Növelje készségeit a Growth Memo heti szakértői betekintéseivel. Iratkozz fel ingyen!
Mindannyian tudjuk, hogy az azonnali követés irányított. A zajcsökkentés leghatékonyabb módja a személyek alapján történő felszólítások követése.
Ezen a héten a következőkről szólok:
- A mesterséges intelligencia személyre szabása miért teszi hiányossá a hagyományos „SERP nyomon követési” modelleket, és hogy a szintetikus személyek hogyan töltik be a hiányt.
- A Stanford validálási adatok 85%-os pontosságot mutatnak a költségek egyharmadával, és azt, hogy a Bain 50-70%-kal csökkentette a kutatási időt.
- Az ötmezős személyi kártya felépítése és szegmensenként 15-30 követhető prompt generálása a szándékszinteken keresztül.
Nagy különbség a klasszikus és az AI keresés között, hogy az utóbbi rendkívül személyre szabott eredményeket biztosít.
- Minden felhasználó különböző válaszokat kap a kontextusa, előzményei és kikövetkeztetett szándéka alapján.
- Az átlagos mesterségesintelligencia-prompt ~5-ször hosszabb, mint a klasszikus keresési kulcsszavak (23 szó vs. 4,2 szó), sokkal gazdagabb szándékjeleket közvetít, amelyeket az AI-modellek használnak a személyre szabáshoz.
- A személyre szabás nyomon követési problémát okoz: többé nem tudja figyelni az AI-választ, mert minden felszólítás alapvetően egyedi, és az egyéni felhasználói kontextustól függ.
A hagyományos személykutatás megoldja ezt – különböző felhasználói szegmenseket térképez fel, és mindegyikre nyomon követi a válaszokat –, de új problémákat vet fel. Hetekbe telik az interjúk elkészítése és az eredmények szintetizálása.
Mire befejezi, az AI-modellek megváltoztak. A personák elavult dokumentációvá válnak, amelyet soha nem használnak a tényleges azonnali nyomon követésre.
A szintetikus személyek kitöltik a hiányt azáltal, hogy felhasználói profilokat építenek fel viselkedési és profilalkotási adatokból: elemzések, CRM-rekordok, támogatási jegyek, áttekintő oldalak. Több száz mikroszegmens-változatot pörgethet fel, és természetes nyelven léphet kapcsolatba velük, hogy tesztelje, hogyan fogalmazzák meg a kérdéseket.
A legfontosabb: ezek a kulcsa a pontosabb azonnali nyomon követésnek, mivel szimulálják a tényleges információs igényeket és korlátokat.
A műszak: A hagyományos személyek leíró jellegűek (ki a felhasználó), a szintetikus személyek prediktívek (a felhasználó hogyan viselkedik). Az egyik egy szegmenst dokumentál, a másik szimulálja.
Példa: Az elvégzendő feladat „értékelje ki a biztonsági megfelelést” és a „közbeszerzéshez ellenőrzési nyomvonalra van szükség” megszorítással rendelkező vállalati IT-vásárló személy, aki másképp jelez, mint a „legolcsóbb megoldás keresése” és a „24 órán belül döntés szükséges” feladattal rendelkező egyéni felhasználó.
- Első kérdés: „Vállalati projektmenedzsment eszközök SOC 2 megfelelőségi ellenőrzési naplói”.
- Második felszólítás: „a legjobb ingyenes projektmenedzsment alkalmazás”.
- Ugyanaz a termékkategória, teljesen más promptok. Mindkét személyre szüksége van mindkét prompt minta követéséhez.
Készítsen personákat 85%-os pontossággal az ár egyharmadáért
A Stanford és a Google DeepMind szintetikus személyeket képezett ki kétórás interjúleiratokon, majd tesztelte, hogy az AI-személyek megjósolhatják-e, hogy ugyanazok a valódi emberek hogyan válaszolnak majd később a felmérés kérdéseire.
- A módszer: A kutatók utólagos felméréseket végeztek az eredeti interjú résztvevőivel, és új kérdéseket tettek fel nekik. A szintetikus személyek ugyanazokra a kérdésekre válaszoltak.
- Eredmény: 85%-os pontosság. A szintetikus személyek megismételték azt, amit a vizsgálat tényleges résztvevői mondtak.
- A szövegkörnyezet szempontjából ez az emberi teszt-újrateszt konzisztenciájához hasonlítható. Ha ugyanannak a személynek két hét különbséggel teszi fel ugyanazt a kérdést, körülbelül 85%-ban összhangban van önmagával.
A Stanford-tanulmány azt is mérte, hogy a szintetikus személyiségek mennyire jósolják meg a társas viselkedési mintákat az ellenőrzött kísérletekben – például ki az, aki együttműködik a bizalmi játékokban, ki követi a társadalmi normákat, és ki ossza meg igazságosan az erőforrásokat.
A szintetikus személy-előrejelzések és a résztvevők tényleges viselkedése közötti korreláció 98% volt. Ez azt jelenti, hogy az AI-személyek nem csak az interjúválaszokat memorizálták; megragadták a mögöttes viselkedési tendenciákat, amelyek előre jelezték, hogy az emberek hogyan fognak viselkedni új helyzetekben.
A Bain & Company külön kísérleti kísérletet futtatott, amely összehasonlítható betekintési minőséget mutatott a hagyományos kutatási módszerek költségének egyharmadával és felével. Eredményeik: 50-70%-os időcsökkentés (hetek helyett napok) és 60-70%-os költségmegtakarítás (nincs toborzási díj, ösztönző, átírási szolgáltatás).
A fogás: Ezek az eredmények teljes mértékben a bemeneti adatok minőségétől függenek. A Stanford-tanulmány gazdag, kétórás interjú-átiratokat használt. Ha sekély adatokon edz (csak oldalmegtekintések vagy alapvető demográfiai adatok), sekély személyeket kap. Szemet be, szemét ki.
Hogyan készítsünk szintetikus personákat a jobb azonnali követés érdekében
A szintetikus személyiség felépítése három részből áll:
- Táplálja több forrásból származó adatokkal a valódi felhasználókról: hívások átiratai, interjúk, üzenetnaplók, organikus keresési adatok.
- Töltse ki a Persona Card-ot – az öt mezőt, amely rögzíti, hogyan gondolkodik és keres valaki.
- Adjon hozzá metaadatokat a személy minőségének nyomon követéséhez, és hogy mikor kell frissíteni.
A legtöbb csapat hibája: felszólítások alapján próbál személyiségeket építeni. Ez egy körkörös logika – személyekre van szükséged ahhoz, hogy megértsd, milyen promptokat kell követned, de a promptokat használod a personák létrehozásához. Ehelyett kezdje a felhasználói információs igényekkel, majd hagyja, hogy a személy lefordítsa ezeket az igényeket valószínű felszólításokká.
Adatforrások szintetikus personák betáplálásához
A cél az, hogy megértsük, mit próbálnak elérni a felhasználók, és milyen nyelvet használnak természetesen:
- Támogatási jegyek és közösségi fórumok: Pontos nyelvet használnak az ügyfelek a problémák leírásánál. Szűretlen, nagy szándékú jel.
- CRM és értékesítési hívások átiratai: Kérdések, amelyeket feltesznek, kifogásokat emelnek, ügyleteket lezáró esetek. A döntéshozatali folyamatot mutatja be.
- Ügyfélinterjúk és felmérések: Az ügyfél közvetlen megszólítása az információs igényekről és a kutatási magatartásról.
- Webhelyek áttekintése (G2, Trustpilot stb.): Amit szeretnének, ha tudtak volna vásárlás előtt. Szakadék az elvárások és a valóság között.
- Search Console lekérdezési adatok: Kérdések, amelyeket a Google-nak tesznek fel. Használja a reguláris kifejezést a kérdés típusú lekérdezések szűrésére:
(?i)^(who|what|why|how|when|where|which|can|does|is|are|should|guide|tutorial|course|learn|examples?|definition|meaning|checklist|framework|template|tips?|ideas?|best|top|lists?|comparison|vs|difference|benefits|advantages|alternatives)b.*
(Szeretem az elmúlt 28 napot használni, célország szerint szegmentálva)
Persona kártya szerkezet (csak öt mező – több tartási kötelezettség keletkezik):
Ez az öt mező mindent rögzít, ami annak szimulálásához szükséges, hogy valaki hogyan indítana el egy AI-rendszert. Tervezésüknél fogva minimálisak. Később bármikor hozzáadhat továbbiakat, de az egyszerű kezdéssel karbantarthatóvá válik a személyiség.
- Elvégzendő munka: Mi az a valós feladat, amit megpróbálnak megvalósítani? Nem „tudjon meg X-ről”, hanem „döntse el, hogy megvásárolja-e X-et”, vagy „javítsa meg az Y problémát”.
- Korlátozások: Milyen időigényük, kockázattűrési szintjeik, megfelelőségi követelmények, költségvetési korlátok és szerszámkorlátozások vannak? Ezek határozzák meg, hogyan keresnek, és milyen bizonyítékra van szükségük.
- Sikermutató: Hogyan ítélik meg, hogy „elég jó”? A vezetők iránymutatásra vágynak. A mérnökök reprodukálható specifikumokat szeretnének.
- Döntési kritériumok: Milyen bizonyítékra, szerkezetre és részletezettségre van szükségük, mielőtt megbíznának az információkban és cselekednének azok alapján?
- Szójegyzék: Milyen kifejezéseket és kifejezéseket használnak természetesen? Nem a „lemorzsolódás mérséklése”, hanem „az ügyfelek megtartása”. Nem „UX optimalizálás”, hanem „az oldal használatának megkönnyítése”.
Specifikációs követelmények
Ez az a metaadat, amely megbízhatóvá teszi a szintetikus személyeket; megakadályozza a „fekete doboz” problémát.
Ha valaki megkérdőjelezi egy személy kimenetelét, visszavezetheti a bizonyítékokat.
Ezek a követelmények képezik a folyamatos személyiségfejlesztés gerincét. Nyomon követik a változásokat, a forrásokat és a súlyozásba vetett bizalmat.
- Eredet: Milyen adatforrásokat, dátumtartományokat és mintaméreteket használtak (pl. „2024. harmadik negyedévi támogatási jegyek + G2-értékelések”).
- Magabiztossági pontszám mezőnként: Magas/Közepes/Alacsony besorolás mind az öt Persona Card mezőre, bizonyítékokkal alátámasztva. (pl. „Döntési kritériumok: NAGY magabiztosság, 47 értékesítési hívás alapján vs. szókincs: ALACSONY bizalom, 3 belső e-mail alapján”).
- Fedezeti megjegyzések: Pontosan adja meg, hogy mi hiányzik az adatokból (pl. „Túlreprezentálja a vállalati vásárlókat, teljesen hiányolja azokat a felhasználókat, akik az ügyfélszolgálattal való kapcsolatfelvétel előtt zötyögtek”).
- Érvényesítési referenciaértékek: Három-öt valóságellenőrzés az ismert üzleti igazságokkal szemben a hallucinációk észlelésére. (pl. „Ha a személy azt állítja, hogy az „ár” a legfőbb korlát, az megegyezik a tényleges ügyleti ciklus adatainkkal?”).
- Regenerációs triggerek: Az előre definiált jelzések arra utalnak, hogy ideje újra futtatni a forgatókönyvet és frissíteni a személyt (pl. új versenytárs lép be a piacra, vagy a támogatási jegyek szókincse jelentősen eltolódik).
Ahol a szintetikus személyek a legjobban működnek
Mielőtt szintetikus személyiségeket építene, értse meg, hol adnak értéket, és hol maradnak el.
Nagy értékű használati esetek
- Gyors tervezés az AI-követéshez: Szimulálja, hogy a különböző felhasználói szegmensek hogyan fogalmaznának meg kérdéseket a mesterséges intelligencia keresőmotorjainak (a cikkben tárgyalt alapvető használati eset).
- Korai stádiumú koncepciótesztelés: Teszteljen 20 üzenetküldési variációt, szűkítse az első ötre, mielőtt valódi kutatásra költene.
- Mikroszegmensek feltárása: Ismerje meg a tucatnyi különböző felhasználói munkafunkció (vállalati adminisztrátor vs. egyéni közreműködő vs. ügyvezető vásárló) viselkedését vagy használati eseteit anélkül, hogy mindegyiket megkérdezné.
- Nehezen elérhető szegmensek: Tesztelje az ötleteket vezető vevőkkel vagy műszaki értékelőkkel anélkül, hogy idejükre lenne szüksége.
- Folyamatos iteráció: Frissítse a személyeket, amint új támogatási jegyek, vélemények és értékesítési hívások érkeznek.
A szintetikus személyiségek alapvető korlátai, amelyeket meg kell értened
- Szikofánia elfogultság: Az AI-személyek túlságosan pozitívak. A valódi felhasználók azt mondják: „Elkezdtem a tanfolyamot, de nem fejeztem be.” A szintetikus személyiségek azt mondják: „Elvégeztem a tanfolyamot”. Tetszeni akarnak.
- Hiányzik a súrlódás: Racionálisabbak és következetesebbek, mint a valódi emberek. Ha az edzésadatok tartalmaznak támogatási jegyeket, amelyek frusztrációkat írnak le, vagy fájdalompontokat említő értékeléseket, akkor a személy hivatkozhat ezekre a mintákra, ha megkérdezik – egyszerűen nem tapasztal spontán módon olyan új súrlódásokat, amelyeket korábban nem látott.
- Sekély prioritás: Kérdezd meg, mi számít, és 10 olyan tényezőt fognak felsorolni, amelyek egyformán fontosak. A valódi felhasználóknak világos hierarchiája van (az ár 10-szer többet számít, mint a felhasználói felület színe).
- Öröklött elfogultság: A képzési adatok torzításai átfolynak. Ha az Ön CRM-je alulreprezentálja a kisvállalkozásokat vásárlókat, az Ön személyei is ezt fogják tenni.
- Hamis bizalom kockázata: A legnagyobb veszély. A szintetikus személyeknek mindig koherens válaszai vannak. Ez túlzottan magabiztossá teszi a csapatokat, és kihagyja a valódi érvényesítést.
Működési szabály: Szintetikus személyeket használjon a felfedezéshez és a szűréshez, ne a végső döntésekhez. Leszűkítik az opciókészletet. Valódi felhasználók intézik az utolsó hívást.
A hidegindítási probléma megoldása az azonnali nyomon követéshez
A szintetikus személyek szűrőeszköz, nem döntési eszköz. Leszűkítik a választási lehetőséget 20 ötletről öt döntősre. Ezután a szállítás előtt hitelesítse ezt az ötöt valódi felhasználókkal.
A mesterséges intelligencia azonnali nyomon követéséhez a szintetikus személyek megoldják a hidegindítás problémáját. Alig várja, hogy felhalmozódjon hat hónap valódi azonnali mennyiség, mielőtt elkezdené az optimalizálást. A szintetikus személyek segítségével azonnal szimulálhatja a felhasználói szegmensek közötti azonnali viselkedést, majd a valós adatok beérkezésekor finomíthatja.
A kudarcot az okozza, ha ürügyként használja őket a valódi érvényesítés kihagyására. A csapatok szeretik a szintetikus személyiségeket, mert gyorsak és mindig választ adnak. Ez is az, ami veszélyessé teszi őket. Valódi ügyfeleknél ne hagyja ki az érvényesítési lépést.
