എൻ്റെ മുൻ ലേഖനത്തിൽ, പ്രവർത്തനപരമായ വ്യക്തിത്വങ്ങളെ കൂടുതൽ കാര്യക്ഷമമായി സൃഷ്ടിക്കാൻ AI-ക്ക് എങ്ങനെ സഹായിക്കാമെന്ന് ഞാൻ പര്യവേക്ഷണം ചെയ്തു. പോസ്റ്ററുകളിൽ മനോഹരമായി കാണപ്പെടുന്നതും എന്നാൽ അപൂർവ്വമായി ഡിസൈൻ തീരുമാനങ്ങൾ മാറ്റുന്നതുമായ ഡെമോഗ്രാഫിക് പ്രൊഫൈലുകളേക്കാൾ ഉപയോക്താക്കൾ എന്താണ് ചെയ്യാൻ ശ്രമിക്കുന്നത് എന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന വ്യക്തിത്വങ്ങൾ നിർമ്മിക്കുന്നത് ഞങ്ങൾ നോക്കി. എന്നാൽ വ്യക്തിത്വങ്ങൾ സൃഷ്ടിക്കുന്നത് യുദ്ധത്തിൻ്റെ പകുതി മാത്രമാണ്. ആ ഉൾക്കാഴ്ചകൾ ആവശ്യമുള്ള ആളുകളുടെ കൈകളിൽ, അവർക്ക് ആവശ്യമുള്ള നിമിഷത്തിൽ എത്തിക്കുക എന്നതാണ് ഏറ്റവും വലിയ വെല്ലുവിളി. എല്ലാ ദിവസവും, നിങ്ങളുടെ സ്ഥാപനത്തിലുടനീളമുള്ള ആളുകൾ ഉപയോക്തൃ അനുഭവത്തെ ബാധിക്കുന്ന തീരുമാനങ്ങൾ എടുക്കുന്നു. ഏതൊക്കെ സവിശേഷതകൾക്കാണ് മുൻഗണന നൽകേണ്ടതെന്ന് ഉൽപ്പന്ന ടീമുകൾ തീരുമാനിക്കുന്നു. മാർക്കറ്റിംഗ് ടീമുകൾ ക്രാഫ്റ്റ് കാമ്പെയ്നുകൾ. ധനകാര്യ ടീമുകൾ ഇൻവോയ്സിംഗ് പ്രക്രിയകൾ രൂപകൽപ്പന ചെയ്യുന്നു. കസ്റ്റമർ സപ്പോർട്ട് ടീമുകൾ പ്രതികരണ ടെംപ്ലേറ്റുകൾ എഴുതുന്നു. ഈ തീരുമാനങ്ങളെല്ലാം ഉപയോക്താക്കൾ നിങ്ങളുടെ ഉൽപ്പന്നമോ സേവനമോ എങ്ങനെ അനുഭവിക്കുന്നുവെന്ന് രൂപപ്പെടുത്തുന്നു. അവയിൽ മിക്കതും യഥാർത്ഥ ഉപയോക്താക്കളിൽ നിന്നുള്ള ഇൻപുട്ട് ഇല്ലാതെയാണ് സംഭവിക്കുന്നത്. ഉപയോക്തൃ ഗവേഷണം ഞങ്ങൾ എങ്ങനെ പങ്കിടുന്നു എന്നതിലെ പ്രശ്നം നിങ്ങൾ ഗവേഷണം നടത്തുക. നിങ്ങൾ വ്യക്തിത്വങ്ങളെ സൃഷ്ടിക്കുന്നു. നിങ്ങൾ റിപ്പോർട്ടുകൾ എഴുതുക. നിങ്ങൾ അവതരണങ്ങൾ നൽകുന്നു. നിങ്ങൾ ഫാൻസി ഇൻഫോഗ്രാഫിക്സ് പോലും ഉണ്ടാക്കുന്നു. എന്നിട്ട് എന്ത് സംഭവിക്കും? ഗവേഷണം എവിടെയോ പങ്കിട്ട ഡ്രൈവിൽ ഇരിക്കുന്നു, പതുക്കെ ഡിജിറ്റൽ പൊടി ശേഖരിക്കുന്നു. കിക്കോഫ് മീറ്റിംഗുകളിൽ വ്യക്തികൾ പരാമർശിക്കപ്പെടുകയും പിന്നീട് മറക്കുകയും ചെയ്യുന്നു. റിപ്പോർട്ടുകൾ ഒരു പ്രാവശ്യം ഒഴിവാക്കി വീണ്ടും തുറക്കില്ല. ഒരു പുതിയ ഫീച്ചർ ചേർക്കണമോ എന്ന് ഒരു പ്രൊഡക്റ്റ് മാനേജർ തീരുമാനിക്കുമ്പോൾ, അവർ കഴിഞ്ഞ വർഷത്തെ ഗവേഷണ ശേഖരം പരിശോധിക്കില്ല. ഫിനാൻസ് ടീം ഇൻവോയ്സ് ഇമെയിൽ പുനർരൂപകൽപ്പന ചെയ്യുമ്പോൾ, അവർ തീർച്ചയായും ഉപയോക്തൃ വ്യക്തിത്വങ്ങളുമായി കൂടിയാലോചിക്കില്ല. അവർ തങ്ങളുടെ ഏറ്റവും മികച്ച ഊഹങ്ങൾ ഉണ്ടാക്കി മുന്നോട്ട് പോകുന്നു. ഇത് ആ ടീമുകളുടെ വിമർശനമല്ല. അവർ തിരക്കിലാണ്. അവർക്ക് സമയപരിധിയുണ്ട്. സത്യസന്ധമായി, അവർ ഗവേഷണം പരിശോധിക്കാൻ ആഗ്രഹിക്കുന്നുവെങ്കിൽപ്പോലും, അത് എവിടെ കണ്ടെത്താമെന്നോ അവരുടെ നിർദ്ദിഷ്ട ചോദ്യത്തിന് എങ്ങനെ വ്യാഖ്യാനിക്കണമെന്നോ അവർക്കറിയില്ല. ഓർഗനൈസേഷനിലുടനീളം എടുക്കുന്ന എല്ലാ തീരുമാനങ്ങളിലും ഹാജരാകാൻ സാധ്യതയില്ലാത്ത UX ടീമിൻ്റെ തലയ്ക്കുള്ളിൽ അറിവ് പൂട്ടിയിരിക്കുകയാണ്. ഉപയോക്താക്കൾക്ക് യഥാർത്ഥത്തിൽ സംസാരിക്കാൻ കഴിയുമെങ്കിൽ? ആളുകൾക്ക് കണ്ടെത്താനും വ്യാഖ്യാനിക്കാനും ആവശ്യമായ സ്റ്റാറ്റിക് ഡോക്യുമെൻ്റുകൾ സൃഷ്ടിക്കുന്നതിനുപകരം, നിങ്ങളുടെ എല്ലാ ഉപയോക്തൃ വ്യക്തിത്വങ്ങളെയും ഒരേസമയം പരിശോധിക്കാൻ ഞങ്ങൾക്ക് ഒരു മാർഗം നൽകാനാകുമോ?
ഒരു പുതിയ കാമ്പെയ്നിൽ പ്രവർത്തിക്കുന്ന ഒരു മാർക്കറ്റിംഗ് മാനേജർ സങ്കൽപ്പിക്കുക. സന്ദേശമയയ്ക്കൽ മുൻഗണനകളെക്കുറിച്ച് വ്യക്തികൾ എന്താണ് പറഞ്ഞതെന്ന് ഓർക്കാൻ ശ്രമിക്കുന്നതിനുപകരം, അവർക്ക് ഇങ്ങനെ ചോദിക്കാം: "ഞാൻ ഈ ഇമെയിലിൽ ഒരു കിഴിവ് ഓഫറുമായി മുന്നോട്ട് പോകുന്നതിനെക്കുറിച്ച് ചിന്തിക്കുകയാണ്. ഞങ്ങളുടെ ഉപയോക്താക്കൾ എന്ത് വിചാരിക്കും?" നിങ്ങളുടെ എല്ലാ ഗവേഷണ ഡാറ്റയും വ്യക്തിത്വങ്ങളും ഉൾക്കൊള്ളുന്ന AI-ക്ക് ഒരു ഏകീകൃത വീക്ഷണത്തോടെ പ്രതികരിക്കാൻ കഴിയും: ഓരോ വ്യക്തിയും എങ്ങനെ പ്രതികരിക്കും, എവിടെ അവർ സമ്മതിക്കുന്നു, എവിടെയാണ് അവർ വ്യത്യാസപ്പെട്ടിരിക്കുന്നത്, അവരുടെ കൂട്ടായ കാഴ്ചപ്പാടുകളെ അടിസ്ഥാനമാക്കിയുള്ള ഒരു കൂട്ടം ശുപാർശകൾ. ഒരു ചോദ്യം, നിങ്ങളുടെ മുഴുവൻ ഉപയോക്തൃ അടിത്തറയിലുടനീളം സമന്വയിപ്പിച്ച ഉൾക്കാഴ്ച.
ഇത് സയൻസ് ഫിക്ഷൻ അല്ല. AI ഉപയോഗിച്ച്, നമുക്ക് കൃത്യമായി ഇത്തരത്തിലുള്ള സംവിധാനം നിർമ്മിക്കാൻ കഴിയും. നമുക്ക് ആ ചിതറിക്കിടക്കുന്ന എല്ലാ ഗവേഷണങ്ങളും (സർവേകൾ, അഭിമുഖങ്ങൾ, പിന്തുണ ടിക്കറ്റുകൾ, അനലിറ്റിക്സ്, വ്യക്തിത്വങ്ങൾ തന്നെ) എടുത്ത് ആർക്കും മൾട്ടി-പെർസ്പെക്റ്റീവ് ഫീഡ്ബാക്കിനായി അന്വേഷിക്കാൻ കഴിയുന്ന ഒരു സംവേദനാത്മക ഉറവിടമാക്കി മാറ്റാം. ഉപയോക്തൃ ഗവേഷണ ശേഖരം നിർമ്മിക്കുന്നു ഈ സമീപനത്തിൻ്റെ അടിസ്ഥാനം നിങ്ങളുടെ ഉപയോക്താക്കളെ കുറിച്ച് നിങ്ങൾക്കറിയാവുന്ന എല്ലാറ്റിൻ്റെയും ഒരു കേന്ദ്രീകൃത ശേഖരമാണ്. AI-ക്ക് ആക്സസ് ചെയ്യാനും അതിൽ നിന്ന് വരയ്ക്കാനും കഴിയുന്ന സത്യത്തിൻ്റെ ഒരൊറ്റ ഉറവിടമായി ഇതിനെ കരുതുക. നിങ്ങൾ വളരെക്കാലമായി ഉപയോക്തൃ ഗവേഷണം നടത്തുന്നുണ്ടെങ്കിൽ, നിങ്ങൾ മനസ്സിലാക്കുന്നതിനേക്കാൾ കൂടുതൽ ഡാറ്റ നിങ്ങൾക്കുണ്ടാകാം. ഇത് വ്യത്യസ്ത ടൂളുകളിലും ഫോർമാറ്റുകളിലും ചിതറിക്കിടക്കുന്നു:
നിങ്ങളുടെ സർവേ പ്ലാറ്റ്ഫോമിൽ ഇരിക്കുന്ന സർവേ ഫലങ്ങൾ, Google ഡോക്സിലെ അഭിമുഖ ട്രാൻസ്ക്രിപ്റ്റുകൾ, നിങ്ങളുടെ ഹെൽപ്പ്ഡെസ്ക് സിസ്റ്റത്തിലെ ഉപഭോക്തൃ പിന്തുണ ടിക്കറ്റുകൾ, വിവിധ ഡാഷ്ബോർഡുകളിലെ അനലിറ്റിക്സ് ഡാറ്റ, സോഷ്യൽ മീഡിയ പരാമർശങ്ങളും അവലോകനങ്ങളും, മുൻ പദ്ധതികളിൽ നിന്നുള്ള പഴയ വ്യക്തികൾ, ഉപയോഗക്ഷമത പരിശോധന റെക്കോർഡിംഗുകളും കുറിപ്പുകളും.
ഇതെല്ലാം ഒരിടത്ത് ശേഖരിക്കുക എന്നതാണ് ആദ്യപടി. ഇത് തികച്ചും സംഘടിപ്പിക്കേണ്ട ആവശ്യമില്ല. ക്രമരഹിതമായ ഇൻപുട്ടുകൾ മനസ്സിലാക്കുന്നതിൽ AI ശ്രദ്ധേയമാണ്. നിങ്ങൾ ആദ്യം മുതൽ ആരംഭിക്കുകയും നിലവിൽ കൂടുതൽ ഗവേഷണങ്ങൾ ഇല്ലെങ്കിൽ, ഒരു അടിസ്ഥാനരേഖ സ്ഥാപിക്കാൻ നിങ്ങൾക്ക് AI ആഴത്തിലുള്ള ഗവേഷണ ഉപകരണങ്ങൾ ഉപയോഗിക്കാം.
നിങ്ങളുടെ ഉൽപ്പന്ന വിഭാഗം, എതിരാളികളുടെ അവലോകനങ്ങൾ, ആളുകൾ ചോദിക്കുന്ന പൊതുവായ ചോദ്യങ്ങൾ എന്നിവയെ കുറിച്ചുള്ള ചർച്ചകൾക്കായി ഈ ഉപകരണങ്ങൾക്ക് വെബ് സ്കാൻ ചെയ്യാൻ കഴിയും. നിങ്ങളുടെ പ്രാഥമിക ഗവേഷണം നിർമ്മിക്കുമ്പോൾ പ്രവർത്തിക്കാൻ ഇത് നിങ്ങൾക്ക് എന്തെങ്കിലും നൽകുന്നു. സംവേദനാത്മക വ്യക്തികളെ സൃഷ്ടിക്കുന്നു നിങ്ങളുടെ ശേഖരം ലഭിച്ചുകഴിഞ്ഞാൽ, അടുത്ത ഘട്ടം, പങ്കാളികൾക്ക് വേണ്ടി AI-ക്ക് കൂടിയാലോചിക്കാൻ കഴിയുന്ന വ്യക്തികളെ സൃഷ്ടിക്കുകയാണ്. ഇത് എൻ്റെ മുൻ ലേഖനത്തിൽ ഞാൻ വിവരിച്ച പ്രവർത്തനപരമായ വ്യക്തിത്വ സമീപനത്തെ നേരിട്ട് നിർമ്മിക്കുന്നു, ഒരു പ്രധാന വ്യത്യാസമുണ്ട്: ഈ വ്യക്തികൾ ലെൻസുകളായി മാറുന്നു, അതിലൂടെ AI ചോദ്യങ്ങൾ വിശകലനം ചെയ്യുന്നു, അവ റഫറൻസ് മാത്രമല്ല.പ്രമാണങ്ങൾ. പ്രക്രിയ ഇതുപോലെ പ്രവർത്തിക്കുന്നു:
നിങ്ങളുടെ ഗവേഷണ ശേഖരം ഒരു AI ടൂളിലേക്ക് നൽകുക. ലക്ഷ്യങ്ങൾ, ടാസ്ക്കുകൾ, ഘർഷണ പോയിൻ്റുകൾ എന്നിവയെ അടിസ്ഥാനമാക്കി വ്യതിരിക്തമായ ഉപയോക്തൃ സെഗ്മെൻ്റുകൾ തിരിച്ചറിയാൻ ആവശ്യപ്പെടുക. ഓരോ സെഗ്മെൻ്റിനും വിശദമായ വ്യക്തിത്വങ്ങൾ സൃഷ്ടിക്കട്ടെ. പങ്കാളികൾ ചോദ്യങ്ങൾ ചോദിക്കുമ്പോൾ, ഏകീകൃത ഫീഡ്ബാക്ക് നൽകിക്കൊണ്ട് എല്ലാ വ്യക്തികളെയും പരിശോധിക്കാൻ AI കോൺഫിഗർ ചെയ്യുക.
ഇവിടെയാണ് ഈ സമീപനം പരമ്പരാഗത വ്യക്തികളിൽ നിന്ന് ഗണ്യമായി വ്യതിചലിക്കുന്നത്. ഈ വ്യക്തിത്വ രേഖകളുടെ പ്രാഥമിക ഉപഭോക്താവ് AI ആയതിനാൽ, അവ സ്കാൻ ചെയ്യാനോ ഒരൊറ്റ പേജിൽ ഫിറ്റ് ചെയ്യാനോ ആവശ്യമില്ല. പരമ്പരാഗത വ്യക്തിത്വങ്ങൾ മനുഷ്യൻ്റെ വായനാക്ഷമതയാൽ പരിമിതപ്പെടുത്തിയിരിക്കുന്നു: ബുള്ളറ്റ് പോയിൻ്റുകളിലേക്കും ആർക്കെങ്കിലും ഒറ്റനോട്ടത്തിൽ ഉൾക്കൊള്ളാൻ കഴിയുന്ന പ്രധാന ഉദ്ധരണികളിലേക്കും നിങ്ങൾ എല്ലാം വാറ്റിയെടുക്കണം. എന്നാൽ AI-ക്ക് അത്തരം പരിമിതികളൊന്നുമില്ല. ഇതിനർത്ഥം നിങ്ങളുടെ വ്യക്തിത്വങ്ങൾ ഗണ്യമായി കൂടുതൽ വിശദമാക്കാം എന്നാണ്. നിങ്ങൾക്ക് ദൈർഘ്യമേറിയ പെരുമാറ്റ നിരീക്ഷണങ്ങൾ, വൈരുദ്ധ്യാത്മക ഡാറ്റാ പോയിൻ്റുകൾ, ഒരു പരമ്പരാഗത വ്യക്തിത്വ പോസ്റ്ററിൻ്റെ എഡിറ്റിംഗ് പ്രക്രിയയെ ഒരിക്കലും അതിജീവിക്കാത്ത സൂക്ഷ്മമായ സന്ദർഭം എന്നിവ ഉൾപ്പെടുത്താം. ചോദ്യങ്ങൾക്ക് ഉത്തരം നൽകുമ്പോൾ AI-ക്ക് ഈ സങ്കീർണ്ണതകളെല്ലാം ഉൾക്കൊള്ളാനും അത് വരയ്ക്കാനും കഴിയും. നിങ്ങൾക്ക് ഓരോ വ്യക്തിയിലും വ്യത്യസ്തമായ ലെൻസുകളോ വീക്ഷണങ്ങളോ സൃഷ്ടിക്കാം, പ്രത്യേക ബിസിനസ്സ് ഫംഗ്ഷനുകൾക്ക് അനുസൃതമായി. നിങ്ങളുടെ "വാരാന്ത്യ വാരിയർ" വ്യക്തിത്വത്തിന് മാർക്കറ്റിംഗ് ലെൻസ് (സന്ദേശമയയ്ക്കൽ മുൻഗണനകൾ, ചാനൽ ശീലങ്ങൾ, പ്രചാരണ പ്രതികരണങ്ങൾ), ഒരു ഉൽപ്പന്ന ലെൻസ് (സവിശേഷത മുൻഗണനകൾ, ഉപയോഗക്ഷമത പാറ്റേണുകൾ, അപ്ഗ്രേഡ് ട്രിഗറുകൾ), ഒരു പിന്തുണ ലെൻസ് (സാധാരണ ചോദ്യങ്ങൾ, നിരാശാ പോയിൻ്റുകൾ, റെസല്യൂഷൻ മുൻഗണനകൾ) എന്നിവ ഉണ്ടായിരിക്കാം. ഒരു മാർക്കറ്റിംഗ് മാനേജർ ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ, മാർക്കറ്റിംഗുമായി ബന്ധപ്പെട്ട വിവരങ്ങൾ AI വരയ്ക്കുന്നു. ഒരു ഉൽപ്പന്ന മാനേജർ ചോദിക്കുമ്പോൾ, അത് ഉൽപ്പന്ന ലെൻസിൽ നിന്ന് വലിക്കുന്നു. ആരു ചോദിക്കുന്നു എന്നതിനെ ആശ്രയിച്ച് ഒരേ വ്യക്തിത്വം, വ്യത്യസ്ത ആഴം.
വ്യക്തികളിൽ ഞങ്ങൾ മുമ്പ് ചർച്ച ചെയ്ത എല്ലാ പ്രവർത്തന ഘടകങ്ങളും ഉൾപ്പെടുത്തണം: ലക്ഷ്യങ്ങളും ചുമതലകളും, ചോദ്യങ്ങളും എതിർപ്പുകളും, വേദന പോയിൻ്റുകൾ, ടച്ച് പോയിൻ്റുകൾ, സേവന വിടവുകൾ. എന്നാൽ ഇപ്പോൾ ഈ ഘടകങ്ങൾ AI ഓരോ വ്യക്തിയുടെയും വീക്ഷണകോണിൽ നിന്നുള്ള ചോദ്യങ്ങളെ എങ്ങനെ വിലയിരുത്തുന്നു എന്നതിൻ്റെ അടിസ്ഥാനമായി മാറുന്നു, അവരുടെ വീക്ഷണങ്ങളെ പ്രവർത്തനക്ഷമമായ ശുപാർശകളായി സമന്വയിപ്പിക്കുന്നു. നടപ്പിലാക്കൽ ഓപ്ഷനുകൾ നിങ്ങളുടെ വിഭവങ്ങളും ആവശ്യങ്ങളും അനുസരിച്ച് വ്യത്യസ്ത തലത്തിലുള്ള സങ്കീർണ്ണതകളോടെ നിങ്ങൾക്ക് ഇത് സജ്ജീകരിക്കാനാകും. ലളിതമായ സമീപനം മിക്ക AI പ്ലാറ്റ്ഫോമുകളും ഇപ്പോൾ റഫറൻസ് ഡോക്യുമെൻ്റുകൾ അപ്ലോഡ് ചെയ്യാൻ നിങ്ങളെ അനുവദിക്കുന്ന പ്രോജക്റ്റ് അല്ലെങ്കിൽ വർക്ക്സ്പെയ്സ് ഫീച്ചറുകൾ വാഗ്ദാനം ചെയ്യുന്നു. ChatGPT-യിൽ, ഇവയെ പ്രോജക്റ്റുകൾ എന്ന് വിളിക്കുന്നു. ക്ലോഡിന് സമാനമായ ഒരു സവിശേഷതയുണ്ട്. കോപൈലറ്റും ജെമിനിയും അവരെ സ്പേസ് അല്ലെങ്കിൽ ജെംസ് എന്ന് വിളിക്കുന്നു. ആരംഭിക്കുന്നതിന്, ഒരു സമർപ്പിത പ്രോജക്റ്റ് സൃഷ്ടിച്ച് നിങ്ങളുടെ പ്രധാന ഗവേഷണ രേഖകളും വ്യക്തിത്വങ്ങളും അപ്ലോഡ് ചെയ്യുക. ചോദ്യങ്ങളോട് പ്രതികരിക്കുമ്പോൾ എല്ലാ വ്യക്തികളോടും കൂടിയാലോചിക്കാൻ AI-യോട് പറയുന്ന വ്യക്തമായ നിർദ്ദേശങ്ങൾ എഴുതുക. ഇതുപോലുള്ള ഒന്ന്: ഞങ്ങളുടെ ഉപയോക്താക്കളെ മനസ്സിലാക്കാൻ നിങ്ങൾ പങ്കാളികളെ സഹായിക്കുന്നു. ചോദ്യങ്ങൾ ചോദിക്കുമ്പോൾ, ഈ പ്രോജക്റ്റിലെ എല്ലാ ഉപയോക്തൃ വ്യക്തികളോടും കൂടിയാലോചിച്ച് നൽകുക: (1) ഓരോ വ്യക്തിയും എങ്ങനെ പ്രതികരിക്കും എന്നതിൻ്റെ ഒരു ഹ്രസ്വ സംഗ്രഹം, (2) അവർ എവിടെയാണ് യോജിക്കുന്നതെന്നും എവിടെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നുവെന്നും എടുത്തുകാണിക്കുന്ന ഒരു അവലോകനം, (3) അവരുടെ കൂട്ടായ കാഴ്ചപ്പാടുകളെ അടിസ്ഥാനമാക്കിയുള്ള ശുപാർശകൾ. നിങ്ങളുടെ വിശകലനം അറിയിക്കാൻ എല്ലാ ഗവേഷണ രേഖകളും വരയ്ക്കുക. ഗവേഷണം ഒരു വിഷയം പൂർണ്ണമായി ഉൾക്കൊള്ളുന്നില്ലെങ്കിൽ, ഈ വ്യക്തികളുമായി പൊരുത്തപ്പെടുന്ന ആളുകൾ സമാന പ്രശ്നങ്ങൾ എങ്ങനെ ചർച്ച ചെയ്യുന്നുവെന്ന് കാണാൻ Reddit, Twitter, പ്രസക്തമായ ഫോറങ്ങൾ എന്നിവ പോലുള്ള സോഷ്യൽ പ്ലാറ്റ്ഫോമുകളിൽ തിരയുക. നിങ്ങൾക്ക് ഇപ്പോഴും എന്തെങ്കിലും ഉറപ്പില്ലെങ്കിൽ, സത്യസന്ധമായി പറയുകയും കൂടുതൽ ഗവേഷണം എന്തെല്ലാം സഹായിക്കുമെന്ന് നിർദ്ദേശിക്കുകയും ചെയ്യുക.
ഈ സമീപനത്തിന് ചില പരിമിതികളുണ്ട്. നിങ്ങൾക്ക് എത്ര ഫയലുകൾ അപ്ലോഡ് ചെയ്യാനാകുമെന്നതിന് പരിധിയുണ്ട്, അതിനാൽ നിങ്ങളുടെ ഏറ്റവും പ്രധാനപ്പെട്ട ഗവേഷണത്തിന് മുൻഗണന നൽകുകയോ നിങ്ങളുടെ വ്യക്തിത്വങ്ങൾ ഒരു സമഗ്ര പ്രമാണമായി ഏകീകരിക്കുകയോ ചെയ്യേണ്ടതായി വന്നേക്കാം. കൂടുതൽ സങ്കീർണ്ണമായ സമീപനം വലിയ ഓർഗനൈസേഷനുകൾക്കോ അധികം നിലവിലുള്ള ഉപയോഗങ്ങൾക്കോ, Notion പോലുള്ള ഒരു ടൂൾ ഗുണങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു, കാരണം അതിന് നിങ്ങളുടെ മുഴുവൻ ഗവേഷണ ശേഖരവും ഉൾക്കൊള്ളാനും AI കഴിവുകൾ ഉൾക്കൊള്ളാനും കഴിയും. നിങ്ങൾക്ക് വിവിധ തരം ഗവേഷണങ്ങൾക്കായി ഡാറ്റാബേസുകൾ സൃഷ്ടിക്കാനും അവ ഒരുമിച്ച് ലിങ്കുചെയ്യാനും തുടർന്ന് എല്ലാ കാര്യങ്ങളും അന്വേഷിക്കാൻ AI ഉപയോഗിക്കാനും കഴിയും.
AI-ക്ക് കൂടുതൽ സന്ദർഭങ്ങളിലേക്ക് പ്രവേശനമുണ്ട് എന്നതാണ് ഇവിടെയുള്ള നേട്ടം. ഒരു പങ്കാളി ഒരു ചോദ്യം ചോദിക്കുമ്പോൾ, അതിന് സർവേകൾ, പിന്തുണാ ടിക്കറ്റുകൾ, ഇൻ്റർവ്യൂ ട്രാൻസ്ക്രിപ്റ്റുകൾ, അനലിറ്റിക്സ് ഡാറ്റ എന്നിവയെല്ലാം ഒരേസമയം എടുക്കാൻ കഴിയും. ഇത് സമ്പന്നവും കൂടുതൽ സൂക്ഷ്മവുമായ പ്രതികരണങ്ങൾ ഉണ്ടാക്കുന്നു. എന്താണ് ഇത് മാറ്റിസ്ഥാപിക്കുന്നത് പരിമിതികളെക്കുറിച്ച് എനിക്ക് വ്യക്തമായിരിക്കണം. യഥാർത്ഥ ഉപയോക്താക്കളോട് സംസാരിക്കുന്നതിന് വെർച്വൽ വ്യക്തിത്വങ്ങൾ പകരമാവില്ല. നിലവിലുള്ള ഗവേഷണം കൂടുതൽ ആക്സസ് ചെയ്യാവുന്നതും പ്രവർത്തനക്ഷമവുമാക്കുന്നതിനുള്ള ഒരു മാർഗമാണ് അവ. നിങ്ങൾക്ക് ഇപ്പോഴും പ്രാഥമിക ഗവേഷണം ആവശ്യമുള്ള നിരവധി സാഹചര്യങ്ങളുണ്ട്:
നിങ്ങളുടെ നിലവിലുള്ള ഗവേഷണത്തിൽ ഉൾപ്പെടാത്ത യഥാർത്ഥത്തിൽ പുതിയ എന്തെങ്കിലും സമാരംഭിക്കുമ്പോൾ; നിങ്ങൾക്ക് നിർദ്ദിഷ്ട ഡിസൈനുകളോ പ്രോട്ടോടൈപ്പുകളോ സാധൂകരിക്കേണ്ടിവരുമ്പോൾ; നിങ്ങളുടെ റിപ്പോസിറ്ററി ഡാറ്റ കാലഹരണപ്പെടുമ്പോൾ; എപ്പോൾ ഓഹരി ഉടമകൾസഹാനുഭൂതി വളർത്തിയെടുക്കാൻ യഥാർത്ഥ മനുഷ്യരിൽ നിന്ന് നേരിട്ട് കേൾക്കേണ്ടതുണ്ട്.
വാസ്തവത്തിൽ, ഈ സാഹചര്യങ്ങൾ തിരിച്ചറിയാൻ നിങ്ങൾക്ക് AI കോൺഫിഗർ ചെയ്യാം. ഗവേഷണത്തിന് ഉത്തരം നൽകാൻ കഴിയുന്നതിലും അപ്പുറമുള്ള ഒരു ചോദ്യം ആരെങ്കിലും ചോദിക്കുമ്പോൾ, AI-ക്ക് ഇതുപോലൊന്ന് പ്രതികരിക്കാൻ കഴിയും: "അതിന് ആത്മവിശ്വാസത്തോടെ ഉത്തരം നൽകാൻ എനിക്ക് മതിയായ വിവരങ്ങൾ ഇല്ല. ഒരു ദ്രുത ഉപയോക്തൃ അഭിമുഖത്തിനോ സർവേയ്ക്കോ ഇത് ഒരു നല്ല ചോദ്യമായിരിക്കാം." നിങ്ങൾ പുതിയ ഗവേഷണം നടത്തുമ്പോൾ, ആ ഡാറ്റ റിപ്പോസിറ്ററിയിലേക്ക് തിരികെ നൽകുന്നു. നിങ്ങളുടെ ധാരണ ആഴമേറിയതനുസരിച്ച് വ്യക്തികൾ കാലക്രമേണ വികസിക്കുന്നു. ഇത് പരമ്പരാഗത സമീപനത്തേക്കാൾ വളരെ മികച്ചതാണ്, ഇവിടെ വ്യക്തിത്വങ്ങൾ ഒരിക്കൽ സൃഷ്ടിക്കപ്പെടുകയും പിന്നീട് കാലഹരണപ്പെട്ട കാലക്രമേണ പതുക്കെ മാറുകയും ചെയ്യുന്നു. സംഘടനാ ഷിഫ്റ്റ് ഈ സമീപനം നിങ്ങളുടെ സ്ഥാപനത്തിൽ പിടിക്കപ്പെട്ടാൽ, രസകരമായ എന്തെങ്കിലും സംഭവിക്കും. UX ടീമിൻ്റെ പങ്ക് ഉപയോക്തൃ അറിവിൻ്റെ ഗേറ്റ്കീപ്പർമാർ എന്നതിൽ നിന്ന് ശേഖരണത്തിൻ്റെ ക്യൂറേറ്റർമാരും പരിപാലിക്കുന്നവരുമായി മാറുന്നു. വായിക്കപ്പെടാനിടയുള്ളതോ വായിക്കാത്തതോ ആയ റിപ്പോർട്ടുകൾ സൃഷ്ടിക്കാൻ സമയം ചെലവഴിക്കുന്നതിനുപകരം, റിപ്പോസിറ്ററി നിലവിലുള്ളതാണെന്നും സഹായകരമായ പ്രതികരണങ്ങൾ നൽകാൻ AI കോൺഫിഗർ ചെയ്തിട്ടുണ്ടെന്നും ഉറപ്പാക്കാൻ നിങ്ങൾ സമയം ചെലവഴിക്കുന്നു. പുഷ് (അവതരണങ്ങൾ, റിപ്പോർട്ടുകൾ, ഇമെയിലുകൾ) മുതൽ പുൾ വരെയുള്ള ഗവേഷണ ആശയവിനിമയ മാറ്റങ്ങൾ (ഉത്തരം ആവശ്യമുള്ളപ്പോൾ താൽപ്പര്യമുള്ളവർ ചോദ്യങ്ങൾ ചോദിക്കുന്നു). ഉപയോക്തൃ കേന്ദ്രീകൃത ചിന്ത ഒരു ടീമിൽ കേന്ദ്രീകരിക്കുന്നതിനുപകരം സ്ഥാപനത്തിലുടനീളം വിതരണം ചെയ്യപ്പെടുന്നു. ഇത് യുഎക്സ് ഗവേഷകരെ വില കുറഞ്ഞവരാക്കുന്നില്ല. എന്തെങ്കിലുമുണ്ടെങ്കിൽ, അത് അവരെ കൂടുതൽ മൂല്യമുള്ളവരാക്കുന്നു, കാരണം അവരുടെ ജോലിക്ക് ഇപ്പോൾ വിശാലമായ വ്യാപ്തിയും വലിയ സ്വാധീനവും ഉണ്ട്. എന്നാൽ അത് ജോലിയുടെ സ്വഭാവത്തെ മാറ്റുന്നു. ആരംഭിക്കുന്നു നിങ്ങൾക്ക് ഈ സമീപനം പരീക്ഷിക്കാൻ താൽപ്പര്യമുണ്ടെങ്കിൽ, ചെറുതായി ആരംഭിക്കുക. ഡൈവിംഗ് ചെയ്യുന്നതിനുമുമ്പ് നിങ്ങൾക്ക് ഫങ്ഷണൽ വ്യക്തിത്വങ്ങളെക്കുറിച്ച് ഒരു പ്രൈമർ ആവശ്യമുണ്ടെങ്കിൽ, അവ സൃഷ്ടിക്കുന്നതിനുള്ള വിശദമായ ഗൈഡ് ഞാൻ എഴുതിയിട്ടുണ്ട്. ഒരു പ്രോജക്റ്റോ ടീമോ തിരഞ്ഞെടുത്ത് ChatGPT പ്രോജക്റ്റുകൾ അല്ലെങ്കിൽ സമാനമായ ഒരു ടൂൾ ഉപയോഗിച്ച് ലളിതമായ ഒരു നടപ്പാക്കൽ സജ്ജീകരിക്കുക. നിങ്ങളുടെ പക്കലുള്ള ഏത് ഗവേഷണവും ശേഖരിക്കുക (അത് അപൂർണ്ണമാണെന്ന് തോന്നിയാലും), ഒന്നോ രണ്ടോ വ്യക്തികളെ സൃഷ്ടിക്കുക, ഒപ്പം പങ്കാളികൾ എങ്ങനെ പ്രതികരിക്കുന്നുവെന്ന് കാണുക. അവർ ചോദിക്കുന്ന ചോദ്യങ്ങൾ ശ്രദ്ധിക്കുക. നിങ്ങളുടെ ഗവേഷണത്തിന് എവിടെയാണ് വിടവുകളുള്ളതെന്നും ഏത് അധിക ഡാറ്റയാണ് ഏറ്റവും മൂല്യവത്തായതെന്നും ഇവ നിങ്ങളോട് പറയും. നിങ്ങൾ സമീപനം പരിഷ്കരിക്കുമ്പോൾ, നിങ്ങൾക്ക് കൂടുതൽ ടീമുകളിലേക്കും കൂടുതൽ സങ്കീർണ്ണമായ ഉപകരണങ്ങളിലേക്കും വിപുലീകരിക്കാൻ കഴിയും. എന്നാൽ അടിസ്ഥാന തത്വം അതേപടി തുടരുന്നു: ചിതറിക്കിടക്കുന്ന എല്ലാ ഉപയോക്തൃ അറിവും എടുത്ത് നിങ്ങളുടെ സ്ഥാപനത്തിലെ ആർക്കും കേൾക്കാൻ കഴിയുന്ന ഒരു ശബ്ദം നൽകുക. എൻ്റെ മുൻ ലേഖനത്തിൽ, ഉപയോക്താക്കൾ എന്താണ് ചെയ്യാൻ ശ്രമിക്കുന്നത് എന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്ന ഡെമോഗ്രാഫിക് വ്യക്തിത്വങ്ങളിൽ നിന്ന് പ്രവർത്തനപരമായ വ്യക്തികളിലേക്ക് മാറണമെന്ന് ഞാൻ വാദിച്ചു. ഇപ്പോൾ ഞങ്ങൾ അടുത്ത ഘട്ടം സ്വീകരിക്കാൻ നിർദ്ദേശിക്കുന്നു: തീരുമാനങ്ങൾ എടുക്കുന്ന സംഭാഷണങ്ങളിൽ യഥാർത്ഥത്തിൽ പങ്കെടുക്കാൻ കഴിയുന്ന സ്റ്റാറ്റിക് വ്യക്തികൾ മുതൽ സംവേദനാത്മക വ്യക്തികൾ വരെ. കാരണം എല്ലാ ദിവസവും, നിങ്ങളുടെ സ്ഥാപനത്തിലുടനീളം, ആളുകൾ നിങ്ങളുടെ ഉപയോക്താക്കളെ ബാധിക്കുന്ന തീരുമാനങ്ങൾ എടുക്കുന്നു. നിങ്ങളുടെ ഉപയോക്താക്കൾക്ക് അത് ഒരു വെർച്വൽ ആണെങ്കിൽപ്പോലും, മേശയിൽ ഒരു ഇരിപ്പിടം അർഹിക്കുന്നു. SmashingMag-നെക്കുറിച്ചുള്ള കൂടുതൽ വായന
“വ്യക്തിത്വങ്ങളെ അടുത്തറിയുക: അവർ എന്താണ്, എങ്ങനെ പ്രവർത്തിക്കുന്നു | 1”, ഷ്ലോമോ ഗോൾട്ട്സ് "ഡാറ്റ അടിസ്ഥാനമാക്കിയുള്ള വ്യക്തികൾ ഉപയോഗിച്ച് നിങ്ങളുടെ ഡിസൈൻ പ്രക്രിയ എങ്ങനെ മെച്ചപ്പെടുത്താം", ടിം നോയ്റ്റ്സെൽ "നിങ്ങളുടെ UX ഗവേഷണം എങ്ങനെ അവഗണിക്കാം", വിറ്റാലി ഫ്രീഡ്മാൻ "ഉപയോക്തൃ ഗവേഷണത്തിനായി ശക്തമായ ഉപഭോക്തൃ ബന്ധങ്ങൾ എങ്ങനെ നിർമ്മിക്കാം", നവോത്ഥാന റേച്ചൽ
