Ve svém předchozím článku jsem zkoumal, jak nám AI může pomoci efektivněji vytvářet funkční persony. Podívali jsme se na vytváření osobností, které se zaměřují na to, čeho se uživatelé snaží dosáhnout, spíše než na demografické profily, které vypadají dobře na plakátech, ale jen zřídka mění rozhodnutí o designu. Ale vytváření person je jen polovina úspěchu. Větší výzvou je dostat tyto poznatky do rukou lidí, kteří je potřebují, v okamžiku, kdy je potřebují. Každý den dělají lidé ve vaší organizaci rozhodnutí, která ovlivňují uživatelský dojem. Produktové týmy rozhodují, které funkce upřednostní. Marketingové týmy vytvářejí kampaně. Finanční týmy navrhují fakturační procesy. Týmy zákaznické podpory píší šablony odpovědí. Všechna tato rozhodnutí ovlivňují to, jak uživatelé vnímají váš produkt nebo službu. A většina z nich se děje bez jakéhokoli vstupu skutečných uživatelů. Problém s tím, jak sdílíme uživatelský průzkum Vy děláte výzkum. Vy vytváříte persony. Píšete zprávy. Prezentujete vy. Dokonce vytváříte efektní infografiku. A co se stane potom? Výzkum sedí někde na sdíleném disku a pomalu sbírá digitální prach. Osoby jsou odkazovány na úvodní schůzky a pak zapomenuty. Přehledy se jednou prohlédnou a už se nikdy neotevřou. Když se produktový manažer rozhoduje, zda přidat novou funkci, pravděpodobně neprozkoumá loňský výzkumný repozitář. Když finanční tým předělává e-mail s fakturou, téměř jistě nekonzultuje uživatele. Udělají svůj nejlepší odhad a jdou dál. To není kritika těchto týmů. Jsou zaneprázdněni. Mají termíny. A upřímně, i kdyby chtěli výzkum konzultovat, pravděpodobně by nevěděli, kde ho najít nebo jak ho interpretovat pro svou konkrétní otázku. Znalosti zůstávají uzamčeny v hlavách týmu UX, kteří nemohou být přítomni u každého rozhodnutí v celé organizaci. Co kdyby uživatelé mohli skutečně mluvit? Co kdybychom místo vytváření statických dokumentů, které lidé potřebují najít a interpretovat, mohli poskytnout zúčastněným stranám způsob, jak konzultovat všechny vaše uživatelské osoby najednou?
Představte si marketingového manažera, který pracuje na nové kampani. Namísto toho, aby si vzpomněli na to, co personas řekli o preferencích zasílání zpráv, se mohli jednoduše zeptat: „Přemýšlím o tom, že bych v tomto e-mailu uvedl nabídku slevy. Co by si mysleli naši uživatelé?“ A umělá inteligence, čerpající ze všech vašich výzkumných dat a osobností, by mohla reagovat s konsolidovaným pohledem: jak by každá osobnost pravděpodobně reagovala, kde se shodují, kde se liší, a soubor doporučení založených na jejich kolektivních pohledech. Jedna otázka, syntetizovaný přehled napříč celou vaší uživatelskou základnou.
To není sci-fi. S umělou inteligencí můžeme vytvořit přesně tento druh systému. Můžeme vzít veškerý tento rozptýlený výzkum (průzkumy, rozhovory, lístky na podporu, analýzy, samotné persony) a přeměnit jej v interaktivní zdroj, který může kdokoli žádat o zpětnou vazbu z různých úhlů pohledu. Vytvoření úložiště uživatelských výzkumů Základem tohoto přístupu je centralizované úložiště všeho, co víte o svých uživatelích. Berte to jako jediný zdroj pravdy, ke kterému má umělá inteligence přístup a z něhož může čerpat. Pokud provádíte uživatelský průzkum jakkoli dlouho, pravděpodobně máte více dat, než si uvědomujete. Je jen rozptýlená v různých nástrojích a formátech:
Výsledky průzkumu ve vaší platformě průzkumu, Přepisy rozhovorů v Dokumentech Google, vstupenky na zákaznickou podporu ve vašem systému helpdesk, Analytická data na různých panelech, Zmínky a recenze na sociálních sítích, staré osobnosti z předchozích projektů, Záznamy a poznámky testu použitelnosti.
Prvním krokem je shromáždit toto vše na jednom místě. Nemusí to být dokonale zorganizované. Umělá inteligence je pozoruhodně dobrá v tom, jak dávat smysl chaotickým vstupům. Pokud začínáte od nuly a nemáte mnoho existujícího výzkumu, můžete k vytvoření základní linie použít nástroje pro hluboký výzkum AI.
Tyto nástroje mohou vyhledávat na webu diskuze o vaší kategorii produktů, recenze konkurence a běžné otázky, které lidé kladou. To vám dává něco, s čím můžete pracovat při vytváření primárního výzkumu. Vytváření interaktivních person Jakmile budete mít své úložiště, dalším krokem je vytvoření person, se kterými může AI konzultovat jménem zúčastněných stran. To staví přímo na funkčním persona přístupu, který jsem nastínil ve svém předchozím článku, s jedním zásadním rozdílem: tyto persony se stávají čočkami, jejichž prostřednictvím AI analyzuje otázky, nejen referenčnídokumenty. Proces funguje takto:
Naplňte svůj výzkumný repozitář nástrojem AI. Požádejte jej, aby identifikoval odlišné uživatelské segmenty na základě cílů, úkolů a třecích bodů. Nechte vygenerovat podrobné persony pro každý segment. Nakonfigurujte AI tak, aby konzultovala všechny osoby, když se zúčastněné strany ptají, a poskytuje konsolidovanou zpětnou vazbu.
Zde se tento přístup výrazně liší od tradičních osobností. Protože AI je primárním spotřebitelem těchto osobních dokumentů, nemusí být skenovatelné nebo se vejdou na jednu stránku. Tradiční persony jsou omezeny lidskou čitelností: musíte vše destilovat až do odrážek a klíčových citátů, které někdo dokáže absorbovat na první pohled. Ale AI takové omezení nemá. To znamená, že vaše persony mohou být mnohem podrobnější. Můžete zahrnout zdlouhavá pozorování chování, protichůdné datové body a nuance kontext, který by nikdy nepřežil proces úprav tradičního plakátu. Umělá inteligence dokáže pojmout veškerou tuto složitost a čerpat z ní při odpovídání na otázky. V rámci každé osoby můžete také vytvářet různé čočky nebo perspektivy, přizpůsobené konkrétním obchodním funkcím. Vaše osobnost „víkendového válečníka“ může mít marketingovou čočku (předvolby zasílání zpráv, návyky kanálu, reakce na kampaň), čočku produktu (priority funkcí, vzorce použitelnosti, spouštěče upgradu) a podpůrnou čočku (běžné otázky, frustrace, preference rozlišení). Když marketingový manažer položí otázku, AI čerpá z marketingově relevantních informací. Když se produktový manažer zeptá, vytáhne z objektivu produktu. Stejná osobnost, jiná hloubka podle toho, kdo se ptá.
Persony by měly stále obsahovat všechny funkční prvky, o kterých jsme diskutovali dříve: cíle a úkoly, otázky a námitky, bolestivé body, kontaktní body a mezery ve službách. Nyní se však tyto prvky stávají základem toho, jak AI vyhodnocuje otázky z pohledu každého člověka a syntetizuje jeho názory do praktických doporučení. Možnosti implementace Můžete to nastavit s různou úrovní sofistikovanosti v závislosti na vašich zdrojích a potřebách. Jednoduchý přístup Většina platforem AI nyní nabízí funkce projektu nebo pracovního prostoru, které umožňují nahrávat referenční dokumenty. V ChatGPT se jim říká projekty. Claude má podobnou vlastnost. Kopilot a Blíženci jim říkají Spaces nebo Gems. Chcete-li začít, vytvořte vyhrazený projekt a nahrajte své klíčové výzkumné dokumenty a persony. Poté napište jasné pokyny a sdělte AI, aby při odpovídání na otázky konzultovala všechny osoby. Něco jako: Pomáháte zúčastněným stranám porozumět našim uživatelům. Až budete položeni otázky, poraďte se se všemi uživateli v tomto projektu a poskytněte: (1) stručné shrnutí toho, jak by každá osoba pravděpodobně reagovala, (2) přehled zdůrazňující, kde se shodují a kde se liší, a (3) doporučení založená na jejich kolektivních pohledech. Při analýze použijte všechny dokumenty výzkumu. Pokud výzkum plně nepokrývá nějaké téma, prohledejte sociální platformy, jako je Reddit, Twitter a relevantní fóra, abyste zjistili, jak lidé odpovídající těmto osobám diskutují o podobných problémech. Pokud si stále něčím nejste jisti, řekněte to upřímně a navrhněte, jaký další výzkum by mohl pomoci.
Tento přístup má určitá omezení. Počet souborů, které můžete nahrát, je omezen, takže možná budete muset upřednostnit svůj nejdůležitější výzkum nebo sloučit své persony do jediného komplexního dokumentu. Sofistikovanější přístup Pro větší organizace nebo trvalejší používání nabízí nástroj jako Notion výhody, protože pojme celý váš výzkumný repozitář a má zabudované funkce umělé inteligence. Můžete vytvářet databáze pro různé typy výzkumu, propojovat je dohromady a pak pomocí umělé inteligence provádět dotazy na vše.
Výhodou je, že AI má přístup k mnohem většímu kontextu. Když zúčastněná strana položí otázku, může čerpat z průzkumů, lístků podpory, přepisů rozhovorů a analytických dat najednou. Díky tomu jsou odezvy bohatší a jemnější. Co toto nenahrazuje Měl bych mít jasno v omezeních. Virtuální persony nenahrazují komunikaci se skutečnými uživateli. Představují způsob, jak učinit stávající výzkum přístupnějším a použitelnějším. Existuje několik scénářů, kdy stále potřebujete primární výzkum:
Když spouštíte něco skutečně nového, co váš stávající výzkum nepokrývá; Když potřebujete ověřit konkrétní návrhy nebo prototypy; Když jsou data vašeho úložiště zastaralá; Když zúčastněné stranypotřebují slyšet přímo od skutečných lidí, aby si vybudovali empatii.
Ve skutečnosti můžete nakonfigurovat AI tak, aby tyto situace rozpoznávala. Když někdo položí otázku, která přesahuje to, co může výzkum zodpovědět, umělá inteligence může odpovědět něco jako: „Nemám dostatek informací, abych na to mohl s jistotou odpovědět. Může to být dobrá otázka pro rychlý uživatelský rozhovor nebo průzkum.“ A když provedete nový výzkum, tato data se vrátí zpět do úložiště. Osobnosti se postupem času vyvíjejí, jak se vaše porozumění prohlubuje. To je mnohem lepší než tradiční přístup, kdy se persony vytvoří jednou a pak pomalu zastarávají. Organizační posun Pokud se tento přístup uchytí ve vaší organizaci, stane se něco zajímavého. Role týmu UX se posouvá z role strážců uživatelských znalostí na kurátory a správce úložiště. Namísto toho, abyste trávili čas vytvářením sestav, které se mohou, ale nemusí číst, trávíte čas tím, že zajistíte, aby úložiště zůstalo aktuální a aby AI byla nakonfigurována tak, aby poskytovala užitečné odpovědi. Zkoumejte změny komunikace od push (prezentace, zprávy, e-maily) k pull (zúčastněné strany kladou otázky, když potřebují odpovědi). Myšlení zaměřené na uživatele se stává spíše distribuovaným v rámci organizace než soustředěním v jednom týmu. To neznamená, že výzkumníci UX jsou méně hodnotní. Pokud něco, díky tomu jsou cennější, protože jejich práce má nyní širší dosah a větší dopad. Ale mění to povahu práce. Začínáme Pokud chcete tento přístup vyzkoušet, začněte v malém. Pokud potřebujete základní informace o funkčních osobnostech, než se do nich ponoříte, sepsal jsem podrobného průvodce jejich vytvořením. Vyberte si jeden projekt nebo tým a nastavte jednoduchou implementaci pomocí ChatGPT Projects nebo podobného nástroje. Shromážděte jakýkoli výzkum, který máte (i když se vám zdá neúplný), vytvořte jednu nebo dvě osoby a sledujte, jak reagují zúčastněné strany. Věnujte pozornost tomu, jaké otázky kladou. Ty vám řeknou, kde má váš výzkum mezery a jaké další údaje by byly nejcennější. Jak vylepšujete přístup, můžete se rozšířit na více týmů a sofistikovanější nástroje. Ale základní princip zůstává stejný: vzít všechny ty rozptýlené uživatelské znalosti a dát jim hlas, který může slyšet kdokoli ve vaší organizaci. Ve svém předchozím článku jsem tvrdil, že bychom měli přejít od demografických osobností k funkčním osobnostem, které se zaměřují na to, o co se uživatelé snaží. Nyní navrhuji, abychom udělali další krok: od statických osob k interaktivním, které se mohou skutečně účastnit konverzací, kde se přijímají rozhodnutí. Protože každý den ve vaší organizaci dělají lidé rozhodnutí, která ovlivňují vaše uživatele. A vaši uživatelé si zaslouží místo u stolu, i když je to virtuální. Další čtení na SmashingMag
"Bližší pohled na persony: jaké jsou a jak fungují | 1", Shlomo Goltz „Jak vylepšit proces návrhu pomocí personas na základě dat“, Tim Noetzel „Jak ztížit ignorování vašeho výzkumu UX“, Vitaly Friedman „Jak vybudovat silné vztahy se zákazníky pro uživatelský výzkum“, Renaissance Rachel
