen Marketing- und Produktthemen fragen. Im obigen Beispiel haben wir einen Nutzer gefragt, welche Faktoren ihre Kaufentscheidung beim Online-Shopping beeinflusst haben.

Was dieses Tool anders macht

Ein Hauptkritikpunkt an KI-generierter Forschung ist, dass ihr die Authentizität, Tiefe und emotionalen Nuancen fehlen, die man typischerweise aus echten Interviews erhält. Dies und die Sorge, dass Verzerrungen in den Trainingsdaten möglicherweise Ihre Forschungsergebnisse verfälschen können.

Wie Niloufar Salehi in ihrem Artikel über synthetische Nutzer schreibt:

"Der ganze Sinn, Zeit für Interviews aufzuwenden und dann... die großen Mengen gesammelter Daten zu analysieren, liegt in der Möglichkeit, sich mit ihnen zu verbinden, Vertrauen aufzubauen, tiefer zu graben, sie nach Geschichten zu fragen und etwas über ihre Gefühle und Emotionen zu erfahren. Mustersynthese-Engines besitzen keines davon."

Allerdings können synthetische Interviews für Menschen oder Teams, die gerade erst anfangen, besonders für diejenigen ohne Zeit oder Budget für umfangreiche Nutzerforschung, eine attraktive und zugängliche Alternative sein.

Delve AI's Synthetic Research Software rekrutiert keine Menschen. Oder interviewt sie.

Aber es nutzt die von Ihnen gesammelten Informationen über Ihre Nutzer, um Look-alike Audiences zu erstellen. Diese virtuellen Nutzer, die aus personas erstellt wurden, basierend auf Ihren First-Party-Daten (CRM, Web-Analytik), Second-Party-Daten (Social-Audience-Daten, Competitor Intelligence) und Voice of Customer Daten, sind nichts Generisches, das ChatGPT erstellt hat.

Sie sind auf Ihren Geschäftsfall zugeschnitten und würden Ihnen wahrscheinlich ein besseres Verständnis Ihrer Nutzer und deren Kernbedürfnisse vermitteln.

Schauen wir auf die positive Seite

Synthetische Interviews können problematisch sein, aber nur wenn die simulierten Nutzer, mit denen Sie sie durchführen, zu allgemein, ungenau oder voreingenommen sind. Die Qualität der synthetischen personas steht in direktem Zusammenhang mit der Qualität der Antworten, die Sie erhalten; je besser die Qualität, desto besser die Antworten.

Die Verantwortung liegt also bei Ihnen, eine zuverlässige synthetische Research-Software auszuwählen oder, wenn Sie sich dazu in der Lage fühlen, zu entwickeln (was ressourcenintensiv sein wird).

Sobald Sie eine gefunden haben, können Sie diese nutzen, um offensichtliche Probleme zu identifizieren, bevor Sie tatsächliche Interviews durchführen. Synthetische Nutzer sind auch gut für das Brainstorming neuer Ideen. Frische Perspektiven oder Meinungen, die es bereits gab, von denen Sie aber nichts wussten.

Es versteht sich von selbst, dass synthetische Interviews in ihrem jetzigen Stadium nur eine Ergänzung Ihrer Forschungsstudien sein sollten. Simulierte Nutzer sollten niemals Vorrang vor echten Nutzern haben. Sie können sie zum Testen verschiedener Szenarien verwenden, sollten diese Ergebnisse aber immer mit Ihren echten Forschungsergebnissen validieren.

Am Ende ist es egal, welche Art von Nutzern Sie wählen; was zählt, sind die Fragen, die Sie stellen oder nicht stellen.