Sind Synthetische Personas die Neue Norm der Nutzerforschung?

Künstliche Intelligenz hat jeden Aspekt des Marketings transformiert – von Content-Erstellung bis zur Bildgenerierung und Verbraucherforschung. Wir haben jetzt einen Punkt erreicht, an dem KI-Modelle KI-generierte Daten verwenden, um sich selbst zu trainieren. Warum? Weil sie keine menschlichen Daten mehr haben; Maschinen lernen nicht von Menschen, sondern von anderen Maschinen. Natürlich sind KI-Assistenten noch nicht perfekt, aber sie werden jeden Tag besser.

Es ist also keine Überraschung, dass große Sprachmodelle echte Menschen in Umfragen, Interviews und Forschungsstudien ersetzen können. Marktforscher nutzen bereits generative KI-Tools wie ChatGPT, um synthetische personas zu erstellen, die menschliches Verhalten nachahmen, beschreiben und (manchmal) erfolgreich vorhersagen können. Das Ziel ist einfach: Marketingkosten reduzieren und gleichzeitig Nutzererfahrungen verbessern.

Synthetische personas machen traditionelle Verbraucherforschung überflüssig, die Marketer für entscheidend halten, um Kunden zu verstehen und ihre Produkte zu verkaufen. Diese Methoden sind jedoch teuer und zeitaufwendig. Noch wichtiger ist, dass sie große Budgets und personelle Ressourcen erfordern – Menschen, die bereit sind, an einer Umfrage teilzunehmen und Ihre Fragen zu beantworten. Da die Marketingkosten steigen und Menschen sensibler werden, welche Daten sie teilen, fällt es Marktforschern oft schwer, qualitativ hochwertige Kundeninformationen zu sammeln.

Genau diesen Engpass – das Sammeln, Verarbeiten und Analysieren von demografischen und verhaltensbezogenen Verbraucherdaten – versuchen synthetische personas zu lösen. Obwohl sie qualitative und quantitative Forschung mit menschlichen Interaktionen nicht ersetzen können, können sie Ihre Forschungsmethoden ergänzen, indem sie Ihnen helfen, eine allgemeine Vorstellung von der Reaktion auf Ihre Produkte oder Marketingkampagnen zu erhalten und fundierte Entscheidungen zu treffen.

Was ist eine synthetische Persona?

Eine synthetische Persona ist ein virtueller Kunde, der mithilfe von AI und Machine-Learning-Algorithmen basierend auf Nutzerdemografie, Psychografie und Verhaltensdaten erstellt wird. Sie bietet eine präzise Darstellung eines spezifischen Zielpublikumssegments und beschreibt deren Vorlieben, Abneigungen, Gedanken, Präferenzen, Bedürfnisse und Herausforderungen. Obwohl synthetische Nutzer Kundenpersonas ähnlich erscheinen, unterscheiden sie sich dadurch, dass man direkt mit ihnen interagieren oder sprechen kann.

Sie unterscheiden sich nicht von KI-Menschen, die von Unternehmen mittels Modellgenerierung und ausgeklügeltem Puppenspielen erstellt werden. Solche Avatare können Augenbewegungen, Gesichtsausdrücke und Pupillenerweiterungen verfolgen, um menschliche Emotionen zu verstehen und hilfreiche Anweisungen zu geben (oder in manchen Fällen ihre Produkte oder Dienstleistungen zu verkaufen).

Je nach Ziel Ihrer Forschungsstudie können Sie mit ChatGPT oder dedizierten AI-Persona-Generatoren wie Delve AI verschiedene synthetische Personas erstellen. Sie sind relativ einfach zu erstellen und günstiger als die Rekrutierung und Durchführung von Forschung mit echten Menschen. Sie haben vollständige Kontrolle über die eingegebenen Daten und können Folgefragen stellen, um das Interview voranzutreiben.

Hinweis: ChatGPT benötigt viel Prompting, um das richtige Kundensegment zu verstehen und die entsprechende Nutzer-Persona anzunehmen.

Damit synthetische Nutzer funktionieren, müssen Standards vorhanden sein. Ihre Daten müssen validiert werden, bevor sie in die KI-Systeme eingespeist werden. Die resultierenden Personas müssen auch überprüft und mit realen Anwendungsfällen verglichen werden, bevor Sie sie verwenden.

Wie synthetische Kunden funktionieren

Eine synthetische Persona ist eine Methodik, bei der Sie eine ausgewählte Menge an Kundendaten in Large Language Models (LLMs) wie GPT-3 einspeisen und diese auffordern, basierend auf den von Ihnen bereitgestellten Daten die "Persona" eines tatsächlichen Kunden anzunehmen. Diese Daten enthalten hauptsächlich demografische Informationen wie Alter, Geschlecht und Standort sowie psychografische Attribute wie Persönlichkeitsmerkmale, Einstellungen, Lebensstile und Interessen. Die generierte Persona wird dann in Kundenumfragen verwendet, um menschenähnliche Antworten zu geben.

Die Genauigkeit der synthetischen Personas steht in direktem Verhältnis zur Qualität der Trainingsdaten. Je höher die Qualität, desto besser Ihre Personas. Wenn Ihre Eingabedaten generisch und ungenau sind, wird auch das Ergebnis entsprechend sein.

Abgesehen von Datenbedenken können Sie synthetische Nutzer verwenden, um verschiedene Kundentypen zu simulieren und sie nach ihren Bedürfnissen, Schmerzpunkten und Herausforderungen bezüglich Ihres Produkts oder Ihrer Dienstleistung zu befragen. Sie können sie in der qualitativen Forschung einsetzen, um Nutzereinblicke zu gewinnen, Produktdesigns zu entwickeln und Werbekreationen über mehrere Zielgruppen hinweg zu testen.

Synthetische Daten und Benutzerforschung

In der Vergangenheit war das Telefon ein unverzichtbares Werkzeug für Umfragen, Interviews und Geschäftsgespräche. Telefonumfragen wurden zu einer großartigen Möglichkeit, Erkenntnisse von Menschen zu sammeln. Mit dem technologischen Fortschritt und der Entstehung des Internets konnten dann Online-Umfragen durchgeführt werden.

Im 21. Jahrhundert haben wir synthetische Verbraucherdaten, die von KI- und ML-Algorithmen generiert werden. Sie wissen, dass LLMs eine riesige Menge an Trainingsdaten aus Büchern, akademischen Zeitschriften, Zeitungen und mehr verarbeiten, um menschenähnliche Antworten in Textform zu synthetisieren. Sie können Texte zusammenfassen, Fragen beantworten und sogar Gedichte schreiben. LLMs sind kontinuierlich lernende Einheiten - sie lernen aus ihren Fehlern.

Diese Datenverarbeitung und Lernfähigkeit ermöglicht es ihnen, Verbraucherdaten zu analysieren, synthetische Benutzer aufzubauen und bei der Benutzerforschung durch Generierung von Antworten zu helfen. Obwohl synthetische Daten von realen Ereignissen abgeleitet sind, sind sie nicht dasselbe wie die Daten, die Sie von menschlichen Umfrageteilnehmern sammeln. Sie gewinnen heute bei Unternehmen an Popularität, da sie Szenarien testen und Interviews durchführen können, ohne sich um Datenschutzgesetze sorgen zu müssen.

Kosten und Zeit spielen auch eine große Rolle. Wie zuvor erklärt, sind quantitative und qualitative Forschung mit hohen Kosten verbunden – Sie müssen Daten verarbeiten, Befragte sammeln, einen Zeitpunkt festlegen und Interviews durchführen, um Trends und Muster im Verbraucherverhalten zu entdecken. Synthetische Daten helfen Forschern einfach dabei, neue Arbeitsabläufe zu entwickeln und verschiedene Szenarien zu simulieren.

KI-gesteuerte virtuelle Assistenten können Benutzerforschung durchführen, indem sie Menschen in Ihrem Namen befragen – manchmal in mehreren Sprachen, 24/7. Sie können Verbraucherantworten analysieren, um personalisierte Folgefragen zu stellen. Synthetische Personas helfen quantitativen Forschern zusätzlich dabei, unerreichbare demografische Gruppen zu untersuchen und fehlende Daten und Umfragen mithilfe fortgeschrittener Vorhersagefähigkeiten zu ergänzen. Nischenzielgruppensegmente können ohne zusätzliche Kosten analysiert werden.

Synthetische Benutzer mit Delve AI erstellen: Plus weitere ChatGPT-Prompts

Eine gute Möglichkeit, Kunden zu verstehen, ist ihnen zuzuhören – ein grobes Kundenprofil zu erstellen und zu versuchen, mit ihnen zu sympathisieren. Aber wie funktionieren diese drei Prozesse? Sie erhalten menschliches Feedback zum Zuhören, erstellen eine Käuferpersona zur Charakterisierung und entwickeln eine Kundenreise-Karte zum Mitfühlen. Der vierte Schritt, die Interaktion, funktioniert mit ChatGPT personas.

Persona von Delve AI ist eine personas-basierte Marketing-Software, die Ihnen hilft, personas für Ihre Website, Competitors und Social-Media-Zielgruppen zu erstellen. Sie deckt alle vier zuvor genannten Aspekte ab – Verbraucherdaten, personas, Benutzerreisen und interaktive Benutzer-Chatbots.

So funktioniert es: Unsere Software sammelt Ihre First-Party-Daten (Webanalysen, Search Console und CRM-Daten) und Second-Party-Daten (Social Analytics und Competitor Intelligence) und reichert sie mit über 40 öffentlichen Datenquellen an (z.B. Voice of Customer-Daten aus Bewertungen, Ratings, Feedback, Online-Foren und Zeitungen), um datengesteuerte personas für Sie zu erstellen.

Je nach Geschäft werden drei bis sieben personas generiert, wobei B2B persona-Segmente grün und B2C personas blau markiert sind.

Jede persona liefert Ihnen persona-Details, Verteilung und Beispiel-Benutzerreisen, um die Merkmale, Eigenschaften und Verhaltensweisen Ihrer erwünschten und unerwünschten Zielgruppensegmente zu ermitteln. Zum Beispiel kann ein E-Commerce-Unternehmen Abspringer, passive Browser, Warenkorbabbrecher und hochwertige Käufersegmente identifizieren, die entsprechend blau und rot markiert sind.

PERSONA DETAILS bieten Alter, Geschlecht, Standort, Jobprofil, Ziele, Motivationen, Schmerzpunkte, Werte, Interessen, zu erledigende Aufgaben und Hobbys des jeweiligen Segments. Zusätzlich erhalten Sie Einblicke in ihre bevorzugten sozialen Netzwerke, Marken, E-Commerce-Seiten, Tools, TV-Shows, Filme, YouTube-Kanäle, Podcasts, Events und mehr.

Der VERTEILUNGS-TAB gruppiert das Segment nach Alter, Geschlecht, Standort, Sprache, Marketing-Kanälen, Online-Aktivitätszeiten, Aktionen und Entscheidungsphase. BEISPIELREISEN zeigen die Gesamtzahl der Besucher sowie deren Sitzungen, Seitenaufrufe, Conversions und die Entscheidungsphase des Benutzers. Das Beste daran? Ihre KI-generierten personas und Benutzerreisen werden automatisch mit Echtzeit-Kundendaten aktualisiert.

Nun kommen wir zu unserem bald erscheinenden Feature Chat mit personas.

ChatGPT-Prompts zur Erstellung synthetischer personas

ChatGPT kann große Mengen unstrukturierter Daten verarbeiten – numerische Daten, Jobprofile, Literatur, Forschungsarbeiten, Foren, Bewertungen und Websites – und diese logisch darstellen. Daher ist es eine kostenlose Alternative zur Erstellung interaktiver personas, die Sie in der Verbraucherforschung nutzen können.

Es ist wirklich eine einfache Übung:

• Laden Sie Ihre Kundendaten in ChatGPT hoch
• Weisen Sie es an, die möglichen Segmente aufzulisten
• Wählen Sie das Zielsegment aus
• Fordern Sie ChatGPT auf, die persona dieses Segments anzunehmen

Sie können die persona dann bitten, an einer Befragungssitzung teilzunehmen. Beachten Sie, dass ChatGPT personas nur nützlich sind, wenn Sie breite Kundenprofile und kein Nischenpublikum haben. Es sei denn, Sie haben genügend qualitative und quantitative Daten, damit ChatGPT Annahmen treffen kann.

So können Ihre Prompts aussehen:

Prompt 1: Analysieren und strukturieren Sie die bereitgestellten Kundendaten mit Fokus auf wichtige demografische, verhaltensbezogene und psychografische Attribute. Fassen Sie zusammen und heben Sie klare Trends oder Muster über verschiedene Kundenattribute hinweg hervor.

Prompt 2: Erstellen Sie anhand dieser strukturierten Daten eine Liste möglicher Kundensegmente. Benennen Sie jedes Segment und beschreiben Sie kurz ihre charakteristischen Merkmale, einschließlich Interessen, Kaufverhalten und andere bemerkenswerte demografische Details.

Prompt 3: Konzentrieren Sie sich von diesen Segmenten auf [Segmentname]. Geben Sie mehr Details zu deren Hauptmotivationen, typischen Schmerzpunkten und möglichen Markeninteraktionen.

Prompt 4: Nehmen Sie die persona eines typischen Kunden aus dem [Segmentname] Publikum an. Beschreiben Sie deren täglichen Lebensstil, Interessen, Kernwerte und spezifische Bedürfnisse. Übernehmen Sie den Charakter dieser persona für weitere Interaktionen.

ChatGPT kann keine Bedeutung verstehen, daher kann es nicht verwendet werden, um Bedeutungsmuster zu erstellen, die synthetische Benutzer Ihnen in einer Studie mitteilen. Es hilft Ihnen nicht zu verstehen, welche verschiedenen Ansätze Menschen verfolgen, um ein Ziel zu erreichen oder eine Aufgabe zu erfüllen. KI kann Produkte nicht benutzen, wenn man darüber nachdenkt – sie kann sich das nur vorstellen. Sie können Tests durchführen, um Ihre Produktideen zu validieren, aber jede Meinung könnte einfach positiv sein – ChatGPT personas zielen darauf ab, den Interviewer zufriedenzustellen.

Emporia Research führte eine Vergleichsstudie zwischen drei Gruppen von Umfrageantworten durch: LinkedIn-verifizierte Befragte, durch KI generierte synthetische Benutzer basierend auf Ziel-LinkedIn-Profildaten und Benutzer basierend auf KI-generierten personas, die IT-Entscheidungsträger repräsentieren. Ihre Studie ergab, dass von KI generierte B2B synthetische Nutzer im Vergleich zu echten Befragten eine stark positive Voreingenommenheit zeigen. Sie folgen einer Herdenmentalität; auch die Qualität der Erkenntnisse ist nicht besonders gut.

Synthetische Personas in Aktion: Anwendungsfälle und Beispiele

Marko Sarstedt veranschaulicht die Verwendung von synthetischen Personas in Forschung und Design in seiner Forschung über Silikonproben. Er nutzte sie, um Feedback zu Umfragen zu erhalten und Verpackungsdesign zu verfeinern. Neben seinen Anwendungen können synthetische Personas auch für andere Marketing- und produktbezogene Anwendungsfälle genutzt werden.

Marketing, Segmentierung und Markenbildung

Sie können zwei Arten von synthetischen Personas erstellen: solche, die einzelne Kunden repräsentieren, und solche, die Kundengruppen darstellen. Beide ermöglichen es Ihnen, Informationen über Nutzerverhalten und Präferenzen zu erhalten, ohne auf private Kundendaten zugreifen zu müssen. Es ist ein guter Ausgangspunkt für Fachleute, die ihre Zielgruppe noch nicht kennen. Sie können verschiedene Kundensegmente entwickeln, um Ihre Kampagnen zu testen und herauszufinden, welche am besten reagieren. Folglich können Sie Ihre Marketing-Assets, Inhalte und Texte an die Präferenzen Ihrer Zielgruppensegmente anpassen.

Laden Sie einfach Ihre Marketingpläne, Grafikdesigns, Videos und Anzeigen hoch, um Feedback im Kampagnenentwicklungsprozess zu erhalten. Nachdem Sie Ihr Material in das Modell hochgeladen haben, fragen Sie den synthetischen Benutzer nach Eingaben wie:

• Ruft dieses Werbevideo Freude oder Traurigkeit hervor (ersetzen Sie es durch Ihre gewünschte Emotion)?
• Wo möchten Sie diese Werbung sehen? Auf Plakatwänden, Facebook, Instagram oder LinkedIn?
• Gefällt Ihnen die Gesamtbotschaft, die der Werbetext zu vermitteln versucht?
• Wie wahrscheinlich ist es, dass Sie auf diese E-Mail-Kampagne reagieren?

Fügen Sie außerdem Leistungsdaten vergangener Marketingkampagnen hinzu, um zu prüfen, was funktioniert hat und was nicht – das gibt dem KI-Modell mehr Kontext zum Arbeiten. Sie werden Ihre Eingabeaufforderungen anpassen müssen, um effiziente Ausgaben zu erhalten, aber die Ergebnisse sind es wert. Wer weiß, vielleicht hilft es Ihnen sogar, eine Werbung zu erstellen, die viral geht!

In Produktentwicklung, Design und Testing

Synthetische Benutzer ermöglichen es Produktteams, sich in ihre Benutzer hineinzuversetzen und neue Produkte, Funktionen und Funktionalitäten zu erstellen, die mit den Bedürfnissen und Erwartungen der Verbraucher übereinstimmen. Sie können Nutzungsszenarien simulieren, um potenzielle Probleme zu identifizieren und sicherzustellen, dass Ihr Produkt in verschiedenen Situationen gut funktioniert.

Unternehmen können sie nutzen, um ihre Produktdesigns zu validieren, bevor sie sie öffentlich einführen. Zum Beispiel können sie testen, wie gut die Benutzeroberfläche und Interaktionen in einer relativ risikofreien Umgebung funktionieren (da sie es nicht an echten Kunden testen müssen). Dies hilft ihnen, Verfeinerungen an der gesamten Produkt-Benutzererfahrung (UX) vorzunehmen, wodurch die Wahrscheinlichkeit von Problemen beim offiziellen Produktstart deutlich reduziert wird, was neue Benutzer anzieht und die Kundenabwanderungsraten reduziert.

Frage: Wenn Sie keine Recherche durchführen können, ist es dann in Ordnung, synthetische Personas zu verwenden? Vielleicht, vielleicht auch nicht. Man kann immer etwas Neues lernen, im Gegensatz dazu, überhaupt nichts zu lernen. Allerdings ist es nicht ideal, kritische Produkt- oder Marketing-Entscheidungen auf synthetischen Daten zu basieren.

Angenommen, Ihr neues Feature ist bei Ihren synthetischen Kunden ein Erfolg. Sie bringen es auf den Markt, aber es scheitert bei den tatsächlichen Nutzern. Was passiert dann? Sie verschwenden Ressourcen und verlieren Geld, das anderswo besser investiert gewesen wäre. Nehmen Sie ihre Antworten also immer mit Vorsicht.

Die Herausforderungen mit synthetischen Nutzern

Egal wie fortschrittlich KI wird, es gibt viel mehr Einschränkungen bei synthetischen Nutzern als man auf den ersten Blick sieht. Synthetische Personas werden mit Machine Learning-Modellen erstellt und sind daher sehr nützlich in Szenarien, in denen echte Kundendaten knapp oder begrenzt sind. Es gibt jedoch einige Dinge, die Sie wissen sollten, bevor Sie sie in Ihren Arbeitsablauf integrieren.

Zunächst haben synthetische Personas Schwierigkeiten, die volle Bandbreite des menschlichen Verhaltens und Handelns zu erfassen; ihre Antworten können zu vereinfacht, generisch oder logisch sein. Menschen sind nicht immer logisch – wir werden von verschiedenen internen und externen Faktoren beeinflusst (wie unseren persönlichen Erfahrungen, Persönlichkeiten, Meinungen und Werten), die unsere Funktionsweise und Reaktionen bestimmen.

Künstliche Intelligenz und Machine Learning-Systeme, die Grundlagen von synthetische Personas, können diese Faktoren noch nicht verstehen. Zum Beispiel wollen KI-Befragte immer den Interviewer zufriedenstellen, jede gegebene Aufgabe vollständig erfüllen und Fragen bejahend beantworten (ein Phänomen namens Sykophantie). Sie liefern eindimensionale Antworten und scheinen sich für alles zu interessieren; sie erstellen lange Listen von Bedürfnissen, Herausforderungen und Interessen. Menschen haben solche Listen nicht – sie interessieren sich für bestimmte Dinge, und andere Dinge kommen ihnen gar nicht in den Sinn.

In ihrer Arbeit mit dem Titel "A Manager and an AI Walk into a Bar: Does ChatGPT Make Biased Decisions Like We Do?" fanden Chen et al. heraus, dass ChatGPT oft nicht in der Lage ist, Effekte zu replizieren, die das Kundenverhalten charakterisieren, wie den Sunk-Cost-Fallacy. Menschen bieten weiter für einen Artikel, auch wenn der Preis über den eigentlichen Wert hinausgeht, nur weil sie das Gebot gewinnen wollen. Es gibt außerdem keine Hierarchie in ihren Antworten – wie versteht man, was wichtig ist und was nicht?

Ein weiteres Problem sind die Daten, die zur Erstellung von synthetische Personas verwendet werden; wenn die Trainingsdaten voreingenommen sind, werden die Antworten Stereotypen enthalten und fortführen. Datenknappheit macht es auch schwierig, unterrepräsentierte oder marginalisierte Nutzer zu repräsentieren. Auch die Validierung ist schwierig. Es ist nicht einfach, synthetische Nutzer gegen reale Situationen und Ergebnisse zu testen. Sie müssen ständig überwacht, aktualisiert und mit echten Nutzerdaten überprüft werden. Wir sprechen von Daten, die anonymisiert sind und keine sensiblen Kundeninformationen preisgeben.

Selbst wenn Sie all diese Punkte von Ihrer Checkliste abgehakt haben, kann sich die Integration synthetischer Nutzer in Ihre bestehenden Systeme als schwierig erweisen. Abgesehen von technischen und Datenproblemen könnte skeptische Stakeholder zu überzeugen Ihre größte Herausforderung sein. Schlimmer noch, Ihr Unternehmen könnte sich daran gewöhnen, synthetische Kunden für Nutzerforschung zu verwenden und nicht in echte investieren wollen.

Die Zukunft synthetischer Nutzer-Personas

Synthetische Personas enthüllen unbekannte Erkenntnisse über Ihre Kunden. Aber können wir synthetischen Daten vertrauen? Sind sie zuverlässig, sind sie ethisch? Wer weiß. Manche sagen, sie sind die Zukunft der Nutzerforschung, andere sagen, ihnen fehlt die Nuance und Variation, die man normalerweise bei menschlichen Befragten findet. Doch in einer Welt, in der Marktforschung ein Vermögen kostet, sind synthetische Personas eine kostengünstige Möglichkeit, Ihre Kunden zu verstehen.

Sie können über eine neue Nutzergruppe lernen, was sie interessiert und wie sie sich online verhalten, und Proto-Personas und Nutzerreisen entwickeln, die Ihnen bei echten Nutzern helfen können. Wie jede andere Erfindung haben synthetische Nutzer-Personas ihre Vor- und Nachteile, aber wenn sie gut gemacht sind, überwiegen die Vorteile bei weitem die Nachteile.