במאמר הקודם שלי, חקרתי כיצד AI יכול לעזור לנו ליצור אישיות פונקציונלית בצורה יעילה יותר. בדקנו בניית פרסונות המתמקדות במה שהמשתמשים מנסים להשיג ולא בפרופילים דמוגרפיים שנראים טוב על פוסטרים אך משנים לעתים רחוקות החלטות עיצוביות. אבל יצירת פרסונות היא רק חצי מהקרב. האתגר הגדול יותר הוא להעביר את התובנות הללו לידיים של אנשים שזקוקים להן, ברגע שהם צריכים אותן. כל יום, אנשים ברחבי הארגון שלך מקבלים החלטות שמשפיעות על חווית המשתמש. צוותי מוצר מחליטים אילו תכונות לתעדף. צוותי שיווק יוצרים קמפיינים. צוותי כספים מעצבים תהליכי חשבונית. צוותי תמיכת לקוחות כותבים תבניות תגובה. כל ההחלטות הללו מעצבות את האופן שבו המשתמשים חווים את המוצר או השירות שלך. ורובם מתרחשים ללא כל קלט ממשתמשים בפועל. הבעיה עם איך אנחנו חולקים מחקר משתמשים אתה עושה את המחקר. אתה יוצר את הפרסונות. אתה כותב את הדוחות. אתה נותן את המצגות. אתה אפילו עושה אינפוגרפיקה מפוארת. ואז מה קורה? המחקר יושב בכונן משותף איפשהו, אוסף לאט אבק דיגיטלי. הפרסונות זוכות להתייחסות בפגישות פתיחה ואז נשכחות. הדוחות עוברים רפרוף פעם אחת ולא נפתחים שוב. כשמנהל מוצר מחליט אם להוסיף תכונה חדשה, הוא כנראה לא חופר במאגר המחקר של השנה שעברה. כאשר צוות הכספים מעצב מחדש את המייל של החשבונית, הם כמעט בוודאות אינם מתייעצים עם אישיות המשתמשים. הם ניחושים בצורה הטובה ביותר וממשיכים הלאה. זו לא ביקורת על הקבוצות האלה. הם עסוקים. יש להם מועדים. ובכנות, גם אם הם היו רוצים להתייעץ עם המחקר, הם כנראה לא ידעו איפה למצוא אותו או איך לפרש אותו לשאלתם הספציפית. הידע נשאר נעול בתוך ראשי צוות ה-UX, שאולי לא יכולים להיות נוכחים בכל החלטה שמתקבלת ברחבי הארגון. מה אם משתמשים באמת יכלו לדבר? מה אם, במקום ליצור מסמכים סטטיים שאנשים צריכים למצוא ולפרש, נוכל לתת לבעלי עניין דרך להתייעץ עם כל אישי המשתמש שלך בבת אחת?
דמיינו לעצמכם מנהל שיווק שעובד על קמפיין חדש. במקום לנסות לזכור מה אמרו הפרסונות על העדפות העברת הודעות, הם יכלו פשוט לשאול: "אני חושב להוביל עם הצעת הנחה במייל הזה. מה המשתמשים שלנו יחשבו?" וה-AI, המתבסס על כל נתוני המחקר והפרסונות שלך, יכול להגיב בהשקפה מאוחדת: איך סביר להניח שכל פרסונה תגיב, היכן היא מסכימה, היכן הם שונים, ומערכת המלצות המבוססת על נקודות המבט הקולקטיביות שלה. שאלה אחת, תובנה מסונתזת על פני כל בסיס המשתמשים שלך.
זה לא מדע בדיוני. עם AI, אנחנו יכולים לבנות בדיוק סוג כזה של מערכת. אנחנו יכולים לקחת את כל המחקר המפוזר הזה (הסקרים, הראיונות, כרטיסי התמיכה, הניתוחים, הפרסונות עצמם) ולהפוך אותו למשאב אינטראקטיבי שכל אחד יכול לשאול עבור משוב רב-פרספקטיבי. בניית מאגר מחקר המשתמשים הבסיס של גישה זו הוא מאגר מרכזי של כל מה שאתה יודע על המשתמשים שלך. תחשוב על זה כעל מקור יחיד של אמת שבינה מלאכותית יכולה לגשת אליו ולשאוב ממנו. אם עשית מחקר משתמשים במשך זמן רב, כנראה שיש לך יותר נתונים ממה שאתה מבין. זה פשוט מפוזר על פני כלים ופורמטים שונים:
תוצאות הסקר בפלטפורמת הסקרים שלך, תמלול ראיונות ב-Google Docs, כרטיסי תמיכת לקוחות במערכת העזרה שלך, נתוני אנליטיקה בלוחות מחוונים שונים, אזכורים וביקורות במדיה החברתית, פרסונות ישנות מפרויקטים קודמים, הקלטות והערות של בדיקת שימושיות.
הצעד הראשון הוא איסוף כל זה למקום אחד. זה לא צריך להיות מאורגן בצורה מושלמת. בינה מלאכותית טובה להפליא בהיגיון בתשומות מבולגנות. אם אתה מתחיל מאפס ואין לך הרבה מחקר קיים, אתה יכול להשתמש בכלי מחקר עמוקים של AI כדי לבסס קו בסיס.
כלים אלה יכולים לסרוק את האינטרנט לדיונים על קטגוריית המוצרים שלך, ביקורות על מתחרים ושאלות נפוצות שאנשים שואלים. זה נותן לך משהו לעבוד איתו בזמן שאתה בונה את המחקר העיקרי שלך. יצירת פרסונות אינטראקטיביות ברגע שיש לך את המאגר שלך, השלב הבא הוא יצירת פרסונות שה-AI יכול להתייעץ בהן בשם מחזיקי העניין. זה מתבסס ישירות על גישת האישיות הפונקציונלית שתיארתי במאמר הקודם שלי, עם הבדל מרכזי אחד: הפרסונות הללו הופכות לעדשות שדרכן ה-AI מנתח שאלות, לא רק התייחסותמסמכים. התהליך עובד כך:
הזן את מאגר המחקר שלך לכלי AI. בקש ממנו לזהות פלחי משתמשים שונים על סמך יעדים, משימות ונקודות חיכוך. בקש ממנו ליצור פרסונות מפורטות עבור כל פלח. הגדר את הבינה המלאכותית להתייעץ עם כל הפרסונות כאשר בעלי עניין שואלים שאלות, תוך מתן משוב מאוחד.
כאן הגישה הזו חורגת באופן משמעותי מפרסונות מסורתיות. מכיוון שה-AI הוא הצרכן העיקרי של מסמכי הפרסונה האלה, הם לא צריכים להיות ניתנים לסריקה או להתאים לדף אחד. פרסונות מסורתיות מוגבלות על ידי הקריאה האנושית: אתה צריך לזקק הכל עד לנקודות תבליטים וציטוטים מרכזיים שמישהו יכול לקלוט במבט חטוף. אבל ל-AI אין מגבלה כזו. זה אומר שהפרסונות שלך יכולות להיות הרבה יותר מפורטות. אתה יכול לכלול תצפיות התנהגות ארוכות, נקודות נתונים סותרות והקשר ניואנס שלעולם לא ישרוד את תהליך העריכה של פוסטר אישי מסורתי. הבינה המלאכותית יכולה להחזיק את כל המורכבות הזו ולהיעזר בה כשעונה על שאלות. אתה יכול גם ליצור עדשות או נקודות מבט שונות בתוך כל פרסונה, המותאמות לפונקציות עסקיות ספציפיות. לפרסונת "לוחם סוף השבוע" שלך עשויה להיות עדשה שיווקית (העדפות הודעות, הרגלי ערוץ, תגובות לקמפיין), עדשת מוצר (עדיפויות תכונה, דפוסי שימושיות, טריגרים של שדרוג) ועדשת תמיכה (שאלות נפוצות, נקודות תסכול, העדפות רזולוציה). כאשר מנהל שיווק שואל שאלה, ה-AI מסתמך על המידע הרלוונטי לשיווק. כשמנהל מוצר שואל, הוא מושך מעדשת המוצר. אותה פרסונה, עומק שונה תלוי את מי שואלים.
הפרסונות עדיין צריכות לכלול את כל המרכיבים התפקודיים שדנו בהם קודם: מטרות ומשימות, שאלות והתנגדויות, נקודות כאב, נקודות מגע ופערי שירות. אבל כעת האלמנטים הללו הופכים לבסיס לאופן שבו הבינה המלאכותית מעריכה שאלות מנקודת המבט של כל דמות, ומסנתזת את השקפותיה להמלצות שניתן לבצע. אפשרויות יישום אתה יכול להגדיר זאת ברמות שונות של תחכום בהתאם למשאבים ולצרכים שלך. הגישה הפשוטה רוב פלטפורמות הבינה המלאכותית מציעות כעת תכונות פרויקט או סביבת עבודה המאפשרות לך להעלות מסמכי עזר. ב-ChatGPT, אלה נקראים פרויקטים. לקלוד יש תכונה דומה. טייס המשנה ותאומים קוראים להם מרחבים או אבני חן. כדי להתחיל, צור פרויקט ייעודי והעלה את מסמכי המחקר והפרסונות העיקריים שלך. לאחר מכן כתוב הוראות ברורות שאומרות ל-AI להתייעץ עם כל הפרסונות בעת תגובה לשאלות. משהו כמו: אתה עוזר לבעלי עניין להבין את המשתמשים שלנו. כשתשאלו שאלות, התייעצו עם כל הפרסונות של המשתמשים בפרויקט זה וספקו: (1) סיכום קצר של האופן שבו כל פרסונה עשויה להגיב, (2) סקירה כללית המדגישה היכן הם מסכימים והיכן הם שונים, ו- (3) המלצות המבוססות על נקודות המבט הקולקטיביות שלהם. צייר על כל מסמכי המחקר כדי לספק מידע על הניתוח שלך. אם המחקר אינו מכסה במלואו נושא, חפש בפלטפורמות חברתיות כמו Reddit, Twitter ופורומים רלוונטיים כדי לראות כיצד אנשים התואמים את הפרסונות הללו דנים בנושאים דומים. אם אתה עדיין לא בטוח לגבי משהו, אמור זאת בכנות והצע איזה מחקר נוסף עשוי לעזור.
לגישה זו יש כמה מגבלות. יש מגבלות על מספר הקבצים שאתה יכול להעלות, כך שייתכן שתצטרך לתעדף את המחקר החשוב ביותר שלך או לאחד את הפרסונות שלך למסמך מקיף אחד. הגישה המתוחכמת יותר עבור ארגונים גדולים יותר או שימוש מתמשך יותר, כלי כמו Notion מציע יתרונות מכיוון שהוא יכול להכיל את כל מאגר המחקר שלך ויש לו יכולות AI מובנות. אתה יכול ליצור מסדי נתונים לסוגים שונים של מחקר, לקשר אותם יחד, ולאחר מכן להשתמש ב-AI כדי לבצע שאילתות בכל דבר.
היתרון כאן הוא של-AI יש גישה להרבה יותר הקשר. כאשר בעל עניין שואל שאלה, הוא יכול להסתמך על סקרים, כרטיסי תמיכה, תמלול ראיונות ונתוני ניתוח בבת אחת. זה גורם לתגובות עשירות יותר וניואנסיות יותר. מה זה לא מחליף אני צריך להיות ברור לגבי המגבלות. פרסונות וירטואליות אינן תחליף לדבר עם משתמשים אמיתיים. הם דרך להפוך את המחקר הקיים לנגיש יותר ולפעולה. ישנם מספר תרחישים שבהם אתה עדיין זקוק למחקר ראשוני:
כאשר משיקים משהו חדש באמת שהמחקר הקיים שלך אינו מכסה; כאשר אתה צריך לאמת עיצובים או אבות טיפוס ספציפיים; כאשר נתוני המאגר שלך מתיישנים; כאשר בעלי ענייןצריך לשמוע ישירות מבני אדם אמיתיים כדי לבנות אמפתיה.
למעשה, אתה יכול להגדיר את ה-AI לזהות מצבים אלה. כשמישהו שואל שאלה שחורגת ממה שהמחקר יכול לענות, הבינה המלאכותית יכולה להגיב במשהו כמו: "אין לי מספיק מידע כדי לענות על זה בביטחון. זו עשויה להיות שאלה טובה לראיון משתמש מהיר או סקר." וכשאתם מבצעים מחקר חדש, הנתונים הללו ניזונים חזרה למאגר. הפרסונות מתפתחות עם הזמן ככל שההבנה שלך מעמיקה. זה הרבה יותר טוב מהגישה המסורתית, שבה פרסונות נוצרות פעם אחת ואז לאט לאט לאט לאט לא מעודכנות. השינוי הארגוני אם הגישה הזו תופסת בארגון שלך, משהו מעניין קורה. תפקידו של צוות ה-UX עובר מלהיות שומרי הסף של ידע המשתמשים להיות האוצרים והתחזוקים של המאגר. במקום לבזבז זמן ביצירת דוחות שאולי יקראו או לא ייקראו, אתה מקדיש זמן להבטיח שהמאגר יישאר עדכני ושה-AI מוגדר לתת תגובות מועילות. תקשורת המחקר משתנה מדחיפה (מצגות, דוחות, מיילים) למשוך (בעלי עניין ששואלים שאלות כשהם צריכים תשובות). חשיבה ממוקדת משתמש הופכת להיות מופצת ברחבי הארגון ולא מרוכזת בצוות אחד. זה לא הופך את חוקרי ה-UX לפחות בעלי ערך. אם כבר, זה הופך אותם ליותר ערך מכיוון שלעבודתם יש כעת טווח רחב יותר והשפעה רבה יותר. אבל זה משנה את אופי העבודה. תחילת העבודה אם אתה רוצה לנסות את הגישה הזו, תתחיל בקטן. אם אתה צריך הסבר על פרסונות פונקציונליות לפני הצלילה, כתבתי מדריך מפורט ליצירתן. בחר פרויקט או צוות אחד והגדר יישום פשוט באמצעות ChatGPT Projects או כלי דומה. אסוף כל מחקר שיש לך (גם אם הוא מרגיש לא שלם), צור פרסונה אחת או שתיים, וראה כיצד מגיבים בעלי עניין. שימו לב אילו שאלות הם שואלים. אלה יגידו לך היכן יש במחקר שלך פערים ואילו נתונים נוספים יהיו בעלי הערך הרב ביותר. ככל שתחדד את הגישה, תוכל להתרחב לצוותים נוספים ולכלים מתוחכמים יותר. אבל עקרון הליבה נשאר זהה: קח את כל הידע המפוזר הזה של המשתמש ותן לו קול שכל אחד בארגון שלך יכול לשמוע. במאמר הקודם שלי, טענתי שעלינו לעבור מפרסונות דמוגרפיות לפרסונות פונקציונליות המתמקדות במה שהמשתמשים מנסים לעשות. עכשיו אני מציע שנעשה את הצעד הבא: מפרסונות סטטיות לאלו אינטראקטיביות שיכולות למעשה להשתתף בשיחות שבהן מתקבלות החלטות. כי בכל יום, ברחבי הארגון שלך, אנשים מקבלים החלטות שמשפיעות על המשתמשים שלך. ולמשתמשים שלך מגיע מושב ליד השולחן, גם אם זה וירטואלי. קריאה נוספת על SmashingMag
"מבט מקרוב על פרסונות: מה הן ואיך הן עובדות | 1", שלמה גולץ "כיצד לשפר את תהליך העיצוב שלך עם פרסונות מבוססות נתונים", טים נוצל "איך להפוך את מחקר ה-UX שלך לקשה להתעלם ממנו", ויטלי פרידמן "כיצד לבנות קשרי לקוחות חזקים למחקר משתמשים", רנסנס רייצ'ל
