در مقاله قبلی خود، بررسی کردم که چگونه هوش مصنوعی می تواند به ما کمک کند تا پرسونای کاربردی را به طور کارآمدتر ایجاد کنیم. ما به ساختن پرسوناهایی نگاه کردیم که به جای نمایههای جمعیتی که روی پوسترها خوب به نظر میرسند، اما به ندرت تصمیمات طراحی را تغییر میدهند، بر آنچه کاربران تلاش میکنند تمرکز کنند. اما ایجاد پرسونا تنها نیمی از نبرد است. چالش بزرگتر این است که این بینشها را به دست افرادی که به آنها نیاز دارند، در لحظهای که به آن نیاز دارند، برسانیم. هر روز، افراد در سراسر سازمان شما تصمیماتی می گیرند که بر تجربه کاربر تأثیر می گذارد. تیم های محصول تصمیم می گیرند که کدام ویژگی ها را در اولویت قرار دهند. تیمهای بازاریابی کمپینهای هنری ایجاد میکنند. تیم های مالی فرآیندهای صورتحساب را طراحی می کنند. تیم های پشتیبانی مشتری الگوهای پاسخ را می نویسند. همه این تصمیمات نحوه تجربه کاربران از محصول یا خدمات شما را شکل می دهند. و بیشتر آنها بدون هیچ ورودی از سوی کاربران واقعی اتفاق میافتند. مشکل نحوه به اشتراک گذاری تحقیقات کاربر شما تحقیق کنید شما شخصیت ها را ایجاد می کنید. شما گزارش ها را بنویسید. شما ارائه ها را ارائه می دهید. شما حتی اینفوگرافیک های فانتزی می سازید. و بعد چه اتفاقی می افتد؟ این تحقیق در یک درایو مشترک در جایی قرار دارد و به آرامی گرد و غبار دیجیتال را جمع می کند. شخصیت ها در جلسات ابتدایی مورد اشاره قرار می گیرند و سپس فراموش می شوند. گزارش ها یک بار بررسی می شوند و دیگر باز نمی شوند. هنگامی که یک مدیر محصول در حال تصمیم گیری برای اضافه کردن یک ویژگی جدید است، احتمالاً مخزن تحقیقات سال گذشته را بررسی نمی کند. هنگامی که تیم مالی در حال طراحی مجدد ایمیل فاکتور هستند، تقریباً مطمئناً با شخصیت های کاربر مشورت نمی کنند. آنها بهترین حدس های خود را می کنند و ادامه می دهند. این انتقاد به آن تیم ها نیست. مشغول هستند. مهلت دارند. و صادقانه بگویم، حتی اگر آنها می خواستند با تحقیق مشورت کنند، احتمالاً نمی دانستند که آن را از کجا پیدا کنند یا چگونه آن را برای سؤال خاص خود تفسیر کنند. دانش در درون سران تیم UX محبوس می شود، که احتمالاً نمی توانند برای هر تصمیمی که در سراسر سازمان گرفته می شود حضور داشته باشند. اگر کاربران واقعاً می توانستند صحبت کنند چه می شد؟ چه می شود اگر به جای ایجاد اسناد ثابتی که افراد نیاز به یافتن و تفسیر آن دارند، بتوانیم به ذینفعان راهی برای مشورت با همه پرسونای کاربر شما در یک زمان ارائه دهیم؟
تصور کنید یک مدیر بازاریابی روی یک کمپین جدید کار می کند. به جای تلاش برای به خاطر سپردن آنچه که پرسوناها در مورد تنظیمات برگزیده پیامرسانی گفتهاند، میتوانند به سادگی بپرسند: "من به رهبری با پیشنهاد تخفیف در این ایمیل فکر میکنم. کاربران ما چه فکری میکنند؟" و هوش مصنوعی، با تکیه بر تمام دادهها و شخصیتهای تحقیقاتی شما، میتواند با یک دیدگاه تلفیقی پاسخ دهد: احتمالاً هر شخص چگونه واکنش نشان میدهد، کجا موافق است، کجا متفاوت است، و مجموعهای از توصیهها بر اساس دیدگاههای جمعی آنها. یک سوال، بینش را در کل پایگاه کاربر شما ترکیب کرد.
این داستان علمی تخیلی نیست. با هوش مصنوعی میتوانیم دقیقاً این نوع سیستم را بسازیم. ما میتوانیم تمام آن تحقیقات پراکنده (نظرسنجیها، مصاحبهها، بلیطهای پشتیبانی، تجزیه و تحلیلها، خود شخصیتها) را در نظر بگیریم و آن را به یک منبع تعاملی تبدیل کنیم که هر کسی میتواند برای بازخورد چند دیدگاهی آن را جستجو کند. ساخت مخزن تحقیقات کاربر اساس این رویکرد یک مخزن متمرکز از همه چیزهایی است که در مورد کاربران خود می دانید. به آن به عنوان منبعی از حقیقت فکر کنید که هوش مصنوعی می تواند به آن دسترسی داشته باشد و از آن استفاده کند. اگر برای مدت طولانی در حال انجام تحقیقات کاربری بوده اید، احتمالاً داده های بیشتری از آنچه تصور می کنید دارید. این فقط در ابزارها و قالب های مختلف پراکنده است:
نتایج نظرسنجی در پلت فرم نظرسنجی شما، رونوشت مصاحبه در Google Docs، بلیط های پشتیبانی مشتری در سیستم میز راهنمایی شما، داده های تجزیه و تحلیل در داشبوردهای مختلف، اشاره ها و بررسی های رسانه های اجتماعی، شخصیت های قدیمی پروژه های قبلی، ضبط ها و یادداشت های تست قابلیت استفاده.
اولین قدم جمع آوری همه اینها در یک مکان است. نیازی به سازماندهی کامل آن نیست. هوش مصنوعی به طرز قابل توجهی در درک ورودی های نامرتب خوب است. اگر از صفر شروع می کنید و تحقیقات زیادی ندارید، می توانید از ابزارهای تحقیقاتی عمیق هوش مصنوعی برای ایجاد یک خط پایه استفاده کنید.
این ابزارها می توانند وب را برای بحث در مورد دسته بندی محصول شما، نظرات رقبا و سوالات رایجی که مردم می پرسند اسکن کنند. این به شما چیزی می دهد که در حین ساختن تحقیقات اولیه خود با آن کار کنید. ایجاد شخصیت های تعاملی هنگامی که مخزن خود را دارید، گام بعدی ایجاد شخصیت هایی است که هوش مصنوعی می تواند از طرف سهامداران با آنها مشورت کند. این به طور مستقیم بر روی رویکرد شخصیت عملکردی است که در مقاله قبلی خود بیان کردم، با یک تفاوت کلیدی: این پرسوناها به لنزهایی تبدیل می شوند که هوش مصنوعی از طریق آنها سؤالات را تجزیه و تحلیل می کند، نه فقط مرجع.اسناد فرآیند به این صورت عمل می کند:
مخزن تحقیقاتی خود را به یک ابزار هوش مصنوعی تغذیه کنید. از آن بخواهید تا بخش های متمایز کاربر را بر اساس اهداف، وظایف و نقاط اصطکاک شناسایی کند. از آن بخواهید برای هر بخش پرسونای دقیق ایجاد کند. هوش مصنوعی را طوری پیکربندی کنید که وقتی سهامداران سؤال میپرسند، با همه شخصیتها مشورت کند و بازخورد تلفیقی ارائه کند.
اینجا جایی است که این رویکرد به طور قابل توجهی با شخصیت های سنتی متفاوت است. از آنجایی که هوش مصنوعی مصرف کننده اصلی این اسناد شخصی است، نیازی به اسکن شدن یا قرار دادن آنها در یک صفحه نیست. شخصیتهای سنتی توسط خوانایی انسان محدود میشوند: شما باید همه چیز را به نقطههای گلوله و نقل قولهای کلیدی تقطیر کنید که یک نفر بتواند در یک نگاه جذب کند. اما هوش مصنوعی چنین محدودیتی ندارد. این بدان معنی است که پرسونای شما می تواند به طور قابل توجهی جزئیات بیشتری داشته باشد. شما می توانید مشاهدات رفتاری طولانی، نقاط داده متناقض، و زمینه ظریفی را که هرگز از فرآیند ویرایش برای پوستر شخصی سنتی جان سالم به در نمی برند، بگنجانید. هوش مصنوعی می تواند تمام این پیچیدگی ها را در خود نگه دارد و هنگام پاسخ دادن به سؤالات از آن استفاده کند. همچنین میتوانید لنزها یا پرسپکتیوهای متفاوتی را در هر شخصیت، متناسب با عملکردهای تجاری خاص ایجاد کنید. شخصیت «جنگجوی آخر هفته» شما ممکن است یک لنز بازاریابی (اولویتهای پیامرسانی، عادتهای کانال، پاسخهای کمپین)، یک لنز محصول (اولویتهای ویژگی، الگوهای قابلیت استفاده، محرکهای ارتقا) و یک لنز پشتیبانی (سوالات رایج، نقاط ناامیدی، اولویتهای وضوح) داشته باشد. وقتی یک مدیر بازاریابی سوالی می پرسد، هوش مصنوعی از اطلاعات مربوط به بازاریابی استفاده می کند. وقتی مدیر محصول می پرسد، از لنز محصول بیرون می کشد. شخصیت یکسان، عمق متفاوت بسته به اینکه چه کسی سوال می کند.
پرسوناها هنوز باید شامل تمام عناصر عملکردی باشند که قبلاً در مورد آنها بحث کردیم: اهداف و وظایف، سؤالات و اعتراضات، نقاط درد، نقاط تماس و شکاف های خدمات. اما اکنون این عناصر مبنایی برای ارزیابی چگونگی ارزیابی پرسشها از دیدگاه هر شخص توسط هوش مصنوعی میشوند و دیدگاههای آنها را در توصیههای عملی ترکیب میکنند. گزینه های پیاده سازی شما می توانید این را با سطوح مختلف پیچیدگی بسته به منابع و نیاز خود تنظیم کنید. رویکرد ساده اکنون اکثر پلتفرمهای هوش مصنوعی ویژگیهای پروژه یا فضای کاری را ارائه میکنند که به شما امکان میدهد اسناد مرجع را آپلود کنید. در ChatGPT به اینها پروژه می گویند. کلود نیز ویژگی مشابهی دارد. Copilot و Gemini آنها را Spaces یا Gems می نامند. برای شروع، یک پروژه اختصاصی ایجاد کنید و اسناد و پرسونای تحقیقاتی کلیدی خود را آپلود کنید. سپس دستورالعملهای واضحی بنویسید که به هوش مصنوعی بگویید هنگام پاسخ دادن به سؤالات، با همه شخصیتها مشورت کند. چیزی شبیه به: شما به ذینفعان کمک می کنید تا کاربران ما را درک کنند. هنگام پرسیدن سؤالات، با همه شخصیتهای کاربر در این پروژه مشورت کنید و ارائه دهید: (1) خلاصه مختصری از نحوه پاسخ احتمالی هر شخص، (2) یک نمای کلی که در آن موافق هستند و کجا متفاوت هستند، و (3) توصیههایی بر اساس دیدگاههای جمعی آنها. برای اطلاع از تجزیه و تحلیل خود، از تمام اسناد تحقیق استفاده کنید. اگر تحقیق به طور کامل موضوعی را پوشش نمیدهد، پلتفرمهای اجتماعی مانند Reddit، توییتر و انجمنهای مربوطه را جستجو کنید تا ببینید افرادی که با این شخصیتها مطابقت دارند چگونه درباره موضوعات مشابه بحث میکنند. اگر هنوز در مورد چیزی مطمئن نیستید، صادقانه بگویید و پیشنهاد کنید که چه تحقیقات دیگری می تواند به شما کمک کند.
این رویکرد محدودیت هایی دارد. تعداد فایل هایی که می توانید آپلود کنید محدودیت هایی دارد، بنابراین ممکن است لازم باشد مهم ترین تحقیقات خود را اولویت بندی کنید یا شخصیت های خود را در یک سند جامع ادغام کنید. رویکرد پیچیده تر برای سازمانهای بزرگتر یا استفاده مداومتر، ابزاری مانند Notion مزایایی را ارائه میدهد زیرا میتواند کل مخزن تحقیقات شما را در خود نگه دارد و قابلیتهای هوش مصنوعی داخلی دارد. میتوانید پایگاههای دادهای را برای انواع مختلف تحقیق ایجاد کنید، آنها را به هم پیوند دهید و سپس از هوش مصنوعی برای جستجو در همه چیز استفاده کنید.
مزیت در اینجا این است که هوش مصنوعی به زمینه بسیار بیشتری دسترسی دارد. هنگامی که یک ذینفع سؤالی می پرسد، می تواند به طور همزمان از نظرسنجی ها، بلیط های پشتیبانی، متن مصاحبه و داده های تجزیه و تحلیل استفاده کند. این باعث میشود پاسخهای غنیتر و ظریفتر ارائه شود. این چه چیزی را جایگزین نمی کند من باید در مورد محدودیت ها شفاف باشم. شخصیت های مجازی جایگزینی برای صحبت با کاربران واقعی نیستند. آنها راهی برای قابل دسترس تر کردن و عملی کردن تحقیقات موجود هستند. چندین سناریو وجود دارد که شما هنوز به تحقیقات اولیه نیاز دارید:
وقتی چیزی واقعاً جدید راه اندازی می کنید که تحقیقات فعلی شما آن را پوشش نمی دهد. زمانی که نیاز به اعتبارسنجی طرح ها یا نمونه های اولیه دارید. زمانی که دادههای مخزن شما کهنه میشود؛ زمانی که ذینفعاننیاز به شنیدن مستقیم از انسان های واقعی برای ایجاد همدلی.
در واقع، شما می توانید هوش مصنوعی را برای تشخیص این موقعیت ها پیکربندی کنید. وقتی کسی سوالی میپرسد که فراتر از پاسخهایی است که پژوهش میتواند پاسخ دهد، هوش مصنوعی میتواند با چیزی مانند این پاسخ دهد: "من اطلاعات کافی برای پاسخ دادن به آن با اطمینان ندارم. این ممکن است یک سوال خوب برای یک مصاحبه یا نظرسنجی سریع با کاربر باشد." و وقتی تحقیقات جدیدی انجام می دهید، این داده ها به مخزن باز می گردند. شخصیت ها در طول زمان با عمیق تر شدن درک شما تکامل می یابند. این بسیار بهتر از رویکرد سنتی است، که در آن شخصیتها یک بار ایجاد میشوند و سپس به آرامی از تاریخ خارج میشوند. تغییر سازمانی اگر این رویکرد در سازمان شما اتفاق بیفتد، اتفاق جالبی می افتد. نقش تیم UX از دروازه بان دانش کاربر به سرپرستی و نگهداری از مخزن تغییر می کند. به جای صرف زمان برای ایجاد گزارش هایی که ممکن است خوانده شوند یا ممکن است خوانده نشوند، برای اطمینان از اینکه مخزن به روز می ماند و هوش مصنوعی برای ارائه پاسخ های مفید پیکربندی شده است، زمان صرف می کنید. ارتباطات تحقیقاتی از فشار (ارائه ها، گزارش ها، ایمیل ها) به کشش تغییر می کند (ذینفعان وقتی به پاسخ نیاز دارند سؤال می پرسند). تفکر کاربر محور به جای اینکه در یک تیم متمرکز شود، در سراسر سازمان توزیع می شود. این باعث نمی شود که محققان UX ارزش کمتری داشته باشند. در غیر این صورت، آنها را با ارزش تر می کند زیرا کار آنها اکنون دامنه وسیع تری دارد و تأثیر بیشتری دارد. اما ماهیت کار را تغییر می دهد. شروع به کار اگر می خواهید این روش را امتحان کنید، از کوچک شروع کنید. اگر قبل از غواصی به پرایمری روی پرسوناهای کاربردی نیاز دارید، من یک راهنمای دقیق برای ایجاد آنها نوشته ام. یک پروژه یا تیم را انتخاب کنید و یک پیاده سازی ساده را با استفاده از ChatGPT Projects یا ابزاری مشابه راه اندازی کنید. هر تحقیقی را که دارید جمع آوری کنید (حتی اگر به نظر ناقص باشد)، یک یا دو شخصیت ایجاد کنید و ببینید ذینفعان چگونه پاسخ می دهند. به سوالاتی که می پرسند دقت کنید. اینها به شما میگویند که تحقیقات شما در کجا شکاف دارد و چه دادههای اضافی ارزشمندتر است. همانطور که رویکرد را اصلاح می کنید، می توانید به تیم های بیشتر و ابزارهای پیچیده تری گسترش دهید. اما اصل اصلی یکسان باقی می ماند: همه آن دانش پراکنده کاربر را بگیرید و صدایی به آن بدهید که هر کسی در سازمان شما بتواند بشنود. در مقاله قبلیام، استدلال کردم که باید از شخصیتهای جمعیتشناختی به شخصیتهای کاربردی برویم که بر آنچه کاربران تلاش میکنند تمرکز کنند. اکنون پیشنهاد میکنم قدم بعدی را برداریم: از شخصیتهای ایستا تا شخصیتهای تعاملی که میتوانند در مکالماتی که در آن تصمیمگیری میشود، شرکت کنند. زیرا هر روز، در سراسر سازمان شما، مردم تصمیماتی می گیرند که بر کاربران شما تأثیر می گذارد. و کاربران شما سزاوار یک صندلی بر سر میز هستند، حتی اگر مجازی باشد. مطالعه بیشتر در SmashingMag
"نگاهی دقیق تر به شخصیت ها: آنها چه هستند و چگونه کار می کنند | 1"، شلومو گلتز تیم نوتزل "چگونه فرآیند طراحی خود را با پرسونای مبتنی بر داده بهبود بخشید". "چگونه نادیده گرفتن تحقیقات UX خود را سخت کنیم"، ویتالی فریدمن "چگونه روابط قوی با مشتری برای تحقیقات کاربر ایجاد کنیم"، رنسانس ریچل
