Synthetische Interviews: Ja of Nee voor Gebruikersonderzoek?

Interviews met synthetische gebruikers. Er is veel ophef op sociale mediaplatformen zoals LinkedIn en Reddit over dit onderwerp, vooral over de voor- en nadelen.

Maar is het echt de kwakzalverij waar het voor UX- en marketingprofessionals voor wordt uitgemaakt? Of zit er daadwerkelijk iets achter het idee? Per slot van rekening draait UX-onderzoek volledig om het observeren en interviewen van echte gebruikers, het leren over hun pijnpunten en het herkennen van factoren die hun ervaringen uniek maken.

Traditionele interviews zijn inderdaad duur, maar uiteindelijk stellen ze iemand in staat om de nuances en complexiteit achter menselijke interacties en emoties te ontdekken.

Generative AI tools zoals ChatGPT, die draaien op zeer geavanceerde large language models, kunnen alleen AI-deelnemers creëren die het collectieve gemiddelde weerspiegelen, zonder de diverse persoonlijkheden en eigenaardigheden die je vindt in de gewone demografische groep.

Toch kan voor onderzoekers die voorbij het writer's block willen komen, of voor MNC's die te maken hebben met organisatorische wrijving, synthetisch onderzoek inderdaad de katalysator zijn die dingen in beweging zet. De kosten en benodigde tijd zijn, vergeleken met de traditionele alternatieven, ook vrij minimaal.

Betekent dit dus dat je echte mensen kunt vervangen door AI-gegenereerde gebruikers in je marktonderzoeken? Of vertrouwen op synthetische interviews om belangrijke beslissingen te nemen; beslissingen die een grote impact kunnen hebben op je bedrijf? Laten we dit eens nader bekijken.

Synthetische Data & Synthetische Gebruikers

Voordat we ingaan op synthetische interviews, of klantpersona's voor die kwestie, moeten we het hebben over synthetische data. Synthetische data is niet iets recents; het wordt veel gebruikt om grote taalmodellen te trainen zodra de originele trainingsdata is uitgeput.

Zoals blijkt uit de naam is synthetische data kunstmatige data gegenereerd met behulp van kunstmatige intelligentie (AI). Het wordt niet verzameld uit echte bronnen en vertegenwoordigt geen realistische data, maar is afgeleid van patronen uit de werkelijkheid.

Wat is nu het aantrekkelijke hieraan? Nou, het is goedkoop en relatief makkelijker te genereren.

Data uit de echte wereld bevat vaak fouten en vooroordelen, maar synthetische data kan zo ontworpen worden dat deze fouten geminimaliseerd worden. Je kunt data genereren die lijkt op je originele dataset zonder gevoelige of persoonlijk identificeerbare informatie te delen, dus je hoeft je geen zorgen te maken over privacywetgeving.

Ook komt het van pas wanneer je te maken hebt met nichepubliek of in gevallen waar de beschikbare data onvolledig of beperkt is.

Iedereen weet dat het veel geld en tijd kost om origineel marktonderzoek samen te stellen van gebruikers en klanten. Dit is een van de belangrijkste redenen waarom grote merken en kleine bedrijven tegenwoordig synthetische data gebruiken om waardevolle inzichten over hun doelgroep te verzamelen.

Dit brengt ons bij synthetische gebruikers...

Synthetische respondenten zijn trending in marketing- en ontwerponderzoek. Generatieve AI wordt overal gebruikt, dus het is geen verrassing dat mensen in deze vakgebieden (hoewel niet allemaal) het gebruiken om synthetische gebruikers te creëren.

Eenvoudig gezegd zijn persona's synthetische digitale avatars of virtuele representaties van je klanten of gebruikers. Ze zijn niet zoals de traditionele persona's ontwikkeld door mensen in marketing of ontwerp, maar zijn gebouwd met AI- en machine learning-technologieën.

De makkelijkste manier om er een te maken is via LLMs zoals GPT-4: begin met het beschrijven van je doelklanten, specificeer dan hun doelen, uitdagingen en behoeften, en voeg ten slotte je product- of dienstidee toe, dat als oplossing voor die problemen zal dienen. Als dat klaar is, vraag je het om de "persona" van dit publiek aan te nemen.

Je kunt honderden of zelfs duizenden AI-gegenereerde persona's maken die bepaalde demografische groepen vertegenwoordigen en nauwkeurig kunnen reageren op je enquêtes en interviews. Aangezien tools zoals ChatGPT getraind zijn op diverse datasets die geschreven en gesproken gesprekken uit meerdere bronnen en industrieën bevatten, kunnen ze het gedrag en de voorkeuren van verschillende gebruikers nabootsen.

Zodoende kunt u synthetische gebruikers gebruiken om verschillende scenario's te simuleren en proeven en tests uit te voeren voordat u uw producten of diensten op de markt brengt. Ze kunnen grote hoeveelheden gegevens verwerken en feedback geven ter ondersteuning van ontwerp- en campagne-iteraties.

Echter, ondanks al hun toepassingen hebben synthetische persona's een fundamentele beperking: als u te maken heeft met een nieuw concept of probeert een nieuw type klant te begrijpen, zoals plantagewerkers in Colombia, schieten ze waarschijnlijk tekort.

Zoals Christopher Roosen, een voorstander van Human-Centered Design, uitlegt:

"Generative AI is gebaseerd op een vastlegging van het internet... het bewaart de structuur van alle vooroordelen van het internet, waaronder vooroordelen die afwijken van rijk gepresenteerde mensen in al hun kleuren, vormen en ideeën en neigen naar een zeer stereotiepe presentatie van mensen."

AI heeft moeite met het representeren van mensen die online ondervertegenwoordigd zijn, dus wanneer je het vraagt om persona's te genereren voor arbeiders in Colombia, kan het generieke stereotypen creëren omdat de data waarop het getraind is oppervlakkige weergaven bevat van dergelijke mensen. Je tools kunnen belangrijke punten missen, terugvallen op clichés, en de diepgang missen die nodig is om vragen te beantwoorden bedoeld voor nieuwe of gemarginaliseerde groepen.

Wat Zijn Synthetische Interviews?

Synthetische interviews lijken op gebruikersinterviews; echter, in plaats van vragen te stellen aan echte mensen, communiceer je met synthetische deelnemers (ook wel synthetische gebruikers genoemd), meestal via tekstgebaseerde dialoog of enquêteformats, om gebruikersinzichten over verschillende onderwerpen te verzamelen.

Nu weet iedereen die ooit onderzoek heeft gedaan, of het nu interviews of focusgroepen zijn, hoe tijdrovend en duur het kan zijn. Het kost immers veel planning, coördinatie en getrainde professionals om alleen al de juiste vragen voor te bereiden. Daarnaast moet je met veel mensen praten om de juiste doelen en pijnpunten te identificeren.

Vergeleken hiermee lijken synthetische interviews een sneller en kosteneffectiever alternatief te bieden voor het voeren van gesprekken met je gebruikers of klanten.

Volgens John Whalen in zijn les "Hands on with Synthetic Users: Customer Research's Future," zijn synthetische interviews ideaal voor:

• Het genereren van vroege-fase ideeën.
• Het interviewen van nichepubliek zonder ze te hoeven vinden en werven.
• Het stellen van indringende of gevoelige vragen in een veilige, risicovrije omgeving.
• Het verkennen van hypothetische of toekomstige situaties.

Het maakt niet uit wat voor vragen je stelt; synthetische gebruikers aarzelen nooit.

Maar de gegenereerde data of output die je krijgt is niet altijd perfect. Deze interviewantwoorden beantwoorden misschien wel het "wat," maar niet noodzakelijk het "waarom."

Je mist de subtiele context die alleen een menselijk gezicht of stem kan bieden – zonder micro-expressies, intonaties en lichaamstaal. Synthetische interviews hebben ook moeite om de diepte van menselijke emoties vast te leggen, omdat geschreven woorden vaak de contextuele rijkdom missen die in het traditionele onderzoeksproces te vinden is.

Daarom moet je synthetische interviews regelmatig evalueren en valideren tegen menselijke reacties. Waarom de hybride aanpak? Omdat de interviewgegevens dan wel door AI gegenereerd zijn, maar de beslissingen die je op basis daarvan neemt hebben een impact in de echte wereld.

Synthetische Interviews vóór ChatGPT

Scott Stevens en Michael Christel bespraken het onderwerp van synthetische interviews in 1998, in hun paper "Synthetic Interviews: The Art of Creating a "Dyad" Between Humans and Machine-Based Characters." Uiteraard richtten de onderzoekers van Carnegie Mellon zich op Synthetic Interviews, de technologie ontwikkeld door de universiteit.

Hun paper definieerde Synthetic Interviews als:

"Een manier om diepgaand te converseren met een individu of karakter, waarbij gebruikers vragen kunnen stellen op een conversationele manier... en relevante, toepasselijke antwoorden ontvangen op de gestelde vragen."

De technologie moest "levensecht" zijn in het overbrengen van informatie, op een manier die menselijk denken en denkprocessen weerspiegelt. Gebruikers konden vragen stellen aan computer-gegenereerde (CG) persona's via gesproken of getypte interfaces om hun voorkeuren, gedrag en waarden te begrijpen.

Om dit mogelijk te maken werden duizenden videoclips van menselijke acteurs opgenomen en opgeslagen in een database. Deze acteurs werden gefilmd terwijl ze potentiële vragen beantwoordden, samen met extra non-verbale clips, zoals koffie drinken, aan hun hoofd krabben, of glimlachen, om de karakters meer menselijk te laten aanvoelen.

Deze reacties werden vervolgens gepresenteerd in een talking head formaat, zodat gebruikers het gevoel hadden dat ze face-to-face waren met de persoonlijkheid. De CG persona's bevatten ook unieke gewoontes van de uitgebeelde persoonlijkheden, zoals die van Albert Einstein, om ze authentieker te maken.

De interface stelde gebruikers in staat om normaal in een microfoon te spreken en het verloop van het interview te bepalen. Het spraakherkenningssysteem zou hun vragen analyseren met behulp van bestaande LLMs en nauwkeurige resultaten leveren voor relevante vragen en acceptabele resultaten voor onverwachte vragen (lees het paper om te begrijpen wat dit betekent).

Destijds werd deze technologie gezien als een manier om interactieve ervaringen aan te bieden met acteurs, religieuze leiders en andere publieke figuren.

Dit was voordat generative AI tools er waren. Nu kun je simpelweg een model vragen om "te doen alsof" het een bepaald persoon is, of in ons geval, een specifieke klanten- of gebruikersgroep, en het zal direct levensechte reacties genereren, minus de talking heads natuurlijk.

Synthetische interviews genereren met AI

Gebruikersonderzoek uitvoeren zonder mensen klinkt moeilijk, maar dat is het niet. Echt waar. Je hebt alleen een generative AI tool nodig, een goed idee van wie je doelgroep is, en de juiste set prompts en vragen.

• Conversational AI tools: ChatGPT, Gemini, of Claude.
• Doelgroep/persona: Een Word document of PDF die klantenprofielen beschrijft, zoals hun demografische gegevens (leeftijd, geslacht, locatie), carrièreprofiel, psychologische drijfveren, taken die gedaan moeten worden, koopgedrag, belangrijkste obstakels, en meer.

Daarnaast moet je je onderzoeksbehoeften schetsen. Wat zijn je doelen en use cases? Wat wil je leren van deze interviewsessie? Dit helpt je bij het formuleren van je interviewvragen. Bepaal hoeveel synthetische gebruikers je wilt, in welk formaat (tekst, enquêteantwoorden), en hoe divers hun antwoorden moeten zijn.

Voor demonstratiedoeleinden zullen we zeven synthetische gebruikers creëren voor ons nieuwste product, onderzoek persona by Delve AI, met behulp van de gratis versie van ChatGPT.

De eerste stap is het uploaden van een document met details over onze ideale gebruikersgroep - dit helpt om respondenten te beperken tot een bepaalde demografische groep. Vervolgens voegen we de productbeschrijving toe en specificeren we het aantal synthetische deelnemers dat we het systeem willen laten genereren met behulp van een goed geformuleerde prompt.

Eenmaal aangezet genereerde ChatGPT direct diverse synthetische persona's. Hier is een voorbeeld van een persona genaamd Dan Miller, VP of Marketing bij een ecommerce bedrijf.

We legden de volgende interviewvragen (een mix van open vragen en enquête-stijl vragen) voor aan elk van deze persona's.

• Kunt u mij vertellen hoe u of uw team momenteel gebruikerspersona's maakt?
• Welke soorten gegevens gebruikt u meestal? (bijvoorbeeld interviewtranscripties, enquêteresultaten, webanalyses, etc.)
• Hoeveel tijd kost het uw team gewoonlijk om gebruikerspersona's te maken of bij te werken?
• Op een schaal van 1 tot 5, hoe zeker bent u dat uw huidige persona's uw gebruikers nauwkeurig vertegenwoordigen? (1 = Helemaal niet zeker, 5 = Uiterst zeker)
• Wat zijn de grootste uitdagingen die u tegenkomt bij het maken of onderhouden van gebruikerspersona's?
• Als een tool u zou kunnen helpen om in slechts minuten nauwkeurige, data-gedreven persona's te genereren uit uw bestaand onderzoek, hoe waardevol zou dat zijn voor u of uw team?
• Welke functies zou u verwachten of nodig hebben van een dergelijke tool?
• Heeft u ooit eerder een op AI gebaseerde of geautomatiseerde tool gebruikt voor het maken van personas? Zo ja, hoe was uw ervaring?
• Zou u openstaan voor het testen van een nieuwe tool die u helpt sneller persona's te maken met behulp van uw onderzoeksgegevens?
• Wat zou volgens u dit soort product een 'must-have' maken in plaats van alleen een 'nice-to-have'?

We vroegen de chatbot om de interviewantwoorden samen te vatten in een net, professioneel rapport, met de nadruk op de problemen of zorgen die ze hebben met het product, wat ze ervan vinden en ondersteunende citaten.

Zoals verwacht identificeerde het systeem de meeste gemeenschappelijke problemen die gebruikers zouden associëren met dit soort persona-creatie - generieke output, privacyzorgen, etc. Dit werd gevolgd door een samenvatting van wat ze leuk vonden aan het product, wat ook niet slecht was.

Dit interviewproces leverde ons zaken op waar onze potentiële gebruikers mogelijk om geven, maar niets buitengewoons. De antwoorden waren snel - de hele oefening duurde ongeveer 15 minuten - echter, deze gegevens kunnen alleen worden gebruikt om betere, meer specifieke vragen te maken voor uw daadwerkelijke gebruikers.

U kunt de volledige resultaten bekijken, samen met de gebruikte prompts en vragen hier.

Uw interviewgegevens zijn slechts zo goed als de synthetische gebruikers die het systeem opbouwt. Dus als u op deze manier synthetische interviews wilt genereren, controleer dan grondig de klantgegevens die u in het model hebt ingevoerd op kwaliteit. Zijn er vooroordelen of hiaten? Neemt u om te beginnen wel de juiste gegevens op? U traint het systeem om iets na te bootsen, dus zorg ervoor dat dat "iets" ook werkelijk is wat u wilt.

Voor LLMs om gegevens te genereren die de complexiteit en nuance van echte menselijke reacties weerspiegelen, heeft u goede prompts nodig.

Onthoud: Goede invoergegevens + goed opgestelde prompts = Kwalitatieve interview output.

Zodra de synthetische gegevens zijn gegenereerd, valideer deze dan voordat u ze gebruikt. Voer handmatige controles uit en gebruik validatietools om kwaliteit, consistentie en nauwkeurigheid te beoordelen. Belanghebbenden zijn sceptisch over synthetische gegevens (en terecht), dus wees transparant als u door AI gegenereerde gegevens gebruikt in uw gebruikersonderzoeksrapporten.

Mogelijke problemen met synthetische interviews

Michael Mace vergelijkt Synthetic Users, een tool die generatieve AI gebruikt om klantinterviews te simuleren, met interviews met echte mensen in zijn artikel "Can AI replace discovery interviews? A competitive comparison."

Als we de nadelen van synthetische respondenten en daarmee synthetische interviews moeten bespreken, biedt zijn artikel een geweldig uitgangspunt.

Mace voerde een onderzoek uit tussen Synthetic Users en UserTesting (waarmee u vragen kunt stellen aan echte mensen uit een online panel) met behulp van een nieuw idee - een ritdeelservice die vliegende auto's gebruikt.

De resultaten van dit onderzoek waren niet in het voordeel van synthetic users.

Synthetic Users was zeker snel. U maakt de gebruikers aan, voegt de vragen toe, en de antwoorden worden binnen minuten gegenereerd. Daarentegen kostte UserTesting een hele dag - een plan schrijven, screeners opzetten, wachten op antwoorden en vervolgens de resultaten analyseren. En zelfs dan was het moeilijk om de juiste mensen met de gewenste eigenschappen te vinden.

Het probleem met Synthetic Users is dat als u een gebruiker definieert met een specifiek probleem, het niet in twijfel trekt of dat probleem bestaat. Het gaat er gewoon vanuit dat het bestaat. Dus eindigt u met hypothetische gebruikers die in werkelijkheid niet bestaan.

Wat een probleem is.

Zelfs de gegenereerde transcripten waren een beetje te perfect, zonder stopwoorden, herhalingen of onvolledige zinnen. Ze misten de emotionele signalen die UserTesting bood, aangezien er geen video's of expressies waren om te analyseren.

Bovendien klonken de synthetische deelnemers vergelijkbaar met elkaar, met bijna identieke antwoorden.

Ze voelden basaal, gemiddeld en losstaand van de realiteit. Echte gebruikers brachten, hoewel hun antwoorden minder gepolijst waren, meer variatie en detail.

Afgezien van snelheid en een basaal overzicht van je doelgroep, droeg dit instrument niets bij aan het beter begrijpen van hoe je klanten denken en reageren. Wat helaas het probleem is met de meeste synthetische onderzoeksmethodologieën.

Synthetisch Onderzoek: Creëer Gesimuleerde Gebruikers, Enquêtes & Interviews met Delve AI

We hebben gekeken naar de handmatige manieren om synthetisch onderzoek uit te voeren; laten we nu kijken naar de AI-aangedreven manieren. De Synthetic Research Software van Delve AI is een van de tools die je helpt om AI persona's te maken voor je gebruikers of klanten, en deze te gebruiken voor enquêtes en interviews.

Momenteel bevat de onderzoekssoftware drie functionaliteiten:

• Gesimuleerde gebruikers
• Enquêtes
• Interviews

Deze virtuele personas, gebouwd op basis van first-party en openbare gegevensbronnen, zijn schaalbaar en divers. Je kunt elk gewenst aantal gebruikers genereren en zoveel kwantitatieve en kwalitatieve interviews uitvoeren als je wilt.

Stap 1: persona's

Je moet basis-personas maken voordat je gesimuleerde gebruikers ontwikkelt. Daarvoor moet je je abonneren op een van onze persona producten.

Momenteel biedt onze AI-persona generator zes van deze:

• Customer persona (gebaseerd op je CRM-gegevens)
• Website persona (voor je websitebezoekers/kopers)
• Social persona (voor je social media publiek)
• Competitor persona (voor concurrenten)
• Research persona (voor je gebruikers)
• Audience persona (gebaseerd op je publieksbeschrijving)
• Employee persona (voor de werkplek)

In dit geval gaan we persona's bouwen met de eerder genoemde onderzoek persona tool.

Meld je aan of log in bij Delve AI, ga naar onderzoek persona en upload je documenten. Je kunt alles wat relevant is toevoegen, zoals interviewtranscripties, enquêterapporten, industrienieuws of eerdere gebruikersprofielen.

Klik op "Create Personas" en Delve AI zal persona's ontwikkelen op basis van de gegevens die je hebt verstrekt. Maak je geen zorgen als je geen onderzoeksmateriaal hebt; voeg gewoon een korte beschrijving van je doelgroep toe samen met enkele details over je product of bedrijf (optioneel), en wij doen de rest.

Naast jouw input put ons platform uit de kennis van duizenden eerder gegenereerde persona's om unieke klantprofielen te creëren. De output kan één of meerdere persona's zijn, afhankelijk van je doelgroep en gebruik. Elk van deze segmenten bevat persona details, distributie en journey maps.

Klik op persona DETAILS, en je ziet gebruikersdemografie, levensstijl, carrièrestatus, aspiraties, factoren die aankoopbeslissingen beïnvloeden, psychologische drijfveren (doelen, motivaties, behoeften) en kernuitdagingen.

Dit wordt gevolgd door informatie over hun voorkeurskanalen voor communicatie, sociale netwerken, merken, winkelsites, muziek, tv-programma's, films, YouTube-kanalen, podcasts, subreddits, invloedrijke bronnen en meer.

Het tabblad DISTRIBUTIE toont hoe je publiek is verdeeld binnen een bepaald segment, uitgesplitst naar kanaal, sociaal netwerk, leeftijd, geslacht, taal, locatie, activiteitsniveaus en onderwerpen (zowel resonerend als algemeen).

Het laatste tabblad, KLANTENTRAJECTEN, bevat gebruikersreis-kaarten verdeeld in verschillende fasen, waarin de doelen, acties, problemen en denkprocessen van je gebruikers worden verkend.

Opmerking: Je persona's worden maandelijks automatisch bijgewerkt met nieuwe gegevens, en je kunt ze ook aanvullen met extra onderzoeksgegevens.

Stap 2: Gesimuleerde Gebruikers

Nu we de persona's hebben gebouwd, laten we verdergaan met de volgende stap, namelijk het genereren van synthetische gebruikers. Waarom is dit nodig? Omdat je geen interviews kunt afnemen zonder hen.

Om te beginnen, ga naar het Synthetisch Onderzoek dashboard en koop het aantal gebruikers dat je nodig hebt – bijvoorbeeld 100. Maak dan een panel met deze groep en geef het een naam, zoals Marketing Insights Group. Dit zal je later helpen bij het organiseren en beheren van je doelgroepen.

Je wordt naar een scherm geleid waar je de persona(s) of persona product kunt selecteren die je wilt gebruiken om synthetische gebruikers te genereren. Hier kiezen we een segment uit onderzoek persona genaamd Edward Collins.

Zoals hieronder te zien is, heeft de software 100 synthetische gebruikers gegenereerd op basis van dat specifieke gebruikerspersona segment. Elke gebruiker heeft een "Start Chat" optie, die je kunt gebruiken om met hen te communiceren (zie Digital Twin voor meer informatie).

Stap 3: Enquêtes + Interviews

Onze gesimuleerde persona's zijn klaar; het is tijd om gebruikersonderzoek enquêtes en interviews uit te voeren.

Klik in de zijbalk op Marketing Insights Group, selecteer dan Enquêtes uit het dropdown menu. Klik op het dashboard op de knop "Maak Enquête". Je wordt gevraagd om je enquêtenaam in te voeren (bijv. Product markt fit enquête), het aantal gebruikers te specificeren (bijv. 100), en een CSV-bestand te uploaden dat je enquêtevragen bevat.

Je bestand kan verschillende soorten vragen bevatten, zoals meerkeuzevragen, beoordelingsschalen, Likert-schalen, open vragen en rangschikkingsvragen. Het zal slechts kort duren voordat je antwoorden zijn gegenereerd.

Samen met de resultaten kun je inzoomen op welke respondenten specifieke antwoorden gaven op elke vraag en hen zelfs vragen naar de redenen achter hun keuzes via de chatfunctie.

Je kunt hen ook vragen naar feedback over andere marketing- en productgerelateerde onderwerpen. In het bovenstaande voorbeeld hebben we een gebruiker gevraagd welke factoren van invloed waren op hun beslissing om een aankoop te doen bij het online winkelen.

Wat maakt deze tool anders

Een belangrijke kritiek op AI-gegenereerd onderzoek is dat het de authenticiteit, diepgang en emotionele nuances mist die men doorgaans krijgt uit echte interviews. Dit, en de zorg dat vooroordelen in de trainingsdata mogelijk je onderzoeksresultaten kunnen beïnvloeden.

Zoals Niloufar Salehi schrijft in haar artikel over synthetische gebruikers:

"Het hele punt van de tijd nemen om mensen te interviewen en dan... de grote hoeveelheden verzamelde gegevens te analyseren is het vermogen om met hen te verbinden, vertrouwen op te bouwen, dieper te graven, hen te vragen verhalen te delen, en te leren over hun gevoelens en emoties. Pattern synthesis engines hebben niets van dit alles."

Voor mensen of teams die net beginnen, vooral degenen zonder tijd of budget voor uitgebreid gebruikersonderzoek, kunnen synthetische interviews echter een aantrekkelijk en toegankelijk alternatief zijn.

Delve AI's Synthetic Research Software werft geen mensen. Of interviewt ze.

Maar het gebruikt wel de informatie die je hebt verzameld over je gebruikers om look-alike doelgroepen te creëren. Deze virtuele gebruikers, gebouwd uit persona's gegenereerd met behulp van je first-party (CRM, webanalytics), second-party (social audience data, competitor intelligence), en Voice of Customer data, zijn niet iets generiek dat ChatGPT heeft bedacht.

Ze zijn aangepast aan jouw zakelijke use case en zouden je waarschijnlijk een beter begrip geven van je gebruikers en hun kernbehoeften.

Laten we naar de positieve kant kijken

Synthetische interviews kunnen problematisch zijn, maar alleen als de gesimuleerde gebruikers waarmee je ze uitvoert algemeen, onnauwkeurig of bevooroordeeld zijn. De kwaliteit van de synthetische persona's is direct gerelateerd aan de kwaliteit van de antwoorden die je krijgt; hoe beter de kwaliteit, hoe beter de antwoorden.

Dus, de verantwoordelijkheid ligt bij jou om betrouwbare synthetische onderzoekssoftware te selecteren of, als je daartoe in staat bent, te bouwen (wat veel middelen zal vergen).

Zodra je er een vindt, kun je deze gebruiken om de voor de hand liggende problemen te identificeren voordat je echte interviews afneemt. Synthetische gebruikers zijn ook goed voor het brainstormen over nieuwe ideeën. Frisse perspectieven of meningen die er al waren, maar waar je geen weet van had.

Het spreekt voor zich dat synthetische interviews in hun huidige stadium alleen ter aanvulling van je onderzoeksstudies moeten dienen. Gesimuleerde gebruikers mogen nooit voorrang krijgen op echte gebruikers. Je kunt ze gebruiken om verschillende scenario's te testen, maar valideer die resultaten altijd met je echte onderzoeksbevindingen.

Uiteindelijk maakt het niet uit welk soort gebruikers je kiest; wat telt zijn de vragen die je stelt, of niet stelt.