Sintetinės asmenybės geresniam greitam stebėjimui

Patobulinkite savo įgūdžius naudodamiesi savaitės „Growth Memo“ ekspertų įžvalgomis. Prenumeruokite nemokamai!

Visi žinome, kad greitas stebėjimas yra kryptingas. Veiksmingiausias būdas sumažinti triukšmą yra sekti raginimus, pagrįstus asmenimis.

Šią savaitę aptarsiu:

• Kodėl dėl dirbtinio intelekto suasmeninimo tradiciniai „SERP stebėjimo“ modeliai yra neišsamūs ir kaip sintetinės asmenybės užpildo spragą.
• Stanfordo patvirtinimo duomenys rodo 85% tikslumą už trečdalį kainos ir kaip Bain sutrumpino tyrimo laiką 50–70%.
• Penkių laukų asmens kortelės struktūra ir kaip sugeneruoti 15–30 sekamų raginimų kiekvienam segmentui skirtinguose ketinimo lygiuose.

Didelis skirtumas tarp klasikinės ir dirbtinio intelekto paieškos yra tas, kad pastaroji pateikia labai suasmenintus rezultatus.

• Kiekvienas vartotojas gauna skirtingus atsakymus pagal kontekstą, istoriją ir numanomą ketinimą.
• Vidutinis AI raginimas yra ~5 kartus ilgesnis nei klasikiniai paieškos raktiniai žodžiai (23 žodžiai, palyginti su 4,2 žodžio), perduodami daug turtingesni ketinimų signalai, kuriuos AI modeliai naudoja personalizavimui.
• Suasmeninimas sukuria sekimo problemą: nebegalite stebėti „AI“ atsako, nes kiekvienas raginimas iš esmės yra unikalus, suformuotas pagal individualų vartotojo kontekstą.

Tai išsprendžia tradicinis asmeninis tyrimas – nubrėžiate skirtingus vartotojų segmentus ir stebite kiekvieno atsakymus, tačiau tai sukuria naujų problemų. Interviu atlikimas ir išvadų apibendrinimas užtrunka savaites.

Kai baigsite, dirbtinio intelekto modeliai pasikeitė. Asmenys tampa pasenusiais dokumentais, kurie niekada nepriprantami norint greitai sekti.

Sintetinės asmenybės užpildo spragą kurdamos vartotojų profilius iš elgesio ir profiliavimo duomenų: analizės, CRM įrašų, palaikymo bilietų, apžvalgų svetainių. Galite sukurti šimtus mikrosegmentų variantų ir bendrauti su jais natūralia kalba, kad patikrintumėte, kaip jie formuluoja klausimus.

Svarbiausia: jie yra raktas į tikslesnį greitą stebėjimą, nes jie imituoja faktinius informacijos poreikius ir apribojimus.

Pamaina: Tradicinės asmenybės yra apibūdinančios (kas yra vartotojas), sintetinės asmenybės yra nuspėjamosios (kaip vartotojas elgiasi). Vienas dokumentuoja segmentą, kitas jį imituoja.

Pavyzdys: Įmonės IT pirkėjo asmuo, turintis atliktiną darbą „įvertinti saugos atitiktį“ ir apribojimas „reikia pirkimo audito sekos“, paraginti kitaip nei individualus vartotojas, kurio užduotis yra „rasti pigiausią variantą“ ir apribojimą „reikia priimti sprendimą per 24 valandas“.

• Pirmas raginimas: „įmonės projektų valdymo įrankių SOC 2 atitikties audito žurnalai“.
• Antras raginimas: „geriausia nemokama projektų valdymo programa“.
• Ta pati prekių kategorija, visiškai skirtingi raginimai. Jums reikia abiejų asmenų, kad galėtumėte stebėti abu raginimo šablonus.

Kurkite asmenis 85 % tikslumu už trečdalį kainos

Stanfordas ir „Google DeepMind“ apmokė sintetinius asmenis, atlikdami dviejų valandų interviu nuorašus, tada išbandė, ar dirbtinio intelekto asmenys gali numatyti, kaip tie patys tikri žmonės vėliau atsakys į apklausos klausimus.

• Metodas: Tyrėjai atliko tolesnius tyrimus su pradiniais interviu dalyviais, užduodami jiems naujus klausimus. Sintetinės asmenybės atsakė į tuos pačius klausimus.
• Rezultatas: 85% tikslumas. Sintetinės asmenybės atkartojo tai, ką sakė tikrieji tyrimo dalyviai.
• Kalbant apie kontekstą, tai panašu į žmogaus bandymo pakartotinio testavimo nuoseklumą. Jei to paties žmogaus užduosite tą patį klausimą per dvi savaites, jis maždaug 85% atitinka save.

Stanfordo tyrime taip pat buvo įvertinta, kaip gerai sintetinės asmenybės numatė socialinio elgesio modelius kontroliuojamuose eksperimentuose, pvz., kas bendradarbiaus pasitikėjimo žaidimuose, kas laikysis socialinių normų ir kas sąžiningai dalinsis ištekliais.

Koreliacija tarp sintetinių asmenybių prognozių ir tikrojo dalyvių elgesio buvo 98%. Tai reiškia, kad dirbtinio intelekto asmenys ne tik įsiminė interviu atsakymus; jie užfiksavo pagrindines elgesio tendencijas, kurios numatė, kaip žmonės elgsis naujose situacijose.

„Bain & Company“ surengė atskirą bandomąjį projektą, kuris parodė panašią įžvalgos kokybę už trečdalį pigesnių ir pusę laiko nei tradiciniai tyrimo metodai. Jų išvados: 50–70 % sutrumpintas laikas (dienos, o ne savaitės) ir 60–70 % sutaupytos išlaidos (jokių įdarbinimo mokesčių, paskatų, transkripcijos paslaugų).

Laimikis: šie rezultatai visiškai priklauso nuo įvesties duomenų kokybės. Stanfordo tyrime buvo naudojami turtingi dviejų valandų interviu stenogramos. Jei treniruojatės naudodami negilius duomenis (tik puslapių peržiūras arba pagrindinius demografinius rodiklius), gausite negilius asmenis. Šiukšlės įeina, šiukšlės išeina.

Kaip sukurti sintetines asmenybes, kad būtų galima geriau sekti

Sintetinės asmenybės kūrimas susideda iš trijų dalių:

1. Pateikite duomenis iš kelių šaltinių apie tikrus vartotojus: skambučių stenogramas, interviu, pranešimų žurnalus, natūralios paieškos duomenis.
2. Užpildykite asmens kortelę – penkis laukus, kuriuose užfiksuota, kaip kažkas galvoja ir ieško.
3. Pridėkite metaduomenų, kad stebėtumėte asmens kokybę ir kada jį reikia atnaujinti.

Klaida, kurią daro dauguma komandų: bando sukurti asmenybes iš raginimų. Tai yra apskrita logika – jums reikia asmenybių, kad suprastumėte, kokius raginimus stebėti, bet jūs naudojate raginimus, kad sukurtumėte asmenybes. Vietoj to pradėkite nuo naudotojo informacijos poreikių, tada leiskite asmeniui tuos poreikius paversti galimais raginimais.

Duomenų šaltiniai sintetinėms personoms tiekti

Tikslas yra suprasti, ką naudotojai bando pasiekti ir kokia kalba jie natūraliai vartoja:

1. Palaikymo bilietai ir bendruomenės forumai: Tikslią kalbą, kurią klientai naudoja aprašydami problemas. Nefiltruotas, didelio tikslo signalas.
2. CRM ir pardavimo skambučių stenogramos: Klausimai, kuriuos jie užduoda, prieštaravimai, naudojami atvejai, kuriais užbaigiami sandoriai. Rodo sprendimų priėmimo procesą.
3. Klientų pokalbiai ir apklausos: tiesioginis kliento balsas apie informacijos poreikius ir tyrimo elgesį.
4. Peržiūrėkite svetaines (G2, Trustpilot ir kt.): Ką jie norėtų žinoti prieš pirkdami. Atotrūkis tarp lūkesčių ir realybės.
5. „Search Console“ užklausos duomenys: klausimai, kuriuos jie užduoda „Google“. Naudokite reguliarųjį reiškinį, norėdami filtruoti klausimo tipo užklausas:

   (?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.*

   (Man patinka naudoti pastarąsias 28 dienas, segmentuoti pagal tikslinę šalį)

„Persona“ kortelės struktūra (tik penki laukai – daugiau sukuria išlaikymo skolą):

Šie penki laukai užfiksuoja viską, ko reikia norint imituoti, kaip kas nors paskatins dirbtinio intelekto sistemą. Pagal dizainą jie yra minimalūs. Vėliau visada galite pridėti daugiau, bet pradedant nuo paprasčiausių, asmenybes galima išlaikyti.

1. Darbas, kurį reikia atlikti: Kokią realaus pasaulio užduotį jie bando atlikti? Ne „sužinokite apie X“, o „nuspręskite, ar pirkti X“, ar „ištaisyti Y problemą“.
2. Apribojimai: koks yra jų laiko spaudimas, rizikos tolerancijos lygiai, atitikties reikalavimai, biudžeto ribos ir įrankių apribojimai? Jie nustato, kaip jie ieško ir kokių įrodymų jiems reikia.
3. Sėkmės metrika: Kaip jie vertina „pakankamai gerai“? Vadovai nori kryptingo pasitikėjimo. Inžinieriai nori atkuriamos specifikos.
4. Sprendimo kriterijai: Kokio įrodymo, struktūros ir išsamumo jie reikalauja, kad pasitikėtų informacija ir imtųsi jos veiksmų?
5. Žodynas: Kokius terminus ir frazes jie vartoja natūraliai? Ne „mažinimas“, o „klientų išlaikymas“. Ne „UX optimizavimas“, o „svetainės naudojimo palengvinimas“.

Specifikacijos reikalavimai

Tai yra metaduomenys, dėl kurių sintetiniai asmenys yra patikimi; tai apsaugo nuo „juodosios dėžės“ problemos.

Kai kas nors abejoja asmens rezultatais, galite atsekti įrodymus.

Šie reikalavimai sudaro nuolatinio asmenybės tobulėjimo stuburą. Jie seka pokyčius, šaltinius ir pasitikėjimą svoriu.

• Kilmė: Kurie duomenų šaltiniai, dienų sekos ir imties dydžiai buvo naudojami (pvz., „2024 m. trečiojo ketvirčio palaikymo bilietai + G2 apžvalgos“).
• Pasitikėjimo balas lauke: Aukštas / vidutinis / žemas įvertinimas kiekvienam iš penkių „Persona Card“ laukų, paremtas įrodymų skaičiumi. (pvz., „Sprendimo kriterijai: DIDELIS pasitikėjimas, pagrįstas 47 pardavimo skambučiais, palyginti su žodynu: MAŽAS pasitikėjimas, remiantis 3 vidiniais el. laiškais“).
• Aprėpties pastabos: Aiškiai nurodykite, ko trūksta duomenų (pvz., „Per daug atstovauja įmonės pirkėjams, visiškai praleidžiami naudotojai, kurie prieš kreipdamiesi į palaikymo tarnybą sutiko“).
• Patvirtinimo etalonas: Trys ar penki realybės patikrinimai, palyginti su žinomomis verslo tiesomis, siekiant nustatyti haliucinacijas. (pvz., „Jei asmuo teigia, kad „kaina“ yra didžiausias apribojimas, ar tai atitinka mūsų faktinius sandorio ciklo duomenis?).
• Regeneracijos aktyvikliai: Iš anksto nustatyti signalai, kad laikas iš naujo paleisti scenarijų ir atnaujinti asmenybę (pvz., į rinką ateina naujas konkurentas arba palaikymo bilietų žodynas labai pasikeičia).

Kur geriausiai veikia sintetinės asmenybės

Prieš kurdami sintetines asmenybes, išsiaiškinkite, kur jos prideda vertę, o kur jos neatitinka.

Didelės vertės naudojimo atvejai

• Greitas AI sekimo dizainas: Imituokite, kaip skirtingi naudotojų segmentai suformuluotų klausimus AI paieškos sistemoms (šiame straipsnyje aptariamas pagrindinis naudojimo atvejis).
• Ankstyvosios stadijos koncepcijos testavimas: išbandykite 20 pranešimų siuntimo variantų, susiaurinkite iki penkių geriausių, prieš išleisdami pinigus tikriems tyrimams.
• Mikrosegmentų tyrinėjimas: Supraskite daugelio skirtingų naudotojų darbo funkcijų elgseną (įmonės administratorius ir individualų bendradarbį bei vykdomąjį pirkėją) arba naudojimo atvejus neapklausę kiekvieno.
• Sunkiai pasiekiami segmentai: Išbandykite idėjas su vykdomaisiais pirkėjais arba techniniais vertintojais nereikalaujant jų laiko.
• Nuolatinė iteracija: atnaujinkite asmenybes, kai ateina nauji palaikymo bilietai, apžvalgos ir pardavimo skambučiai.

Esminiai sintetinių asmenybių apribojimai, kuriuos turite suprasti

• Sikofantijos šališkumas: AI asmenys yra pernelyg teigiami. Tikri vartotojai sako: „Aš pradėjau kursą, bet nebaigiau“. Sintetinės asmenybės sako: „Aš baigiau kursą“. Jie nori įtikti.
• Trūksta trinties: Jie racionalesni ir nuoseklesni nei tikri žmonės. Jei jūsų treniruočių duomenyse yra palaikymo bilietai, kuriuose aprašomi nusivylimai, arba apžvalgos, kuriose minimi skausmo taškai, asmuo gali nurodyti šiuos modelius, kai jo paprašys – tiesiog spontaniškai nepatirs naujos trinties, kurios anksčiau nematėte.
• Seklus prioritetų nustatymas: Paklauskite, kas svarbu, ir jie išvardins 10 vienodai svarbių veiksnių. Tikri vartotojai turi aiškią hierarchiją (kaina yra 10 kartų svarbiau nei vartotojo sąsajos spalva).
• Paveldimas šališkumas: treniruočių duomenų paklaidos teka. Jei jūsų CRM nepakankamai atstovauja smulkaus verslo pirkėjams, jūsų asmenys taip pat.
• Klaidingo pasitikėjimo rizika: Didžiausias pavojus. Sintetinės asmenybės visada turi nuoseklius atsakymus. Dėl to komandos pernelyg pasitiki savimi ir praleidžia tikrąjį patvirtinimą.

Veikimo taisyklė: naudokite sintetinius asmenis tyrinėdami ir filtruodami, o ne priimdami galutinius sprendimus. Jie susiaurina jūsų parinkčių rinkinį. Tikri vartotojai skambina paskutinį kartą.

Šalto užvedimo problemos sprendimas, kad būtų galima greitai sekti

Sintetinės asmenybės yra filtro įrankis, o ne sprendimų įrankis. Jie susiaurina jūsų pasirinkimo rinkinį nuo 20 idėjų iki penkių finalininkų. Tada prieš pristatydami patvirtinate tuos penkis tikrus naudotojus.

Konkrečiai dirbtinio intelekto sekimui sintetiniai asmenys išsprendžia šalto paleidimo problemą. Nekantraujate sukaupti šešių mėnesių realią greitą apimtį prieš pradėdami optimizuoti. Sintetinės asmenybės leidžia iš karto imituoti greitą elgesį visuose naudotojų segmentuose, o tada patikslinti, kai gaunami tikri duomenys.

Dėl jų jums nepavyks, jei naudosite juos kaip dingstį praleisti tikrąjį patvirtinimą. Komandos mėgsta sintetines asmenybes, nes jos yra greitos ir visada pateikia atsakymus. Tai taip pat daro juos pavojingus. Nepraleiskite patvirtinimo veiksmo su tikrais klientais.

Išskirtinis vaizdas: Paulo Bobita / Search Engine Journal