Στο προηγούμενο άρθρο μου, εξέτασα πώς η τεχνητή νοημοσύνη μπορεί να μας βοηθήσει να δημιουργήσουμε λειτουργικά πρόσωπα πιο αποτελεσματικά. Εξετάσαμε τη δημιουργία προσώπων που εστιάζουν σε αυτό που προσπαθούν να επιτύχουν οι χρήστες και όχι δημογραφικά προφίλ που φαίνονται καλά στις αφίσες, αλλά σπάνια αλλάζουν τις σχεδιαστικές αποφάσεις. Αλλά η δημιουργία προσώπων είναι μόνο η μισή μάχη. Η μεγαλύτερη πρόκληση είναι να πάρει αυτές τις γνώσεις στα χέρια των ανθρώπων που τις χρειάζονται, τη στιγμή που τις χρειάζονται. Καθημερινά, άτομα σε ολόκληρο τον οργανισμό σας λαμβάνουν αποφάσεις που επηρεάζουν την εμπειρία χρήστη. Οι ομάδες προϊόντων αποφασίζουν ποια χαρακτηριστικά θα δώσουν προτεραιότητα. Ομάδες μάρκετινγκ δημιουργούν καμπάνιες χειροτεχνίας. Οι ομάδες χρηματοδότησης σχεδιάζουν διαδικασίες τιμολόγησης. Οι ομάδες υποστήριξης πελατών γράφουν πρότυπα απαντήσεων. Όλες αυτές οι αποφάσεις διαμορφώνουν τον τρόπο με τον οποίο οι χρήστες βιώνουν το προϊόν ή την υπηρεσία σας. Και τα περισσότερα από αυτά συμβαίνουν χωρίς καμία συμβολή από πραγματικούς χρήστες. Το πρόβλημα με το πώς μοιραζόμαστε την έρευνα χρηστών Εσείς κάνετε την έρευνα. Εσείς δημιουργείτε τις περσόνες. Εσείς γράφετε τις εκθέσεις. Κάνεις τις παρουσιάσεις. Φτιάχνεις ακόμη και φανταχτερά infographics. Και μετά τι γίνεται; Η έρευνα βρίσκεται σε μια κοινή μονάδα δίσκου κάπου, μαζεύοντας αργά ψηφιακή σκόνη. Οι περσόνες αναφέρονται στις εναρκτήριες συναντήσεις και μετά ξεχνιούνται. Οι αναφορές σβήνονται μία φορά και δεν ανοίγουν ποτέ ξανά. Όταν ένας διαχειριστής προϊόντων αποφασίζει αν θα προσθέσει μια νέα δυνατότητα, πιθανότατα δεν σκάβει το αποθετήριο έρευνας του περασμένου έτους. Όταν η οικονομική ομάδα επανασχεδιάζει το email του τιμολογίου, σχεδόν σίγουρα δεν συμβουλεύεται τα πρόσωπα των χρηστών. Κάνουν την καλύτερη εικασία και προχωρούν. Αυτό δεν είναι κριτική σε αυτές τις ομάδες. Είναι απασχολημένοι. Έχουν προθεσμίες. Και ειλικρινά, ακόμα κι αν ήθελαν να συμβουλευτούν την έρευνα, πιθανότατα δεν θα ήξεραν πού να τη βρουν ή πώς να την ερμηνεύσουν για τη συγκεκριμένη ερώτησή τους. Η γνώση παραμένει κλειδωμένη μέσα στους επικεφαλής της ομάδας UX, οι οποίοι δεν μπορούν να είναι παρόντες σε κάθε απόφαση που λαμβάνεται σε ολόκληρο τον οργανισμό. Τι θα γινόταν αν οι χρήστες μπορούσαν πραγματικά να μιλήσουν; Τι θα γινόταν αν, αντί να δημιουργούμε στατικά έγγραφα που πρέπει να βρουν και να ερμηνεύσουν οι άνθρωποι, θα μπορούσαμε να δώσουμε στους ενδιαφερόμενους έναν τρόπο να συμβουλεύονται όλα τα πρόσωπα των χρηστών σας ταυτόχρονα;
Φανταστείτε έναν διευθυντή μάρκετινγκ που εργάζεται σε μια νέα καμπάνια. Αντί να προσπαθούν να θυμηθούν τι είπαν οι περσόνες σχετικά με τις προτιμήσεις μηνυμάτων, θα μπορούσαν απλώς να ρωτήσουν: "Σκέφτομαι να προηγηθώ με μια προσφορά έκπτωσης σε αυτό το μήνυμα ηλεκτρονικού ταχυδρομείου. Τι θα σκέφτονταν οι χρήστες μας;" Και η τεχνητή νοημοσύνη, βασιζόμενη σε όλα τα ερευνητικά δεδομένα και τα πρόσωπα σας, θα μπορούσε να απαντήσει με μια ενοποιημένη άποψη: πώς θα αντιδρούσε πιθανώς κάθε πρόσωπο, πού συμφωνεί, πού διαφέρει και ένα σύνολο συστάσεων με βάση τις συλλογικές του προοπτικές. Μια ερώτηση, συνέθεσε πληροφορίες για ολόκληρη τη βάση χρηστών σας.
Αυτό δεν είναι επιστημονική φαντασία. Με την τεχνητή νοημοσύνη, μπορούμε να δημιουργήσουμε ακριβώς αυτό το είδος συστήματος. Μπορούμε να πάρουμε όλη αυτή τη διάσπαρτη έρευνα (τις έρευνες, τις συνεντεύξεις, τα δελτία υποστήριξης, τα αναλυτικά στοιχεία, τα ίδια τα πρόσωπα) και να τη μετατρέψουμε σε έναν διαδραστικό πόρο που ο καθένας μπορεί να αναζητήσει για ανατροφοδότηση πολλαπλών προοπτικών. Δημιουργία του Αποθετηρίου Έρευνας Χρηστών Η βάση αυτής της προσέγγισης είναι ένα κεντρικό αποθετήριο όλων όσων γνωρίζετε για τους χρήστες σας. Σκεφτείτε το ως μια μοναδική πηγή αλήθειας στην οποία η τεχνητή νοημοσύνη μπορεί να έχει πρόσβαση και να αντλήσει από αυτήν. Εάν κάνετε έρευνα χρηστών για μεγάλο χρονικό διάστημα, πιθανότατα έχετε περισσότερα δεδομένα από όσα φαντάζεστε. Απλώς είναι διάσπαρτο σε διαφορετικά εργαλεία και μορφές:
Τα αποτελέσματα της έρευνας βρίσκονται στην πλατφόρμα της έρευνάς σας, Μεταγραφές συνεντεύξεων στα Έγγραφα Google, Εισιτήρια υποστήριξης πελατών στο σύστημα υποστήριξης, Δεδομένα Analytics σε διάφορους πίνακες ελέγχου, Αναφορές και κριτικές μέσων κοινωνικής δικτύωσης, Παλιές περσόνες από προηγούμενα έργα, Εγγραφές και σημειώσεις δοκιμής χρηστικότητας.
Το πρώτο βήμα είναι να συγκεντρώσετε όλα αυτά σε ένα μέρος. Δεν χρειάζεται να είναι τέλεια οργανωμένο. Η τεχνητή νοημοσύνη είναι εξαιρετικά καλή στο να δίνει νόημα στις ακατάστατες εισαγωγές. Εάν ξεκινάτε από το μηδέν και δεν έχετε πολλή υπάρχουσα έρευνα, μπορείτε να χρησιμοποιήσετε εργαλεία βαθιάς έρευνας AI για να δημιουργήσετε μια βασική γραμμή.
Αυτά τα εργαλεία μπορούν να σαρώσουν τον ιστό για συζητήσεις σχετικά με την κατηγορία προϊόντων σας, κριτικές ανταγωνιστών και συνήθεις ερωτήσεις που κάνουν οι άνθρωποι. Αυτό σας δίνει κάτι με το οποίο μπορείτε να δουλέψετε ενώ αναπτύσσετε την κύρια έρευνά σας. Δημιουργία διαδραστικών προσώπων Μόλις αποκτήσετε το αποθετήριο σας, το επόμενο βήμα είναι να δημιουργήσετε πρόσωπα που η τεχνητή νοημοσύνη μπορεί να συμβουλευτεί εκ μέρους των ενδιαφερόμενων μερών. Αυτό βασίζεται άμεσα στη λειτουργική προσέγγιση της περσόνας που περιέγραψα στο προηγούμενο άρθρο μου, με μια βασική διαφορά: αυτά τα πρόσωπα γίνονται φακοί μέσω των οποίων η τεχνητή νοημοσύνη αναλύει ερωτήσεις, όχι απλώς αναφορέςέγγραφα. Η διαδικασία λειτουργεί ως εξής:
Τροφοδοτήστε το αποθετήριο της έρευνάς σας σε ένα εργαλείο AI. Ζητήστε του να προσδιορίσει ξεχωριστά τμήματα χρηστών με βάση τους στόχους, τις εργασίες και τα σημεία τριβής. Βάλτε το να δημιουργήσει λεπτομερείς προσωπικότητες για κάθε τμήμα. Διαμορφώστε την τεχνητή νοημοσύνη ώστε να συμβουλεύεται όλα τα πρόσωπα όταν οι ενδιαφερόμενοι κάνουν ερωτήσεις, παρέχοντας συγκεντρωτικά σχόλια.
Εδώ είναι που αυτή η προσέγγιση αποκλίνει σημαντικά από τις παραδοσιακές περσόνες. Επειδή η τεχνητή νοημοσύνη είναι ο κύριος καταναλωτής αυτών των εγγράφων προσωπικού χαρακτήρα, δεν χρειάζεται να μπορούν να σαρωθούν ή να χωρέσουν σε μία μόνο σελίδα. Οι παραδοσιακές περσόνες περιορίζονται από την ανθρώπινη αναγνωσιμότητα: πρέπει να αποστάξετε τα πάντα σε κουκκίδες και βασικά αποσπάσματα που κάποιος μπορεί να απορροφήσει με μια ματιά. Αλλά η τεχνητή νοημοσύνη δεν έχει τέτοιο περιορισμό. Αυτό σημαίνει ότι τα πρόσωπα σας μπορούν να είναι πολύ πιο λεπτομερή. Μπορείτε να συμπεριλάβετε μακροσκελείς παρατηρήσεις συμπεριφοράς, αντιφατικά σημεία δεδομένων και αποχρώσεις του περιβάλλοντος που δεν θα επιβίωναν ποτέ τη διαδικασία επεξεργασίας για μια παραδοσιακή αφίσα περσόνα. Η τεχνητή νοημοσύνη μπορεί να συγκρατήσει όλη αυτή την πολυπλοκότητα και να την αξιοποιήσει όταν απαντά σε ερωτήσεις. Μπορείτε επίσης να δημιουργήσετε διαφορετικούς φακούς ή προοπτικές σε κάθε πρόσωπο, προσαρμοσμένες σε συγκεκριμένες επιχειρηματικές λειτουργίες. Η προσωπικότητά σας "Weekend Warrior" μπορεί να έχει φακό μάρκετινγκ (προτιμήσεις μηνυμάτων, συνήθειες καναλιών, απαντήσεις καμπάνιας), φακό προϊόντος (προτεραιότητες λειτουργιών, μοτίβα χρηστικότητας, εναύσματα αναβάθμισης) και φακό υποστήριξης (κοινές ερωτήσεις, σημεία απογοήτευσης, προτιμήσεις ανάλυσης). Όταν ένας διευθυντής μάρκετινγκ κάνει μια ερώτηση, η τεχνητή νοημοσύνη βασίζεται στις πληροφορίες που σχετίζονται με το μάρκετινγκ. Όταν ρωτά ένας διαχειριστής προϊόντων, βγαίνει από το φακό του προϊόντος. Ίδιο πρόσωπο, διαφορετικό βάθος ανάλογα με το ποιος ρωτά.
Οι περσόνες θα πρέπει να περιλαμβάνουν όλα τα λειτουργικά στοιχεία που συζητήσαμε προηγουμένως: στόχους και καθήκοντα, ερωτήσεις και ενστάσεις, σημεία πόνου, σημεία επαφής και κενά εξυπηρέτησης. Αλλά τώρα αυτά τα στοιχεία γίνονται η βάση για τον τρόπο με τον οποίο η τεχνητή νοημοσύνη αξιολογεί ερωτήσεις από την οπτική γωνία κάθε περσόνας, συνθέτοντας τις απόψεις τους σε συστάσεις που μπορούν να εφαρμοστούν. Επιλογές Υλοποίησης Μπορείτε να το ρυθμίσετε με διάφορα επίπεδα πολυπλοκότητας ανάλογα με τους πόρους και τις ανάγκες σας. Η Απλή Προσέγγιση Οι περισσότερες πλατφόρμες τεχνητής νοημοσύνης προσφέρουν πλέον λειτουργίες έργου ή χώρου εργασίας που σας επιτρέπουν να ανεβάσετε έγγραφα αναφοράς. Στο ChatGPT, αυτά ονομάζονται Έργα. Ο Κλοντ έχει ένα παρόμοιο χαρακτηριστικό. Ο Copilot και ο Δίδυμος τους αποκαλούν Spaces ή Gems. Για να ξεκινήσετε, δημιουργήστε ένα ειδικό έργο και ανεβάστε τα βασικά ερευνητικά σας έγγραφα και πρόσωπα. Στη συνέχεια, γράψτε σαφείς οδηγίες λέγοντας στο AI να συμβουλεύεται όλα τα πρόσωπα όταν απαντά σε ερωτήσεις. Κάτι σαν: Βοηθάτε τα ενδιαφερόμενα μέρη να κατανοήσουν τους χρήστες μας. Όταν γίνονται ερωτήσεις, συμβουλευτείτε όλα τα πρόσωπα των χρηστών σε αυτό το έργο και παρέχετε: (1) μια σύντομη περίληψη του τρόπου με τον οποίο πιθανώς θα απαντούσε κάθε πρόσωπο, (2) μια επισκόπηση που επισημαίνει πού συμφωνούν και πού διαφέρουν και (3) συστάσεις με βάση τις συλλογικές προοπτικές τους. Σχεδιάστε όλα τα ερευνητικά έγγραφα για να ενημερώσετε την ανάλυσή σας. Εάν η έρευνα δεν καλύπτει πλήρως ένα θέμα, αναζητήστε πλατφόρμες κοινωνικής δικτύωσης όπως το Reddit, το Twitter και σχετικά φόρουμ για να δείτε πώς τα άτομα που ταιριάζουν με αυτές τις προσωπικότητες συζητούν παρόμοια θέματα. Εάν εξακολουθείτε να μην είστε σίγουροι για κάτι, πείτε το με ειλικρίνεια και προτείνετε ποια πρόσθετη έρευνα μπορεί να βοηθήσει.
Αυτή η προσέγγιση έχει ορισμένους περιορισμούς. Υπάρχουν όρια για τον αριθμό των αρχείων που μπορείτε να ανεβάσετε, επομένως ίσως χρειαστεί να δώσετε προτεραιότητα στη σημαντικότερη έρευνά σας ή να ενοποιήσετε τα πρόσωπα σας σε ένα ενιαίο ολοκληρωμένο έγγραφο. Η πιο εξελιγμένη προσέγγιση Για μεγαλύτερους οργανισμούς ή για πιο συνεχή χρήση, ένα εργαλείο όπως το Notion προσφέρει πλεονεκτήματα, επειδή μπορεί να χωρέσει ολόκληρο το αποθετήριο της έρευνάς σας και έχει ενσωματωμένες δυνατότητες AI. Μπορείτε να δημιουργήσετε βάσεις δεδομένων για διαφορετικούς τύπους έρευνας, να τους συνδέσετε και, στη συνέχεια, να χρησιμοποιήσετε το AI για να κάνετε ερωτήσεις σε όλα.
Το πλεονέκτημα εδώ είναι ότι το AI έχει πρόσβαση σε πολύ περισσότερο περιβάλλον. Όταν ένας ενδιαφερόμενος κάνει μια ερώτηση, μπορεί να βασιστεί σε έρευνες, εισιτήρια υποστήριξης, μεταγραφές συνεντεύξεων και δεδομένα αναλυτικών στοιχείων ταυτόχρονα. Αυτό κάνει πιο πλούσιες, πιο λεπτές απαντήσεις. Τι δεν αντικαθιστά αυτό Θα πρέπει να είμαι σαφής σχετικά με τους περιορισμούς. Οι εικονικές περσόνες δεν υποκαθιστούν τη συνομιλία με πραγματικούς χρήστες. Είναι ένας τρόπος για να γίνει η υπάρχουσα έρευνα πιο προσιτή και εφαρμόσιμη. Υπάρχουν πολλά σενάρια όπου χρειάζεστε ακόμα πρωτογενή έρευνα:
Όταν λανσάρετε κάτι πραγματικά νέο που δεν καλύπτει η υπάρχουσα έρευνά σας. Όταν χρειάζεται να επικυρώσετε συγκεκριμένα σχέδια ή πρωτότυπα. Όταν τα δεδομένα του αποθετηρίου σας γίνονται μπαγιάτικα. Όταν οι ενδιαφερόμενοιχρειάζεται να ακούσουμε απευθείας από πραγματικούς ανθρώπους για να χτίσουμε ενσυναίσθηση.
Στην πραγματικότητα, μπορείτε να διαμορφώσετε το AI ώστε να αναγνωρίζει αυτές τις καταστάσεις. Όταν κάποιος κάνει μια ερώτηση που υπερβαίνει αυτό που μπορεί να απαντήσει η έρευνα, η τεχνητή νοημοσύνη μπορεί να απαντήσει με κάτι σαν: "Δεν έχω αρκετές πληροφορίες για να το απαντήσω με σιγουριά. Αυτή μπορεί να είναι μια καλή ερώτηση για μια γρήγορη συνέντευξη χρήστη ή έρευνα." Και όταν κάνετε νέα έρευνα, αυτά τα δεδομένα ανατροφοδοτούνται στο αποθετήριο. Τα πρόσωπα εξελίσσονται με την πάροδο του χρόνου καθώς η κατανόησή σας βαθαίνει. Αυτό είναι πολύ καλύτερο από την παραδοσιακή προσέγγιση, όπου οι περσόνες δημιουργούνται μία φορά και μετά σιγά-σιγά ξεφεύγουν. Η Οργανωτική Μετατόπιση Εάν αυτή η προσέγγιση πιάσει τον οργανισμό σας, κάτι ενδιαφέρον συμβαίνει. Ο ρόλος της ομάδας UX μετατοπίζεται από το να είναι φύλακας της γνώσης των χρηστών σε επιμελητές και συντηρητές του αποθετηρίου. Αντί να αφιερώνετε χρόνο στη δημιουργία αναφορών που μπορεί να διαβάζονται ή να μην διαβάζονται, ξοδεύετε χρόνο διασφαλίζοντας ότι το αποθετήριο παραμένει ενημερωμένο και ότι η τεχνητή νοημοσύνη έχει διαμορφωθεί για να παρέχει χρήσιμες απαντήσεις. Η ερευνητική επικοινωνία αλλάζει από push (παρουσιάσεις, αναφορές, email) σε pull (οι ενδιαφερόμενοι κάνουν ερωτήσεις όταν χρειάζονται απαντήσεις). Η σκέψη με επίκεντρο τον χρήστη κατανέμεται σε ολόκληρο τον οργανισμό αντί να συγκεντρώνεται σε μία ομάδα. Αυτό δεν κάνει τους ερευνητές UX λιγότερο πολύτιμους. Αν μη τι άλλο, τους κάνει πιο πολύτιμους επειδή η δουλειά τους έχει πλέον ευρύτερη εμβέλεια και μεγαλύτερο αντίκτυπο. Αλλάζει όμως τη φύση του έργου. Ξεκινώντας Εάν θέλετε να δοκιμάσετε αυτήν την προσέγγιση, ξεκινήστε από μικρά. Εάν χρειάζεστε ένα primer για λειτουργικές περσόνες πριν βουτήξετε, έχω γράψει έναν λεπτομερή οδηγό για τη δημιουργία τους. Επιλέξτε ένα έργο ή μια ομάδα και ρυθμίστε μια απλή υλοποίηση χρησιμοποιώντας Έργα ChatGPT ή ένα παρόμοιο εργαλείο. Συγκεντρώστε όποια έρευνα έχετε (ακόμα κι αν αισθάνεστε ελλιπής), δημιουργήστε μία ή δύο πρόσωπα και δείτε πώς ανταποκρίνονται οι ενδιαφερόμενοι. Δώστε προσοχή στις ερωτήσεις που κάνουν. Αυτά θα σας πουν πού έχει κενά η έρευνά σας και ποια πρόσθετα δεδομένα θα ήταν πιο πολύτιμα. Καθώς βελτιώνετε την προσέγγιση, μπορείτε να επεκταθείτε σε περισσότερες ομάδες και πιο εξελιγμένα εργαλεία. Αλλά η βασική αρχή παραμένει η ίδια: πάρτε όλη αυτή τη διάσπαρτη γνώση των χρηστών και δώστε της μια φωνή που μπορεί να ακούσει οποιοσδήποτε στον οργανισμό σας. Στο προηγούμενο άρθρο μου, υποστήριξα ότι πρέπει να περάσουμε από δημογραφικές προσωπικότητες σε λειτουργικές περσόνες που εστιάζουν σε αυτό που προσπαθούν να κάνουν οι χρήστες. Τώρα προτείνω να κάνουμε το επόμενο βήμα: από στατικές περσόνες σε διαδραστικές που μπορούν πραγματικά να συμμετέχουν στις συνομιλίες όπου λαμβάνονται αποφάσεις. Επειδή κάθε μέρα, σε ολόκληρο τον οργανισμό σας, οι άνθρωποι λαμβάνουν αποφάσεις που επηρεάζουν τους χρήστες σας. Και οι χρήστες σας αξίζουν μια θέση στο τραπέζι, ακόμα κι αν είναι εικονικό. Περαιτέρω ανάγνωση στο SmashingMag
«Μια πιο προσεκτική ματιά στα Personas: Τι είναι και πώς λειτουργούν | 1», Shlomo Goltz «Πώς να βελτιώσετε τη διαδικασία σχεδίασής σας με πρόσωπα που βασίζονται σε δεδομένα», Tim Noetzel «Πώς να κάνετε την έρευνα UX σας δύσκολο να αγνοηθεί», Vitaly Friedman «Πώς να οικοδομήσουμε ισχυρές σχέσεις με τους πελάτες για έρευνα χρηστών», Renaissance Rachel
