Apakah Persona Sintetis adalah Normal Baru dari Riset Pengguna?

Kecerdasan buatan telah mengubah setiap aspek pemasaran – dari pembuatan konten hingga pembuatan gambar hingga riset konsumen. Kita sekarang telah mencapai titik di mana model AI menggunakan data yang dihasilkan AI untuk melatih diri mereka sendiri. Mengapa? Karena mereka kehabisan data manusia; mesin tidak belajar dari manusia tetapi dari mesin lain. Tentu saja, asisten AI belum sempurna tetapi mereka semakin baik setiap hari.

Jadi, tidak mengejutkan bahwa model bahasa besar dapat menggantikan orang nyata dalam survei, wawancara, dan studi penelitian. Para peneliti pasar sudah menggunakan alat AI generatif seperti ChatGPT untuk membuat persona sintetis yang dapat meniru, menggambarkan, dan (kadang-kadang) berhasil memprediksi perilaku manusia. Tujuannya sederhana: mengurangi biaya pemasaran sambil meningkatkan pengalaman pengguna.

Persona sintetis menghilangkan riset konsumen tradisional, yang diyakini pemasar penting untuk memahami pelanggan dan menjual produk mereka. Namun, metode ini mahal dan memakan waktu. Yang lebih penting, mereka membutuhkan anggaran besar dan sumber daya manusia – orang yang bersedia berpartisipasi dalam survei dan menjawab pertanyaan Anda. Dengan biaya pemasaran yang meningkat dan orang menjadi sensitif tentang jenis data yang mereka bagikan, peneliti pasar sering mengalami kesulitan mengumpulkan informasi pelanggan yang berkualitas.

Inilah hambatan – mengumpulkan, memproses, dan menganalisis data demografis dan perilaku konsumen – yang coba dipecahkan oleh persona sintetis. Meskipun tidak dapat menggantikan penelitian kualitatif dan kuantitatif yang melibatkan interaksi manusia, mereka dapat melengkapi metode penelitian Anda dengan membantu Anda mendapatkan gambaran umum tentang reaksi yang akan diterima produk atau kampanye pemasaran Anda dan membuat keputusan yang tepat.

Apa Itu Persona Sintetis?

Persona sintetis adalah pelanggan virtual yang dibuat menggunakan algoritma AI dan machine learning berdasarkan demografis pengguna, psikografis, dan data perilaku. Ini memberikan representasi akurat dari segmen audiens tertentu, menjelaskan kesukaan, ketidaksukaan, pemikiran, preferensi, kebutuhan, dan tantangan mereka. Meskipun pengguna sintetis tampak mirip dengan persona pelanggan, mereka berbeda karena Anda dapat berinteraksi atau berbicara langsung dengan mereka.

Mereka tidak berbeda dengan manusia AI yang dibuat oleh perusahaan menggunakan generasi model dan pengendali boneka canggih. Avatar seperti itu dapat melacak gerakan mata, ekspresi wajah, dan dilatasi pupil untuk memahami emosi manusia dan menawarkan instruksi yang membantu (atau dalam beberapa kasus, menjual produk atau layanan mereka).

Tergantung pada tujuan studi penelitian Anda, Anda dapat membuat beragam persona sintetis menggunakan ChatGPT atau generator persona AI khusus seperti Delve AI. Mereka cukup mudah dibuat dan lebih murah daripada merekrut dan melakukan penelitian dengan orang sungguhan. Anda memiliki kendali penuh atas data yang dimasukkan ke dalam sistem dan dapat mengajukan pertanyaan lanjutan untuk melanjutkan wawancara.

Catatan: ChatGPT membutuhkan banyak prompting untuk memahami segmen pelanggan yang tepat dan mengadopsi persona pengguna terkait.

Agar pengguna sintetis berfungsi, Anda perlu memastikan ada standar yang berlaku. Data Anda perlu divalidasi sebelum dimasukkan ke dalam sistem AI. Persona yang dihasilkan juga perlu diperiksa silang dan dibandingkan dengan kasus penggunaan nyata sebelum Anda menggunakannya.

Bagaimana pelanggan sintetis bekerja

Persona sintetis adalah metodologi di mana Anda memasukkan sejumlah data pelanggan ke dalam model bahasa besar (LLM) seperti GPT-3 dan mendorongnya untuk mengadopsi "persona" pelanggan sebenarnya berdasarkan data yang Anda berikan. Data ini sebagian besar berisi informasi demografis seperti usia, jenis kelamin, dan lokasi, bersama dengan atribut psikografis, seperti sifat kepribadian, sikap, gaya hidup, dan minat. Persona yang dihasilkan kemudian digunakan dalam survei pelanggan untuk memberikan respons seperti manusia.

Sekarang, akurasi persona sintetis berbanding lurus dengan kualitas data pelatihan. Semakin tinggi kualitasnya, semakin baik persona Anda. Jika data input Anda umum dan tidak akurat, outputnya juga akan sama.

Terlepas dari masalah data, Anda dapat menggunakan pengguna sintetis untuk mensimulasikan berbagai pelanggan dan menanyakan mereka tentang kebutuhan, titik nyeri, dan tantangan mengenai produk atau layanan Anda. Anda dapat menggunakannya dalam penelitian kualitatif untuk mendapatkan wawasan pengguna, membangun desain produk, dan menguji materi iklan di berbagai target audiens.

Data sintetis dan riset pengguna

Di masa lalu, telepon adalah alat penting untuk melakukan survei, wawancara, dan percakapan bisnis. Survei telepon menjadi cara yang bagus untuk mengumpulkan wawasan dari orang-orang. Dengan kemajuan teknologi dan hadirnya Internet, Anda kemudian bisa melakukan survei online.

Maju ke abad ke-21, dan kita memiliki data konsumen sintetis yang dihasilkan oleh algoritma AI dan ML. Anda tahu bahwa LLM mencerna sejumlah besar data pelatihan dari buku, jurnal akademik, surat kabar, dan lainnya untuk mensintesis respons seperti manusia dalam format berbasis teks. Mereka dapat meringkas teks, menjawab pertanyaan, dan bahkan menulis puisi. LLM adalah entitas yang terus belajar—mereka belajar dari kesalahan mereka.

Kemampuan pemrosesan dan pembelajaran data ini memungkinkan mereka menganalisis data konsumen, membangun pengguna sintetis, dan membantu dalam riset pengguna dengan menghasilkan respons. Meskipun data sintetis berasal dari kejadian dunia nyata, ini tidak sama dengan data yang Anda kumpulkan dari responden survei manusia. Ini semakin populer di kalangan perusahaan saat ini karena mereka dapat menguji skenario dan melakukan wawancara tanpa khawatir tentang hukum privasi data.

Biaya dan waktu juga berperan besar. Seperti dijelaskan sebelumnya, riset kuantitatif dan kualitatif memiliki biaya tinggi yang terkait dengannya – Anda perlu memproses data, mengumpulkan responden, mengatur waktu, dan melakukan wawancara untuk menemukan tren dan pola dalam perilaku konsumen. Data sintetis dengan mudah membantu peneliti mengembangkan alur kerja baru dan mensimulasikan beberapa skenario.

Asisten virtual berbasis AI dapat melakukan riset pengguna dengan mewawancarai orang atas nama Anda – terkadang dalam beberapa bahasa, 24/7. Mereka dapat menganalisis respons konsumen untuk mengajukan pertanyaan lanjutan yang dipersonalisasi. Persona sintetis juga membantu peneliti kuantitatif mempelajari demografi yang tidak terjangkau dan mengisi data dan survei yang hilang menggunakan kemampuan prediktif canggih. Segmen audiens ceruk dapat dianalisis, tanpa biaya tambahan yang terlibat.

Membuat Pengguna Sintetis dengan Delve AI: Plus Prompt ChatGPT Lainnya

Cara yang baik untuk memahami pelanggan adalah dengan mendengarkan mereka – membangun profil pelanggan kasar dan mencoba berempati dengan mereka. Tapi bagaimana ketiga proses ini bekerja? Anda mendapatkan umpan balik manusia untuk mendengarkan, membuat persona pembeli untuk mengkarakterisasi, dan mengembangkan peta perjalanan pelanggan untuk berempati. Langkah keempat, interaksi, bekerja dengan ChatGPT persona.

Persona oleh Delve AI adalah perangkat lunak pemasaran berbasis persona yang membantu Anda membuat persona untuk situs web, kompetitor, dan audiens media sosial Anda. Ini mencakup keempat aspek yang disebutkan sebelumnya – data konsumen, persona, perjalanan pengguna, dan chatbot pengguna interaktif.

Begini caranya: perangkat lunak kami mengumpulkan data first-party Anda (analitik web, search console, dan data CRM) dan data second-party (analitik sosial dan intelijen kompetitor), kemudian memperkayanya dengan 40+ sumber data publik (misalnya data Voice of Customer dari ulasan, peringkat, umpan balik, forum online, dan surat kabar) untuk membuat persona berbasis data untuk Anda.

Tiga sampai tujuh persona dihasilkan tergantung pada bisnis Anda, dengan segmen B2B persona disorot dengan warna hijau dan B2C persona disorot dengan warna biru.

Setiap persona memberikan detail persona, distribusi, dan contoh perjalanan pengguna untuk memastikan sifat, karakteristik, dan perilaku segmen audiens yang diinginkan dan tidak diinginkan. Misalnya, bisnis e-commerce akan dapat mengidentifikasi segmen pengunjung yang langsung pergi, penjelajah pasif, pengabaian keranjang, dan pembeli bernilai tinggi yang ditandai dengan warna biru dan merah.

DETAIL PERSONA menawarkan usia, jenis kelamin, lokasi, profil pekerjaan, tujuan, motivasi, titik masalah, nilai-nilai, minat, pekerjaan yang harus dilakukan, dan hobi dari segmen tertentu. Selain itu, Anda mendapatkan wawasan tentang jaringan sosial favorit mereka, merek, situs e-commerce, alat, acara TV, film, channel YouTube, podcast, acara, dan lainnya.

TAB DISTRIBUSI mengelompokkan segmen berdasarkan usia, jenis kelamin, lokasi, bahasa, saluran pemasaran, waktu aktivitas online, tindakan, dan tahap pengambilan keputusan. CONTOH PERJALANAN menampilkan total jumlah pengunjung, beserta sesi mereka, tampilan halaman, konversi, dan tahap pengambilan keputusan pengguna. Hal terbaik tentangnya? Persona yang dihasilkan AI dan perjalanan pengguna Anda diperbarui secara otomatis dengan data pelanggan real-time.

Sekarang, mari kita bahas fitur chat with persona kami yang akan segera diluncurkan. Menawarkan pengguna kemampuan untuk berinteraksi dengan segmen pelanggan bernilai tinggi secara online. Dashboard-nya mirip dengan WhatsApp atau aplikasi pesan lainnya. Punya keraguan terkait produk baru atau materi pemasaran Anda? Cukup kunjungi platform kami, pilih target persona Anda, dan ajukan pertanyaan. Anda juga dapat langsung mengajukan pertanyaan melalui Slack – yang perlu Anda lakukan hanya mengintegrasikan ruang kerja Slack Anda dengan Delve AI.

Prompt ChatGPT untuk membuat persona sintetis

ChatGPT dapat memproses data tidak terstruktur dalam jumlah besar – data numerik, profil pekerjaan, literatur, makalah penelitian, forum, ulasan, dan situs web – dan menyajikannya secara logis. Dengan demikian, ini adalah alternatif gratis untuk membuat persona interaktif yang dapat Anda gunakan dalam riset konsumen.

Ini sebenarnya latihan sederhana:

• Unggah data pelanggan Anda ke ChatGPT
• Arahkan untuk mendaftarkan segmen yang memungkinkan
• Pilih segmen audiens yang ingin Anda targetkan
• Minta ChatGPT untuk mengadopsi persona dari segmen tersebut

Anda kemudian dapat meminta persona tersebut menjadi peserta dalam sesi survei. Perlu dicatat bahwa persona ChatGPT hanya berguna ketika Anda memiliki profil pelanggan yang luas dan bukan audiens yang spesifik. Kecuali, tentu saja, Anda memiliki cukup data kualitatif dan kuantitatif agar ChatGPT dapat membentuk asumsi.

Berikut bagaimana prompt Anda dapat berperan:

Prompt 1: Analisis dan strukturkan data pelanggan yang diberikan, fokus pada atribut demografis, perilaku, dan psikografis utama. Ringkas dan sorot tren atau pola yang jelas di berbagai atribut pelanggan.

Prompt 2: Menggunakan data terstruktur ini, daftarkan segmen pelanggan yang memungkinkan. Beri nama setiap segmen dan jelaskan secara singkat karakteristik yang mendefinisikan mereka, termasuk minat, perilaku pembelian, dan detail demografis penting lainnya.

Prompt 3: Dari segmen-segmen ini, fokus pada [Nama Segmen]. Berikan lebih banyak detail tentang motivasi utama mereka, pain point tipikal, dan interaksi merek yang potensial.

Prompt 4: Adopsi persona pelanggan tipikal dari audiens [Nama Segmen]. Jelaskan gaya hidup sehari-hari mereka, minat, nilai-nilai utama, dan kebutuhan spesifik. Asumsikan karakter persona ini untuk interaksi lebih lanjut.

ChatGPT tidak dapat memahami makna sehingga tidak dapat digunakan untuk membuat pola makna yang pengguna sintetis komunikasikan kepada Anda dalam sebuah studi. Ini tidak membantu Anda memahami pendekatan berbeda yang diambil orang untuk mencapai tujuan atau menyelesaikan tugas. AI tidak dapat menggunakan produk jika Anda pikirkan - ia hanya bisa membayangkan. Anda dapat menjalankan tes untuk memvalidasi ide produk Anda tetapi setiap pendapat mungkin hanya positif - persona ChatGPT bertujuan untuk menyenangkan pewawancara.

Emporia Research melakukan studi perbandingan antara tiga kelompok respons survei: responden terverifikasi LinkedIn, pengguna sintetis yang dihasilkan oleh AI berdasarkan data profil LinkedIn target, dan pengguna berdasarkan persona yang dihasilkan AI yang mewakili pembuat keputusan TI. Studi mereka menemukan bahwa pengguna sintetis B2B yang dihasilkan oleh AI menunjukkan bias positif yang kuat dibandingkan dengan responden nyata. Mereka mengikuti mentalitas kawanan; kualitas wawasannya juga tidak terlalu bagus.

Persona Sintetis dalam Tindakan: Kasus Penggunaan dan Contoh

Marko Sarstedt mencontohkan penggunaan persona sintetis dalam penelitian dan desain dalam penelitiannya tentang sampel silikon. Dia menggunakannya untuk mendapatkan umpan balik tentang pertanyaan survei dan menyempurnakan desain kemasan. Selain aplikasinya, persona sintetis juga dapat digunakan untuk kasus penggunaan pemasaran dan produk lainnya.

Pemasaran, segmentasi, dan branding

Anda dapat membuat dua jenis persona sintetis: yang mewakili pelanggan individual dan yang mewakili kelompok pelanggan. Masing-masing memungkinkan Anda mendapatkan informasi tentang perilaku dan preferensi pengguna tanpa mengakses data pribadi pelanggan. Ini adalah titik awal yang baik bagi profesional yang tidak familiar dengan target audiensnya. Anda dapat mengembangkan segmen pelanggan yang berbeda untuk menguji kampanye Anda dan mengidentifikasi mana yang memberikan respons terbaik. Akibatnya, Anda dapat menyesuaikan aset pemasaran, konten, dan salinan Anda sesuai dengan preferensi segmen target audiens Anda.

Cukup unggah rencana pemasaran, desain grafis, video, dan iklan Anda untuk mendapatkan umpan balik dalam proses pengembangan kampanye. Setelah mengunggah materi Anda ke dalam model, tanyakan masukan pengguna sintetis, seperti:

• Apakah iklan video ini membangkitkan kebahagiaan atau kesedihan (ganti dengan emosi yang Anda inginkan)?
• Di mana Anda ingin melihat iklan ini? Di papan reklame, Facebook, Instagram, atau LinkedIn?
• Apakah Anda menyukai pesan keseluruhan yang coba disampaikan oleh salinan iklan?
• Seberapa besar kemungkinan Anda merespons kampanye email ini?

Selanjutnya, tambahkan data kinerja kampanye pemasaran sebelumnya untuk memeriksa apa yang berhasil dan yang tidak - ini memberikan model AI lebih banyak konteks untuk diproses. Anda harus menyesuaikan prompt Anda untuk mendapatkan hasil yang efisien, tetapi hasilnya sangat bermanfaat. Siapa tahu, mungkin saja ini akan membantu Anda membuat iklan yang viral!

Dalam pengembangan produk, desain, dan pengujian

Pengguna sintetis memungkinkan tim produk untuk berempati dengan pengguna mereka dan menciptakan produk, fitur, dan fungsionalitas baru yang selaras dengan kebutuhan dan harapan konsumen. Anda dapat mensimulasikan skenario penggunaan untuk mengidentifikasi masalah potensial dan memastikan bahwa produk Anda berfungsi dengan baik dalam berbagai situasi.

Perusahaan dapat menggunakannya untuk memvalidasi desain produk mereka sebelum meluncurkannya ke publik. Misalnya, mereka dapat menguji seberapa baik antarmuka pengguna dan interaksi bekerja dalam lingkungan yang relatif bebas risiko (karena mereka tidak perlu mengujinya pada pelanggan sebenarnya). Dengan melakukan hal ini akan membantu mereka melakukan penyempurnaan pada pengalaman pengguna (UX) produk secara keseluruhan, sangat mengurangi kemungkinan masalah muncul ketika produk resmi diluncurkan, sehingga mendatangkan pengguna baru dan mengurangi tingkat churn pelanggan.

Pertanyaan: Jika Anda tidak bisa melakukan penelitian, apakah tidak apa-apa menggunakan persona sintetis? Mungkin iya, mungkin tidak. Anda selalu bisa belajar sesuatu yang baru, dibandingkan tidak belajar apa-apa sama sekali. Namun, mendasarkan keputusan produk atau pemasaran yang kritis pada data sintetis tidaklah ideal.

Misalkan fitur baru Anda sukses dengan pelanggan sintetis Anda. Anda meluncurkannya ke pasar tetapi gagal dengan pengguna yang sebenarnya. Apa yang terjadi kemudian? Anda membuang sumber daya dan kehilangan uang yang seharusnya bisa digunakan untuk hal lain. Jadi, selalu ambil tanggapan mereka dengan bijak.

Tantangan dengan Pengguna Sintetis

Secanggih apapun AI, ada terlalu banyak keterbatasan pengguna sintetis yang tidak terlihat. Persona sintetis dibangun menggunakan model pembelajaran mesin, sehingga sangat berguna dalam skenario di mana data pelanggan aktual langka atau terbatas. Namun, ada beberapa hal yang perlu Anda ketahui sebelum memasukkannya ke dalam alur kerja Anda.

Pertama-tama, persona sintetis mengalami kesulitan dalam menangkap rentang penuh perilaku dan tindakan manusia; respons mereka bisa terlalu sederhana, umum, atau logis. Manusia tidak selalu logis – kita dipengaruhi oleh berbagai faktor internal dan eksternal (seperti pengalaman pribadi, kepribadian, pendapat, dan nilai-nilai) yang mengatur cara kita berfungsi dan merespons hal-hal.

Kecerdasan buatan dan sistem pembelajaran mesin, yang menjadi dasar persona sintetis, belum mampu memahami faktor-faktor ini. Misalnya, responden AI selalu ingin menyenangkan pewawancara, menyelesaikan tugas yang diberikan sepenuhnya, dan menjawab pertanyaan secara afirmatif (fenomena yang disebut sycophancy). Mereka memberikan respons satu dimensi, dan tampak peduli tentang segalanya; memberikan daftar panjang kebutuhan, tantangan, dan minat. Orang tidak memiliki daftar seperti itu – mereka peduli tentang hal-hal tertentu, dan hal-hal lain bahkan tidak terlintas dalam pikiran mereka.

Dalam makalah mereka berjudul, "A Manager and an AI Walk into a Bar: Does ChatGPT Make Biased Decisions Like We Do?" Chen et al. menemukan bahwa ChatGPT sering tidak dapat mereplikasi efek yang mencirikan perilaku pelanggan, seperti sunk cost fallacy. Orang terus menawar barang bahkan setelah harganya melampaui nilai sebenarnya, hanya karena mereka ingin memenangkan penawaran. Tidak ada hierarki dalam respons mereka – bagaimana Anda memahami apa yang penting dan apa yang tidak?

Kekhawatiran lain adalah data yang digunakan untuk membuat persona sintetis; jika data pelatihan bias, respons akan mengandung dan melanggengkan stereotip. Kelangkaan data juga menyulitkan untuk mewakili pengguna yang kurang terwakili atau terpinggirkan. Validasi juga rumit. Tidak mudah menguji pengguna sintetis terhadap situasi dan hasil dunia nyata. Mereka perlu terus dipantau, diperbarui, dan diverifikasi dengan data pengguna nyata. Kita berbicara tentang data yang dianonimkan dan tidak mengungkapkan informasi pelanggan yang sensitif.

Meskipun Anda telah mencentang semua hal ini dari daftar periksa Anda, mengintegrasikan pengguna sintetis ke dalam sistem yang ada dapat terbukti sulit. Terlepas dari masalah teknis dan data, meyakinkan pemangku kepentingan yang skeptis tentang kegunaan mereka mungkin menjadi tantangan terbesar Anda. Lebih buruk lagi, perusahaan Anda mungkin terbiasa menggunakan pelanggan sintetis untuk riset pengguna dan tidak mau berinvestasi pada hal yang nyata.

Masa Depan Persona Pengguna Sintetis

Persona sintetis mengungkapkan wawasan yang belum diketahui tentang pelanggan Anda. Tapi bisakah kita mempercayai data sintetis? Apakah dapat diandalkan, apakah etis? Siapa yang tahu. Beberapa mengatakan ini adalah masa depan riset pengguna, yang lain mengatakan mereka kurang memiliki nuansa dan variasi yang umumnya ditemukan pada responden manusia. Namun, di dunia di mana riset pasar membutuhkan biaya yang sangat mahal, persona sintetis adalah cara hemat biaya untuk memahami pelanggan Anda.

Anda dapat mempelajari tentang kelompok pengguna baru, apa yang menarik bagi mereka, dan cara mereka berperilaku secara online, serta mengembangkan proto-persona dan perjalanan pengguna yang dapat membantu Anda dengan pengguna nyata. Seperti setiap penemuan lainnya, persona pengguna sintetis memiliki daftar kelebihan dan kekurangan, tetapi jika dilakukan dengan baik, yang pertama jauh lebih berat daripada yang terakhir.