합성 인터뷰: 사용자 연구를 위한 예 또는 아니오?

소셜 미디어 플랫폼인 링크드인과 레딧에서는 가상 사용자와의 인터뷰에 대해, 특히 그것의 장단점에 관해 많은 열띤 논의가 있었습니다.

하지만 UX와 마케팅 전문가들에게 이것이 정말 과대 광고된 것일까요? 아니면 실제로 이 아이디어 뒤에 어떤 실질적인 가치가 있을까요? 결국 UX 리서치의 핵심은 실제 사용자를 관찰하고 인터뷰하며, 그들의 pain point를 파악하고, 그들의 경험을 독특하게 만드는 요소들을 발견하는 것입니다.

전통적인 인터뷰는 비용이 많이 들지만, 궁극적으로 인간의 상호작용과 감정 뒤에 숨겨진 미묘한 차이와 복잡성을 발견할 수 있게 해줍니다.

챗GPT와 같은 생성형 AI 도구들은 고도로 발전된 대규모 언어 모델을 기반으로 작동하지만, 일반적인 인구 통계에서 발견되는 다양한 개성과 특이성이 부족한 AI 참가자들만 생성할 수 있습니다.

하지만 백지 상태의 문제를 해결하고자 하는 연구자들이나 조직적 마찰에 직면한 다국적 기업들에게는 합성 연구가 실제로 일을 진행시키는 촉매제가 될 수 있습니다. 전통적인 대안들과 비교했을 때 필요한 비용과 시간도 매우 적습니다.

그렇다면 이것이 시장 조사에서 실제 사람들을 AI가 생성한 사용자로 대체할 수 있다는 것을 의미할까요? 또는 비즈니스에 큰 영향을 미칠 수 있는 중요한 결정을 내리는 데 합성 인터뷰에 의존할 수 있을까요? 자세히 살펴보겠습니다.

합성 데이터 & 합성 사용자

synthetic interviews나 합성 페르소나에 대해 알아보기 전에, 합성 데이터에 대해 알아볼 필요가 있습니다. 합성 데이터는 최근의 것이 아닙니다; 원본 학습 데이터가 소진되면 대규모 언어 모델을 학습시키는 데 널리 사용되어 왔습니다.

이름에서 알 수 있듯이, 합성 데이터는 인공지능(AI)을 사용하여 생성된 인공적인 데이터입니다. 실제 소스에서 수집된 것도 아니고 실제 세계의 데이터를 나타내는 것도 아니며, 오히려 실제 세계에서 발견된 패턴으로부터 도출된 것입니다.

그렇다면 이것의 매력은 무엇일까요? 생성하기가 저렴하고 상대적으로 쉽습니다.

실제 데이터는 종종 오류와 편향에 취약하지만, 합성 데이터는 이러한 오류를 최소화하는 방식으로 설계될 수 있습니다. 민감하거나 개인 식별이 가능한 정보를 공유하지 않고도 원본 데이터셋과 유사한 데이터를 생성할 수 있어 개인정보보호법에 대해 걱정할 필요가 없습니다.

또한 틈새 시장을 다루거나 사용 가능한 데이터가 불완전하거나 제한적인 경우에 유용합니다.

사용자와 고객으로부터 원본 시장 조사를 수집하는 데 많은 돈과 시간이 든다는 것은 모두가 알고 있습니다. 이것이 오늘날 대기업과 소기업이 타겟 고객에 대한 귀중한 인사이트를 수집하기 위해 합성 데이터를 사용하는 주요 이유 중 하나입니다.

이는 합성 사용자로 이어집니다...

합성 응답자는 마케팅과 디자인 리서치에서 트렌드입니다. 생성형 AI가 모든 곳에서 사용되고 있어서, 이 분야의 사람들(전부는 아니지만)이 합성 사용자를 만드는데 활용하고 있다는 것은 놀라운 일이 아닙니다.

간단히 말해서, 합성 페르소나는 고객이나 사용자의 디지털 아바타 또는 가상 표현입니다. 이것들은 마케팅이나 디자인 분야의 전문가들이 개발한 전통적인 personas와는 다르며, AI와 머신러닝 기술로 구축됩니다.

가장 쉬운 생성 방법은 GPT-4와 같은 LLM을 통해서입니다: 먼저 타겟 고객을 설명하고, 그들의 목표, 과제, 필요사항을 지정한 다음, 이러한 문제들의 해결책이 될 제품이나 서비스 아이디어를 추가합니다. 완료되면, 이 고객층의 "persona"를 채택하도록 프롬프트합니다.

특정 인구통계 그룹을 대표하는 수백 또는 수천 개의 AI 생성 personas를 만들 수 있으며, 이는 설문조사와 인터뷰에 정확하게 응답할 수 있습니다. ChatGPT와 같은 도구들은 여러 소스와 산업에서 나온 문자와 구두 대화를 포함하는 다양한 데이터셋으로 학습되었기 때문에, 다양한 사용자의 행동과 선호도를 모방할 수 있습니다.

이와 같이, 합성 사용자를 활용하여 다양한 시나리오를 시뮬레이션하고 제품이나 서비스를 시장에 출시하기 전에 시험과 테스트를 실행할 수 있습니다. 이들은 대량의 데이터를 처리하고 디자인과 캠페인 반복을 지원하는 피드백을 제공할 수 있습니다.

하지만, 모든 용도에도 불구하고, 합성 페르소나에는 근본적인 한계가 있습니다: 새로운 개념을 다루거나 콜롬비아의 농장 노동자와 같은 새로운 유형의 고객을 이해하려고 할 때, 부족함을 보일 가능성이 높습니다.

인간 중심 디자인을 옹호하는 Christopher Roosen이 설명하듯이:

"생성형 AI는 인터넷의 캡처를 기반으로 합니다... 모든 인터넷의 편향된 구조를 저장하며, 이는 다양한 색상, 형태, 아이디어를 가진 풍부하게 표현된 사람들로부터 멀어지고 매우 정형화된 사람들의 표현으로 향하는 편향을 포함합니다."

AI는 온라인에서 과소 대표되는 사람들을 표현하는 데 어려움을 겪습니다. 따라서 콜롬비아 노동자들의 페르소나를 생성하도록 요청하면, 학습된 데이터에 그러한 사람들에 대한 피상적인 묘사만 포함되어 있기 때문에 일반적인 고정관념을 만들어낼 수 있습니다. 이러한 도구들은 중요한 포인트를 놓치고, 클리셰에 의존하며, 새롭거나 소외된 그룹을 위한 질문에 답하는 데 필요한 깊이가 부족할 수 있습니다.

이제, 합성 인터뷰란 무엇인가요?

합성 인터뷰는 사용자 인터뷰와 비슷합니다. 하지만 실제 사람들에게 질문하는 대신, 다양한 주제에 대한 사용자 인사이트를 수집하기 위해 텍스트 기반 대화나 설문 형식을 통해 합성 참가자(일명 합성 사용자)와 상호작용합니다.

인터뷰나 포커스 그룹이든 연구를 해본 사람이라면 누구나 그것이 얼마나 시간이 많이 걸리고 비용이 많이 드는지 알고 있습니다. 결국, 적절한 질문을 준비하는 데에만도 많은 계획과 조정, 훈련된 전문가가 필요합니다. 게다가 올바른 목표와 페인 포인트를 파악하기 위해서는 많은 사람들과 대화해야 합니다.

이에 비해 합성 인터뷰는 사용자나 고객과의 대화를 수행하는 데 있어 더 빠르고 비용 효율적인 대안을 제공하는 것으로 보입니다.

존 웨일런의 "합성 사용자 실습: 고객 리서치의 미래" 수업에 따르면, 합성 인터뷰는 다음과 같은 경우에 이상적입니다:

• 초기 단계 아이디어 생성
• 특정 대상을 찾아 모집하지 않고도 틈새 관객과의 인터뷰 진행
• 안전하고 위험 없는 환경에서 심층적이거나 민감한 질문하기
• 가상의 혹은 미래 상황 탐색

어떤 질문을 하든 합성 사용자는 절대 망설이지 않습니다.

하지만 생성된 데이터나 결과가 항상 완벽한 것은 아닙니다. 이러한 인터뷰 응답은 "무엇"에 대해서는 답할 수 있지만, 반드시 "왜"에 대해서는 답하지 못할 수 있습니다.

미세한 표정, 어조, 몸짓 언어 없이는 오직 사람의 얼굴이나 목소리만이 제공할 수 있는 미묘한 맥락을 놓치게 됩니다. 또한 합성 인터뷰는 글로 쓰인 단어가 전통적인 연구 과정에서 발견되는 맥락적 풍부함을 포함하지 못하기 때문에 인간의 감정 깊이를 포착하는 데 어려움이 있습니다.

그래서 합성 인터뷰를 실제 인간의 응답과 비교하여 정기적으로 평가하고 검증해야 합니다. 왜 하이브리드 접근방식이 필요할까요? 인터뷰 데이터는 AI가 생성한 것일 수 있지만, 이를 바탕으로 내리는 결정은 실제 세계에 영향을 미치기 때문입니다.

ChatGPT 이전의 합성 인터뷰

스콧 스티븐스와 마이클 크리스텔은 1998년 "합성 인터뷰: 인간과 기계 기반 캐릭터 간의 '다이어드' 창조의 예술"이라는 논문에서 합성 인터뷰 주제를 논의했습니다. 물론, 카네기 멜론 대학의 연구원들은 대학에서 개발한 Synthetic Interviews 기술에 초점을 맞췄습니다.

그들의 논문은 Synthetic Interview를 다음과 같이 정의했습니다:

"개인이나 캐릭터와 심층적으로 대화할 수 있게 해주며, 사용자가 대화 방식으로 질문을 하고... 질문에 대한 관련성 있고 적절한 답변을 받을 수 있는 수단"

이 기술은 인간의 사고와 사고 과정을 반영하는 방식으로 정보를 전달하는 데 있어 "실제와 같은" 것이어야 했습니다. 사용자들은 말하거나 타이핑하는 인터페이스를 통해 컴퓨터 생성(CG) persona에게 질문을 하여 그들의 선호도, 행동, 가치를 이해할 수 있었습니다.

이를 실현하기 위해, 수천 개의 인간 배우들의 비디오 클립이 데이터베이스에 저장되었습니다. 이 배우들은 잠재적인 질문에 답변하는 모습과 함께, 커피를 마시거나, 머리를 긁거나, 웃는 것과 같은 비언어적 클립도 촬영되어 캐릭터들이 더 인간다워 보이도록 했습니다.

이러한 응답들은 talking head 형식으로 제시되어 사용자들이 그 인물과 대면하고 있는 것처럼 느낄 수 있었습니다. CG persona들은 Albert Einstein의 특징과 같이 묘사되는 인물들만의 고유한 습관도 포함하여 더 진정성 있게 만들었습니다.

인터페이스는 사용자들이 마이크에 정상적으로 말하고 인터뷰의 흐름을 설정할 수 있게 했습니다. 음성 인식 시스템은 기존 LLM을 사용하여 질문을 분석하고 관련 질문에 대해서는 정확한 결과를, 예상치 못한 질문에 대해서는 수용 가능한 결과를 제공했습니다 (이것이 무엇을 의미하는지 논문을 읽어보세요).

당시에 이 기술은 배우, 종교 지도자, 그리고 다른 공인들과 상호작용하는 경험을 제공하는 방법으로 여겨졌습니다.

이는 생성형 AI 도구가 등장하기 전이었습니다. 이제는 모델에게 특정 인물이나, 우리의 경우 특정 고객이나 사용자 그룹처럼 "행동하라"고 요청하면 talking head는 없지만 즉시 실제와 같은 응답을 생성합니다.

AI로 synthetic interview 생성하기

사람 없이 사용자 연구를 수행하는 것이 어려워 보이지만, 실제로는 그렇지 않습니다. 생성형 AI 도구, 목표 고객에 대한 명확한 이해, 그리고 적절한 프롬프트와 질문만 있으면 됩니다.

• 대화형 AI 도구: ChatGPT, Gemini, 또는 Claude.
• 대상 고객/persona: 인구통계학적 특성(나이, 성별, 위치), 경력 프로필, 심리적 동기, 수행해야 할 작업, 구매 행동, 주요 장애물 등과 같은 고객 프로필을 설명하는 Word 문서나 PDF.

이 외에도 연구 필요사항을 정리하세요. 목표와 사용 사례는 무엇인가요? 이 인터뷰 세션에서 무엇을 배우고 싶은가요? 이는 인터뷰 질문을 구성하는 데 도움이 될 것입니다. 얼마나 많은 synthetic 사용자가 필요한지, 어떤 형식(텍스트, 설문 응답)으로 할지, 응답의 다양성을 어느 정도로 할지 결정하세요.

시연을 위해, ChatGPT 무료 버전을 사용하여 Delve AI의 최신 제품인 Research Persona를 위한 7명의 synthetic 사용자를 만들어보겠습니다.

첫 번째 단계는 우리의 이상적인 사용자 그룹에 대한 세부 정보가 포함된 문서를 업로드하는 것입니다 - 이는 응답자를 특정 인구 통계로 제한하는 데 도움이 됩니다. 그런 다음, 제품 설명을 추가하고 잘 작성된 프롬프트를 사용하여 시스템이 생성할 합성 참가자 수를 지정합니다.

프롬프트가 주어지면 ChatGPT는 즉시 다양한 합성 페르소나를 생성했습니다. 이커머스 회사의 마케팅 부사장인 Dan Miller라는 예시를 보여드리겠습니다.

우리는 이러한 각 페르소나에 대해 다음과 같은 인터뷰 질문(개방형 및 설문 스타일 질문 혼합)을 실행했습니다.

• 현재 귀하나 귀하의 팀이 사용자 페르소나를 만드는 과정을 설명해 주시겠습니까?
• 일반적으로 어떤 종류의 데이터를 사용하시나요? (예: 인터뷰 기록, 설문조사 결과, 웹 분석 등)
• 팀이 사용자 페르소나를 만들거나 업데이트하는 데 보통 얼마나 걸리나요?
• 1부터 5까지 척도에서, 현재 페르소나가 사용자를 정확하게 대표한다고 얼마나 확신하시나요? (1 = 전혀 확신하지 않음, 5 = 매우 확신함)
• 사용자 페르소나를 만들거나 유지할 때 가장 큰 어려움은 무엇인가요?
• 만약 도구가 기존 연구에서 몇 분 만에 정확하고 데이터 기반의 페르소나를 생성하는 데 도움을 준다면, 귀하나 귀하의 팀에게 얼마나 가치가 있을까요?
• 이러한 도구에서 어떤 기능을 기대하거나 필요로 하시나요?
• 페르소나 생성을 위해 AI 기반 또는 자동화된 도구를 사용해 보신 적이 있나요? 있다면, 어떤 경험이었나요?
• 연구 데이터를 사용하여 더 빠르게 페르소나를 만드는 데 도움이 되는 새로운 도구를 테스트해 보실 의향이 있으신가요?
• 귀하의 의견으로는, 이러한 종류의 제품이 '있으면 좋은' 것이 아닌 '꼭 필요한' 것이 되기 위해서는 무엇이 필요할까요?

우리는 챗봇에게 제품에 대해 그들이 가진 문제점이나 우려사항, 좋아하는 점, 그리고 이를 뒷받침하는 인용구를 강조하여 인터뷰 응답을 깔끔하고 전문적인 보고서로 요약해달라고 요청했습니다.

예상대로, 시스템은 사용자들이 이러한 종류의 페르소나 생성과 관련하여 가질 수 있는 대부분의 일반적인 문제점들 - 일반적인 출력, 개인정보 보호 우려 등을 파악했습니다. 이어서 제품에 대해 그들이 좋아하는 점을 요약했는데, 이 또한 나쁘지 않았습니다.

이 인터뷰 과정은 잠재적 사용자들이 신경 쓸 수 있는 사항들을 남겼지만, 특별한 것은 없었습니다. 응답은 빨랐습니다 - 전체 과정은 약 15분이 걸렸습니다 - 하지만 이 데이터는 실제 사용자들을 위한 더 나은, 더 구체적인 질문을 만드는 데만 사용될 수 있습니다.

전체 결과와 사용된 프롬프트 및 질문을 여기에서 볼 수 있습니다.

인터뷰 데이터는 시스템이 구축하는 합성 사용자만큼만 좋습니다. 따라서 이러한 방식으로 합성 인터뷰를 생성하려면 모델에 입력한 고객 데이터의 품질을 철저히 검토하십시오. 편향이나 격차가 있습니까? 처음부터 올바른 데이터를 포함하고 있습니까? 시스템이 무언가를 모방하도록 훈련시키고 있으므로 그 "무언가"가 실제로 원하는 것인지 확인하십시오.

LLM이 실제 인간 응답의 복잡성과 뉘앙스를 반영하는 데이터를 생성하려면 좋은 프롬프트가 필요합니다.

기억하세요: 훌륭한 입력 데이터 + 잘 작성된 프롬프트 = 품질 좋은 인터뷰 결과.

합성 데이터가 생성되면 사용하기 전에 검증하십시오. 수동 검사를 실행하고 검증 도구를 활용하여 품질, 일관성 및 정확성을 평가하십시오. 이해관계자들은 합성 데이터에 대해 회의적이므로(당연히 그럴 수 있음), 사용자 연구 보고서에서 AI 생성 데이터를 사용하는 경우 투명하게 공개하십시오.

합성 인터뷰의 잠재적 문제점

마이클 메이스는 "생성형 AI를 사용하여 고객 인터뷰를 시뮬레이션하는 도구인 Synthetic Users를 실제 인터뷰와 비교하여 "AI가 발견 인터뷰를 대체할 수 있을까? 경쟁력 비교" 글에서 다룹니다.

합성 응답자와 그에 따른 합성 인터뷰의 단점을 논의해야 한다면, 그의 글이 좋은 출발점을 제공합니다.

메이스는 날아다니는 자동차를 사용하는 라이드쉐어 서비스라는 새로운 아이디어를 가지고 Synthetic Users와 UserTesting(온라인 패널의 실제 사람들에게 질문할 수 있게 해주는 서비스)을 비교하는 연구를 수행했습니다.

이 연구의 결과는 합성 사용자에게 유리하지 않았습니다.

Synthetic Users는 확실히 빨랐습니다. 사용자를 생성하고 질문을 추가하면 몇 분 안에 응답이 생성됩니다. 반면에 UserTesting은 계획 작성, 스크리너 설정, 응답 대기, 결과 분석까지 하루가 걸렸습니다. 그리고 그때도 원하는 특성을 가진 적절한 사람을 찾기가 어려웠습니다.

Synthetic Users의 문제점은 특정 문제를 가진 사용자를 정의하면 그 문제가 존재하는지 의문을 제기하지 않는다는 것입니다. 단순히 존재한다고 가정합니다. 그래서 현실에는 존재하지 않는 가상의 사용자가 생성됩니다.

이것이 문제입니다.

생성된 대화록도 너무 완벽했고, 채움말이나 반복, 불완전한 문장이 없었습니다. UserTesting이 제공하는 감정적 단서가 부족했는데, 분석할 영상이나 표정이 없었기 때문입니다.

게다가 합성 참가자들은 서로 비슷하게 들렸고, 거의 동일한 답변을 했습니다.

그들은 기초적이고, 평범하며, 실제 삶과 단절되어 있었습니다. 실제 사용자들은 다듬어지지 않은 응답을 보였지만, 더 다양하고 상세한 정보를 제공했습니다.

속도와 고객층에 대한 기본적인 개요 외에는, 이 도구는 고객들의 사고방식과 반응 방식을 더 깊이 이해하는 데 아무런 도움이 되지 않았습니다. 안타깝게도, 이것이 대부분의 합성 연구 방법론이 가진 문제점입니다.

합성 리서치: Delve AI로 시뮬레이션된 사용자, 설문조사, 인터뷰 생성하기

수동적인 합성 리서치 방법을 살펴보았으니, 이제 AI 기반 방식을 확인해보겠습니다. Delve AI의 합성 리서치 소프트웨어는 사용자나 고객을 위한 AI 페르소나를 만들고, 이를 활용하여 설문조사와 인터뷰를 진행할 수 있도록 도와주는 도구 중 하나입니다.

현재 이 리서치 소프트웨어는 세 가지 기능을 포함하고 있습니다:

• 시뮬레이션된 사용자
• 설문조사
• 인터뷰

자체 데이터와 공개 데이터 소스를 기반으로 만들어진 이 가상 페르소나들은 확장 가능하고 다양합니다. 원하는 만큼의 사용자를 생성하고 원하는 만큼의 정량적, 정성적 인터뷰를 진행할 수 있습니다.

1단계: 페르소나

시뮬레이션된 사용자를 개발하기 전에 기본 페르소나를 만들어야 합니다. 이를 위해서는 저희의 페르소나 제품 중 하나를 구독해야 합니다.

현재 저희의 AI-페르소나 생성기는 다음 여섯 가지를 제공합니다:

• Customer 페르소나 (CRM 데이터 기반)
• Website 페르소나 (웹사이트 방문자/구매자용)
• Social 페르소나 (소셜 미디어 청중용)
• Competitor 페르소나 (경쟁사용)
• Research 페르소나 (사용자용)
• Audience 페르소나 (청중 설명 기반)
• Employee 페르소나 (직장용)

이번 경우에는 앞서 언급한 연구 페르소나 도구를 사용하여 페르소나를 만들어보겠습니다.

Delve AI에 가입하거나 로그인하여 Research Persona로 이동한 후 문서를 업로드하세요. 인터뷰 기록, 설문조사 보고서, 산업 뉴스, 이전 사용자 프로필 등 관련된 모든 자료를 포함할 수 있습니다.

"페르소나 만들기"를 클릭하면 Delve AI가 제공된 데이터를 기반으로 페르소나를 개발합니다. 리서치 자료가 없더라도 걱정하지 마세요; 타겟 청중에 대한 간단한 설명과 제품이나 비즈니스에 대한 세부사항(선택사항)만 추가하시면 저희가 진행하겠습니다.

사용자의 입력 외에도, 저희 플랫폼은 이전에 생성된 수천 개의 페르소나로부터 얻은 학습을 활용하여 고유한 고객 프로필을 만듭니다. 청중과 사용 사례에 따라 하나 또는 여러 개의 페르소나가 결과물로 나올 수 있습니다. 각 세그먼트는 페르소나 세부사항, 분포, 여정 맵을 포함합니다.

페르소나 세부사항을 클릭하면 사용자 인구통계, 라이프스타일, 경력 상태, 포부, 구매 결정에 영향을 미치는 요인, 심리적 동인(목표, 동기, 필요), 핵심 과제를 볼 수 있습니다.

이어서 선호하는 커뮤니케이션 채널, 소셜 네트워크, 브랜드, 쇼핑 웹사이트, 음악, TV 프로그램, 영화, 유튜브 채널, 팟캐스트, 서브레딧, 영향력 있는 리소스 등에 대한 정보가 제공됩니다.

분포 탭에서는 채널, 소셜 네트워크, 연령, 성별, 언어, 위치, 활동 수준 및 주제(공감대 형성 및 일반)별로 구분된 특정 세그먼트 내 고객층의 분포를 보여줍니다.

마지막 탭인 고객 여정에는 사용자의 목표, 행동, 문제 및 사고 과정을 탐구하는 구별된 단계로 나뉜 사용자 여정 맵이 포함되어 있습니다.

참고: 페르소나는 매월 새로운 데이터로 자동 업데이트되며, 추가 연구 데이터로 보완할 수도 있습니다.

2단계: 시뮬레이션된 사용자

이제 페르소나를 만들었으니 다음 단계인 가상 사용자 생성으로 넘어가보겠습니다. 이것이 왜 필요할까요? 인터뷰를 진행하려면 이들이 필요하기 때문입니다.

시작하려면 합성 연구 대시보드로 이동하여 필요한 사용자 수(예: 100명)를 구매하세요. 그런 다음 이 그룹으로 패널을 만들고 Marketing Insights Group과 같은 이름을 지정하세요. 이렇게 하면 나중에 청중을 구성하고 관리하는 데 도움이 됩니다.

persona(s) 또는 페르소나 제품을 선택하여 합성 사용자를 생성할 수 있는 화면으로 안내됩니다. 여기서는 Edward Collins라는 Research Persona의 세그먼트를 선택하겠습니다.

아래와 같이 소프트웨어가 특정 사용자 페르소나 세그먼트를 기반으로 100명의 합성 사용자를 생성했습니다. 각 사용자에게는 "대화 시작" 옵션이 있어 상호작용할 수 있습니다 (Digital Twin에서 자세한 정보 확인).

3단계: 설문조사 + 인터뷰

시뮬레이션된 personas가 준비되었습니다. 이제 사용자 리서치 설문조사와 인터뷰를 실시할 차례입니다.

사이드바에서 Marketing Insights Group을 클릭한 다음 드롭다운에서 설문조사를 선택하세요. 대시보드에서 "설문조사 만들기" 버튼을 클릭하세요. 설문조사 이름(예: 제품 시장 적합성 설문조사), 사용자 수(예: 100)를 입력하고 설문 문항이 포함된 CSV 파일을 업로드하라는 메시지가 표시됩니다.

파일에는 객관식, 평가 척도, 리커트 척도, 주관식, 순위 질문 등 다양한 유형의 질문이 포함될 수 있습니다. 응답이 생성되는 데는 짧은 시간만이 소요됩니다.

결과와 함께 각 질문에 특정 답변을 한 응답자를 자세히 살펴보고 채팅 기능을 사용하여 그들의 선택 이유를 물어볼 수도 있습니다.

또한 다른 마케팅 및 제품 관련 주제에 대한 피드백을 요청할 수 있습니다. 위의 예시에서는 온라인 쇼핑 시 구매 결정에 영향을 미친 요인이 무엇인지 사용자에게 물었습니다.

이 도구의 차별점

AI 생성 연구에 대한 주요 비판은 실제 인터뷰에서 일반적으로 얻을 수 있는 진정성, 깊이, 감정적 뉘앙스가 부족하다는 것입니다. 또한 학습 데이터의 편향이 잠재적으로 연구 결과를 왜곡할 수 있다는 우려가 있습니다.

Niloufar Salehi가 합성 사용자에 대한 글에서 작성한 바와 같이:

"인터뷰에 시간을 들이고... 수집된 방대한 양의 데이터를 분석하는 요점은 사람들과 연결하고, 신뢰를 구축하고, 더 깊이 파고들어, 이야기를 공유하도록 요청하고, 그들의 감정과 정서를 배우는 능력입니다. 패턴 신스페시스 엔진들은 그러한 것이 없습니다."

하지만, 특히 광범위한 사용자 리서치를 위한 시간이나 예산이 없는 초보자나 팀들에게는, 합성 인터뷰가 매력적이고 접근하기 쉬운 대안이 될 수 있습니다.

Delve AI의 합성 리서치 소프트웨어는 사람을 모집하지 않습니다. 또는 인터뷰하지도 않습니다.

하지만 사용자에 대해 수집한 정보를 활용하여 유사 대상군을 만듭니다. 귀사의 자체 데이터(CRM, 웹 애널리틱스), 2차 데이터(소셜 오디언스 데이터, 경쟁사 인텔리전스), 그리고 고객 의견 데이터를 사용하여 생성된 personas로 만들어진 이 가상 사용자들은 ChatGPT가 급조해낸 일반적인 것이 아닙니다.

이들은 귀사의 비즈니스 사례에 맞춤화되어 있으며 사용자와 그들의 핵심 니즈를 더 잘 이해하는 데 도움이 될 것입니다.

밝은 면을 살펴봅시다

시뮬레이션 인터뷰는 문제가 될 수 있지만, 이는 시뮬레이션을 실행하는 가상 사용자가 일반적이거나, 부정확하거나, 편향된 경우에만 해당됩니다. 시뮬레이션 페르소나의 품질은 얻게 되는 응답의 품질과 직접적인 관련이 있습니다; 품질이 좋을수록 응답도 좋아집니다.

따라서 신뢰할 수 있는 시뮬레이션 연구 소프트웨어를 선택하거나, 가능하다면 직접 구축하는 것은 여러분의 책임입니다 (이는 많은 자원이 필요할 것입니다).

일단 그러한 소프트웨어를 찾으면, 실제 인터뷰를 진행하기 전에 명백한 문제점들을 파악하는 데 활용할 수 있습니다. 시뮬레이션 사용자들은 또한 새로운 아이디어를 브레인스토밍하는 데도 유용합니다. 이미 존재했지만 여러분이 알지 못했던 새로운 관점이나 의견들을 발견할 수 있습니다.

현재 단계에서 시뮬레이션 인터뷰는 연구 조사를 보완하는 용도로만 사용되어야 한다는 것은 말할 필요도 없습니다. 시뮬레이션 사용자가 실제 사용자보다 우선시되어서는 안 됩니다. 다양한 시나리오를 테스트하는 데 사용할 수 있지만, 항상 실제 연구 결과로 그 결과를 검증해야 합니다.

결국, 어떤 사용자를 선택하느냐는 중요하지 않습니다; 중요한 것은 여러분이 어떤 질문을 하거나 하지 않느냐 입니다.