सिंथेटिक इंटरव्यू: यूजर रिसर्च के लिए हां या ना?

सोशल मीडिया प्लेटफॉर्म्स जैसे LinkedIn और Reddit पर synthetic यूज़र्स के साथ इंटरव्यू को लेकर बहुत उत्साह रहा है, खासकर इसके फायदे और नुकसान को लेकर।

लेकिन क्या यह वाकई UX और मार्केटिंग प्रोफेशनल्स के लिए उतना बेकार है जितना इसे बताया जा रहा है? या फिर इस विचार के पीछे कुछ वजन है? आखिरकार, UX रिसर्च का मुख्य उद्देश्य वास्तविक यूज़र्स का निरीक्षण और साक्षात्कार करना, उनकी समस्याओं को समझना, और उन कारकों को पहचानना है जो उनके अनुभवों को विशिष्ट बनाते हैं।

पारंपरिक इंटरव्यू महंगे हैं, हाँ, लेकिन अंततः, वे मानवीय संवाद और भावनाओं की बारीकियों और जटिलताओं को खोजने में मदद करते हैं।

ChatGPT जैसे Generative AI टूल्स, जो अत्यंत उन्नत लार्ज लैंग्वेज मॉडल्स पर चलते हैं, केवल ऐसे AI पार्टिसिपेंट्स बना सकते हैं जो सामूहिक औसत को दर्शाते हैं, जिनमें सामान्य डेमोग्राफिक में पाई जाने वाली विविध व्यक्तित्व और विशेषताएं नहीं होतीं।

फिर भी, उन शोधकर्ताओं के लिए जो ब्लैंक पेज की समस्या से आगे बढ़ना चाहते हैं, या संगठनात्मक घर्षण का सामना कर रहे MNCs के लिए, synthetic रिसर्च वास्तव में वह उत्प्रेरक हो सकता है जो चीजों को गति प्रदान करे। पारंपरिक विकल्पों की तुलना में लागत और समय भी काफी कम है।

तो, क्या इसका मतलब है कि आप अपने मार्केट रिसर्च स्टडीज में वास्तविक लोगों को AI-जनरेटेड यूज़र्स से बदल सकते हैं? या महत्वपूर्ण निर्णय लेने के लिए synthetic इंटरव्यू पर भरोसा कर सकते हैं; ऐसे निर्णय जो आपके बिजनेस पर बड़ा प्रभाव डाल सकते हैं? आइए इस पर विचार करें।

कृत्रिम डेटा और कृत्रिम उपयोगकर्ता

कृत्रिम साक्षात्कार या कृत्रिम पर्सोना की बात करने से पहले, हमें कृत्रिम डेटा को समझना होगा। कृत्रिम डेटा कोई नई चीज नहीं है; इसका व्यापक रूप से उपयोग बड़े भाषा मॉडल को प्रशिक्षित करने के लिए किया जाता है जब मूल प्रशिक्षण डेटा समाप्त हो जाता है।

जैसा कि इसके नाम से स्पष्ट है, कृत्रिम डेटा आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके उत्पन्न किया गया कृत्रिम डेटा है। यह वास्तविक स्रोतों से एकत्र नहीं किया जाता है, न ही यह वास्तविक दुनिया के डेटा का प्रतिनिधित्व करता है, बल्कि वास्तविक दुनिया में पाए जाने वाले पैटर्न से प्राप्त किया जाता है।

अब, इसमें क्या आकर्षण है? खैर, यह सस्ता है और अपेक्षाकृत आसानी से उत्पन्न किया जा सकता है।

वास्तविक दुनिया का डेटा अक्सर त्रुटियों और पूर्वाग्रहों से प्रभावित होता है, लेकिन कृत्रिम डेटा को इस तरह से डिज़ाइन किया जा सकता है जो इन त्रुटियों को कम करता है। आप ऐसा डेटा उत्पन्न कर सकते हैं जो आपके मूल डेटासेट जैसा दिखता है बिना किसी संवेदनशील या व्यक्तिगत रूप से पहचान योग्य जानकारी को साझा किए, इसलिए आपको उपयोगकर्ता गोपनीयता कानूनों की चिंता नहीं करनी पड़ती।

साथ ही, यह तब काम आता है जब आप विशिष्ट दर्शकों के साथ काम कर रहे हों या ऐसे मामलों में जहां उपलब्ध डेटा अपूर्ण या सीमित हो।

हर कोई जानता है कि उपयोगकर्ताओं और ग्राहकों से मूल बाजार अनुसंधान संकलित करने में बहुत धन और समय लगता है। यह एक प्रमुख कारण है कि आज बड़े brands और छोटे व्यवसाय अपने लक्षित दर्शकों के बारे में मूल्यवान जानकारी एकत्र करने के लिए कृत्रिम डेटा का उपयोग कर रहे हैं।

यह हमें कृत्रिम उपयोगकर्ताओं तक लाता है...

कृत्रिम प्रतिभागी मार्केटिंग और डिजाइन रिसर्च में ट्रेंड कर रहे हैं। जनरेटिव AI का उपयोग हर जगह किया जा रहा है, इसलिए यह कोई आश्चर्य की बात नहीं है कि इन क्षेत्रों के लोग (हालांकि सभी नहीं) कृत्रिम उपयोगकर्ता बनाने के लिए इसका लाभ उठा रहे हैं।

सरल शब्दों में, सिंथेटिक पर्सोना आपके ग्राहकों या उपयोगकर्ताओं के डिजिटल अवतार या आभासी प्रतिनिधित्व हैं। ये मार्केटिंग या डिज़ाइन में लोगों द्वारा विकसित पारंपरिक पर्सोना की तरह नहीं हैं, बल्कि AI और मशीन लर्निंग तकनीकों के साथ बनाए गए हैं।

इसे बनाने का सबसे आसान तरीका GPT-4 जैसे LLMs के माध्यम से है: अपने लक्षित ग्राहकों का वर्णन करके शुरू करें, फिर उनके लक्ष्यों, चुनौतियों और जरूरतों को निर्दिष्ट करें, और अंत में, अपना उत्पाद या सेवा विचार जोड़ें, जो उन समस्याओं का समाधान के रूप में काम करेगा। एक बार वह हो जाए, तो इसे इस दर्शकों के "persona" को अपनाने के लिए प्रेरित करें।

आप सैकड़ों या हजारों AI-जनित पर्सोना उत्पन्न कर सकते हैं जो कुछ जनसांख्यिकीय समूहों का प्रतिनिधित्व करते हैं और आपके सर्वेक्षणों और साक्षात्कारों का सटीक रूप से जवाब दे सकते हैं। चूंकि ChatGPT जैसे टूल्स को विभिन्न स्रोतों और उद्योगों से लिखित और बोली गई बातचीत वाले विविध डेटासेट पर प्रशिक्षित किया जाता है, वे विभिन्न उपयोगकर्ताओं के व्यवहार और प्राथमिकताओं की नकल कर सकते हैं।

इस प्रकार, आप अपने उत्पादों या सेवाओं को बाजार में जारी करने से पहले विभिन्न परिदृश्यों का अनुकरण करने और परीक्षण चलाने के लिए कृत्रिम उपयोगकर्ताओं का उपयोग कर सकते हैं। वे बड़ी मात्रा में डेटा को संसाधित कर सकते हैं और डिजाइन और अभियान के पुनरावृत्तियों का समर्थन करने के लिए प्रतिक्रिया प्रदान कर सकते हैं।

हालांकि, उनके सभी उपयोगों के लिए, कृत्रिम पर्सोना एक मौलिक सीमा के साथ आते हैं: यदि आप एक नई अवधारणा से निपट रहे हैं या कोलंबिया में बागान श्रमिकों जैसे नए प्रकार के ग्राहक को समझने की कोशिश कर रहे हैं, तो वे शायद कम पड़ जाएंगे।

जैसा कि Christopher Roosen, मानव-केंद्रित डिज़ाइन के समर्थक, समझाते हैं:

"जनरेटिव AI इंटरनेट की कैप्चर पर आधारित है... यह इंटरनेट के सभी पूर्वाग्रहों की संरचना को संग्रहीत करता है, जिसमें सभी रंगों, आकारों और विचारों वाले समृद्ध रूप से प्रस्तुत लोगों से दूर पूर्वाग्रह और लोगों की बहुत रूढ़िबद्ध प्रस्तुति की ओर झुकाव शामिल है।"

AI उन लोगों का प्रतिनिधित्व करने में संघर्ष करता है जो ऑनलाइन कम प्रतिनिधित्व वाले हैं, इसलिए जब आप इससे कोलंबिया में श्रमिकों के लिए पर्सोना बनाने के लिए कहते हैं, तो यह सामान्य रूढ़ियों को बना सकता है क्योंकि जिस डेटा पर इसे प्रशिक्षित किया गया था उसमें ऐसे लोगों के सतही चित्रण शामिल हैं। आपके टूल्स महत्वपूर्ण बिंदुओं को भूल सकते हैं, क्लिशे पर वापस आ सकते हैं, और नए या हाशिए के समूहों के लिए तैयार किए गए प्रश्नों का उत्तर देने के लिए आवश्यक गहराई की कमी हो सकती है।

अब, सिंथेटिक इंटरव्यू क्या होते हैं?

सिंथेटिक इंटरव्यू यूजर इंटरव्यू के समान होते हैं; हालांकि, वास्तविक लोगों से सवाल पूछने के बजाय, आप विभिन्न विषयों पर यूजर इनसाइट्स एकत्र करने के लिए सिंथेटिक प्रतिभागियों (यानी सिंथेटिक यूजर्स) के साथ टेक्स्ट-आधारित संवाद या सर्वे-आधारित प्रारूपों के माध्यम से बातचीत करते हैं।

अब, जिसने भी कभी रिसर्च किया है, चाहे वो इंटरव्यू हों या फोकस ग्रुप्स, वो जानता है कि यह कितना समय लेने वाला और महंगा हो सकता है। आखिरकार, सही सवाल तैयार करने के लिए बहुत सारी योजना, समन्वय और प्रशिक्षित पेशेवरों की जरूरत होती है। साथ ही, सही लक्ष्यों और समस्याओं को चिह्नित करने के लिए आपको बहुत सारे लोगों से बात करनी होती है।

इसकी तुलना में, सिंथेटिक इंटरव्यू आपके यूजर्स या ग्राहकों के साथ बातचीत करने का एक तेज, अधिक किफायती विकल्प प्रदान करते प्रतीत होते हैं।

जॉन व्हेलन के अपने पाठ "सिंथेटिक यूजर्स के साथ हैंड्स ऑन: कस्टमर रिसर्च का भविष्य" के अनुसार, सिंथेटिक इंटरव्यू इनके लिए आदर्श हैं:

• प्रारंभिक चरण के विचार उत्पन्न करना।
• विशिष्ट दर्शकों को ढूंढे और भर्ती किए बिना उनका इंटरव्यू लेना।
• सुरक्षित, जोखिम-मुक्त वातावरण में जांच या संवेदनशील प्रश्न पूछना।
• काल्पनिक या भविष्य की स्थितियों की खोज करना।

यह मायने नहीं रखता कि आप कैसे प्रश्न पूछते हैं; सिंथेटिक यूजर्स कभी हिचकिचाते नहीं हैं।

लेकिन जो जेनरेटेड डेटा या आउटपुट आप प्राप्त करते हैं वह हमेशा परफेक्ट नहीं होता। ये इंटरव्यू रेस्पॉन्स "क्या" का जवाब दे सकते हैं, लेकिन जरूरी नहीं कि "क्यों" का भी दें।

आप वह सूक्ष्म संदर्भ खो देते हैं जो केवल मानव चेहरा या आवाज प्रदान कर सकती है – बिना किसी माइक्रोएक्सप्रेशन्स, इंटोनेशन्स और बॉडी लैंग्वेज के। सिंथेटिक इंटरव्यू मानवीय भावनाओं की गहराई को समझने में भी संघर्ष करते हैं, क्योंकि लिखित शब्दों में अक्सर पारंपरिक रिसर्च प्रक्रिया में मिलने वाली संदर्भात्मक समृद्धि शामिल नहीं होती।

इसीलिए आपको नियमित रूप से मानव प्रतिक्रियाओं के साथ सिंथेटिक इंटरव्यू का मूल्यांकन और सत्यापन करना चाहिए। हाइब्रिड दृष्टिकोण क्यों? क्योंकि इंटरव्यू डेटा AI-जनित हो सकता है, लेकिन उनके आधार पर आप जो निर्णय लेंगे उनका वास्तविक दुनिया पर प्रभाव पड़ेगा।

ChatGPT से पहले सिंथेटिक इंटरव्यू

स्कॉट स्टीवेंस और माइकल क्रिस्टेल ने 1998 में, अपने पेपर "सिंथेटिक इंटरव्यूज: ह्यूमन्स और मशीन-बेस्ड कैरेक्टर्स के बीच एक 'डायड' बनाने की कला" में सिंथेटिक इंटरव्यू के विषय पर चर्चा की। निश्चित रूप से, कार्नेगी मेलन के शोधकर्ताओं ने सिंथेटिक इंटरव्यूज, विश्वविद्यालय द्वारा विकसित तकनीक पर ध्यान केंद्रित किया।

उनके पेपर ने Synthetic Interviews को इस प्रकार परिभाषित किया:

"किसी व्यक्ति या चरित्र से गहन बातचीत करने का एक माध्यम, जो उपयोगकर्ताओं को वार्तालाप के तरीके से प्रश्न पूछने की अनुमति देता है... और पूछे गए प्रश्नों के प्रासंगिक, उपयुक्त उत्तर प्राप्त करता है।"

यह तकनीक जानकारी को "जीवंत" तरीके से प्रस्तुत करने के लिए थी, जो मानव सोच और विचार प्रक्रियाओं को प्रतिबिंबित करती है। उपयोगकर्ता उनकी प्राथमिकताओं, व्यवहार और मूल्यों को समझने के लिए बोले या टाइप किए गए इंटरफ़ेस के माध्यम से कंप्यूटर-जनित (CG) पर्सोना से प्रश्न पूछ सकते थे।

इसे संभव बनाने के लिए, मानव अभिनेताओं के हजारों वीडियो क्लिप्स रिकॉर्ड किए गए और डेटाबेस में संग्रहित किए गए। इन अभिनेताओं को संभावित प्रश्नों का उत्तर देते हुए वीडियो टेप किया गया, साथ ही अतिरिक्त गैर-मौखिक क्लिप्स, जैसे कॉफी पीना, सिर खुजाना, या मुस्कुराना, जिससे चरित्र अधिक मानवीय लगें।

ये प्रतिक्रियाएं फिर टॉकिंग हेड फॉर्मेट में प्रस्तुत की गईं, ताकि उपयोगकर्ताओं को लगे कि वे व्यक्तित्व के साथ आमने-सामने हैं। CG पर्सोना में चित्रित की जा रही व्यक्तित्वों की विशिष्ट आदतें भी शामिल थीं, जैसे Albert Einstein की, उन्हें अधिक प्रामाणिक बनाने के लिए।

इंटरफ़ेस उपयोगकर्ताओं को माइक्रोफोन में सामान्य रूप से बोलने और साक्षात्कार का प्रवाह निर्धारित करने की अनुमति देता था। स्पीच रिकग्निशन सिस्टम अपने मौजूदा LLMs का उपयोग करके उनके प्रश्नों का विश्लेषण करता था और प्रासंगिक प्रश्नों के लिए सटीक परिणाम और अप्रत्याशित प्रश्नों के लिए स्वीकार्य परिणाम प्रदान करता था (इसका क्या मतलब है यह समझने के लिए पेपर पढ़ें)।

उस समय, यह तकनीक अभिनेताओं, धार्मिक नेताओं और अन्य सार्वजनिक हस्तियों के साथ इंटरैक्टिव अनुभव प्रदान करने का एक तरीका माना जाता था।

यह जेनरेटिव AI टूल्स के आने से पहले था। अब, आप किसी मॉडल को किसी विशेष व्यक्ति की तरह "एक्ट" करने के लिए कह सकते हैं, या हमारे मामले में, एक विशिष्ट ग्राहक या उपयोगकर्ता समूह, और यह तुरंत जीवंत प्रतिक्रियाएं उत्पन्न करेगा, बेशक टॉकिंग हेड्स को छोड़कर।

AI के साथ synthetic interviews उत्पन्न करना

लोगों के बिना उपयोगकर्ता शोध करना कठिन लगता है, लेकिन ऐसा नहीं है। वास्तव में। आपको बस एक जेनरेटिव AI टूल, अपने लक्षित दर्शकों की अच्छी समझ, और सही प्रॉम्प्ट्स और प्रश्नों का सेट चाहिए।

• कन्वर्सेशनल AI टूल्स: ChatGPT, Gemini, या Claude.
• लक्षित दर्शक/persona: एक Word दस्तावेज़ या PDF जो ग्राहक प्रोफाइल का वर्णन करता है, जैसे उनकी जनसांख्यिकी (आयु, लिंग, स्थान), करियर प्रोफाइल, मनोवैज्ञानिक प्रेरक, किए जाने वाले कार्य, खरीदारी व्यवहार, प्रमुख बाधाएं, और अधिक।

इसके अलावा, अपनी शोध आवश्यकताओं को रेखांकित करें। आपके लक्ष्य और उपयोग के मामले क्या हैं? आप इस साक्षात्कार सत्र से क्या सीखना चाहते हैं? यह आपको अपने साक्षात्कार प्रश्नों को तैयार करने में मदद करेगा। तय करें कि आप कितने synthetic उपयोगकर्ता चाहते हैं, किस प्रारूप में (टेक्स्ट, सर्वेक्षण प्रतिक्रियाएं), और उनकी प्रतिक्रियाएं कितनी विविध होनी चाहिए।

प्रदर्शन के उद्देश्यों के लिए, हम ChatGPT के फ्री वर्जन का उपयोग करके अनुसंधान पर्सोना by Delve AI, हमारे नवीनतम उत्पाद के लिए सात synthetic उपयोगकर्ता बनाएंगे।

पहला कदम हमारे आदर्श उपयोगकर्ता समूह के बारे में विवरण वाला दस्तावेज़ अपलोड करना है - यह प्रतिभागियों को एक निश्चित जनसांख्यिकी तक सीमित करने में मदद करता है। फिर, हम उत्पाद विवरण जोड़ते हैं और एक अच्छी तरह से शब्दित प्रॉम्प्ट का उपयोग करके सिस्टम द्वारा उत्पन्न किए जाने वाले सिंथेटिक प्रतिभागियों की संख्या निर्दिष्ट करते हैं।

एक बार प्रॉम्प्ट किए जाने के बाद, ChatGPT ने तुरंत विविध सिंथेटिक पर्सोना उत्पन्न किए। यहाँ एक ई-कॉमर्स कंपनी में मार्केटिंग के वीपी Dan Miller नाम के एक व्यक्ति का उदाहरण दिया गया है।

हमने इन सभी पर्सोना के माध्यम से निम्नलिखित साक्षात्कार प्रश्न (खुले और सर्वेक्षण-शैली के प्रश्नों का मिश्रण) चलाए।

• क्या आप मुझे बता सकते हैं कि आप या आपकी टीम वर्तमान में उपयोगकर्ता पर्सोना कैसे बनाते हैं?
• आप आमतौर पर किस प्रकार का डेटा उपयोग करते हैं? (जैसे, साक्षात्कार प्रतिलेख, सर्वेक्षण परिणाम, वेब एनालिटिक्स, आदि)
• आपकी टीम को उपयोगकर्ता पर्सोना बनाने या अपडेट करने में आमतौर पर कितना समय लगता है?
• 1 से 5 के पैमाने पर, आप कितने आश्वस्त हैं कि आपके वर्तमान पर्सोना आपके उपयोगकर्ताओं का सटीक प्रतिनिधित्व करते हैं? (1 = बिल्कुल आश्वस्त नहीं, 5 = अत्यधिक आश्वस्त)
• उपयोगकर्ता पर्सोना बनाने या बनाए रखने में आप किन सबसे बड़ी चुनौतियों का सामना करते हैं?
• यदि कोई टूल आपके मौजूदा शोध से मिनटों में सटीक, डेटा-संचालित पर्सोना जनरेट करने में आपकी मदद कर सके, तो यह आपके या आपकी टीम के लिए कितना मूल्यवान होगा?
• आप इस तरह के टूल से किन सुविधाओं की अपेक्षा या आवश्यकता रखेंगे?
• क्या आपने पहले कभी पर्सोना बनाने के लिए AI-आधारित या स्वचालित टूल का उपयोग किया है? यदि हाँ, तो आपका अनुभव कैसा रहा?
• क्या आप अपने शोध डेटा का उपयोग करके तेजी से पर्सोना बनाने में मदद करने वाले एक नए टूल का परीक्षण करने के लिए तैयार होंगे?
• आपकी राय में, क्या इस तरह के उत्पाद को केवल 'अच्छा-होना' के बजाय 'जरूरी-होना' बना देगा?

हमने चैटबॉट से साक्षात्कार प्रतिक्रियाओं को एक साफ, पेशेवर रिपोर्ट में संक्षेपित करने को कहा, जो उत्पाद के साथ उनकी समस्याओं या चिंताओं, उन्हें क्या पसंद है, और समर्थन उद्धरणों को हाइलाइट करता है।

जैसा कि अपेक्षित था, सिस्टम ने इस तरह के पर्सोना निर्माण से जुड़ी अधिकांश सामान्य समस्याओं को पकड़ लिया - जेनेरिक आउटपुट, गोपनीयता चिंताएं, आदि। इसके बाद उत्पाद के बारे में उन्हें क्या पसंद आया, इसका सारांश दिया गया, जो फिर से बुरा नहीं था।

इस साक्षात्कार प्रक्रिया से हमें ऐसी चीजें मिलीं जिनकी हमारे संभावित उपयोगकर्ताओं को परवाह हो सकती है, लेकिन कुछ भी असामान्य नहीं था। प्रतिक्रियाएं तेज थीं - पूरा अभ्यास लगभग 15 मिनट में पूरा हो गया - हालांकि, इस डेटा का उपयोग केवल आपके वास्तविक उपयोगकर्ताओं के लिए बेहतर, अधिक विशिष्ट प्रश्न बनाने के लिए किया जा सकता है।

आप संपूर्ण परिणाम, प्रॉम्प्ट्स और प्रयोग किए गए प्रश्नों के साथ यहाँ देख सकते हैं।

आपका साक्षात्कार डेटा उतना ही अच्छा है जितने अच्छे सिंथेटिक उपयोगकर्ता सिस्टम बनाता है। तो अगर आप इस तरह से सिंथेटिक साक्षात्कार जनरेट करना चाहते हैं, तो गुणवत्ता के लिए मॉडल में डाले गए ग्राहक डेटा की अच्छी तरह से समीक्षा करें। क्या कोई पूर्वाग्रह या कमियां हैं? क्या आप शुरू से ही सही डेटा शामिल कर रहे हैं? आप सिस्टम को कुछ की नकल करने के लिए प्रशिक्षित कर रहे हैं, इसलिए सुनिश्चित करें कि वह "कुछ" वास्तव में वही है जो आप चाहते हैं।

वास्तविक मानव प्रतिक्रियाओं की जटिलता और सूक्ष्मता को दर्शाने वाला डेटा जनरेट करने के लिए LLMs को अच्छे प्रॉम्प्ट्स की आवश्यकता होती है।

याद रखें: बेहतरीन इनपुट डेटा + अच्छी तरह से तैयार किए गए प्रॉम्प्ट्स = गुणवत्तापूर्ण साक्षात्कार आउटपुट।

एक बार सिंथेटिक डेटा जनरेट हो जाने के बाद, इसका उपयोग करने से पहले इसे मान्य करें। गुणवत्ता, संगति और सटीकता का आकलन करने के लिए मैनुअल जांच करें और मान्यता उपकरणों का लाभ उठाएं। हितधारक सिंथेटिक डेटा को लेकर संदिग्ध हैं (और सही भी हैं), इसलिए अपने उपयोगकर्ता शोध रिपोर्ट में AI-जनित डेटा का उपयोग करते समय पारदर्शी रहें।

सिंथेटिक साक्षात्कारों की संभावित समस्याएं

माइकल मेस अपने लेख "क्या AI डिस्कवरी साक्षात्कारों को प्रतिस्थापित कर सकता है? एक प्रतिस्पर्धी तुलना" में सिंथेटिक यूजर्स, जो ग्राहक साक्षात्कारों को सिमुलेट करने के लिए जनरेटिव AI का उपयोग करता है, की तुलना वास्तविक लोगों के साथ साक्षात्कारों से करते हैं।

यदि हमें सिंथेटिक उत्तरदाताओं और परिणामस्वरूप सिंथेटिक साक्षात्कारों के नुकसान पर चर्चा करनी है, तो उनकी पोस्ट एक बेहतरीन शुरुआती बिंदु प्रदान करती है।

मेस ने एक नए विचार का उपयोग करते हुए सिंथेटिक यूजर्स और यूजरटेस्टिंग (जो आपको एक ऑनलाइन पैनल से वास्तविक लोगों से प्रश्न पूछने की अनुमति देता है) के बीच एक अध्ययन किया - एक राइडशेयर सेवा जो उड़ने वाली कारों का उपयोग करती है।

इस अध्ययन के परिणाम सिंथेटिक यूजर्स के पक्ष में नहीं थे।

सिंथेटिक यूजर्स निश्चित रूप से तेज था। आप उपयोगकर्ता बनाते हैं, प्रश्न जोड़ते हैं, और प्रतिक्रियाएं मिनटों में जनरेट हो जाती हैं। इसके विपरीत, यूजरटेस्टिंग का उपयोग करने में एक पूरा दिन लगा - योजना लिखना, स्क्रीनर सेट करना, प्रतिक्रियाओं की प्रतीक्षा करना, फिर परिणामों का विश्लेषण करना। और तब भी, आपके चाहे गए लक्षणों वाले सही लोगों को खोजना मुश्किल था।

सिंथेटिक यूजर्स के साथ बात यह है कि, यदि आप एक विशिष्ट समस्या वाले उपयोगकर्ता को परिभाषित करते हैं, तो यह इस बात पर सवाल नहीं उठाएगा कि क्या वह समस्या मौजूद है। यह बस मान लेता है कि ऐसा है। इसलिए, आपको काल्पनिक उपयोगकर्ता मिलते हैं जो वास्तविकता में मौजूद नहीं हैं।

जो कि एक समस्या है।

यहां तक कि जनरेट किए गए ट्रांसक्रिप्ट भी थोड़े बहुत परफेक्ट थे, जिनमें कोई फिलर शब्द, दोहराव, या अधूरे वाक्य नहीं थे। उनमें भावनात्मक संकेतों की कमी थी जो यूजरटेस्टिंग प्रदान करता था, क्योंकि विश्लेषण करने के लिए कोई वीडियो या अभिव्यक्तियां नहीं थीं।

इसके अलावा, सिंथेटिक प्रतिभागी एक-दूसरे के समान लग रहे थे, लगभग समान उत्तरों के साथ।

ये मूल रूप से सामान्य और वास्तविक जीवन से कटे हुए लगे। वास्तविक उपयोगकर्ता, हालांकि उनकी प्रतिक्रियाएं अपरिष्कृत थीं, अधिक विविधता और विवरण लेकर आए।

गति और अपने दर्शकों का एक बुनियादी अवलोकन के अलावा, यह टूल आपके ग्राहकों की सोच और प्रतिक्रिया को समझने में कोई मदद नहीं करता। जो दुर्भाग्यवश, अधिकांश सिंथेटिक रिसर्च मेथोडोलॉजी की समस्या है।

सिंथेटिक रिसर्च: Delve AI के साथ सिमुलेटेड यूजर्स, सर्वे, और इंटरव्यू बनाएं

हमने सिंथेटिक रिसर्च के मैनुअल तरीकों को देखा है; अब, आइए AI-पॉवर्ड तरीकों को देखें। Delve AI का सिंथेटिक रिसर्च सॉफ्टवेयर उन टूल्स में से एक है जो आपको अपने यूजर्स या ग्राहकों के लिए AI पर्सोना बनाने में मदद करता है, और उनका उपयोग सर्वे और इंटरव्यू के लिए करता है।

वर्तमान में, रिसर्च सॉफ्टवेयर में तीन कार्यक्षमताएं शामिल हैं:

• सिमुलेटेड यूजर्स
• सर्वे
• इंटरव्यू

फर्स्ट-पार्टी और पब्लिक डेटा स्रोतों से निर्मित, ये वर्चुअल पर्सोना स्केलेबल और विविध हैं। आप कितने भी यूजर्स जनरेट कर सकते हैं और जितने चाहें उतने क्वांटिटेटिव और क्वालिटेटिव इंटरव्यू कर सकते हैं।

स्टेप 1: पर्सोना

सिमुलेटेड यूजर्स विकसित करने से पहले आपको बेस पर्सोना बनाने की आवश्यकता है। इसके लिए, आपको हमारे पर्सोना प्रोडक्ट्स में से किसी एक की सदस्यता लेनी होगी।

वर्तमान में, हमारा AI-persona जनरेटर इनमें से छह प्रदान करता है:

• Customer पर्सोना (आपके CRM डेटा पर आधारित)
• Website पर्सोना (आपके वेबसाइट विजिटर्स/खरीदारों के लिए)
• Social पर्सोना (आपके सोशल मीडिया दर्शकों के लिए)
• Competitor पर्सोना (प्रतिस्पर्धियों के लिए)
• Research पर्सोना (आपके यूजर्स के लिए)
• Audience पर्सोना (आपके दर्शक विवरण के आधार पर)
• Employee पर्सोना (कार्यस्थल के लिए)

इस मामले में, हम पहले उल्लिखित अनुसंधान पर्सोना टूल का उपयोग करके पर्सोना बनाएंगे।

Delve AI पर साइन अप या लॉग इन करें, अनुसंधान पर्सोना पर जाएं, और अपने दस्तावेज अपलोड करें। आप कुछ भी प्रासंगिक शामिल कर सकते हैं, जैसे इंटरव्यू ट्रांसक्रिप्ट, सर्वे रिपोर्ट, इंडस्ट्री न्यूज, या पिछले यूजर प्रोफाइल।

"Create Personas" पर क्लिक करें, और Delve AI आपके द्वारा प्रदान किए गए डेटा के आधार पर पर्सोना विकसित करेगा। यदि आपके पास कोई रिसर्च सामग्री नहीं है तो चिंता न करें; बस अपने टार्गेट ऑडियंस का संक्षिप्त विवरण और अपने प्रोडक्ट या बिजनेस के बारे में कुछ विवरण (वैकल्पिक) जोड़ें, और हम वहां से आगे बढ़ेंगे।

आपके इनपुट के अलावा, हमारा प्लेटफॉर्म पहले जनरेट किए गए हजारों पर्सोना से सीख कर यूनीक कस्टमर प्रोफाइल बनाता है। आउटपुट आपके ऑडियंस और यूज केस के आधार पर एक या कई पर्सोना हो सकते हैं। इन सभी सेगमेंट्स में पर्सोना विवरण, वितरण, और जर्नी मैप्स शामिल हैं।

PERSONA DETAILS पर क्लिक करें, और आप यूजर डेमोग्राफिक्स, लाइफस्टाइल, करियर स्टेटस, आकांक्षाएं, खरीद निर्णयों को प्रभावित करने वाले कारक, मनोवैज्ञानिक ड्राइवर्स (लक्ष्य, प्रेरणा, जरूरतें), और मुख्य चुनौतियां देखेंगे।

इसके बाद उनके पसंदीदा संचार माध्यमों, सोशल नेटवर्क, ब्रांड्स, शॉपिंग वेबसाइट्स, संगीत, टीवी शो, फिल्में, YouTube चैनल्स, पॉडकास्ट्स, subreddits, प्रभावशाली संसाधनों और अन्य के बारे में जानकारी दी गई है।

वितरण टैब दिखाता है कि आपका दर्शक एक विशेष खंड में कैसे वितरित है, जो चैनल, सोशल नेटवर्क, आयु, लिंग, भाषा, स्थान, गतिविधि स्तर और विषयों (प्रतिध्वनित और सामान्य दोनों) द्वारा विभाजित है।

अंतिम टैब, CUSTOMER JOURNEYS में अलग-अलग चरणों में विभाजित उपयोगकर्ता यात्रा मानचित्र हैं, जो आपके उपयोगकर्ताओं के लक्ष्यों, कार्यों, समस्याओं और सोच प्रक्रियाओं की खोज करते हैं।

नोट: आपके पर्सोना हर महीने नए डेटा के साथ स्वचालित रूप से अपडेट किए जाते हैं, और आप अतिरिक्त शोध डेटा के साथ उन्हें पूरक भी कर सकते हैं।

चरण 2: सिमुलेटेड उपयोगकर्ता

अब जब हमने पर्सोना बना लिए हैं, तो आइए अगले चरण पर चलते हैं, यानी सिंथेटिक उपयोगकर्ताओं को जनरेट करना। यह क्यों आवश्यक है? क्योंकि आप उनके बिना साक्षात्कार नहीं कर सकते।

शुरू करने के लिए, सिंथेटिक रिसर्च डैशबोर्ड पर जाएं और आपको जितने उपयोगकर्ताओं की आवश्यकता है उन्हें खरीदें - उदाहरण के लिए, 100। फिर, इस समूह के साथ एक पैनल बनाएं और इसे नाम दें, जैसे Marketing Insights Group। यह आपको बाद में अपने दर्शकों को व्यवस्थित और प्रबंधित करने में मदद करेगा।

आपको एक स्क्रीन पर निर्देशित किया जाएगा जहां आप कृत्रिम उपयोगकर्ताओं को जनरेट करने के लिए persona(s) या पर्सोना प्रोडक्ट का चयन कर सकते हैं। यहां, हम अनुसंधान पर्सोना से एडवर्ड कॉलिन्स नामक एक सेगमेंट चुनेंगे।

जैसा कि नीचे दिखाया गया है, सॉफ्टवेयर ने उस विशिष्ट उपयोगकर्ता पर्सोना सेगमेंट के आधार पर 100 कृत्रिम उपयोगकर्ता जनरेट किए हैं। प्रत्येक उपयोगकर्ता में "चैट प्रारंभ करें" विकल्प शामिल है, जिसका उपयोग आप उनके साथ बातचीत करने के लिए कर सकते हैं (अधिक जानकारी के लिए Digital Twin देखें)।

चरण 3: सर्वेक्षण + साक्षात्कार

हमारे सिमुलेटेड पर्सोना तैयार हैं; अब उपयोगकर्ता अनुसंधान सर्वेक्षण और साक्षात्कार चलाने का समय है।

साइडबार में, Marketing Insights Group पर क्लिक करें, फिर ड्रॉपडाउन से सर्वेक्षण का चयन करें। डैशबोर्ड पर, "सर्वेक्षण बनाएं" बटन पर क्लिक करें। आपको अपने सर्वेक्षण का नाम दर्ज करने (जैसे, प्रोडक्ट मार्केट फिट सर्वेक्षण), उपयोगकर्ताओं की संख्या निर्दिष्ट करने (जैसे, 100), और अपने सर्वेक्षण प्रश्नों वाली CSV फ़ाइल अपलोड करने के लिए कहा जाएगा।

आपकी फ़ाइल में विभिन्न प्रकार के प्रश्न शामिल हो सकते हैं, जैसे बहुविकल्पीय, रेटिंग स्केल, लिकर्ट स्केल, खुले प्रश्न और रैंकिंग प्रश्न। आपकी प्रतिक्रियाएं जनरेट होने में थोड़ा समय ही लगेगा।

परिणामों के साथ, आप यह भी देख सकेंगे कि किस उत्तरदाता ने प्रत्येक प्रश्न का कौन सा विशिष्ट उत्तर दिया और चैट कार्यक्षमता का उपयोग करके उनकी पसंद के पीछे के कारणों के बारे में भी पूछ सकते हैं।

आप उनसे अन्य मार्केटिंग और प्रोडक्ट-संबंधित विषयों पर प्रतिक्रिया भी मांग सकते हैं। ऊपर दिए गए उदाहरण में, हमने एक उपयोगकर्ता से पूछा है कि ऑनलाइन शॉपिंग करते समय खरीदारी पूरी करने के उनके निर्णय को किन कारकों ने प्रभावित किया।

इस टूल को क्या अलग बनाता है

एआई-जनरेटेड रिसर्च की एक प्रमुख आलोचना यह है कि इसमें वह प्रामाणिकता, गहराई और भावनात्मक नुआंस की कमी होती है जो आमतौर पर वास्तविक साक्षात्कारों से मिलती है। यह, और ट्रेनिंग डेटा में पूर्वाग्रह आपके रिसर्च निष्कर्षों को संभावित रूप से विकृत कर सकते हैं

जैसा कि निलोफर सालेही अपने सिंथेटिक उपयोगकर्ताओं पर लेख में लिखती हैं:

"लोगों का साक्षात्कार लेने में समय बिताने और फिर... एकत्र किए गए बड़ी मात्रा में डेटा का विश्लेषण करने का मुख्य बिंदु उनके साथ जुड़ने, विश्वास बनाने, गहराई से जानने, उन्हें कहानियां साझा करने के लिए कहने और उनकी भावनाओं और संवेदनाओं के बारे में जानने की क्षमता है। पैटर्न सिंथेसिस इंजन में उनमें से कोई भी नहीं है।"

हालांकि, नए शुरुआत करने वाले लोगों या टीमों के लिए, विशेष रूप से जिनके पास व्यापक उपयोगकर्ता शोध के लिए समय या बजट नहीं है, सिंथेटिक साक्षात्कार एक आकर्षक और सुलभ विकल्प हो सकते हैं।

Delve AI का सिंथेटिक रिसर्च सॉफ्टवेयर लोगों की भर्ती नहीं करता। या उनका साक्षात्कार नहीं करता।

लेकिन यह आपके उपयोगकर्ताओं के बारे में एकत्रित की गई जानकारी का उपयोग लुक-अलाइक ऑडियंस बनाने के लिए करता है। ये आभासी उपयोगकर्ता, जो आपके फर्स्ट-पार्टी (सीआरएम, वेब एनालिटिक्स), सेकंड-पार्टी (सोशल ऑडियंस डेटा, कम्पेटिटर इंटेलिजेंस), और वॉइस ऑफ कस्टमर डेटा का उपयोग करके बनाए गए पर्सोना से निर्मित हैं, कुछ जेनेरिक नहीं हैं जो ChatGPT ने तैयार किया हो।

वे आपके व्यवसाय के उपयोग मामले के लिए अनुकूलित हैं और संभवतः आपको अपने उपयोगकर्ताओं और उनकी मुख्य आवश्यकताओं की बेहतर समझ प्रदान करेंगे।

आइए सकारात्मक पक्ष पर नज़र डालें

सिंथेटिक इंटरव्यू समस्याग्रस्त हो सकते हैं, लेकिन केवल तभी जब आप जिन सिमुलेटेड यूज़र्स पर उन्हें चला रहे हैं वे सामान्य, अशुद्ध या पक्षपातपूर्ण हों। सिंथेटिक पर्सोना की गुणवत्ता सीधे आपको मिलने वाली प्रतिक्रियाओं की गुणवत्ता से संबंधित है; जितनी बेहतर गुणवत्ता, उतनी बेहतर प्रतिक्रियाएं।

इसलिए, एक विश्वसनीय सिंथेटिक रिसर्च सॉफ्टवेयर का चयन करना, या यदि आप इसके लिए तैयार हैं, तो उसे बनाना आप पर निर्भर करता है (जो संसाधन-गहन होगा)।

एक बार जब आप इसे पा लेते हैं, तो आप वास्तविक साक्षात्कार आयोजित करने से पहले स्पष्ट समस्याओं की पहचान करने के लिए इसका लाभ उठा सकते हैं। सिंथेटिक यूज़र्स नए विचारों के लिए भी अच्छे हैं। नए दृष्टिकोण या राय जो पहले से ही मौजूद थे, लेकिन आप उनके बारे में नहीं जानते थे।

यह कहने की जरूरत नहीं है कि वर्तमान में जिस स्तर पर वे हैं, सिंथेटिक इंटरव्यू को केवल आपके शोध अध्ययनों का पूरक होना चाहिए। सिमुलेटेड यूज़र्स को कभी भी वास्तविक यूज़र्स से प्राथमिकता नहीं मिलनी चाहिए। आप कई परिदृश्यों का परीक्षण करने के लिए उनका उपयोग कर सकते हैं, लेकिन हमेशा अपने वास्तविक शोध निष्कर्षों के साथ उन परिणामों को मान्य करें।

अंत में, यह मायने नहीं रखता कि आप किस तरह के यूज़र्स चुनते हैं; जो मायने रखता है वह हैं वे प्रश्न जो आप पूछते हैं, या नहीं पूछते हैं।