Компаниите се нуждаят от информация за предпочитанията и поведението на клиентите, за да вземат добри решения за стратегията си за маркетинг и продажби. Затова и функцията "маркетингови изследвания" е критична за пазарния успех. Тя обаче има един стар проблем: процесът по събиране на данни от потребителите обикновено е труден, бавен и скъп. Добрата новина е, че генеративният изкуствен интелект обещава да промени положението.

Големите езикови модели (LLM) правят възможно преодоляването на дългогодишния компромис между обхват и дълбочина на данните. Количествените методи (напр. анкети) предлагат мащаб и статистическа надеждност, но разчитат на стандартизирани самоотчети, които дават ограничен поглед върху реалния опит на хората. Качествените изследвания (напр. дълбочинни интервюта) предоставят по-богато разбиране за това как хората мислят, чувстват и вземат решения, но са ограничени като мащаб и трудно се обобщават.

Интервюиращи системи, базирани на LLM, помагат на компаниите да преодолеят този компромис. Те позволяват на изследователите да ангажират голям брой респонденти, в мащаб, сравним с количествените анкети, като същевременно улавят голяма част от нюансите, контекста и интерпретативната дълбочина, характерни за дълбочинните интервюта, пише HBR.org.

LLM могат да генерират и прозрения, които биха били много трудни, а понякога и невъзможни за получаване чрез традиционни подходи.

Пълна промяна на събирането на качествени данни

Изкуственият интелект (AI) трансформира събирането, създаването и анализа на пазарни данни и с нови методи и синтетични данни. Технологията позволява създаването на "синтетични персони" и "дигитални двойници", които могат да служат като заместители на реални потребители в изследвания и експерименти.

Качествените изследвания винаги са били най-богатият източник на клиентски данни - и най-трудните за мащабиране. Високата цена, дългите срокове и малките извадки при интервюта с хора поставят бизнес лидерите пред дилема: те ценят дълбочината на качествените данни, но трудно действат с увереността, която им дава статистически значимата количествена информация.

Нова вълна от AI компании се опитва да постигне именно това, а инвеститорите вече го забелязват. През последната година например Outset, Listen Labs и Simile привлякоха между 50 и 100 милиона долара финансиране от водещи фондове. Това са само част от компаниите, които използват генеративен AI не просто за намаляване на разходите и времето за изследвания, а за да направят възможни изследвания, които досега не са били реализируеми.

Когато има нужда от "защо" зад числата

Най-същественото приложение на AI-модерираните интервюта е способността им да комбинират качествена дълбочина с количествен мащаб. Microsoft наскоро демонстрира тази възможност. С помощта на Listen Labs компанията провежда над 250 интервюта с различни аудитории и тества подход, наречен "Frontier Listening" - постоянна, полуструктурирана програма, която комбинира качествени данни и количествени метрики в един процес.

Новият подход позволява съчетаване на дълбочина, мащаб и скорост, като превръща обратната връзка в приложими решения в почти реално време.

Друг експеримент показва, че гласовите отговори в AI интервюта са средно седем пъти по-дълги от писмените. Способността на AI да задава допълнителни въпроси и да задълбочава теми създава т.нар. "мащабирана емпатия" и превръща повърхностни данни в многопластови разкази.

Мащабът може да означава и глобално покритие. Anthropic например провежда над 80 000 интервюта в 159 държави и 70 езика чрез AI интервюиращ, като комбинира предварително зададени въпроси с динамични последващи.

AI може да възпроизведе и най-ценния елемент от човешките интервюта - способността да се отклонява от сценария и да задава уточняващи въпроси в реално време. Резултатът: изследване с три пъти по-ниска цена, пет пъти повече отговори и пет пъти по-бързо изпълнение.

Когато трябва да видите това, което хората не могат да кажат

Повечето AI интервюта се фокусират върху това, което хората казват. Някои от най-интересните приложения улавят и това, което те правят.

Компанията Conveo например провежда видео интервюта в домовете на потребителите заедно с Unilever, като комбинира наблюдение и разговор. Така се създават "синтетични персони", които могат да бъдат използвани за тестване на нови продуктови идеи.

Процес, който обичайно отнема месеци, се съкращава до бързи итерации с реални бизнес резултати.

Когато темата е чувствителна

Едно от най-неочакваните предимства на AI е, че хората често са по-открити с него, отколкото с човек. При теми като здраве, лични несигурности или интимни проблеми участниците често избягват или цензурират отговорите си. В един случай, свързан с мъжко здраве, традиционните интервюта се провалят напълно - участниците не се появяват или отказват участие.

При AI интервюта обаче те се отварят и споделят значително повече.

Подобен ефект се наблюдава и при деца - те са по-склонни да говорят открито с AI, отколкото с непознат възрастен.

Изводът е парадоксален: в някои случаи липсата на човешки фактор води до събирането на по-качествени данни.

Когато респондентите са трудни за достигане

Традиционните интервюта изискват време и координация - нещо, което често не достига.

Платформата Doximity решава този проблем, като позволява на лекари и медицински специалисти да участват в интервюта в удобно за тях време. Така се достига до аудитории, които иначе биха останали недостъпни.

Какво предстои

AI няма да замени напълно човешките интервюта, но значително ще разшири възможностите за качествени изследвания. В много случаи двата подхода ще се комбинират.

Предизвикателствата остават - валидиране на данните, надеждност и разбиране откъде идва стойността: от формата на взаимодействие или от самото съдържание.

Очаква се AI интервютата да се комбинират със синтетични персони и дигитални двойници, които могат да симулират реални потребители и да се използват за бъдещи анализи и тестове.

В перспектива това може да доведе до свят, в който изкуственият интелект ще играе и двете роли - и на маркетолог, и на клиент.

Основното предимство на AI модераторите е възможността да мащабират качествените изследвания. Още по-важно е, че те позволяват използването им в ситуации, в които досега това не е било възможно - бързи продуктови решения, междинни стратегически оценки или навлизане на нови пазари.

Резултатът: повече качествени данни и прозрения в процеси, които досега са разчитали само на количествени данни или на интуиция.