In meinem vorherigen Artikel habe ich untersucht, wie KI uns dabei helfen kann, funktionale Personas effizienter zu erstellen. Wir haben uns mit der Erstellung von Personas befasst, die sich auf das konzentrieren, was Benutzer erreichen möchten, und nicht auf demografische Profile, die auf Postern gut aussehen, Designentscheidungen aber selten ändern. Aber die Erstellung von Personas ist nur die halbe Miete. Die größere Herausforderung besteht darin, diese Erkenntnisse in die Hände der Menschen zu bringen, die sie brauchen, und zwar genau dann, wenn sie sie brauchen. Jeden Tag treffen Menschen in Ihrem Unternehmen Entscheidungen, die sich auf die Benutzererfahrung auswirken. Produktteams entscheiden, welche Funktionen priorisiert werden sollen. Marketingteams erstellen Kampagnen. Finanzteams entwerfen Rechnungsprozesse. Kundensupportteams schreiben Antwortvorlagen. All diese Entscheidungen beeinflussen, wie Benutzer Ihr Produkt oder Ihre Dienstleistung erleben. Und die meisten davon geschehen ohne jegliche Eingabe der tatsächlichen Benutzer. Das Problem, wie wir Benutzerforschung teilen Sie recherchieren. Sie erstellen die Personas. Sie schreiben die Berichte. Sie halten die Vorträge. Sie erstellen sogar ausgefallene Infografiken. Und was passiert dann? Die Forschung liegt irgendwo auf einem gemeinsamen Laufwerk und sammelt langsam digitalen Staub an. Die Personas werden in Kickoff-Meetings erwähnt und dann vergessen. Die Berichte werden einmal überflogen und nie wieder geöffnet. Wenn ein Produktmanager entscheidet, ob er eine neue Funktion hinzufügen möchte, stöbert er wahrscheinlich nicht durch die Forschungsdatenbank des letzten Jahres. Wenn das Finanzteam die Rechnungs-E-Mail neu gestaltet, greift es mit ziemlicher Sicherheit nicht auf die Benutzerpersönlichkeiten zurück. Sie raten nach bestem Wissen und gehen weiter. Das ist keine Kritik an diesen Teams. Sie sind beschäftigt. Sie haben Fristen. Und ehrlich gesagt, selbst wenn sie die Forschungsergebnisse konsultieren wollten, wüssten sie wahrscheinlich nicht, wo sie sie finden oder wie sie sie für ihre spezifische Frage interpretieren sollen. Das Wissen bleibt in den Köpfen des UX-Teams verborgen, die unmöglich bei jeder Entscheidung, die im gesamten Unternehmen getroffen wird, anwesend sein können. Was wäre, wenn Benutzer tatsächlich sprechen könnten? Was wäre, wenn wir den Stakeholdern die Möglichkeit geben könnten, alle Ihre Benutzerpersönlichkeiten auf einmal zu konsultieren, anstatt statische Dokumente zu erstellen, die die Leute finden und interpretieren müssen?
Stellen Sie sich einen Marketingmanager vor, der an einer neuen Kampagne arbeitet. Anstatt zu versuchen, sich daran zu erinnern, was die Personas über die Nachrichtenpräferenzen gesagt haben, könnten sie einfach fragen: „Ich denke darüber nach, in dieser E-Mail mit einem Rabattangebot zu beginnen. Was würden unsere Benutzer denken?“ Und die KI könnte, gestützt auf alle Ihre Forschungsdaten und Personas, mit einer konsolidierten Ansicht reagieren: wie jede Persona wahrscheinlich reagieren würde, wo sie übereinstimmen, wo sie unterschiedlicher Meinung sind, und eine Reihe von Empfehlungen basierend auf ihren kollektiven Perspektiven. Eine Frage, zusammengefasste Erkenntnisse über Ihre gesamte Benutzerbasis.
Das ist keine Science-Fiction. Mit KI können wir genau ein solches System aufbauen. Wir können all diese verstreuten Recherchen (die Umfragen, die Interviews, die Support-Tickets, die Analysen, die Personas selbst) in eine interaktive Ressource umwandeln, die jeder nach multiperspektivischem Feedback abfragen kann. Aufbau des User Research Repository Die Grundlage dieses Ansatzes ist ein zentrales Repository mit allem, was Sie über Ihre Benutzer wissen. Betrachten Sie es als eine einzige Quelle der Wahrheit, auf die die KI zugreifen und aus der sie schöpfen kann. Wenn Sie über einen längeren Zeitraum Benutzerrecherchen durchgeführt haben, verfügen Sie wahrscheinlich über mehr Daten, als Ihnen bewusst ist. Es ist lediglich über verschiedene Tools und Formate verstreut:
Umfrageergebnisse liegen auf Ihrer Umfrageplattform, Interviewtranskripte in Google Docs, Kundensupport-Tickets in Ihrem Helpdesk-System, Analysedaten in verschiedenen Dashboards, Erwähnungen und Rezensionen in sozialen Medien, Alte Personas aus früheren Projekten, Aufzeichnungen und Notizen zum Usability-Test.
Der erste Schritt besteht darin, all dies an einem Ort zusammenzufassen. Es muss nicht perfekt organisiert sein. KI ist bemerkenswert gut darin, chaotische Eingaben zu verstehen. Wenn Sie bei Null anfangen und nicht über umfangreiche Forschungsergebnisse verfügen, können Sie KI-Tools für die Tiefenforschung verwenden, um eine Basislinie zu erstellen.
Diese Tools können das Internet nach Diskussionen über Ihre Produktkategorie, Rezensionen von Mitbewerbern und häufig gestellten Fragen durchsuchen. Dies gibt Ihnen etwas, mit dem Sie arbeiten können, während Sie Ihre Primärforschung aufbauen. Erstellen interaktiver Personas Sobald Sie über Ihr Repository verfügen, besteht der nächste Schritt darin, Personas zu erstellen, die die KI im Namen der Stakeholder konsultieren kann. Dies baut direkt auf dem funktionalen Persona-Ansatz auf, den ich in meinem vorherigen Artikel beschrieben habe, mit einem wesentlichen Unterschied: Diese Personas werden zu Linsen, durch die die KI Fragen analysiert und nicht nur ReferenzenUnterlagen. Der Prozess funktioniert folgendermaßen:
Geben Sie Ihr Forschungsrepository an ein KI-Tool weiter. Bitten Sie es, anhand von Zielen, Aufgaben und Reibungspunkten unterschiedliche Benutzersegmente zu identifizieren. Lassen Sie detaillierte Personas für jedes Segment generieren. Konfigurieren Sie die KI so, dass alle Personas konsultiert werden, wenn Stakeholder Fragen stellen, und konsolidiertes Feedback geben.
Hier unterscheidet sich dieser Ansatz deutlich von traditionellen Personas. Da die KI der Hauptkonsument dieser Persona-Dokumente ist, müssen sie nicht scanbar sein oder auf eine einzelne Seite passen. Traditionelle Personas werden durch die menschliche Lesbarkeit eingeschränkt: Sie müssen alles auf Stichpunkte und Schlüsselzitate reduzieren, die jemand auf einen Blick verstehen kann. Bei KI gibt es jedoch keine solche Einschränkung. Das bedeutet, dass Ihre Personas wesentlich detaillierter sein können. Sie können langwierige Verhaltensbeobachtungen, widersprüchliche Datenpunkte und nuancierten Kontext einbeziehen, die den Bearbeitungsprozess für ein herkömmliches Persona-Poster niemals überleben würden. Die KI kann diese ganze Komplexität beherrschen und bei der Beantwortung von Fragen darauf zurückgreifen. Sie können innerhalb jeder Persona auch unterschiedliche Linsen oder Perspektiven erstellen, die auf bestimmte Geschäftsfunktionen zugeschnitten sind. Ihre „Weekend Warrior“-Persönlichkeit hat möglicherweise eine Marketing-Perspektive (Messaging-Präferenzen, Kanalgewohnheiten, Kampagnenreaktionen), eine Produkt-Perspektive (Funktionsprioritäten, Benutzerfreundlichkeitsmuster, Upgrade-Auslöser) und eine Support-Perspektive (häufige Fragen, Frustrationspunkte, Lösungspräferenzen). Wenn ein Marketingmanager eine Frage stellt, greift die KI auf die marketingrelevanten Informationen zurück. Wenn ein Produktmanager fragt, zieht er aus der Produktlinse. Gleiche Persönlichkeit, unterschiedliche Tiefe, je nachdem, wer fragt.
Die Personas sollten weiterhin alle funktionalen Elemente umfassen, die wir zuvor besprochen haben: Ziele und Aufgaben, Fragen und Einwände, Pain Points, Touchpoints und Servicelücken. Doch nun bilden diese Elemente die Grundlage dafür, wie die KI Fragen aus der Perspektive jeder Person bewertet und ihre Ansichten in umsetzbare Empfehlungen zusammenfasst. Implementierungsoptionen Sie können dies je nach Ihren Ressourcen und Bedürfnissen unterschiedlich komplex einrichten. Der einfache Ansatz Die meisten KI-Plattformen bieten mittlerweile Projekt- oder Arbeitsbereichsfunktionen, mit denen Sie Referenzdokumente hochladen können. In ChatGPT werden diese Projekte genannt. Claude hat eine ähnliche Funktion. Copilot und Zwillinge nennen sie Spaces oder Gems. Erstellen Sie zunächst ein spezielles Projekt und laden Sie Ihre wichtigsten Forschungsdokumente und Personas hoch. Schreiben Sie dann klare Anweisungen, die die KI auffordern, bei der Beantwortung von Fragen alle Personas zu Rate zu ziehen. Etwas wie: Sie helfen Stakeholdern, unsere Benutzer zu verstehen. Wenn Sie Fragen stellen, konsultieren Sie alle Benutzerpersönlichkeiten in diesem Projekt und geben Sie Folgendes ab: (1) eine kurze Zusammenfassung, wie jede Persona wahrscheinlich reagieren würde, (2) eine Übersicht, in der hervorgehoben wird, wo sie übereinstimmen und wo sie unterschiedlich sind, und (3) Empfehlungen basierend auf ihren kollektiven Perspektiven. Nutzen Sie alle Forschungsdokumente als Grundlage für Ihre Analyse. Wenn die Recherche ein Thema nicht vollständig abdeckt, durchsuchen Sie soziale Plattformen wie Reddit, Twitter und relevante Foren, um zu sehen, wie Personen, die zu diesen Personas passen, ähnliche Themen diskutieren. Wenn Sie sich immer noch unsicher sind, sagen Sie es ehrlich und schlagen Sie vor, welche zusätzlichen Recherchen hilfreich sein könnten.
Dieser Ansatz weist einige Einschränkungen auf. Es gibt Obergrenzen für die Anzahl der Dateien, die Sie hochladen können. Daher müssen Sie möglicherweise Ihre wichtigste Recherche priorisieren oder Ihre Personas in einem einzigen umfassenden Dokument zusammenfassen. Der anspruchsvollere Ansatz Für größere Organisationen oder eine häufigere Nutzung bietet ein Tool wie Notion Vorteile, da es Ihr gesamtes Recherche-Repository speichern kann und über integrierte KI-Funktionen verfügt. Sie können Datenbanken für verschiedene Arten von Recherchen erstellen, diese miteinander verknüpfen und dann mithilfe der KI alles abfragen.
Der Vorteil hierbei ist, dass die KI Zugriff auf viel mehr Kontext hat. Wenn ein Stakeholder eine Frage stellt, kann er gleichzeitig auf Umfragen, Support-Tickets, Interviewprotokolle und Analysedaten zurückgreifen. Dies sorgt für reichhaltigere und differenziertere Antworten. Was dies nicht ersetzt Ich sollte mir über die Einschränkungen im Klaren sein. Virtuelle Personas ersetzen nicht das Gespräch mit echten Nutzern. Sie sind eine Möglichkeit, bestehende Forschungsergebnisse zugänglicher und umsetzbarer zu machen. Es gibt mehrere Szenarien, in denen Sie noch Primärforschung benötigen:
Wenn Sie etwas wirklich Neues auf den Markt bringen, das Ihre bestehende Forschung nicht abdeckt; Wenn Sie bestimmte Designs oder Prototypen validieren müssen; Wenn Ihre Repository-Daten veraltet sind; Wenn StakeholderSie müssen direkt von echten Menschen hören, um Empathie aufzubauen.
Tatsächlich können Sie die KI so konfigurieren, dass sie diese Situationen erkennt. Wenn jemand eine Frage stellt, die über das hinausgeht, was die Forschung beantworten kann, kann die KI mit etwas antworten wie: „Ich habe nicht genügend Informationen, um diese sicher zu beantworten. Das könnte eine gute Frage für ein kurzes Benutzerinterview oder eine Umfrage sein.“ Und wenn Sie neue Forschungen durchführen, fließen diese Daten zurück in das Repository. Die Personas entwickeln sich im Laufe der Zeit weiter, wenn Ihr Verständnis vertieft wird. Dies ist viel besser als der traditionelle Ansatz, bei dem Personas einmal erstellt werden und dann langsam veralten. Der organisatorische Wandel Wenn sich dieser Ansatz in Ihrem Unternehmen durchsetzt, passiert etwas Interessantes. Die Rolle des UX-Teams verschiebt sich von der Rolle als Wächter des Benutzerwissens hin zur Rolle als Kurator und Betreuer des Repositorys. Anstatt Zeit damit zu verbringen, Berichte zu erstellen, die möglicherweise gelesen werden oder nicht, verbringen Sie Zeit damit, dafür zu sorgen, dass das Repository aktuell bleibt und die KI so konfiguriert ist, dass sie hilfreiche Antworten gibt. Die Forschungskommunikation verändert sich von Push (Präsentationen, Berichte, E-Mails) zu Pull (Stakeholder stellen Fragen, wenn sie Antworten benötigen). Benutzerzentriertes Denken wird im gesamten Unternehmen verteilt und nicht mehr in einem Team konzentriert. Dies macht UX-Forscher nicht weniger wertvoll. Wenn überhaupt, macht es sie wertvoller, weil ihre Arbeit jetzt eine größere Reichweite und größere Wirkung hat. Aber es verändert die Art der Arbeit. Erste Schritte Wenn Sie diesen Ansatz ausprobieren möchten, fangen Sie klein an. Wenn Sie vor dem Eintauchen eine Einführung in funktionale Personas benötigen, habe ich eine detaillierte Anleitung zu deren Erstellung geschrieben. Wählen Sie ein Projekt oder Team aus und richten Sie eine einfache Implementierung mit ChatGPT Projects oder einem ähnlichen Tool ein. Sammeln Sie alle Forschungsergebnisse, die Sie haben (auch wenn diese unvollständig erscheinen), erstellen Sie eine oder zwei Personas und sehen Sie, wie die Stakeholder reagieren. Achten Sie darauf, welche Fragen sie stellen. Diese zeigen Ihnen, wo Ihre Forschung Lücken aufweist und welche zusätzlichen Daten am wertvollsten wären. Wenn Sie den Ansatz verfeinern, können Sie ihn auf mehr Teams und ausgefeiltere Tools erweitern. Das Grundprinzip bleibt jedoch dasselbe: Nehmen Sie das gesamte verstreute Benutzerwissen und geben Sie ihm eine Stimme, die jeder in Ihrem Unternehmen hören kann. In meinem vorherigen Artikel habe ich argumentiert, dass wir von demografischen Personas zu funktionalen Personas übergehen sollten, die sich auf das konzentrieren, was Benutzer tun möchten. Jetzt schlage ich vor, dass wir den nächsten Schritt gehen: von statischen Personas zu interaktiven, die tatsächlich an den Gesprächen teilnehmen können, bei denen Entscheidungen getroffen werden. Denn jeden Tag treffen in Ihrem Unternehmen Menschen Entscheidungen, die sich auf Ihre Benutzer auswirken. Und Ihre Benutzer haben einen Platz am Tisch verdient, auch wenn dieser virtuell ist. Weiterführende Literatur zu SmashingMag
„Ein genauerer Blick auf Personas: Was sie sind und wie sie funktionieren | 1“, Shlomo Goltz „Wie Sie Ihren Designprozess mit datenbasierten Personas verbessern“, Tim Noetzel „Wie Sie Ihre UX-Recherche schwer zu ignorieren machen“, Vitaly Friedman „Wie man starke Kundenbeziehungen für die Benutzerforschung aufbaut“, Renaissance Rachel
