क्या सिंथेटिक पर्सोना उपयोगकर्ता अनुसंधान का नया सामान्य हैं?

कृत्रिम बुद्धिमत्ता ने मार्केटिंग के हर पहलू को बदल दिया है - कंटेंट क्रिएशन से लेकर इमेज जनरेशन और उपभोक्ता रिसर्च तक। अब हम एक ऐसे स्तर पर पहुंच गए हैं जहां एआई मॉडल खुद को प्रशिक्षित करने के लिए एआई-जनित डेटा का उपयोग कर रहे हैं। क्यों? क्योंकि उनके पास मानव डेटा समाप्त हो गया है; मशीनें लोगों से नहीं बल्कि अन्य मशीनों से सीख रही हैं। बेशक, एआई असिस्टेंट अभी पूर्ण नहीं हैं लेकिन वे हर दिन बेहतर होते जा रहे हैं।

इसलिए, यह कोई आश्चर्य की बात नहीं है कि बड़े लैंग्वेज मॉडल सर्वेक्षणों, साक्षात्कारों और शोध अध्ययनों में वास्तविक लोगों की जगह ले सकते हैं। मार्केट रिसर्चर पहले से ही ChatGPT जैसे जनरेटिव एआई टूल्स का उपयोग पर्सोना को बनाने के लिए कर रहे हैं जो मानव व्यवहार की नकल कर सकते हैं, वर्णन कर सकते हैं और (कभी-कभी) सफलतापूर्वक भविष्यवाणी कर सकते हैं। लक्ष्य सरल है: यूजर एक्सपीरियंस में सुधार करते हुए मार्केटिंग की लागत को कम करना।

सिंथेटिक पर्सोना पारंपरिक उपभोक्ता शोध को समाप्त कर देते हैं, जिसे मार्केटर्स ग्राहकों को समझने और अपने उत्पादों को बेचने के लिए महत्वपूर्ण मानते हैं। हालांकि, ये तरीके महंगे और समय लेने वाले हैं। इससे भी महत्वपूर्ण बात यह है कि इनके लिए बड़े बजट और मानव संसाधनों की आवश्यकता होती है - ऐसे लोग जो सर्वेक्षण में भाग लेने और आपके प्रश्नों का उत्तर देने के लिए तैयार हों। मार्केटिंग लागत बढ़ने और लोगों के डेटा शेयर करने के प्रति संवेदनशील होने के साथ, मार्केट रिसर्चर्स को अक्सर गुणवत्तापूर्ण ग्राहक जानकारी एकत्र करने में कठिनाई होती है।

यह बाधा - उपभोक्ता जनसांख्यिकीय और व्यवहार संबंधी डेटा को एकत्र करना, प्रोसेस करना और विश्लेषण करना - सिंथेटिक पर्सोना हल करने का प्रयास करते हैं। हालांकि वे मानवीय बातचीत वाले गुणात्मक और मात्रात्मक शोध को प्रतिस्थापित नहीं कर सकते, वे आपको आपके उत्पादों या मार्केटिंग अभियानों को मिलने वाली प्रतिक्रिया की सामान्य समझ प्राप्त करने और सूचित निर्णय लेने में मदद करके आपकी शोध विधियों को पूरक कर सकते हैं।

सिंथेटिक पर्सोना क्या है?

सिंथेटिक पर्सोना एक आभासी ग्राहक है जो उपयोगकर्ता जनसांख्यिकी, मनोचित्रण, और व्यवहार डेटा के आधार पर एआई और मशीन लर्निंग एल्गोरिथम का उपयोग करके बनाया जाता है। यह एक विशिष्ट दर्शक वर्ग का सटीक प्रतिनिधित्व प्रदान करता है, उनकी पसंद, नापसंद, विचार, प्राथमिकताएं, जरूरतें और चुनौतियों का वर्णन करता है। हालांकि सिंथेटिक उपयोगकर्ता ग्राहक पर्सोना के समान लगते हैं, वे इस मायने में अलग हैं कि आप उनसे सीधे बातचीत कर सकते हैं या बात कर सकते हैं।

वे कंपनियों द्वारा मॉडल जेनरेशन और परिष्कृत कठपुतली का उपयोग करके बनाए गए एआई मानवों से अलग नहीं हैं। ऐसे अवतार आंखों की गति, चेहरे के भाव, और पुतली के फैलाव को ट्रैक कर सकते हैं ताकि मानवीय भावनाओं को समझा जा सके और सहायक निर्देश दिए जा सकें (या कुछ मामलों में, अपने उत्पादों या सेवाओं को बेचा जा सके)।

आपके शोध अध्ययन के लक्ष्य के आधार पर, आप ChatGPT या Delve AI जैसे समर्पित एआई पर्सोना जनरेटर का उपयोग करके सिंथेटिक पर्सोनास का विविध सेट बना सकते हैं। वे बनाने में काफी आसान हैं और वास्तविक लोगों के साथ भर्ती और अनुसंधान करने की तुलना में सस्ते हैं। सिस्टम में फीड किए गए डेटा पर आपका पूरा नियंत्रण है और साक्षात्कार को आगे बढ़ाने के लिए फॉलो-अप प्रश्न पूछ सकते हैं।

नोट: ChatGPT को सही ग्राहक सेगमेंट को समझने और संबंधित उपयोगकर्ता पर्सोना को अपनाने के लिए बहुत प्रॉम्प्टिंग की आवश्यकता होती है।

सिंथेटिक उपयोगकर्ताओं के काम करने के लिए, आपको यह सुनिश्चित करना होगा कि मानक मौजूद हैं। आपके डेटा को एआई सिस्टम में फीड करने से पहले मान्य किया जाना चाहिए। परिणामी पर्सोनास को भी उपयोग करने से पहले वास्तविक उपयोग के मामलों से क्रॉस-चेक और तुलना की जानी चाहिए।

सिंथेटिक ग्राहक कैसे काम करते हैं

सिंथेटिक पर्सोना एक कार्यप्रणाली है जिसमें आप GPT-3 जैसे बड़े भाषा मॉडल (LLMs) में ग्राहक डेटा की एक चयनित मात्रा फीड करते हैं और उसे आपके द्वारा प्रदान किए गए डेटा के आधार पर एक वास्तविक ग्राहक के "पर्सोना" को अपनाने के लिए प्रेरित करते हैं। इस डेटा में मुख्य रूप से आयु, लिंग और स्थान जैसी जनसांख्यिकीय जानकारी के साथ-साथ मनोवैज्ञानिक विशेषताएं, जैसे व्यक्तित्व लक्षण, दृष्टिकोण, जीवनशैली और रुचियां शामिल होती हैं। उत्पन्न पर्सोना का उपयोग तब ग्राहक सर्वेक्षणों में मानव-जैसी प्रतिक्रियाएं देने के लिए किया जाता है।

अब, सिंथेटिक पर्सोनास की सटीकता प्रशिक्षण डेटा की गुणवत्ता के सीधे आनुपातिक होती है। जितनी अधिक गुणवत्ता, उतने बेहतर आपके पर्सोनास। यदि आपका इनपुट डेटा सामान्य और अनुचित है, तो आउटपुट भी वैसा ही होगा।

डेटा संबंधी चिंताओं को अलग रखते हुए, आप सिंथेटिक उपयोगकर्ताओं का उपयोग विभिन्न प्रकार के ग्राहकों का अनुकरण करने और उनसे आपके उत्पाद या सेवा के बारे में उनकी जरूरतों, दर्द बिंदुओं और चुनौतियों के बारे में पूछने के लिए कर सकते हैं। आप उनका उपयोग गुणात्मक अनुसंधान में उपयोगकर्ता अंतर्दृष्टि प्राप्त करने, उत्पाद डिजाइन बनाने और कई लक्षित दर्शकों में विज्ञापन रचनात्मकता का परीक्षण करने के लिए कर सकते हैं।

सिंथेटिक डेटा और यूजर रिसर्च का महत्व

पहले, टेलीफोन सर्वेक्षण, साक्षात्कार और व्यवसायिक बातचीत के लिए एक आवश्यक उपकरण था। फोन सर्वेक्षण लोगों से जानकारी एकत्र करने का एक बेहतरीन तरीका बन गया। तकनीक की प्रगति और इंटरनेट के आगमन के साथ, आप ऑनलाइन सर्वेक्षण कर सकते थे।

21वीं सदी में आगे बढ़ते हुए, हमारे पास एआई और एमएल एल्गोरिथम द्वारा उत्पन्न सिंथेटिक कंज्यूमर डेटा है। आप जानते हैं कि एलएलएम किताबों, अकादमिक जर्नल्स, समाचार पत्रों और अन्य से बड़ी मात्रा में प्रशिक्षण डेटा को पचाते हैं ताकि टेक्स्ट-आधारित प्रारूप में मानव जैसी प्रतिक्रियाएं संश्लेषित कर सकें। वे टेक्स्ट को संक्षेप में बता सकते हैं, प्रश्नों के उत्तर दे सकते हैं, और यहां तक कि कविताएं भी लिख सकते हैं। एलएलएम निरंतर सीखने वाली इकाइयां हैं—वे अपनी गलतियों से सीखते हैं।

यह डेटा प्रोसेसिंग और सीखने की क्षमता उन्हें उपभोक्ता डेटा का विश्लेषण करने, सिंथेटिक यूजर्स बनाने और प्रतिक्रियाएं उत्पन्न करके यूजर रिसर्च में मदद करने की अनुमति देती है। हालांकि सिंथेटिक डेटा वास्तविक दुनिया की घटनाओं से प्राप्त होता है, यह मानव सर्वेक्षण प्रतिभागियों से एकत्र किए गए डेटा के समान नहीं है। यह आजकल कंपनियों के बीच लोकप्रियता प्राप्त कर रहा है क्योंकि वे डेटा गोपनीयता कानूनों की चिंता किए बिना परिदृश्यों का परीक्षण और साक्षात्कार कर सकते हैं।

लागत और समय भी एक बड़ी भूमिका निभाते हैं। जैसा कि पहले बताया गया है, मात्रात्मक और गुणात्मक अनुसंधान के साथ उच्च लागतें जुड़ी हैं – आपको उपभोक्ता व्यवहार में रुझान और पैटर्न की खोज के लिए डेटा को संसाधित करने, प्रतिभागियों को एकत्र करने, समय निर्धारित करने और साक्षात्कार आयोजित करने की आवश्यकता होती है। सिंथेटिक डेटा शोधकर्ताओं को नए वर्कफ़्लो विकसित करने और कई परिदृश्यों को सिमुलेट करने में आसानी से मदद करता है।

एआई-संचालित वर्चुअल असिस्टेंट आपकी ओर से लोगों का साक्षात्कार लेकर यूजर रिसर्च कर सकते हैं – कभी-कभी कई भाषाओं में, 24/7। वे व्यक्तिगत फॉलो-अप प्रश्न पूछने के लिए उपभोक्ता प्रतिक्रियाओं का विश्लेषण कर सकते हैं। सिंथेटिक पर्सोना अतिरिक्त रूप से मात्रात्मक शोधकर्ताओं को अप्राप्य जनसांख्यिकी का अध्ययन करने और उन्नत पूर्वानुमान क्षमताओं का उपयोग करके लापता डेटा और सर्वेक्षणों को भरने में मदद करते हैं। निश कोई अतिरिक्त लागत शामिल किए बिना दर्शक खंडों का विश्लेषण किया जा सकता है।

Delve AI के साथ सिंथेटिक यूज़र्स बनाना: और अन्य ChatGPT प्रॉम्प्ट्स

ग्राहकों को समझने का एक अच्छा तरीका है उनकी बात सुनना - एक मोटा-मोटा ग्राहक प्रोफाइल बनाना और उनसे सहानुभूति रखने की कोशिश करना। लेकिन ये तीन प्रक्रियाएं कैसे काम करती हैं? सुनने के लिए आप मानवीय प्रतिक्रिया प्राप्त करते हैं, विशेषता बताने के लिए खरीदार पर्सोना बनाते हैं, और सहानुभूति के लिए ग्राहक यात्रा मानचित्र विकसित करते हैं। चौथा चरण, बातचीत, ChatGPT पर्सोना के साथ काम करता है।

पर्सोना बाय Delve AI एक पर्सोना-आधारित मार्केटिंग सॉफ्टवेयर है जो आपकी वेबसाइट, प्रतिस्पर्धियों और सोशल मीडिया दर्शकों के लिए पर्सोना बनाने में मदद करता है। यह पहले उल्लेखित सभी चार पहलुओं को कवर करता है - उपभोक्ता डेटा, पर्सोना, यूज़र जर्नी, और इंटरैक्टिव यूज़र चैटबॉट।

यह कैसे करता है: हमारा सॉफ्टवेयर आपका फर्स्ट-पार्टी (वेब एनालिटिक्स, सर्च कंसोल, और CRM डेटा) और सेकंड-पार्टी (सोशल एनालिटिक्स और प्रतिस्पर्धी जानकारी) डेटा एकत्र करता है, फिर 40+ सार्वजनिक डेटा स्रोतों (जैसे समीक्षाओं, रेटिंग, प्रतिक्रिया, ऑनलाइन फोरम, और समाचार पत्रों से Voice of Customer डेटा) के साथ इसे समृद्ध करता है ताकि आपके लिए डेटा-संचालित पर्सोना बनाए जा सकें।

आपके व्यवसाय के आधार पर तीन से सात पर्सोना बनाए जाते हैं, जिनमें ग्राहक पर्सोना B2B पर्सोना सेगमेंट हरे रंग में और B2C पर्सोना नीले रंग में हाइलाइट किए जाते हैं।

प्रत्येक पर्सोना आपको पर्सोना विवरण, वितरण, और नमूना यूज़र जर्नी प्रदान करता है ताकि आपके वांछनीय और अवांछनीय दर्शक सेगमेंट के लक्षणों, विशेषताओं और व्यवहारों का पता लगाया जा सके। उदाहरण के लिए, एक ईकॉमर्स व्यवसाय बाउंसर्स, पैसिव ब्राउज़र्स, कार्ट त्यागने वाले, और उच्च-मूल्य खरीदार सेगमेंट की पहचान कर सकेगा जो क्रमशः नीले और लाल रंग से चिह्नित होंगे।

पर्सोना विवरण उस विशेष सेगमेंट की आयु, लिंग, स्थान, नौकरी प्रोफाइल, लक्ष्य, प्रेरणाएं, समस्याएं, मूल्य, रुचियां, किए जाने वाले कार्य, और शौक प्रदान करते हैं। इसके अतिरिक्त, आपको उनके पसंदीदा सोशल नेटवर्क, ब्रांड्स, ईकॉमर्स साइट्स, टूल्स, टीवी शो, मूवीज़, YouTube चैनल्स, पॉडकास्ट, इवेंट्स, और बहुत कुछ के बारे में जानकारी मिलती है।

वितरण टैब सेगमेंट को आयु, लिंग, स्थान, भाषा, मार्केटिंग चैनल्स, ऑनलाइन गतिविधि समय, कार्यों, और निर्णय लेने के चरण के अनुसार समूहीकृत करता है। नमूना यात्राएं कुल विज़िटर्स की संख्या, उनके सेशन, पेज व्यू, कन्वर्जन, और यूज़र जिस निर्णय लेने के चरण में है, उसे प्रदर्शित करती हैं। इसमें सबसे अच्छी बात? आपके AI-जनित पर्सोना और यूज़र जर्नी रीयल-टाइम ग्राहक डेटा के साथ स्वचालित रूप से अपडेट होते हैं।

अब, आइए हमारी जल्द ही लॉन्च होने वाली पर्सोना के साथ चैट सुविधा के बारे में जानें।

ChatGPT प्रॉम्प्ट्स से सिंथेटिक पर्सोना बनाना

यह उपयोगकर्ताओं को ऑनलाइन उच्च-मूल्य वाले ग्राहक खंडों के साथ बातचीत करने की क्षमता प्रदान करता है। डैशबोर्ड WhatsApp या किसी अन्य मैसेजिंग ऐप के समान है। अपने नए उत्पाद या मार्केटिंग कॉपी से संबंधित संदेह हैं? बस हमारे प्लेटफॉर्म पर जाएं, अपना टारगेट पर्सोना चुनें, और प्रश्न पूछें। आप Slack के माध्यम से सीधे प्रश्न भी पूछ सकते हैं - आपको बस अपने Slack वर्कस्पेस को Delve AI के साथ एकीकृत करना होगा। ChatGPT बड़ी मात्रा में असंरचित डेटा - संख्यात्मक डेटा, नौकरी प्रोफाइल, साहित्य, शोध पत्र, फोरम, समीक्षाएं और वेबसाइटें - को संसाधित कर सकता है और इसे तार्किक रूप से प्रस्तुत कर सकता है। इस प्रकार, यह उपभोक्ता शोध में उपयोग करने के लिए इंटरैक्टिव पर्सोना बनाने का एक मुफ्त विकल्प है।

यह वास्तव में एक सरल अभ्यास है:

• अपना ग्राहक डेटा ChatGPT में अपलोड करें
• इसे संभावित खंडों को सूचीबद्ध करने का निर्देश दें
• वह दर्शक खंड चुनें जिसे आप लक्षित करना चाहते हैं
• ChatGPT को उस खंड का पर्सोना अपनाने के लिए प्रेरित करें

फिर आप पर्सोना को सर्वेक्षण सत्र में भाग लेने के लिए कह सकते हैं। ध्यान दें कि ChatGPT पर्सोना केवल तभी उपयोगी होते हैं जब आपके पास व्यापक ग्राहक प्रोफाइल हों और विशिष्ट दर्शक न हों। जब तक, बेशक, आपके पास ChatGPT के लिए धारणाएं बनाने के लिए पर्याप्त गुणात्मक और मात्रात्मक डेटा न हो।

यहाँ आपके प्रॉम्प्ट्स कैसे काम कर सकते हैं:

प्रॉम्प्ट 1: प्रदान किए गए ग्राहक डेटा का विश्लेषण और संरचना करें, प्रमुख जनसांख्यिकीय, व्यवहार संबंधी और मनोवैज्ञानिक विशेषताओं पर ध्यान केंद्रित करें। विभिन्न ग्राहक विशेषताओं में स्पष्ट रुझानों या पैटर्न को सारांशित करें और हाइलाइट करें।

प्रॉम्प्ट 2: इस संरचित डेटा का उपयोग करते हुए, संभावित ग्राहक खंडों को सूचीबद्ध करें। प्रत्येक खंड को नाम दें और उनकी परिभाषित विशेषताओं का संक्षेप में वर्णन करें, जिसमें उनकी रुचियां, खरीदारी व्यवहार और अन्य उल्लेखनीय जनसांख्यिकीय विवरण शामिल हैं।

प्रॉम्प्ट 3: इन खंडों में से, [खंड का नाम] पर ध्यान केंद्रित करें। उनकी प्रमुख प्रेरणाओं, विशिष्ट समस्याओं और संभावित ब्रांड इंटरैक्शन के बारे में अधिक विवरण दें।

प्रॉम्प्ट 4: [खंड का नाम] दर्शकों से एक विशिष्ट ग्राहक का पर्सोना अपनाएं। उनकी दैनिक जीवनशैली, रुचियों, प्रमुख मूल्यों और विशिष्ट आवश्यकताओं का वर्णन करें। आगे की बातचीत के लिए इस पर्सोना के चरित्र को मान लें।

ChatGPT अर्थ नहीं समझ सकता इसलिए इसका उपयोग अर्थ के पैटर्न बनाने के लिए नहीं किया जा सकता जो सिंथेटिक उपयोगकर्ता आपको एक अध्ययन में संप्रेषित करते हैं। यह आपको समझने में मदद नहीं करता कि लोग किसी लक्ष्य तक पहुंचने या कार्य को पूरा करने के लिए विभिन्न दृष्टिकोण कैसे अपनाते हैं। AI उत्पादों का उपयोग नहीं कर सकता अगर आप इसके बारे में सोचें - यह केवल कल्पना कर सकता है। आप अपने उत्पाद विचारों को मान्य करने के लिए परीक्षण चला सकते हैं लेकिन हर राय बस सकारात्मक हो सकती है - ChatGPT पर्सोना का लक्ष्य साक्षात्कारकर्ता को प्रसन्न करना होता है।

Emporia Research ने सर्वेक्षण प्रतिक्रियाओं के तीन समूहों के बीच एक तुलनात्मक अध्ययन किया: LinkedIn-सत्यापित उत्तरदाता, लक्षित LinkedIn प्रोफाइल डेटा के आधार पर AI द्वारा उत्पन्न सिंथेटिक उपयोगकर्ता, और IT निर्णय-निर्माताओं का प्रतिनिधित्व करने वाले AI-जनित पर्सोना पर आधारित उपयोगकर्ता। उनके अध्ययन से पता चला कि एआई द्वारा बनाए गए बी2बी कृत्रिम उपयोगकर्ता वास्तविक प्रतिभागियों की तुलना में एक मजबूत सकारात्मक पूर्वाग्रह प्रदर्शित करते हैं। वे झुंड मानसिकता का अनुसरण करते हैं; अंतर्दृष्टि की गुणवत्ता भी उतनी अच्छी नहीं है।

सिंथेटिक पर्सोनाज इन एक्शन: उपयोग के मामले और उदाहरण

मार्को सारस्टेड्ट ने अपने सिलिकॉन सैंपल्स पर शोध में अनुसंधान और डिज़ाइन में सिंथेटिक पर्सोनाज के उपयोग को दर्शाया है। उन्होंने सर्वेक्षण प्रश्नों पर प्रतिक्रिया प्राप्त करने और पैकेजिंग डिज़ाइन को परिष्कृत करने के लिए इनका उपयोग किया। उनके अनुप्रयोगों के अलावा, सिंथेटिक पर्सोनाज का उपयोग अन्य मार्केटिंग और उत्पाद-संबंधित मामलों के लिए भी किया जा सकता है।

मार्केटिंग, विभाजन, और ब्रांडिंग

आप दो प्रकार के सिंथेटिक पर्सोनाज बना सकते हैं: वे जो व्यक्तिगत ग्राहकों का प्रतिनिधित्व करते हैं और वे जो ग्राहकों के समूहों का प्रतिनिधित्व करते हैं। प्रत्येक आपको निजी ग्राहक डेटा तक पहुंचे बिना उपयोगकर्ता व्यवहार और प्राथमिकताओं के बारे में जानकारी प्राप्त करने में सक्षम बनाता है। यह उन पेशेवरों के लिए एक अच्छा प्रारंभिक बिंदु है जो अपने लक्षित दर्शकों से परिचित नहीं हैं। आप अपने अभियानों का परीक्षण करने और यह पहचानने के लिए विभिन्न ग्राहक खंड विकसित कर सकते हैं कि कौन सबसे अच्छी प्रतिक्रिया देता है। परिणामस्वरूप, आप अपनी मार्केटिंग संपत्तियों, कंटेंट और कॉपी को अपने लक्षित दर्शक खंडों की प्राथमिकताओं के अनुरूप अनुकूलित कर सकते हैं।

अभियान विकास प्रक्रिया में प्रतिक्रिया प्राप्त करने के लिए बस अपनी मार्केटिंग योजनाएं, ग्राफिक डिज़ाइन, वीडियो और विज्ञापन अपलोड करें। अपनी कंटेंट को मॉडल में अपलोड करने के बाद, सिंथेटिक उपयोगकर्ता से इनपुट मांगें, जैसे:

• क्या यह वीडियो विज्ञापन खुशी या दुख जगाता है (इसे अपनी वांछित भावना से बदलें)?
• आप यह विज्ञापन कहां देखना चाहेंगे? बिलबोर्ड्स, Facebook, Instagram, या LinkedIn पर?
• क्या आपको विज्ञापन कॉपी द्वारा व्यक्त किया जाने वाला समग्र संदेश पसंद है?
• आप इस ईमेल अभियान पर प्रतिक्रिया करने की कितनी संभावना रखते हैं?

इसके अलावा, यह जांचने के लिए कि क्या काम किया और क्या नहीं - पिछले मार्केटिंग अभियानों का प्रदर्शन डेटा जोड़ें - यह AI मॉडल को काम करने के लिए अधिक संदर्भ देता है। आपको कुशल आउटपुट प्राप्त करने के लिए अपने प्रॉम्प्ट्स को समायोजित करना होगा, लेकिन परिणाम इसके लायक हैं। कौन जाने, यह आपको एक ऐसा विज्ञापन बनाने में मदद कर सकता है जो वायरल हो जाए!

उत्पाद विकास, डिज़ाइन और परीक्षण में

सिंथेटिक उपयोगकर्ता उत्पाद टीमों को अपने उपयोगकर्ताओं के साथ सहानुभूति रखने और नए उत्पादों, विशेषताओं और कार्यक्षमताओं को बनाने में सक्षम बनाते हैं जो उपभोक्ता की जरूरतों और अपेक्षाओं के अनुरूप हों। आप संभावित समस्याओं की पहचान करने और यह सुनिश्चित करने के लिए उपयोग परिदृश्यों का अनुकरण कर सकते हैं कि आपका उत्पाद विभिन्न स्थितियों में अच्छी तरह से कार्य करता है।

कंपनियां सार्वजनिक रूप से लॉन्च करने से पहले अपने उत्पाद डिज़ाइनों को मान्य करने के लिए उनका उपयोग कर सकती हैं। उदाहरण के लिए, वे एक अपेक्षाकृत जोखिम-मुक्त वातावरण में यह परीक्षण कर सकते हैं कि उपयोगकर्ता इंटरफ़ेस और इंटरैक्शन कितनी अच्छी तरह काम करते हैं (क्योंकि उन्हें वास्तविक ग्राहकों पर इसका परीक्षण नहीं करना होगा)। ऐसा करने से उन्हें समग्र उत्पाद उपयोगकर्ता अनुभव (UX) में सुधार करने में मदद मिलेगी, जिससे उत्पाद के आधिकारिक रूप से लॉन्च होने पर समस्याओं के सामने आने की संभावना काफी कम हो जाएगी, इस प्रकार नए उपयोगकर्ताओं को लाने और ग्राहक चर्न दरों को कम करने में मदद

प्रश्न: यदि आप शोध नहीं कर सकते, तो क्या कृत्रिम पर्सोना का उपयोग करना ठीक है? शायद हां, शायद नहीं। आप हमेशा कुछ नया सीख सकते हैं, बजाय इसके कि कुछ भी न सीखें। फिर भी, कृत्रिम डेटा के आधार पर महत्वपूर्ण उत्पाद या मार्केटिंग निर्णय लेना आदर्श नहीं है।

मान लीजिए कि आपकी नई सुविधा आपके कृत्रिम ग्राहकों के साथ हिट है। आप इसे बाजार में लॉन्च करते हैं लेकिन यह वास्तविक उपयोगकर्ताओं के साथ विफल हो जाती है। तब क्या होता है? आप संसाधनों को बर्बाद करते हैं और पैसा खो देते हैं जो कहीं और बेहतर खर्च किया जा सकता था। इसलिए, हमेशा उनकी प्रतिक्रियाओं को थोड़ी शंका के साथ लें।

सिंथेटिक यूज़र्स की चुनौतियां

चाहे एआई कितनी भी आकर्षक क्यों न हो, सिंथेटिक यूज़र्स की बहुत सारी सीमाएं हैं जो दिखाई नहीं देतीं। सिंथेटिक पर्सोना मशीन लर्निंग मॉडल्स का उपयोग करके बनाए जाते हैं, इसलिए वे उन परिदृश्यों में बहुत उपयोगी होते हैं जहां वास्तविक ग्राहक डेटा कम या सीमित है। हालांकि, अपने कार्यप्रवाह में उन्हें शामिल करने से पहले कुछ बातें जानना आवश्यक है।

सबसे पहले, सिंथेटिक पर्सोना को मानवीय व्यवहार और क्रियाओं की पूरी श्रृंखला को समझने में कठिनाई होती है; उनकी प्रतिक्रियाएं बहुत सरलीकृत, सामान्य या तार्किक हो सकती हैं। मनुष्य हमेशा तार्किक नहीं होते - हम विभिन्न आंतरिक और बाहरी कारकों से प्रभावित होते हैं (जैसे हमारे व्यक्तिगत अनुभव, व्यक्तित्व, राय और मूल्य) जो हमारे काम करने और चीजों पर प्रतिक्रिया करने के तरीके को नियंत्रित करते हैं।

आर्टिफिशियल इंटेलिजेंस और मशीन लर्निंग सिस्टम, जो सिंथेटिक पर्सोना की नींव हैं, अभी तक इन कारकों को समझने में सक्षम नहीं हैं। उदाहरण के लिए, एआई उत्तरदाता हमेशा इंटरव्यूअर को खुश करना चाहते हैं, किसी भी दिए गए कार्य को पूरी तरह से पूरा करते हैं, और सकारात्मक रूप से प्रश्नों का उत्तर देते हैं (जिसे चापलूसी कहा जाता है)। वे एक-आयामी प्रतिक्रियाएं प्रदान करते हैं, और हर चीज की परवाह करते प्रतीत होते हैं; जरूरतों, चुनौतियों और रुचियों की एक लंबी सूची प्रदान करते हैं। लोगों के पास ऐसी सूचियां नहीं होतीं - वे विशिष्ट चीजों की परवाह करते हैं, और अन्य चीजें उनके दिमाग में भी नहीं आतीं।

अपने पेपर "ए मैनेजर एंड एन एआई वॉक इनटू ए बार: डज ChatGPT मेक बायस्ड डिसीजन्स लाइक वी डू?" में चेन एट अल. ने पाया कि ChatGPT अक्सर ग्राहक व्यवहार को चिह्नित करने वाले प्रभावों की नकल करने में असमर्थ होता है, जैसे डूबी लागत का भ्रम। लोग किसी वस्तु पर बोली लगाना जारी रखते हैं, भले ही कीमत उसके मूल्य से अधिक हो गई हो, सिर्फ इसलिए क्योंकि वे बोली जीतना चाहते हैं। उनकी प्रतिक्रियाओं में कोई पदानुक्रम नहीं है - आप कैसे समझेंगे कि क्या महत्वपूर्ण है और क्या नहीं?

एक और चिंता सिंथेटिक पर्सोना बनाने के लिए उपयोग किए जाने वाले डेटा की है; यदि प्रशिक्षण डेटा पक्षपातपूर्ण है, तो प्रतिक्रियाओं में रूढ़िवादी धारणाएं होंगी और वे उन्हें बढ़ावा देंगी। डेटा की कमी कम प्रतिनिधित्व वाले या हाशिए पर पड़े उपयोगकर्ताओं का प्रतिनिधित्व करना भी मुश्किल बनाती है। सत्यापन भी जटिल है। सिंथेटिक यूजर्स का वास्तविक दुनिया की स्थितियों और परिणामों के खिलाफ परीक्षण करना आसान नहीं है। उन्हें लगातार मॉनिटर किया जाना चाहिए, अपडेट किया जाना चाहिए और वास्तविक उपयोगकर्ता डेटा के साथ सत्यापित किया जाना चाहिए। हम ऐसे डेटा की बात कर रहे हैं जो अनामित है और संवेदनशील ग्राहक जानकारी को प्रकट नहीं करता है।

भले ही आपने अपनी चेकलिस्ट से ये सभी चीजें काट दी हों, मौजूदा सिस्टम में सिंथेटिक यूजर्स को एकीकृत करना मुश्किल साबित हो सकता है। तकनीकी और डेटा समस्याओं के अलावा, संदेहशील स्टेकहोल्डर्स को उनकी उपयोगिता के बारे में समझाना आपकी सबसे बड़ी चुनौती हो सकती है। वही और भी बुरा है, आपकी कंपनी कृत्रिम ग्राहकों का उपयोग यूजर रिसर्च के लिए करने की आदत डाल सकती है और वास्तविक चीज़ में निवेश नहीं करना चाह सकती है।

सिंथेटिक यूजर पर्सोना का भविष्य

सिंथेटिक पर्सोना आपके ग्राहकों के बारे में अज्ञात जानकारियां प्रकट करते हैं। लेकिन क्या हम सिंथेटिक डेटा पर भरोसा कर सकते हैं? क्या यह विश्वसनीय है, क्या यह नैतिक है? कौन जाने। कुछ कहते हैं कि वे उपयोगकर्ता शोध का भविष्य हैं, अन्य कहते हैं कि उनमें मानव प्रतिभागियों में आमतौर पर पाई जाने वाली बारीकियां और विविधता की कमी है। फिर भी, एक ऐसी दुनिया में जहां बाजार अनुसंधान बहुत महंगा है, सिंथेटिक पर्सोना आपके ग्राहकों को समझने का एक किफायती तरीका हैं।

आप एक नए उपयोगकर्ता समूह के बारे में जान सकते हैं, उन्हें क्या रुचि है, और वे ऑनलाइन कैसे व्यवहार करते हैं, और प्रोटो-पर्सोना और उपयोगकर्ता यात्राएं विकसित कर सकते हैं जो वास्तविक उपयोगकर्ताओं के साथ आपकी मदद कर सकती हैं। हर अन्य आविष्कार की तरह, सिंथेटिक यूजर पर्सोना फायदे और नुकसान की एक सूची के साथ आते हैं, लेकिन अगर अच्छी तरह से किया जाए, तो पहला बाद वाले से कहीं अधिक महत्वपूर्ण है।