Tại sao nhóm tập trung tổng hợp đang trở nên phổ biến trong nghiên cứu thị trường

Nhóm tập trung tổng hợp mô phỏng các tương tác thực tế của con người bằng cách sử dụng những người trả lời do AI tạo ra. Về cơ bản, bạn thu thập dữ liệu về khách hàng của mình, đưa nó vào công cụ nghiên cứu thị trường tổng hợp và tạo ra những người dùng tổng hợp phản hồi dựa trên thông tin đó. Bên cạnh các cuộc trò chuyện văn bản, bạn cũng có thể sử dụng chúng để chạy khảo sát, phỏng vấn và các nghiên cứu kiểm thử người dùng tổng hợp.

Nhưng điểm mấu chốt của những người trả lời tổng hợp là gì? Người ta có thể tranh luận rằng bạn chỉ nhận được những câu trả lời mà bạn vốn có thể đoán được. Điều gì mới lạ về cách tiếp cận này nếu bạn không thực sự khám phá ra bất kỳ thông tin mới nào?

Chắc chắn, nó rẻ hơn các phương pháp nghiên cứu truyền thống, vốn có thể tốn nhiều chi phí và thời gian, với việc tuyển dụng người tham gia và mời một nhà nghiên cứu thị trường đáng tin cậy tham gia. Thêm vào đó, bạn có được các mô phỏng không bao giờ mệt mỏi, luôn sẵn sàng 24/7 và chỉ tốn một phần nhỏ chi phí. Bạn có thể tiếp tục đặt câu hỏi và điều chỉnh nghiên cứu của mình khi cần thiết mà không phải lo lắng về sự mệt mỏi hoặc lịch trình xung đột.

Có rất nhiều ưu và nhược điểm khác của các nhóm tập trung tổng hợp, và trong bài viết này, chúng tôi sẽ đề cập đến hầu hết chúng, cùng với cách chúng hoạt động và một số trường hợp sử dụng trong thực tế.

Tất Tần Tật Về Khách Hàng Tổng Hợp & Nghiên Cứu Thị Trường

Nghiên cứu thị trường tổng hợp tận dụng các mô hình AI và hệ thống học máy để tạo ra "người dùng tổng hợp" thực tế dựa trên nhân khẩu học, tâm lý học và đầu vào hành vi của đối tượng thực tế. Những persona tổng hợp này hoạt động như khách hàng ảo và phản hồi theo cách giống con người, cho phép các nhà tiếp thị chạy các nghiên cứu mà không phụ thuộc hoàn toàn vào người tham gia thực tế.

Bây giờ, chúng có chính xác không? Điều đó còn phải bàn cãi.

Ví dụ, một nghiên cứu từ Google DeepMind và Stanford phát hiện ra rằng "con người tổng hợp" dựa trên GPT khớp với câu trả lời khảo sát của người tham gia thực tế khoảng 85% thời gian, chứng minh rằng AI có thể bắt chước chặt chẽ người dùng thực khi được đào tạo trên dữ liệu con người chất lượng.

Các nhà nghiên cứu đầu tiên đã tiến hành các cuộc phỏng vấn định tính kéo dài hai giờ để thu thập lịch sử cuộc sống toàn diện từ một nhóm đa dạng gồm 1.000 người. Những cuộc phỏng vấn này sau đó được đưa vào GPT-4o để tạo ra persona tổng hợp, hay "agents". Tiếp theo, cả người tham gia và các AI agents tương ứng của họ đều được yêu cầu hoàn thành một loạt các bài kiểm tra khoa học xã hội, như General Social Survey (GSS) và Big Five Personality Inventory.

Kết quả cho thấy các agents đã sao chép các câu trả lời GSS của người tham gia với độ chính xác 85%.

Một mô hình tương tự xuất hiện trong một trường hợp sử dụng thực tế tại tòa soạn. Trong một tập podcast Digiday, Tracy Yaverbaun, Tổng Giám Đốc của The Times và Sunday Times, giải thích cách nhóm của cô đã thử nghiệm với công nghệ nghiên cứu tổng hợp. Để kiểm tra nó, họ đã xây dựng một bảng điều khiển đối tượng do AI tạo ra với cơ sở dữ liệu gồm 642.000 người đăng ký.

The Times sau đó đã sử dụng những người trả lời tổng hợp đó để giúp hoàn thiện tên cho một podcast kinh doanh mới. Và giống như trong nghiên cứu DeepMind, họ đã so sánh các phản hồi tổng hợp với người dùng thực. Câu trả lời của bảng điều khiển tổng hợp chính xác khoảng 92%, chỉ thấp hơn một điểm phần trăm so với tiêu chuẩn nghiên cứu truyền thống là 93%.

Tất nhiên, không phải tất cả các phản hồi đều có ý nghĩa.

Khi được hỏi về những trải nghiệm mới nào họ muốn từ Times, các khách hàng tổng hợp đều rất hào hứng với các bản tóm tắt, các công cụ giải thích AI và nhiều tự động hóa hơn. Tuy nhiên, cơ sở khách hàng trung thành thực tế lại ít hào hứng hơn nhiều về việc đưa AI vào sản phẩm.

Vì vậy, nó hơi không chắc chắn, tùy thuộc vào cách bạn nhìn nhận nó. Hiện tại, những người trả lời tổng hợp cung cấp một không gian để thử nghiệm, một sandbox để các thương hiệu thử nghiệm, thay vì thay thế cho nghiên cứu trong thế giới thực.

Nhóm Tập Trung Tổng Hợp Là Gì? Ưu Điểm, Nhược Điểm & Thông Tin Khác

Như đã đề cập trước đó, nhóm tập trung tổng hợp (SFG) đại diện cho các persona AI hoặc người dùng mô phỏng đại diện cho các loại người dùng khác nhau. Những người dùng này có thể nói chuyện với nhau, phản ứng với những gì người khác nói và thảo luận ý tưởng cùng nhau, giống như những người tham gia trong một nhóm tập trung thực sự.

SFG không chỉ phân tích dữ liệu hiện có – trái ngược với phân tích AI truyền thống hoặc mô hình dự đoán – chúng chủ động tạo ra những hiểu biết định tính mới thông qua cuộc trò chuyện bằng văn bản. Và lý do chúng đang được chú ý ngày nay rất đơn giản: các nhóm tập trung truyền thống không thực sự khả thi đối với các doanh nghiệp nhỏ và startup.

Đó cũng là trường hợp của các thương hiệu lớn. Chúng đắt đỏ, tốn thời gian và phức tạp về mặt logistics. Bạn phải tuyển dụng người tham gia, thiết kế kế hoạch nghiên cứu và tự điều hành cuộc thảo luận hoặc thuê một người điều hành chuyên nghiệp, điều này có thể khiến quá trình trở nên đắt đỏ hơn nữa.

Ngoài ra, các nhóm tập trung tổng hợp cho phép bạn kiểm tra nhiều kịch bản, thông điệp và khái niệm sản phẩm một cách nhanh chóng. Bởi vì chúng là các persona AI, không có hiệu ứng bandwagon, không có một "giọng nói lớn" nào thống trị cuộc trò chuyện, và ít áp lực xã hội hơn nhiều có thể ảnh hưởng đến phản hồi. Chúng cũng loại bỏ sự thiên vị của người điều hành, vì người điều hành AI tuân theo cấu trúc thảo luận được xác định trước.

Cách các nhóm tập trung tổng hợp hoạt động trong thực tế

Hầu hết các công cụ nghiên cứu tổng hợp hoạt động theo cách khá tương tự khi nói đến các nhóm tập trung. Bạn chọn hội đồng của mình, chia sẻ mục tiêu nghiên cứu của bạn, sau đó thêm hướng dẫn thảo luận. Từ đó, một người điều hành AI sẽ chạy phiên cho bạn, giới thiệu các chủ đề, đặt câu hỏi tiếp theo và giữ cuộc trò chuyện đi đúng hướng.

Một trong những lợi thế là bạn có thể chạy nhiều nhóm tập trung đồng thời, mỗi nhóm được điều chỉnh cho một phân khúc khách hàng hoặc persona khác nhau. Kết quả gần như tức thì, hoàn chỉnh với bản ghi và những hiểu biết dễ tiêu hóa, bao gồm các chủ đề chính, tình cảm, điểm đồng ý hoặc không đồng ý, và trích dẫn.

Phần tốt nhất là bạn có thể thử nghiệm tự do. Không có ý tưởng nào quá rủi ro hoặc quá táo bạo để thử.

Các nhóm marketing có thể chạy các ý tưởng chiến dịch rủi ro qua một nhóm tập trung tổng hợp trước để xem các người dùng khác nhau phản ứng như thế nào, tiêu đề nào gây được tiếng vang và thông điệp nào không hiệu quả. Đồng thời, một nhóm UI/UX có thể tạo nguyên mẫu quy trình thanh toán mới và sử dụng người dùng tổng hợp để thực hiện, tìm ra những khu vực mà mọi người bị nhầm lẫn hoặc bỏ cuộc. Trong khi đó, các nhóm sản phẩm có thể kiểm tra ba mô hình định giá khác nhau — đăng ký, trả theo mức sử dụng và freemium — bằng cách chạy các nhóm tập trung song song và xem tùy chọn nào cảm thấy hấp dẫn nhất đối với mỗi phân khúc.

Vì mọi thứ diễn ra nhanh chóng và không có rủi ro thực tế, các nhóm có thể thử các ý tưởng phức tạp và cải thiện chúng trước khi liên quan đến khách hàng thực sự.

Ưu điểm và nhược điểm của các nhóm tập trung tổng hợp

Rõ ràng chúng ta đang ở trong một kỷ nguyên mà có vẻ như bạn thậm chí không cần con người để tiến hành nghiên cứu thị trường nữa. Nhưng đây có phải là điều lớn tiếp theo trong MarTech hay chỉ là một mánh khóe AI khác?

Chỉ trích chính là các mô hình AI phụ thuộc vào dữ liệu lịch sử, vì vậy về cơ bản chúng đang remix những gì đã được biết thay vì tạo ra điều gì đó mới. Nhưng điều đó không thực sự là vấn đề nếu mục tiêu của bạn là hiểu các phân khúc khách hàng hiện có của bạn.

Cũng có thực tế là AI không có cảm xúc. Nó không phải con người. Nó không bị khó chịu, mệt mỏi hoặc thiên vị theo cách mà con người làm, điều này thực sự có thể là một lợi thế vì những cảm xúc đó thường ảnh hưởng đến các phản hồi phỏng vấn thực tế.

Mặt khác, thật khó để hoàn toàn tin tưởng vào phản hồi mà người dùng tổng hợp tạo ra. Sau một thời điểm nhất định, dữ liệu có thể bị pha loãng và có thể ngừng là đại diện thực sự của trải nghiệm con người thực. Hãy nhớ "AI content ouroboros," nơi các mô hình AI được đào tạo trên nội dung do AI tạo ra?

Vậy tại sao bạn nên sử dụng các nhóm tập trung tổng hợp?

Trước hết, hầu hết các doanh nghiệp đơn giản là không có khách hàng hào hứng trả lời khảo sát hoặc tham gia các nhóm tập trung. Trong những trường hợp đó, phương pháp tổng hợp có thể là một giải pháp thay thế thực tế.

Bạn không phải chi tiền tuyển dụng hoặc quản lý những người tham gia là con người. Những người tham gia AI có thể hoạt động suốt ngày đêm, điều này làm cho nghiên cứu của bạn có thể mở rộng một cách điên cuồng. Bạn cũng có được sự linh hoạt để tạo người dùng tổng hợp từ hầu như bất kỳ phân khúc nhân khẩu học, tâm lý học hoặc hành vi nào. Và nó nhanh.

Bởi vì các customer tổng hợp dựa trên dữ liệu khách hàng tổng quát, chúng không đi kèm với các rủi ro tuân thủ, quyền riêng tư hoặc đồng ý giống như làm việc với dữ liệu khách hàng thực.

Sự thật thú vị: SFG có thể được sử dụng để lấp đầy khoảng trống kiến thức và dự báo nhu cầu. Ví dụ, trong bán lẻ, chúng có thể giúp tinh chỉnh sản phẩm và khuyến mãi để nắm bắt các phân khúc thị trường mới. Điều này có thể, đến lượt nó, cải thiện ROI cho mỗi đô la đầu tư và thúc đẩy tăng trưởng có lợi nhuận.

Vậy, Làm Thế Nào Để Tạo Ra Khách Hàng Tổng Hợp?

Hành vi con người rất phức tạp, nhưng không phải lúc nào cũng vậy. Với dữ liệu khách hàng chính xác, bạn có thể dự đoán được nhiều điều. Và khách hàng tổng hợp là một cách để làm điều này. Vì chúng là các avatar ảo được xây dựng từ dữ liệu người dùng hiện có của bạn, chúng có thể được sử dụng để mô phỏng hành vi và sở thích của khách hàng thực tế.

Cách dễ nhất để tạo ra một khách hàng tổng hợp là thông qua các mô hình ngôn ngữ lớn hoặc LLM như ChatGPT. Tất cả những gì cần là một prompt chứa mô tả ngắn gọn hoặc chi tiết về đối tượng mục tiêu và sản phẩm của bạn.

Bạn có thể, cho tất cả các mục đích, sử dụng những "AI personas" này để thử nghiệm các khái niệm sản phẩm, chiến dịch marketing và chiến lược kinh doanh. Tuy nhiên, hãy chuẩn bị cho các kết quả đầu ra chung chung và đôi khi là những đại diện rập khuôn về một số nhóm nhân khẩu học nhất định.

Một cách tốt hơn là sử dụng các công cụ nghiên cứu thị trường tổng hợp chuyên nghiệp có sẵn trực tuyến, như Phần mềm Synthetic Research của Delve AI, được xây dựng đặc biệt cho mục đích này.

Được Factors AI ca ngợi là "sự triển khai các ý tưởng về persona tổng hợp/bản sao kỹ thuật số mà HBR và các học giả đang khám phá—nhưng có kèm theo các kết quả đầu ra marketing," Delve AI tự phân biệt mình với các công cụ AI tạo sinh chung chung trong cách những người dùng tổng hợp đó được xây dựng. Chúng được tạo ra từ các persona dựa trên dữ liệu khách hàng thực tế, bao gồm hồ sơ CRM, phân tích web, thông tin đối tượng social, và hơn 40 nguồn dữ liệu công cộng. Điều này cũng bao gồm các tín hiệu tiếng nói khách hàng được lấy từ đánh giá, xếp hạng, diễn đàn cộng đồng, blog, kênh tin tức và nhiều hơn nữa.

Kết quả là, những người trả lời tổng hợp của bạn được neo giữ trong cách mọi người thực sự suy nghĩ, nói chuyện và hành xử, không chỉ là cách một mô hình AI đoán họ có thể làm.

Cách hoạt động rất đơn giản: trước tiên bạn tạo các persona người dùng, sau đó tạo các panel tổng hợp, và cuối cùng sử dụng những panel đó để tiến hành các nghiên cứu.

Bước 1. Tạo persona người dùng

Công cụ tạo persona trực tuyến của Delve AI hiện cung cấp sáu loại, và trong trường hợp này, chúng tôi sẽ sử dụng công cụ persona nghiên cứu.

Đăng nhập và vào persona nghiên cứu. Sau đó, tải lên các tài liệu nghiên cứu thị trường của bạn, chẳng hạn như bản ghi phỏng vấn, hồ sơ người dùng, khảo sát hoặc tin tức ngành, về cơ bản là bất cứ thứ gì liên quan đến đối tượng của bạn. Không có tài liệu nghiên cứu? Không sao. Chỉ cần thêm một mô tả vững chắc về đối tượng mục tiêu của bạn, nhấp vào Create Personas, và Delve AI sẽ phát triển các persona dựa trên dữ liệu bạn đã cung cấp.

Nền tảng sử dụng AI và machine learning để tạo các hồ sơ đối tượng độc nhất. Tùy thuộc vào cơ sở dữ liệu và trường hợp sử dụng của bạn, bạn sẽ nhận được một hoặc nhiều persona. Mỗi phân khúc bao gồm chi tiết persona, phân bố đối tượng, những người có ảnh hưởng và bản đồ hành trình.

Nhấp vào persona Details để xem nhân khẩu học người dùng, các yếu tố kích hoạt mua hàng, động lực tâm lý (như mục tiêu, động cơ, nhu cầu), lối sống, tình trạng nghề nghiệp và các thách thức cốt lõi. Bạn cũng sẽ tìm thấy thông tin chi tiết về sở thích giao tiếp, mạng xã hội, thương hiệu, trang web mua sắm, kênh YouTube, podcast, subreddit và nhiều hơn nữa.

Mỗi persona của bạn được làm mới hàng tháng với dữ liệu mới, và bạn có thể liên tục cải thiện độ chính xác của chúng bằng cách thêm tài liệu nghiên cứu mới.

Bước 2: Tạo các panel người dùng mô phỏng

Bước tiếp theo là tạo người dùng tổng hợp hoặc các panel cho nghiên cứu của bạn. Để bắt đầu, vào Synthetic Research và mua số lượng người dùng bạn cần. Sau đó, tạo một panel với nhóm này và đặt tên cho nó, như Marketing Insights Group.

Sau đó, bạn sẽ được đưa đến một màn hình nơi bạn có thể chọn persona hoặc sản phẩm persona nào để sử dụng cho việc tạo người dùng tổng hợp. Đối với ví dụ này, chúng tôi đã chọn một phân khúc từ persona nghiên cứu có tên Edward Collins.

Sau khi được chọn, phần mềm tạo ra người dùng tổng hợp dựa trên phân khúc persona này. Bạn có thể sử dụng chúng để tiến hành các loại nghiên cứu tổng hợp khác nhau. Mỗi khách hàng tổng hợp cũng đi kèm với tùy chọn Start Chat, cho phép bạn tương tác trực tiếp với họ.

Bước 3: Chạy khảo sát và phỏng vấn

Để chạy khảo sát hoặc một phỏng vấn tổng hợp, vào Studies và chọn Create Study trên bảng điều khiển. Bạn sẽ được yêu cầu:

• Chọn panel người dùng tổng hợp của bạn
• Nhập tên nghiên cứu của bạn (ví dụ: Product Market Fit Survey)
• Chọn số lượng người dùng (ví dụ: 100)
• Tải lên tệp CSV chứa các câu hỏi khảo sát của bạn (ví dụ: câu hỏi trắc nghiệm, thang đo xếp hạng, câu hỏi mở và câu hỏi xếp hạng)

Nền tảng chạy khảo sát của bạn trên panel và tự động chuyển kết quả thành biểu đồ và chủ đề.

Nhấp vào nút Data để xem có bao nhiêu người đã trả lời mỗi câu hỏi và họ là ai. Bạn cũng có thể xem toàn bộ bản ghi khảo sát/phỏng vấn và sắp xếp chúng theo câu hỏi hoặc theo người trả lời.

Muốn đi xa hơn các câu trả lời bề mặt? Sử dụng tính năng chat để theo dõi và hỏi người dùng tại sao họ đưa ra những lựa chọn nhất định. Bạn cũng có thể khám phá các câu hỏi marketing hoặc sản phẩm khác. Ví dụ, trong mẫu bên dưới, chúng tôi đã hỏi một người dùng điều gì đã ảnh hưởng đến quyết định hoàn tất mua hàng trực tuyến của họ.

Bởi vì mọi thứ đều có cấu trúc và gắn liền với các tập dữ liệu thực tế, nền tảng của chúng tôi có thể chạy các mô phỏng được kiểm soát nhiều hơn so với một prompt chatbot chung chung. Bạn sẽ nhận được ít rập khuôn hơn, nhất quán hơn và kết quả gần hơn nhiều với thứ bạn thực sự có thể hành động.

Bước 4: Tiến hành thảo luận nhóm tập trung

Quy trình tiến hành thảo luận nhóm tập trung khá tương tự như bước trước đó. Bạn chỉ cần chọn tùy chọn nhóm tập trung, nhấp vào “Create a new focus group” và điền các thông tin cần thiết. Nhập tên nghiên cứu, chọn số lượng người tham gia (tối đa 15 người), chỉ định thời lượng buổi thảo luận, và ghi rõ mục tiêu cũng như chủ đề thảo luận. Cuối cùng, chọn nhóm người dùng (panel) – ví dụ: Marketing Insights Group – mà bạn muốn sử dụng cho nhóm tập trung.

Bước tiếp theo là thêm hướng dẫn thảo luận của bạn. Bạn có thể nhập các phần và mô tả thảo luận theo cách thủ công hoặc sử dụng hướng dẫn được Delve AI tự động tạo ra. Nếu bạn có bất kỳ tệp nào (JPG, PNG, MP3 hoặc MP4) muốn sử dụng trong buổi thảo luận, bạn cũng có thể tải chúng lên nền tảng. Khi mọi thứ đã sẵn sàng, hãy xem lại toàn bộ chi tiết và nhấn “Run study.”

Như bạn có thể thấy, nền tảng sẽ phân tích toàn bộ phản hồi của người dùng mô phỏng để xác định các chủ đề (themes) và mã (codes) quan trọng. Bạn cũng sẽ có thể xem toàn bộ bản ghi (transcript) của buổi thảo luận nhóm tập trung, cùng với một báo cáo tóm tắt nêu bật những phát hiện chính.

Bắt Đầu Với Nghiên Cứu Thị Trường Tổng Hợp

Bạn có thể đang nghĩ: Liệu nghiên cứu thị trường tổng hợp có thay thế được các nghiên cứu truyền thống dựa trên con người không? Hiện tại, điều đó rất khó xảy ra.

Người dùng tổng hợp rất tốt cho việc thử nghiệm giai đoạn đầu và mô hình dự đoán, nhưng cảm xúc và việc ra quyết định tiềm thức vẫn chưa phải là thứ mà chúng đã thành thạo. Bởi vì mọi thứ đều dựa trên văn bản, bạn không thể thực sự nắm bắt được giọng điệu, ngôn ngữ cơ thể, hoặc những biểu hiện tinh tế thường đi kèm với cách mọi người nói hoặc phản ứng.

Các đối tượng trả lời AI cũng có thể bỏ lỡ bối cảnh văn hóa và xã hội, như xu hướng xã hội hoặc tiếng lóng, vì chúng được đào tạo trên dữ liệu trong quá khứ. Vì vậy, mặc dù người dùng tổng hợp cực kỳ hữu ích, nhưng tốt nhất nên xem chúng như một sự bổ sung cho nghiên cứu con người, chứ không phải là sự thay thế.

Ngoài ra còn có một số điều cần lưu ý trước và trong quá trình sử dụng người dùng tổng hợp:

• Đừng cắt giảm dữ liệu. Chất lượng của các đối tượng trả lời tổng hợp phụ thuộc hoàn toàn vào dữ liệu được sử dụng để xây dựng chúng. Chúng chỉ tốt bằng các đầu vào mà bạn cung cấp.
• Cẩn thận với sự thiên vị. AI có thể đưa sự thiên vị vào nghiên cứu của bạn. Ví dụ, nó thường có xu hướng quá tích cực và tập trung vào kết quả tốt nhất có thể.
• Thử nghiệm nhiều công cụ. Hãy thử các nền tảng nghiên cứu thị trường tổng hợp khác nhau trước khi cam kết với một nền tảng. Tự hỏi bản thân: Liệu các persona có thực tế không? Công cụ có hỗ trợ các trường hợp sử dụng mà tôi muốn thử nghiệm không?
• Bắt đầu từ nhỏ. Bắt đầu với các nhiệm vụ đơn giản, ít rủi ro và không có tác động lớn đến doanh nghiệp của bạn. Điều này giúp bạn đánh giá độ tin cậy và độ chính xác mà không phải đặt quá nhiều rủi ro.
• Xác thực bằng nghiên cứu con người. Kiểm tra kết quả với một nhóm thử nghiệm truyền thống gồm những người tham gia thực sự để kiểm tra độ chính xác và độ tin cậy.

Suy Nghĩ Cuối Cùng

Với tất cả những thiếu sót của nó, trí tuệ nhân tạo chỉ ngày càng trở nên tốt hơn và tinh vi hơn trong tương lai; xét cho cùng, chỉ cần nhìn vào chặng đường chúng ta đã đi được kể từ năm 2022. Có lẽ trong một hoặc hai năm nữa, người dùng tổng hợp sẽ không còn hầu hết các thành kiến và sẽ cải thiện việc ra quyết định.

Họ đã có thể tăng tốc độ thu thập thông tin chi tiết. Với nghiên cứu thị trường truyền thống, vào thời điểm kết quả đến, thị trường có thể đã thay đổi. Người dùng tổng hợp giảm đáng kể thời gian để có được thông tin chi tiết, cho phép các nhóm kiểm tra các khái niệm, ý tưởng và động lực mới 24/7. Họ giúp chuyển các giả thuyết thành hành động mà không cần thời gian chờ đợi lâu.

Người trả lời tổng hợp cũng vượt xa việc phân tích dữ liệu trong quá khứ và có thể cho bạn biết khách hàng có khả năng làm gì trong tương lai. Họ có thể cho thấy các nhóm khách hàng khác nhau suy nghĩ và hành xử như thế nào ở quy mô lớn.

Điều đó nói rằng, các nhóm tập trung tổng hợp không thể thay thế những người tham gia là con người. Họ không hoạt động với sự đồng cảm hoặc suy nghĩ bằng cảm xúc, ít nhất là chưa. Vì vậy, mặc dù họ có thể hữu ích, họ nên được sử dụng để bổ sung, chứ không phải thay thế, đầu vào của con người.