Zijn Synthetische Persona's de Nieuwe Norm van Gebruikersonderzoek?

Kunstmatige intelligentie heeft elk aspect van marketing getransformeerd - van contentcreatie tot beeldgeneratie tot consumentenonderzoek. We zijn nu op een punt gekomen waar AI-modellen AI-gegenereerde data gebruiken om zichzelf te trainen. Waarom? Omdat ze geen menselijke data meer hebben; machines leren niet van mensen maar van andere machines. Natuurlijk zijn AI-assistenten nog niet perfect, maar ze worden elke dag beter.

Het is dus geen verrassing dat grote taalmodellen echte mensen kunnen vervangen in enquêtes, interviews en onderzoeken. Marktonderzoekers gebruiken al generatieve AI-tools zoals ChatGPT om synthetische personas te creëren die menselijk gedrag kunnen nabootsen, beschrijven en (soms) succesvol voorspellen. Het doel is eenvoudig: de marketingkosten verlagen en tegelijkertijd de gebruikerservaringen verbeteren.

Synthetische persona's maken traditioneel consumentenonderzoek overbodig, wat marketeers als essentieel beschouwen voor het begrijpen van klanten en het verkopen van hun producten. Deze methoden zijn echter duur en tijdrovend. Belangrijker nog, ze vereisen grote budgetten en menselijke middelen - mensen die bereid zijn deel te nemen aan een enquête en uw vragen te beantwoorden. Met stijgende marketingkosten en mensen die gevoeliger worden over het soort gegevens dat ze delen, vinden marktonderzoekers het vaak moeilijk om kwalitatieve klantinformatie te verzamelen.

Het is dit knelpunt - het verzamelen, verwerken en analyseren van demografische en gedragsgegevens van consumenten - dat synthetische persona's proberen op te lossen. Hoewel ze kwalitatief en kwantitatief onderzoek met menselijke interacties niet kunnen vervangen, kunnen ze uw onderzoeksmethoden aanvullen door u te helpen een algemeen beeld te krijgen van de reactie die uw producten of marketingcampagnes zullen krijgen en weloverwogen beslissingen te nemen.

Wat Is een Synthetische Persona?

Een synthetische persona is een virtuele klant gecreëerd met AI en machine learning algoritmes gebaseerd op gebruikersdemografie, psychografie en gedragsdata. Het geeft een nauwkeurige weergave van een specifiek publiekssegment, met beschrijving van hun voorkeuren, afkeuren, gedachten, preferenties, behoeften en uitdagingen. Hoewel synthetische gebruikers lijken op klantpersona's, zijn ze anders in die zin dat je direct met ze kunt communiceren of praten.

Ze verschillen niet van AI-mensen die door bedrijven zijn gemaakt met modelgeneratie en geavanceerde aansturing. Zulke avatars kunnen oogbewegingen, gezichtsuitdrukkingen en pupilverwijding volgen om menselijke emoties te begrijpen en nuttige instructies te geven (of in sommige gevallen, hun producten of diensten te verkopen).

Afhankelijk van het doel van je onderzoek kun je een diverse set synthetische personas maken met ChatGPT of toegewijde AI persona generators zoals Delve AI. Ze zijn relatief eenvoudig te maken en goedkoper dan het werven van en onderzoek doen met echte mensen. Je hebt volledige controle over de data die in het systeem wordt ingevoerd en kunt vervolgvragen stellen om het interview voort te zetten.

Opmerking: ChatGPT heeft veel prompting nodig om het juiste klantsegment te begrijpen en de bijbehorende gebruikerspersona aan te nemen.

Om synthetische gebruikers te laten werken, moet je zorgen dat er standaarden zijn. Je data moet gevalideerd worden voordat deze in de AI-systemen wordt ingevoerd. De resulterende personas moeten ook worden gecontroleerd en vergeleken met echte use cases voordat je ze gebruikt.

Hoe synthetische klanten werken

Een synthetische persona is een methodologie waarbij je een geselecteerde hoeveelheid klantdata invoert in grote taalmodellen (LLMs) zoals GPT-3 en deze prompt om de "persona" van een echte klant aan te nemen op basis van de data die je hebt verstrekt. Deze data bevat meestal demografische informatie zoals leeftijd, geslacht en locatie, samen met psychografische kenmerken, zoals persoonlijkheidskenmerken, attitudes, levensstijlen en interesses. De gegenereerde persona wordt vervolgens gebruikt in klantonderzoeken om mensachtige responses te geven.

De nauwkeurigheid van de synthetische personas is direct evenredig aan de kwaliteit van de trainingsdata. Hoe hoger de kwaliteit, hoe beter je personas. Als je invoerdata algemeen en onnauwkeurig is, zal de output ook zo zijn.

Datakwesties terzijde, je kunt synthetische gebruikers gebruiken om een diverse reeks klanten te simuleren en hen vragen naar hun behoeften, pijnpunten en uitdagingen met betrekking tot je product of dienst. Je kunt ze gebruiken in kwalitatief onderzoek om gebruikersinzichten te verkrijgen, productontwerpen te maken en advertentiecreaties te testen voor verschillende doelgroepen.

Synthetische data en gebruikersonderzoek

In het verleden was de telefoon een essentieel instrument voor het uitvoeren van enquêtes, interviews en zakelijke gesprekken. Telefonische enquêtes werden een geweldige manier om inzichten van mensen te verzamelen. Met de vooruitgang van technologie en de komst van het Internet, kon je vervolgens online enquêtes uitvoeren.

We maken een sprong naar de 21e eeuw, en we hebben synthetische consumentendata gegenereerd door AI en ML algoritmen. Je weet dat LLMs een enorme hoeveelheid trainingsdata uit boeken, academische tijdschriften, kranten en meer verwerken om mensachtige responses in tekstformaat te synthetiseren. Ze kunnen tekst samenvatten, vragen beantwoorden en zelfs gedichten schrijven. LLMs zijn continu lerende entiteiten—ze leren van hun fouten.

Deze dataverwerkings- en leercapaciteit stelt hen in staat om consumentendata te analyseren, synthetische gebruikers te bouwen en te helpen bij gebruikersonderzoek door responses te genereren. Hoewel synthetische data is afgeleid van gebeurtenissen uit de echte wereld, is het niet hetzelfde als de data die je verzamelt van menselijke enquêterespondenten. Het wint tegenwoordig aan populariteit bij bedrijven omdat ze scenario's kunnen testen en interviews kunnen afnemen zonder zich zorgen te maken over privacywetgeving.

Kosten en tijd spelen ook een grote rol. Zoals eerder uitgelegd, hebben kwantitatief en kwalitatief onderzoek hoge kosten - je moet data verwerken, respondenten verzamelen, tijd inplannen en interviews afnemen om trends en patronen in consumentengedrag te ontdekken. Synthetische data helpt onderzoekers gemakkelijk nieuwe workflows te ontwikkelen en verschillende scenario's te simuleren.

AI-aangedreven virtuele assistenten kunnen gebruikersonderzoek uitvoeren door mensen namens jou te interviewen - soms in meerdere talen, 24/7. Ze kunnen consumentenreacties analyseren om gepersonaliseerde vervolgvragen te stellen. Synthetische persona's helpen kwantitatieve onderzoekers daarnaast bij het bestuderen van onbereikbare demografische groepen en het invullen van ontbrekende data en enquêtes met geavanceerde voorspellende mogelijkheden. Niche doelgroepsegmenten kunnen worden geanalyseerd, zonder extra kosten.

Synthetische Gebruikers Creëren met Delve AI: Plus Andere ChatGPT Prompts

Een goede manier om klanten te begrijpen is door naar hen te luisteren – een ruwe klantprofiel opstellen en proberen met hen mee te leven. Maar hoe werken deze drie processen? Je krijgt menselijke feedback om te luisteren, maakt een koperspersona om te karakteriseren, en ontwikkelt een klantreis kaart om mee te leven. De vierde stap, interactie, werkt met ChatGPT personas.

Persona door Delve AI is een persona-gebaseerde marketing software die je helpt personas te maken voor je website, concurrenten en social media publiek. Het dekt alle vier genoemde aspecten – consumentendata, personas, gebruikersreizen, en interactieve gebruikers chatbots.

Hier is hoe: onze software verzamelt je first-party (webanalytics, search console, en CRM-data) en second-party (social analytics en concurrent intelligence) data, verrijkt deze vervolgens met 40+ openbare databronnen (bijv. Voice of Customer data uit reviews, beoordelingen, feedback, online forums en kranten) om datagedreven personas voor je te creëren.

Drie tot zeven personas worden gegenereerd afhankelijk van je bedrijf, met B2B persona segmenten gemarkeerd in groen en B2C personas gemarkeerd in blauw.

Elke persona geeft je persona details, distributie, en voorbeeld gebruikersreizen om de eigenschappen, kenmerken en gedragingen van je gewenste en ongewenste publiekssegmenten vast te stellen. Bijvoorbeeld, een e-commerce bedrijf zal bounchers, passieve browsers, winkelwagenverlaters, en hoogwaardige koperssegmenten kunnen identificeren, respectievelijk gemarkeerd in blauw en rood.

PERSONA DETAILS bieden de leeftijd, geslacht, locatie, werkprofiel, doelen, motivaties, pijnpunten, waarden, interesses, uit te voeren taken, en hobby's van dat specifieke segment. Daarnaast krijg je inzichten in hun favoriete sociale netwerken, merken, e-commerce sites, tools, TV-programma's, films, YouTube-kanalen, podcasts, evenementen, en meer.

Het DISTRIBUTIE TABBLAD groepeert het segment op leeftijd, geslacht, locatie, taal, marketingkanalen, online activiteitstijden, acties, en besluitvormingsfase. VOORBEELDREIZEN tonen het totale aantal bezoekers, samen met hun sessies, paginaweergaves, conversies, en de besluitvormingsfase waarin de gebruiker zich bevindt. Het beste ervan? Je AI-gegenereerde personas en gebruikersreizen worden automatisch bijgewerkt met real-time klantgegevens.

Laten we nu ingaan op onze binnenkort te lanceren chat met personas functie. Het dashboard lijkt op WhatsApp of een andere berichten-app. Twijfels over je nieuwe product of marketingtekst? Bezoek simpelweg ons platform, selecteer je doel-persona, en stel je vraag. Je kunt ook direct een vraag stellen via Slack – het enige wat je hoeft te doen is je Slack workspace integreren met Delve AI.

ChatGPT prompts om synthetische personas te maken

Het biedt gebruikers de mogelijkheid om online te interacteren met waardevolle klantsegmenten. ChatGPT kan enorme hoeveelheden ongestructureerde data verwerken – numerieke data, functieprofielen, literatuur, onderzoekspapers, forums, reviews en websites – en deze logisch presenteren. Als zodanig is het een gratis alternatief om interactieve personas te maken die je kunt gebruiken in consumentenonderzoek.

Het is eigenlijk een simpele oefening:

• Upload je klantdata in ChatGPT
• Laat het de mogelijke segmenten opsommen
• Selecteer het publiekssegment dat je wilt bereiken
• Vraag ChatGPT om de persona van dat segment aan te nemen

Je kunt de persona dan vragen om deel te nemen aan een enquêtesessie. Let op dat ChatGPT personas alleen nuttig zijn wanneer je brede klantprofielen hebt en geen niche doelgroep. Tenzij je natuurlijk genoeg kwalitatieve en kwantitatieve data hebt voor ChatGPT om aannames te maken.

Zo kunnen je prompts eruitzien:

Prompt 1: Analyseer en structureer de verstrekte klantdata, met focus op belangrijke demografische, gedragsmatige en psychografische kenmerken. Vat samen en benadruk duidelijke trends of patronen in verschillende klantkenmerken.

Prompt 2: Gebruik deze gestructureerde data om mogelijke klantsegmenten op te sommen. Benoem elk segment en beschrijf kort hun onderscheidende kenmerken, inclusief hun interesses, aankoopgedrag en andere opvallende demografische details.

Prompt 3: Focus van deze segmenten op [Segmentnaam]. Geef meer details over hun belangrijkste motivaties, typische pijnpunten en potentiële merkinteracties.

Prompt 4: Neem de persona aan van een typische klant uit het [Segmentnaam] publiek. Beschrijf hun dagelijkse levensstijl, interesses, kernwaarden en specifieke behoeften. Neem het karakter van deze persona aan voor verdere interactie.

ChatGPT kan betekenis niet begrijpen, dus het kan niet worden gebruikt om patronen van betekenis te creëren die synthetische gebruikers je communiceren in een onderzoek. Het helpt je niet om de verschillende benaderingen te begrijpen die mensen nemen om een doel te bereiken of een taak te voltooien. AI kan producten niet gebruiken als je erover nadenkt – het kan alleen maar voorstellen. Je kunt tests uitvoeren om je productideeën te valideren, maar elke mening zou gewoon positief kunnen zijn – ChatGPT personas zijn erop gericht om de interviewer tevreden te stellen.

Emporia Research voerde een vergelijkend onderzoek uit tussen drie groepen enquêterespondenten: LinkedIn-geverifieerde respondenten, door AI gegenereerde synthetische gebruikers gebaseerd op doel-LinkedIn profieldata, en gebruikers gebaseerd op AI-gegenereerde personas die IT-besluitvormers vertegenwoordigen. Hun onderzoek toonde aan dat door AI gegenereerde B2B synthetische gebruikers een sterk positieve vooringenomenheid vertonen in vergelijking met echte respondenten. Ze volgen een kuddegedrag; de kwaliteit van de inzichten is ook niet zo geweldig.

Synthetische Personas in Actie: Gebruiksscenario's en Voorbeelden

Marko Sarstedt illustreert het gebruik van synthetische personas in onderzoek en ontwerp in zijn onderzoek naar siliconenmonsters. Hij gebruikte ze om feedback te krijgen op enquêtevragen en verpakkingsontwerp te verfijnen. Naast zijn toepassingen kunnen synthetische personas ook worden gebruikt voor andere marketing- en productgerelateerde gebruiksscenario's.

Marketing, segmentatie en merkpositionering

Je kunt twee soorten synthetische personas maken: die individuele klanten vertegenwoordigen en die groepen klanten vertegenwoordigen. Beide stellen je in staat om informatie te krijgen over gebruikersgedrag en voorkeuren zonder toegang tot privégegevens van klanten. Het is een goed beginpunt voor professionals die niet bekend zijn met hun doelgroep. Je kunt verschillende klantsegmenten ontwikkelen om je campagnes te testen en te identificeren welke het beste reageren. Hierdoor kun je je marketingmiddelen, content en teksten aanpassen aan de voorkeuren van je doelgroepsegmenten.

Upload simpelweg je marketingplannen, grafische ontwerpen, video's en advertenties om feedback te krijgen in het campagneontwikkelingsproces. Na het uploaden van je materiaal in het model, vraag de synthetische gebruiker om input, zoals:

• Roept deze videoadvertentie blijdschap of verdriet op (vervang het met je gewenste emotie)?
• Waar zou je deze advertentie willen zien? Op billboards, Facebook, Instagram of LinkedIn?
• Vind je de algemene boodschap die de advertentietekst probeert over te brengen goed?
• Hoe waarschijnlijk is het dat je op deze e-mailcampagne reageert?

Voeg bovendien prestatiegegevens van eerdere marketingcampagnes toe om te controleren wat wel en niet werkte - het geeft het AI-model meer context om mee te werken. Je zult je prompts moeten verfijnen om efficiënte output te krijgen, maar de resultaten zijn het meer dan waard. Wie weet helpt het je wel om een advertentie te maken die viraal gaat!

In productontwikkeling, ontwerp en testen

Synthetische gebruikers stellen productteams in staat om zich in te leven in hun gebruikers en nieuwe producten, functies en functionaliteiten te creëren die aansluiten bij consumentenbehoeften en -verwachtingen. Je kunt gebruiksscenario's simuleren om potentiële problemen te identificeren en ervoor te zorgen dat je product goed functioneert in verschillende situaties.

Bedrijven kunnen ze gebruiken om hun productontwerpen te valideren voordat ze deze openbaar lanceren. Ze kunnen bijvoorbeeld testen hoe goed de gebruikersinterface en interacties werken in een relatief risicovrije omgeving (omdat ze het niet hoeven te testen op echte klanten). Dit helpt hen bij het verfijnen van de algehele productgebruikerservaring (UX), waardoor de kans op problemen bij de officiële lancering van het product aanzienlijk wordt verkleind, wat nieuwe gebruikers aantrekt en klantverloop vermindert.

Vraag: Als je geen onderzoek kunt uitvoeren, is het dan oké om synthetische personas te gebruiken? Misschien wel, misschien niet. Je kunt altijd iets nieuws leren, in tegenstelling tot helemaal niets leren. Toch is het niet ideaal om kritieke product- of marketingbeslissingen te baseren op synthetische gegevens.

Stel je voor dat je nieuwe functie een succes is bij je synthetische klanten. Je lanceert het op de markt, maar het mislukt bij de daadwerkelijke gebruikers. Wat gebeurt er dan? Je verspilt middelen en verliest geld dat beter ergens anders besteed had kunnen worden. Neem hun reacties dus altijd met een korreltje zout.

De Uitdagingen met Synthetische Gebruikers

Hoe geavanceerd AI ook wordt, er zijn veel meer beperkingen aan synthetische gebruikers dan op het eerste gezicht lijkt. Synthetische persona's worden gebouwd met behulp van machine learning modellen, dus ze zijn erg nuttig in scenario's waar echte klantgegevens schaars of beperkt zijn. Er zijn echter enkele dingen die je moet weten voordat je ze in je werkproces opneemt.

Om te beginnen hebben synthetische persona's moeite met het vastleggen van het volledige spectrum van menselijk gedrag en handelingen; hun reacties kunnen te vereenvoudigd, algemeen of logisch zijn. Mensen zijn niet altijd logisch – we worden beïnvloed door verschillende interne en externe factoren (zoals onze persoonlijke ervaringen, persoonlijkheden, meningen en waarden) die bepalen hoe we functioneren en reageren op dingen.

Artificial intelligence en machine learning systemen, de fundamenten van synthetische persona's, kunnen deze factoren nog niet begrijpen. AI-respondenten willen bijvoorbeeld altijd de interviewer tevreden stellen, elke gegeven taak volledig voltooien en vragen bevestigend beantwoorden (een verschijnsel dat sycofantie wordt genoemd). Ze geven eendimensionale antwoorden en lijken om alles te geven; met een lange lijst van behoeften, uitdagingen en interesses. Mensen hebben geen dergelijke lijsten – ze geven om specifieke dingen, en andere dingen komen niet eens in hen op.

In hun paper getiteld "A Manager and an AI Walk into a Bar: Does ChatGPT Make Biased Decisions Like We Do?" ontdekten Chen et al. dat ChatGPT vaak niet in staat is om effecten te repliceren die kenmerkend zijn voor klantgedrag, zoals de sunk cost fallacy. Mensen blijven bieden op een item, zelfs nadat de prijs boven de waarde is gestegen, alleen omdat ze het bod willen winnen. Er is verder geen hiërarchie in hun antwoorden – hoe begrijp je wat belangrijk is en wat niet?

Een andere zorg is de data die wordt gebruikt om synthetische persona's te creëren; als de trainingsdata bevooroordeeld is, zullen de antwoorden stereotypen bevatten en bestendigen. Dataschaarste maakt het ook moeilijk om ondervertegenwoordigde of gemarginaliseerde gebruikers te representeren. Validatie is ook lastig. Het is niet eenvoudig om synthetische gebruikers te testen tegen realistische situaties en uitkomsten. Ze moeten voortdurend worden gemonitord, bijgewerkt en geverifieerd met echte gebruikersdata. We hebben het over data die geanonimiseerd is en geen gevoelige klantinformatie onthult.

Zelfs als je al deze zaken hebt afgevinkt, kan het integreren van synthetische gebruikers in je bestaande systemen moeilijk blijken. Los van technische en dataproblemen kan het overtuigen van sceptische stakeholders over hun nut je grootste uitdaging zijn. Het wordt erger: je bedrijf zou gewend kunnen raken aan het gebruik van synthetische klanten voor gebruikersonderzoek en niet meer willen investeren in het echte werk.

De Toekomst van Synthetische Gebruikerspersona's

Synthetische persona's onthullen onbekende inzichten over je klanten. Maar kunnen we synthetische data vertrouwen? Is het betrouwbaar, is het ethisch? Wie weet. Sommigen zeggen dat ze de toekomst zijn van gebruikersonderzoek, anderen zeggen dat ze de nuance en variatie missen die meestal bij menselijke respondenten wordt gevonden. Toch zijn synthetische persona's, in een wereld waar marktonderzoek een fortuin kost, een kosteneffectieve manier om je klanten te begrijpen.

Je kunt leren over een nieuwe gebruikersgroep, wat hen interesseert, en hoe ze zich online gedragen, en proto-persona's en gebruikersreizen ontwikkelen die je kunnen helpen met echte gebruikers. Zoals elke andere uitvinding komen synthetische gebruikerspersona's met een lijst van voor- en nadelen, maar als het goed wordt gedaan, wegen de eerste ver op tegen de laatste.