Wawancara Sintetis: Ya atau Tidak untuk Riset Pengguna?

Wawancara dengan pengguna sintetis. Ada banyak kehebohan di platform media sosial seperti LinkedIn dan Reddit tentang subjek ini, terutama mengenai kelebihan dan kekurangannya.

Tapi apakah benar ini hanya tipuan seperti yang digambarkan untuk para profesional UX dan pemasaran? Atau sebenarnya ada substansi di balik ide ini? Bagaimanapun, inti dari riset UX adalah mengamati dan mewawancarai pengguna nyata, mempelajari titik-titik kesulitan mereka, dan mengidentifikasi faktor-faktor yang membuat pengalaman mereka unik.

Wawancara tradisional memang mahal, tetapi pada akhirnya, mereka memungkinkan seseorang untuk menemukan nuansa dan kompleksitas di balik interaksi dan emosi manusia.

Alat AI generatif seperti ChatGPT, yang beroperasi pada model bahasa besar yang sangat canggih, hanya dapat menciptakan peserta AI yang mencerminkan rata-rata kolektif, tanpa kepribadian beragam dan kekhasan yang ditemukan dalam demografis umum.

Namun, bagi peneliti yang ingin mengatasi masalah halaman kosong, atau untuk MNC yang menghadapi friksi organisasi, riset sintetis memang bisa menjadi katalis yang menggerakkan semuanya. Biaya dan waktu yang diperlukan, dibandingkan dengan alternatif tradisional, juga cukup minimal.

Jadi, apakah ini berarti Anda bisa menggantikan orang nyata dengan pengguna yang dihasilkan AI dalam studi riset pasar Anda? Atau mengandalkan wawancara sintetis untuk membuat keputusan penting; keputusan yang bisa berdampak besar pada bisnis Anda? Mari kita telusuri.

Data Sintetis & Pengguna Sintetis

Sebelum kita membahas wawancara sintetis, atau persona sintetis, kita perlu memahami data sintetis. Data sintetis bukanlah hal baru; sudah banyak digunakan untuk melatih model bahasa besar setelah data pelatihan asli habis.

Seperti yang terlihat dari namanya, data sintetis adalah data buatan yang dihasilkan menggunakan kecerdasan buatan (AI). Data ini tidak dikumpulkan dari sumber nyata, atau mewakili data dunia nyata, tetapi diperoleh dari pola-pola yang ditemukan di dunia nyata.

Lalu, apa daya tariknya? Yah, ini murah dan relatif lebih mudah dihasilkan.

Data dunia nyata sering rentan terhadap kesalahan dan bias, tetapi data sintetis dapat dirancang dengan cara yang meminimalkan kesalahan ini. Anda dapat menghasilkan data yang menyerupai dataset asli Anda tanpa membagikan informasi sensitif atau informasi yang dapat mengidentifikasi pribadi, jadi Anda tidak perlu khawatir tentang undang-undang privasi pengguna.

Selain itu, ini sangat berguna ketika Anda berurusan dengan audiens khusus atau dalam kasus di mana data yang tersedia tidak lengkap atau terbatas.

Semua orang tahu bahwa butuh banyak uang dan waktu untuk menyusun riset pasar asli dari pengguna dan pelanggan. Ini adalah salah satu alasan utama mengapa merek besar dan bisnis kecil menggunakan data sintetis untuk mengumpulkan wawasan berharga tentang target audiens mereka saat ini.

Ini membawa kita ke pengguna sintetis...

Responden sintetis sedang tren dalam riset pemasaran dan desain. AI generatif digunakan di mana-mana, jadi tidak mengejutkan bahwa orang-orang di bidang ini (meskipun tidak semua) memanfaatkannya untuk menciptakan pengguna sintetis.

Sederhananya, persona sintetis adalah avatar digital atau representasi virtual dari pelanggan atau pengguna Anda. Mereka tidak seperti persona tradisional yang dikembangkan oleh orang-orang di bidang pemasaran atau desain, tetapi dibangun dengan teknologi AI dan pembelajaran mesin.

Cara termudah untuk membuatnya adalah melalui LLMs seperti GPT-4: mulai dengan mendeskripsikan target pelanggan Anda, kemudian tentukan tujuan, tantangan, dan kebutuhan mereka, dan terakhir, tambahkan ide produk atau layanan Anda, yang akan berfungsi sebagai solusi untuk masalah tersebut. Setelah selesai, minta untuk mengadopsi "persona" dari audiens ini.

Anda dapat menghasilkan ratusan atau bahkan ribuan persona yang dihasilkan AI yang mewakili kelompok demografis tertentu dan dapat secara akurat merespons survei dan wawancara Anda. Karena tools seperti ChatGPT dilatih pada dataset beragam yang mencakup percakapan tertulis dan lisan dari berbagai sumber dan industri, mereka dapat meniru perilaku dan preferensi berbagai pengguna.

Dengan demikian, Anda dapat menggunakan pengguna sintetis untuk mensimulasikan berbagai skenario dan menjalankan uji coba sebelum merilis produk atau layanan Anda ke pasar. Mereka dapat memproses data dalam jumlah besar dan memberikan umpan balik untuk mendukung iterasi desain dan kampanye.

Namun, dengan semua kegunaannya, persona sintetis memiliki keterbatasan mendasar: jika Anda menangani konsep baru atau mencoba memahami jenis pelanggan baru, seperti pekerja perkebunan di Colombia, mereka cenderung tidak memadai.

Seperti yang dijelaskan oleh Christopher Roosen, seorang pendukung Desain Berpusat pada Manusia:

"AI Generatif didasarkan pada pengambilan internet... ini menyimpan struktur semua bias internet, yang mencakup bias yang menjauh dari orang-orang yang ditampilkan secara kaya dalam segala warna, bentuk dan ide mereka dan menuju presentasi orang yang sangat stereotip."

AI kesulitan merepresentasikan orang-orang yang kurang terwakili secara online, jadi ketika Anda memintanya untuk menghasilkan persona untuk pekerja di Colombia, ia mungkin menciptakan stereotip umum karena data yang digunakan untuk pelatihannya mengandung penggambaran dangkal tentang orang-orang seperti itu. Alat Anda mungkin melewatkan poin-poin kunci, kembali pada klise, dan kurang kedalaman yang diperlukan untuk menjawab pertanyaan yang ditujukan untuk kelompok baru atau terpinggirkan.

Sekarang, Apa Itu Wawancara Sintetis?

Wawancara sintetis mirip dengan wawancara pengguna; namun, alih-alih mengajukan pertanyaan kepada orang yang nyata, Anda berinteraksi dengan peserta sintetis (atau pengguna sintetis), biasanya melalui dialog berbasis teks atau format berbasis survei, untuk mengumpulkan wawasan pengguna tentang berbagai topik.

Sekarang, siapa pun yang pernah melakukan penelitian, baik itu wawancara atau diskusi kelompok, tahu betapa memakan waktu dan mahalnya hal tersebut. Bagaimanapun, dibutuhkan banyak perencanaan, koordinasi, dan profesional terlatih hanya untuk menyiapkan pertanyaan yang tepat. Selain itu, Anda perlu berbicara dengan banyak orang untuk menentukan tujuan dan masalah yang tepat.

Dibandingkan dengan ini, wawancara sintetis tampaknya menawarkan alternatif yang lebih cepat dan hemat biaya untuk melakukan percakapan dengan pengguna atau pelanggan Anda.

Menurut John Whalen dalam pelajarannya "Hands on with Synthetic Users: Customer Research's Future," wawancara sintetis ideal untuk:

• Menghasilkan ide-ide tahap awal.
• Mewawancarai audiens khusus tanpa perlu mencari dan merekrut mereka.
• Mengajukan pertanyaan mendalam atau sensitif dalam lingkungan yang aman dan bebas risiko.
• Mengeksplorasi situasi hipotetis atau keadaan masa depan.

Tidak masalah pertanyaan apa yang Anda ajukan; pengguna sintetis tidak pernah ragu.

Tetapi data atau output yang dihasilkan tidak selalu sempurna. Tanggapan wawancara ini mungkin menjawab "apa," tetapi tidak selalu menjawab "mengapa."

Anda kehilangan konteks halus yang hanya dapat diberikan oleh wajah atau suara manusia – tanpa ekspresi mikro, intonasi, dan bahasa tubuh. Wawancara sintetis juga kesulitan menangkap kedalaman emosi manusia, karena kata-kata tertulis sering gagal mencakup kekayaan kontekstual yang ditemukan melalui proses penelitian tradisional.

Itulah mengapa Anda harus secara teratur mengevaluasi dan memvalidasi wawancara sintetis terhadap respons manusia. Mengapa pendekatan hibrid? Karena data wawancara mungkin dihasilkan oleh AI, tetapi keputusan yang Anda buat berdasarkan data tersebut akan memiliki dampak dunia nyata.

Wawancara Sintetis sebelum ChatGPT

Scott Stevens dan Michael Christel membahas topik wawancara sintetis pada tahun 1998, dalam makalah mereka "Synthetic Interviews: The Art of Creating a "Dyad" Between Humans and Machine-Based Characters." Tentu saja, para peneliti dari Carnegie Mellon berfokus pada Synthetic Interviews, teknologi yang dikembangkan oleh universitas tersebut.

Dalam paper mereka mendefinisikan Synthetic Interviews sebagai:

"Sebuah cara untuk bercakap-cakap secara mendalam dengan individu atau karakter, memungkinkan pengguna untuk mengajukan pertanyaan dengan cara yang natural... dan menerima jawaban yang relevan dan tepat atas pertanyaan yang diajukan."

Teknologi ini seharusnya "seperti nyata" dalam menyampaikan informasi, dengan cara yang mencerminkan pemikiran dan proses berpikir manusia. Pengguna dapat mengajukan pertanyaan kepada persona yang dihasilkan komputer (CG) melalui antarmuka lisan atau ketikan untuk memahami preferensi, perilaku, dan nilai-nilai mereka.

Untuk mewujudkan ini, ribuan klip video aktor manusia direkam dan disimpan dalam database. Para aktor ini direkam menjawab pertanyaan-pertanyaan potensial, bersama dengan klip non-verbal tambahan, seperti minum kopi, menggaruk kepala, atau tersenyum, untuk membuat karakter terasa lebih manusiawi.

Respons-respons ini kemudian ditampilkan dalam format kepala yang berbicara, sehingga pengguna bisa merasa seperti bertatap muka dengan kepribadian tersebut. persona CG juga mencakup kebiasaan unik dari kepribadian yang diperankan, seperti Albert Einstein, untuk membuatnya lebih autentik.

Antarmuka ini memungkinkan pengguna berbicara secara normal ke mikrofon dan mengatur alur wawancara. Sistem pengenalan suara akan menganalisis pertanyaan mereka menggunakan LLM yang ada dan memberikan hasil akurat untuk pertanyaan yang relevan dan hasil yang dapat diterima untuk pertanyaan yang tidak terduga (baca paper untuk memahami apa artinya ini).

Pada masa itu, teknologi ini dipandang sebagai cara untuk menawarkan pengalaman interaktif dengan aktor, pemimpin agama, dan tokoh publik lainnya.

Ini sebelum tool generative AI muncul. Sekarang, Anda cukup meminta model untuk "bertindak seperti" orang tertentu, atau dalam kasus kami, kelompok pelanggan atau pengguna tertentu, dan ia akan langsung menghasilkan respons yang mirip manusia, tentu saja minus kepala yang berbicara.

Menghasilkan wawancara sintetis dengan AI

Melakukan riset pengguna tanpa orang terdengar sulit, tapi sebenarnya tidak. Yang Anda butuhkan hanyalah tool generative AI, pemahaman yang baik tentang siapa target audiens Anda, dan serangkaian prompt dan pertanyaan yang tepat.

• Tool AI Konversasional: ChatGPT, Gemini, atau Claude.
• Target audiens/persona: Dokumen Word atau PDF yang menguraikan profil pelanggan, seperti demografi mereka (usia, jenis kelamin, lokasi), profil karier, pendorong psikologis, pekerjaan yang harus diselesaikan, perilaku pembelian, hambatan utama, dan lainnya.

Selain ini, tentukan kebutuhan riset Anda. Apa tujuan dan use case Anda? Apa yang ingin Anda pelajari dari sesi wawancara ini? Ini akan membantu Anda membingkai pertanyaan wawancara. Tentukan berapa banyak pengguna sintetis yang Anda inginkan, dalam format apa (teks, respons survei), dan seberapa beragam respons mereka seharusnya.

Untuk tujuan demonstrasi, kami akan membuat tujuh pengguna sintetis untuk produk terbaru kami, persona riset by Delve AI, menggunakan versi gratis ChatGPT.

Langkah pertama adalah mengunggah dokumen yang berisi detail tentang kelompok pengguna ideal kami - ini membantu membatasi responden ke demografis tertentu. Kemudian, kami menambahkan deskripsi produk dan menentukan jumlah peserta sintetis yang ingin kami hasilkan menggunakan prompt yang terstruktur dengan baik.

Setelah dipicu, ChatGPT langsung menghasilkan persona sintetis yang beragam. Berikut contoh salah satunya bernama Dan Miller, VP of Marketing di perusahaan e-commerce.

Kami mengajukan pertanyaan wawancara berikut (gabungan pertanyaan terbuka dan gaya survei) melalui setiap persona ini.

• Dapatkah Anda menjelaskan bagaimana Anda atau tim Anda saat ini membuat persona pengguna?
• Jenis data apa yang biasanya Anda gunakan? (misalnya, transkrip wawancara, hasil survei, analitik web, dll.)
• Berapa lama biasanya tim Anda membuat atau memperbarui persona pengguna?
• Dalam skala 1 sampai 5, seberapa yakin Anda bahwa persona Anda saat ini secara akurat mewakili pengguna Anda? (1 = Tidak yakin sama sekali, 5 = Sangat yakin)
• Apa tantangan terbesar yang Anda hadapi saat membuat atau memelihara persona pengguna?
• Jika ada alat yang dapat membantu Anda menghasilkan persona yang akurat dan berbasis data hanya dalam hitungan menit dari penelitian yang ada, seberapa berharga itu bagi Anda atau tim Anda?
• Fitur apa yang Anda harapkan atau butuhkan dari alat seperti ini?
• Pernahkah Anda menggunakan alat berbasis AI atau otomatis untuk pembuatan persona sebelumnya? Jika ya, bagaimana pengalaman Anda?
• Apakah Anda bersedia menguji alat baru yang membantu Anda membuat persona lebih cepat menggunakan data penelitian Anda?
• Menurut Anda, apa yang akan membuat produk semacam ini menjadi 'harus dimiliki' alih-alih sekadar 'bagus untuk dimiliki'?

Kami meminta chatbot untuk merangkum tanggapan wawancara menjadi laporan yang bersih dan profesional, menyoroti masalah atau kekhawatiran yang mereka miliki dengan produk, apa yang mereka sukai tentangnya, dan kutipan pendukung.

Seperti yang diharapkan, sistem mendapatkan sebagian besar masalah umum yang akan dikaitkan pengguna dengan jenis pembuatan persona seperti ini - output generik, masalah privasi, dll. Ini diikuti oleh ringkasan tentang apa yang mereka sukai tentang produk, yang sekali lagi, tidak terlalu buruk.

Proses wawancara ini meninggalkan kami dengan hal-hal yang mungkin dipedulikan oleh calon pengguna kami, tetapi tidak ada yang luar biasa. Tanggapannya cepat - seluruh latihan memakan waktu sekitar 15 menit - namun, data ini hanya dapat digunakan untuk membuat pertanyaan yang lebih baik dan lebih spesifik untuk pengguna aktual Anda.

Anda dapat melihat hasil lengkap, beserta prompt dan pertanyaan yang digunakan di sini.

Data wawancara Anda hanya sebaik pengguna sintetis yang dibangun sistem. Jadi jika Anda ingin menghasilkan wawancara sintetis dengan cara ini, tinjau secara menyeluruh data pelanggan yang Anda masukkan ke dalam model untuk kualitas. Apakah ada bias atau kesenjangan? Apakah Anda memasukkan data yang tepat sejak awal? Anda melatih sistem untuk meniru sesuatu, jadi pastikan "sesuatu" itu benar-benar yang Anda inginkan.

Agar LLM menghasilkan data yang mencerminkan kompleksitas dan nuansa respons manusia yang sesungguhnya, Anda membutuhkan prompt yang baik.

Ingat: Data input yang bagus + prompt yang dirancang dengan baik = Output wawancara berkualitas.

Setelah data sintetis dihasilkan, validasi sebelum menggunakannya. Jalankan pemeriksaan manual dan manfaatkan alat validasi untuk menilai kualitas, konsistensi, dan akurasi. Para pemangku kepentingan skeptis tentang data sintetis (dan memang benar), jadi bersikaplah transparan jika Anda menggunakan data yang dihasilkan AI dalam laporan riset pengguna Anda.

Masalah potensial dengan wawancara sintetis

Michael Mace membandingkan Synthetic Users, sebuah alat yang menggunakan AI generatif untuk mensimulasikan wawancara pelanggan, dengan wawancara dengan orang sungguhan dalam artikelnya "Bisakah AI menggantikan wawancara penemuan? Sebuah perbandingan kompetitif."

Jika kita harus membahas kekurangan responden sintetis dan, pada gilirannya, wawancara sintetis, postingannya memberikan titik awal yang bagus.

Mace melakukan studi antara Synthetic Users dan UserTesting (yang memungkinkan Anda mengajukan pertanyaan kepada orang sungguhan dari panel online) menggunakan ide baru – layanan rideshare yang menggunakan mobil terbang.

Hasil studi ini tidak mendukung pengguna sintetis.

Synthetic Users memang cepat. Anda membuat pengguna, menambahkan pertanyaan, dan respons dihasilkan dalam hitungan menit. Sebaliknya, menggunakan UserTesting membutuhkan satu hari penuh – menulis rencana, menyiapkan penyaring, menunggu tanggapan, kemudian menganalisis hasilnya. Dan bahkan saat itu, menemukan orang yang tepat dengan karakteristik yang Anda inginkan itu sulit.

Masalahnya dengan Synthetic Users adalah, jika Anda mendefinisikan pengguna dengan masalah tertentu, itu tidak akan mempertanyakan apakah masalah itu ada. Ia hanya mengasumsikan masalah itu ada. Jadi, Anda berakhir dengan pengguna hipotetis yang tidak ada dalam kenyataan.

Yang merupakan masalah.

Bahkan transkrip yang dihasilkan terlalu sempurna, tanpa kata pengisi, pengulangan, atau kalimat yang tidak lengkap. Mereka kekurangan isyarat emosional yang ditawarkan UserTesting, karena tidak ada video atau ekspresi untuk dianalisis.

Lebih lanjut, peserta sintetis terdengar mirip satu sama lain, dengan jawaban yang hampir identik.

Mereka terasa dasar, biasa saja, dan terputus dari kehidupan nyata. Pengguna nyata, meskipun tanggapan mereka tidak diperhalus, membawa lebih banyak variasi dan detail.

Selain kecepatan dan gambaran dasar tentang audiens Anda, alat ini tidak membantu Anda mempelajari lebih lanjut tentang cara pelanggan Anda berpikir dan bereaksi. Yang sayangnya, ini adalah masalah dengan sebagian besar metodologi riset sintetis.

Riset Sintetis: Membuat Pengguna Simulasi, Survei, & Wawancara dengan Delve AI

Kita telah melihat cara manual melakukan riset sintetis; sekarang, mari kita lihat cara yang didukung AI. Software Riset Sintetis Delve AI adalah salah satu alat yang membantu Anda membuat persona AI untuk pengguna atau pelanggan Anda, dan memanfaatkannya untuk menjalankan survei dan wawancara.

Saat ini, software riset ini mencakup tiga fungsi:

• Pengguna simulasi
• Survei
• Wawancara

Dibangun dari sumber data pihak pertama dan publik, persona virtual ini dapat diskala dan beragam. Anda dapat menghasilkan berapa pun jumlah pengguna dan melakukan sebanyak mungkin wawancara kuantitatif dan kualitatif yang Anda inginkan.

Langkah 1: persona

Anda perlu membuat persona dasar sebelum mengembangkan pengguna simulasi. Untuk melakukannya, Anda harus berlangganan salah satu produk persona kami.

Saat ini, generator persona AI kami menawarkan enam jenis:

• Customer persona (berdasarkan data CRM Anda)
• Website persona (untuk pengunjung/pembeli website Anda)
• Social persona (untuk audiens media sosial Anda)
• Competitor persona (untuk pesaing)
• Research persona (untuk pengguna Anda)
• Audience persona (berdasarkan deskripsi audiens Anda)
• Employee persona (untuk tempat kerja)

Dalam kasus ini, kita akan membangun persona menggunakan alat persona riset yang disebutkan sebelumnya.

Daftar atau masuk ke Delve AI, buka Research Persona, dan unggah dokumen Anda. Anda dapat menyertakan apa pun yang relevan, seperti transkrip wawancara, laporan survei, berita industri, atau profil pengguna sebelumnya.

Tekan "Create Personas," dan Delve AI akan mengembangkan persona berdasarkan data yang telah Anda berikan. Jangan khawatir jika Anda tidak memiliki materi riset; cukup tambahkan deskripsi singkat tentang target audiens Anda beserta beberapa detail tentang produk atau bisnis Anda (opsional), dan kami akan menanganinya.

Selain masukan Anda, platform kami mengambil pembelajaran dari ribuan persona yang sebelumnya dihasilkan untuk membuat profil pelanggan yang unik. Hasilnya bisa berupa satu atau beberapa personas, tergantung pada audiens dan kasus penggunaan Anda. Setiap segmen ini berisi detail persona, distribusi, dan peta perjalanan.

Klik persona DETAILS, dan Anda akan melihat demografi pengguna, gaya hidup, status karir, aspirasi, faktor yang mempengaruhi keputusan pembelian, pendorong psikologis (tujuan, motivasi, kebutuhan), dan tantangan utama.

Ini diikuti oleh informasi tentang saluran komunikasi yang disukai, jejaring sosial, brand, situs belanja, musik, acara TV, film, kanal YouTube, podcast, subreddit, sumber berpengaruh, dan lainnya.

Tab DISTRIBUSI menunjukkan bagaimana audiens Anda terdistribusi dalam segmen tertentu, dikelompokkan berdasarkan kanal, jejaring sosial, usia, jenis kelamin, bahasa, lokasi, tingkat aktivitas, dan topik (baik yang beresonansi maupun umum).

Tab terakhir, CUSTOMER JOURNEYS, berisi peta perjalanan pengguna yang dibagi menjadi fase-fase berbeda, mengeksplorasi tujuan, tindakan, masalah, dan proses berpikir pengguna Anda.

Catatan: persona Anda secara otomatis diperbarui dengan data baru setiap bulan, dan Anda juga dapat melengkapinya dengan data penelitian tambahan.

Langkah 2: Pengguna Simulasi

Sekarang setelah kita membangun persona, mari lanjut ke langkah berikutnya, yaitu menghasilkan pengguna sintetis. Mengapa ini diperlukan? Karena Anda tidak dapat melakukan wawancara tanpa mereka.

Untuk memulai, buka dasbor Penelitian Sintetis dan beli jumlah pengguna yang Anda butuhkan – misalnya, 100. Kemudian, buatlah panel dengan grup ini dan beri nama, seperti Marketing Insights Group. Ini akan membantu Anda mengatur dan mengelola audiens Anda nanti.

Anda akan diarahkan ke layar di mana Anda dapat memilih persona atau produk persona yang ingin Anda gunakan untuk menghasilkan pengguna sintetis. Di sini, kita akan memilih segmen dari persona riset bernama Edward Collins.

Seperti ditunjukkan di bawah ini, perangkat lunak telah menghasilkan 100 pengguna sintetis berdasarkan segmen persona pengguna tertentu. Setiap pengguna memiliki opsi "Mulai Obrolan", yang dapat Anda gunakan untuk berinteraksi dengan mereka (lihat Digital Twin untuk informasi lebih lanjut).

Langkah 3: Survei + Wawancara

persona simulasi kita sudah siap; saatnya menjalankan survei dan wawancara riset pengguna.

Di sidebar, klik Marketing Insights Group, kemudian pilih Survei dari dropdown. Di dashboard, klik tombol "Buat Survei". Anda akan diminta memasukkan nama survei Anda (misalnya, Survei kesesuaian pasar produk), tentukan jumlah pengguna (misalnya, 100), dan unggah file CSV yang berisi pertanyaan survei Anda.

File Anda dapat mencakup berbagai jenis pertanyaan, seperti pilihan ganda, skala penilaian, skala Likert, pertanyaan terbuka, dan pertanyaan peringkat. Hanya butuh waktu singkat untuk menghasilkan respons Anda.

Bersama dengan hasilnya, Anda akan dapat mendalami responden mana yang memberikan jawaban spesifik untuk setiap pertanyaan dan bahkan menanyakan alasan di balik pilihan mereka menggunakan fungsi obrolan.

Anda juga dapat meminta umpan balik mereka tentang topik pemasaran dan produk lainnya. Dalam contoh di atas, kami telah menanyakan kepada pengguna faktor apa yang mempengaruhi keputusan mereka untuk menyelesaikan pembelian saat berbelanja online.

Apa yang membuat alat ini berbeda

Kritik utama terhadap riset yang dihasilkan AI adalah bahwa ia kurang autentik, kedalaman, dan nuansa emosional yang biasanya didapat dari wawancara nyata. Ini, dan kekhawatiran bahwa bias dalam data pelatihan berpotensi mempengaruhi temuan penelitian Anda

Seperti yang ditulis Niloufar Salehi dalam artikelnya tentang pengguna sintetis:

"Seluruh inti dari menghabiskan waktu untuk mewawancarai orang dan kemudian... menganalisis sejumlah besar data yang dikumpulkan adalah kemampuan untuk terhubung dengan mereka, membangun kepercayaan, menggali lebih dalam, meminta mereka berbagi cerita, dan belajar tentang perasaan dan emosi mereka."

Namun, bagi orang atau tim yang baru memulai, terutama mereka yang tidak memiliki waktu atau anggaran untuk riset pengguna yang ekstensif, wawancara sintetis bisa menjadi alternatif yang menarik dan mudah diakses.

Perangkat Lunak Riset Sintetis Delve AI tidak merekrut orang. Atau mewawancarai mereka.

Tetapi perangkat lunak ini menggunakan informasi yang telah Anda kumpulkan tentang pengguna Anda untuk membuat audiens yang mirip. Pengguna virtual ini, yang dibangun dari persona yang dihasilkan menggunakan data pihak pertama Anda (CRM, analitik web), data pihak kedua (data audiens sosial, intelijen kompetitor), dan data Suara Pelanggan, bukanlah sesuatu yang generik yang dibuat oleh ChatGPT.

Mereka disesuaikan dengan kasus penggunaan bisnis Anda dan kemungkinan akan memberi Anda pemahaman yang lebih baik tentang pengguna Anda dan kebutuhan inti mereka.

Mari Melihat Sisi Cerahnya

Wawancara sintetis bisa menjadi bermasalah, tetapi hanya jika pengguna simulasi yang Anda gunakan bersifat umum, tidak akurat, atau bias. Kualitas persona sintetis berkaitan langsung dengan kualitas respons yang Anda dapatkan; semakin baik kualitasnya, semakin baik responnya.

Jadi, tanggung jawab ada pada Anda untuk memilih, atau jika Anda mampu, membangun perangkat lunak riset sintetis yang andal (yang akan membutuhkan banyak sumber daya).

Setelah Anda menemukannya, Anda dapat memanfaatkannya untuk mengidentifikasi masalah-masalah yang jelas sebelum melakukan wawancara yang sebenarnya. Pengguna sintetis juga baik untuk memunculkan ide-ide baru. Perspektif atau pendapat baru yang sudah ada, tetapi Anda tidak mengetahuinya.

Tidak perlu dikatakan bahwa pada tahap sekarang ini, wawancara sintetis seharusnya hanya melengkapi studi penelitian Anda. Pengguna simulasi tidak boleh mengambil tempat lebih penting daripada pengguna nyata. Anda dapat menggunakannya untuk menguji berbagai skenario, tetapi selalu validasi hasil tersebut dengan temuan penelitian nyata Anda.

Pada akhirnya, tidak masalah jenis pengguna yang Anda pilih; yang penting adalah pertanyaan yang Anda ajukan, atau tidak ajukan.