నా మునుపటి కథనంలో, ఫంక్షనల్ పర్సనాలను మరింత సమర్థవంతంగా రూపొందించడంలో AI మనకు ఎలా సహాయపడుతుందో నేను అన్వేషించాను. పోస్టర్లలో అందంగా కనిపించే కానీ డిజైన్ నిర్ణయాలను అరుదుగా మార్చే డెమోగ్రాఫిక్ ప్రొఫైల్ల కంటే వినియోగదారులు ఏమి సాధించడానికి ప్రయత్నిస్తున్నారనే దానిపై దృష్టి సారించే వ్యక్తులను రూపొందించడం గురించి మేము చూశాము. కానీ వ్యక్తిత్వాన్ని సృష్టించడం సగం యుద్ధం మాత్రమే. పెద్ద సవాలు ఏమిటంటే, ఆ అంతర్దృష్టులను అవసరమైన వ్యక్తుల చేతుల్లోకి, వారికి అవసరమైన సమయంలో వారికి అందజేయడం. ప్రతిరోజూ, మీ సంస్థలోని వ్యక్తులు వినియోగదారు అనుభవాన్ని ప్రభావితం చేసే నిర్ణయాలు తీసుకుంటారు. ఏ ఫీచర్లకు ప్రాధాన్యత ఇవ్వాలో ఉత్పత్తి బృందాలు నిర్ణయిస్తాయి. మార్కెటింగ్ బృందాలు ప్రచారాలను రూపొందించాయి. ఆర్థిక బృందాలు ఇన్వాయిస్ ప్రక్రియలను రూపొందిస్తాయి. కస్టమర్ మద్దతు బృందాలు ప్రతిస్పందన టెంప్లేట్లను వ్రాస్తాయి. ఈ నిర్ణయాలన్నీ వినియోగదారులు మీ ఉత్పత్తి లేదా సేవను ఎలా అనుభవిస్తారో ఆకృతి చేస్తాయి. మరియు వాటిలో చాలా వరకు వాస్తవ వినియోగదారుల నుండి ఎటువంటి ఇన్పుట్ లేకుండానే జరుగుతాయి. మేము వినియోగదారు పరిశోధనను ఎలా భాగస్వామ్యం చేస్తాము అనే సమస్య మీరు పరిశోధన చేయండి. మీరు వ్యక్తులను సృష్టించుకోండి. మీరు నివేదికలు రాయండి. మీరు ప్రదర్శనలు ఇవ్వండి. మీరు ఫాన్సీ ఇన్ఫోగ్రాఫిక్స్ కూడా చేస్తారు. ఆపై ఏమి జరుగుతుంది? పరిశోధన ఎక్కడో షేర్ చేసిన డ్రైవ్లో కూర్చుని, నెమ్మదిగా డిజిటల్ ధూళిని సేకరిస్తుంది. కిక్ఆఫ్ మీటింగ్లలో వ్యక్తులు ప్రస్తావించబడతారు మరియు తర్వాత మరచిపోతారు. నివేదికలు ఒకసారి స్కిమ్ చేయబడి, మళ్లీ తెరవబడవు. ప్రోడక్ట్ మేనేజర్ కొత్త ఫీచర్ను జోడించాలా వద్దా అని నిర్ణయించుకుంటున్నప్పుడు, వారు బహుశా గత సంవత్సరం పరిశోధన రిపోజిటరీని పరిశీలించరు. ఫైనాన్స్ బృందం ఇన్వాయిస్ ఇమెయిల్ను పునఃరూపకల్పన చేస్తున్నప్పుడు, వారు ఖచ్చితంగా వినియోగదారు వ్యక్తులను సంప్రదించరు. వారు తమ ఉత్తమ అంచనాలను తయారు చేసి ముందుకు సాగుతారు. ఇది ఆ జట్లపై చేసిన విమర్శ కాదు. వారు బిజీగా ఉన్నారు. వాటికి గడువులు ఉన్నాయి. మరియు నిజాయితీగా, వారు పరిశోధనను సంప్రదించాలనుకున్నప్పటికీ, దానిని ఎక్కడ కనుగొనాలో లేదా వారి నిర్దిష్ట ప్రశ్నకు దానిని ఎలా అర్థం చేసుకోవాలో వారికి బహుశా తెలియదు. సంస్థ అంతటా తీసుకునే ప్రతి నిర్ణయానికి హాజరు కాలేని UX టీమ్లో జ్ఞానం బంధించబడి ఉంటుంది. వినియోగదారులు నిజంగా మాట్లాడగలిగితే ఏమి చేయాలి? ఒకవేళ, వ్యక్తులు కనుగొని, అర్థం చేసుకోవలసిన స్టాటిక్ డాక్యుమెంట్లను సృష్టించే బదులు, మేము మీ వినియోగదారు వ్యక్తులందరినీ ఒకేసారి సంప్రదించడానికి వాటాదారులకు ఒక మార్గాన్ని అందించగలిగితే?
ఒక కొత్త ప్రచారంలో పని చేస్తున్న మార్కెటింగ్ మేనేజర్ని ఊహించుకోండి. మెసేజింగ్ ప్రాధాన్యతల గురించి వ్యక్తులు ఏమి చెప్పారో గుర్తుంచుకోవడానికి ప్రయత్నించే బదులు, వారు ఇలా అడగవచ్చు: "నేను ఈ ఇమెయిల్లో తగ్గింపు ఆఫర్తో ముందుండాలని ఆలోచిస్తున్నాను. మా వినియోగదారులు ఏమనుకుంటారు?" మరియు AI, మీ అన్ని పరిశోధన డేటా మరియు వ్యక్తులపై ఆధారపడి, ఏకీకృత వీక్షణతో ప్రతిస్పందించగలదు: ప్రతి వ్యక్తి ఎలా ప్రతిస్పందిస్తారు, వారు ఎక్కడ అంగీకరిస్తారు, వారు ఎక్కడ విభేదిస్తారు మరియు వారి సామూహిక దృక్పథాల ఆధారంగా సిఫార్సుల సమితి. ఒక ప్రశ్న, మీ మొత్తం వినియోగదారు బేస్ అంతటా సంశ్లేషణ చేయబడిన అంతర్దృష్టి.
ఇది సైన్స్ ఫిక్షన్ కాదు. AIతో, మనం సరిగ్గా ఇలాంటి వ్యవస్థను నిర్మించగలము. మేము ఆ చెల్లాచెదురైన పరిశోధనలన్నింటినీ తీసుకోవచ్చు (సర్వేలు, ఇంటర్వ్యూలు, మద్దతు టిక్కెట్లు, విశ్లేషణలు, వ్యక్తులు తమంతట తాముగా) మరియు బహుళ-దృక్పథం కోసం ఎవరైనా ప్రశ్నించగలిగే ఇంటరాక్టివ్ వనరుగా మార్చవచ్చు. వినియోగదారు పరిశోధన రిపోజిటరీని నిర్మించడం ఈ విధానం యొక్క పునాది మీ వినియోగదారుల గురించి మీకు తెలిసిన ప్రతిదాని యొక్క కేంద్రీకృత రిపోజిటరీ. AI యాక్సెస్ చేయగల మరియు పొందగలిగే సత్యం యొక్క ఒకే మూలంగా భావించండి. మీరు ఎప్పుడైనా యూజర్ రీసెర్చ్ చేస్తూ ఉంటే, మీరు గ్రహించిన దానికంటే ఎక్కువ డేటా ఉండవచ్చు. ఇది కేవలం వివిధ సాధనాలు మరియు ఫార్మాట్లలో చెల్లాచెదురుగా ఉంది:
మీ సర్వే ప్లాట్ఫారమ్లో కూర్చున్న సర్వే ఫలితాలు, Google డాక్స్లో ఇంటర్వ్యూ లిప్యంతరీకరణలు, మీ హెల్ప్డెస్క్ సిస్టమ్లో కస్టమర్ సపోర్ట్ టిక్కెట్లు, వివిధ డ్యాష్బోర్డ్లలోని విశ్లేషణ డేటా, సోషల్ మీడియా ప్రస్తావనలు మరియు సమీక్షలు, మునుపటి ప్రాజెక్ట్ల నుండి పాత వ్యక్తులు, వినియోగ పరీక్ష రికార్డింగ్లు మరియు గమనికలు.
వీటన్నింటినీ ఒకే చోట చేర్చడం మొదటి దశ. ఇది సంపూర్ణంగా నిర్వహించాల్సిన అవసరం లేదు. గజిబిజి ఇన్పుట్లను అర్థం చేసుకోవడంలో AI అద్భుతమైనది. మీరు స్క్రాచ్ నుండి ప్రారంభిస్తుంటే మరియు ఇప్పటికే ఎక్కువ పరిశోధనలు లేకుంటే, మీరు బేస్లైన్ను ఏర్పాటు చేయడానికి AI లోతైన పరిశోధన సాధనాలను ఉపయోగించవచ్చు.
ఈ సాధనాలు మీ ఉత్పత్తి వర్గం, పోటీదారుల సమీక్షలు మరియు వ్యక్తులు అడిగే సాధారణ ప్రశ్నల గురించి చర్చల కోసం వెబ్ని స్కాన్ చేయగలవు. ఇది మీరు మీ ప్రాథమిక పరిశోధనను రూపొందించేటప్పుడు పని చేయడానికి మీకు ఏదైనా ఇస్తుంది. ఇంటరాక్టివ్ పర్సనాలను సృష్టించడం మీరు మీ రిపోజిటరీని కలిగి ఉన్న తర్వాత, తదుపరి దశలో AI వాటాదారుల తరపున సంప్రదించగల వ్యక్తులను సృష్టించడం. ఇది నా మునుపటి కథనంలో నేను వివరించిన ఫంక్షనల్ పర్సన విధానంపై నేరుగా రూపొందించబడింది, ఒక ముఖ్య వ్యత్యాసంతో: ఈ వ్యక్తులు లెన్స్లుగా మారారు, దీని ద్వారా AI కేవలం సూచన మాత్రమే కాకుండా ప్రశ్నలను విశ్లేషిస్తుంది.పత్రాలు. ప్రక్రియ ఇలా పనిచేస్తుంది:
మీ పరిశోధన రిపోజిటరీని AI సాధనానికి ఫీడ్ చేయండి. లక్ష్యాలు, టాస్క్లు మరియు ఘర్షణ పాయింట్ల ఆధారంగా విభిన్న వినియోగదారు విభాగాలను గుర్తించమని దీన్ని అడగండి. ఇది ప్రతి సెగ్మెంట్ కోసం వివరణాత్మక వ్యక్తులను రూపొందించండి. వాటాదారులు ప్రశ్నలు అడిగినప్పుడు, ఏకీకృత అభిప్రాయాన్ని అందజేసేటప్పుడు అందరి వ్యక్తులను సంప్రదించడానికి AIని కాన్ఫిగర్ చేయండి.
ఇక్కడ ఈ విధానం సాంప్రదాయ వ్యక్తుల నుండి గణనీయంగా భిన్నంగా ఉంటుంది. AI ఈ వ్యక్తిత్వ పత్రాల యొక్క ప్రాథమిక వినియోగదారు అయినందున, వాటిని స్కాన్ చేయాల్సిన లేదా ఒకే పేజీలో సరిపోయే అవసరం లేదు. సాంప్రదాయ వ్యక్తిత్వాలు మానవ రీడబిలిటీ ద్వారా నిర్బంధించబడ్డాయి: మీరు బుల్లెట్ పాయింట్లు మరియు ఎవరైనా ఒక చూపులో గ్రహించగలిగే కీలకమైన కోట్ల వరకు ప్రతిదీ స్వేదనం చేయాలి. కానీ AIకి అలాంటి పరిమితి లేదు. దీని అర్థం మీ వ్యక్తిత్వాలు మరింత వివరంగా ఉంటాయి. మీరు సుదీర్ఘమైన ప్రవర్తనా పరిశీలనలు, పరస్పర విరుద్ధమైన డేటా పాయింట్లు మరియు సాంప్రదాయ వ్యక్తి పోస్టర్ కోసం ఎడిటింగ్ ప్రక్రియలో ఎప్పటికీ మనుగడ సాగించని సూక్ష్మ సందర్భాలను చేర్చవచ్చు. AI ఈ సంక్లిష్టత మొత్తాన్ని కలిగి ఉంటుంది మరియు ప్రశ్నలకు సమాధానమిచ్చేటప్పుడు దానిపై దృష్టి పెట్టగలదు. మీరు నిర్దిష్ట వ్యాపార విధులకు అనుగుణంగా ప్రతి వ్యక్తిలో విభిన్న లెన్స్లు లేదా దృక్కోణాలను కూడా సృష్టించవచ్చు. మీ “వీకెండ్ వారియర్” వ్యక్తికి మార్కెటింగ్ లెన్స్ (మెసేజింగ్ ప్రాధాన్యతలు, ఛానెల్ అలవాట్లు, ప్రచార ప్రతిస్పందనలు), ఉత్పత్తి లెన్స్ (ఫీచర్ ప్రాధాన్యతలు, వినియోగ నమూనాలు, అప్గ్రేడ్ ట్రిగ్గర్లు) మరియు సపోర్ట్ లెన్స్ (సాధారణ ప్రశ్నలు, నిరాశ పాయింట్లు, రిజల్యూషన్ ప్రాధాన్యతలు) ఉండవచ్చు. మార్కెటింగ్ మేనేజర్ ఒక ప్రశ్న అడిగినప్పుడు, AI మార్కెటింగ్ సంబంధిత సమాచారాన్ని తీసుకుంటుంది. ఉత్పత్తి నిర్వాహకుడు అడిగినప్పుడు, అది ఉత్పత్తి లెన్స్ నుండి లాగుతుంది. అదే వ్యక్తిత్వం, ఎవరు అడుగుతున్నారో బట్టి విభిన్నమైన లోతు.
వ్యక్తిత్వాలు ఇప్పటికీ మనం ఇంతకు ముందు చర్చించిన అన్ని ఫంక్షనల్ ఎలిమెంట్లను కలిగి ఉండాలి: లక్ష్యాలు మరియు టాస్క్లు, ప్రశ్నలు మరియు అభ్యంతరాలు, పెయిన్ పాయింట్లు, టచ్ పాయింట్లు మరియు సేవా అంతరాలు. కానీ ఇప్పుడు ఈ అంశాలు AI ప్రతి వ్యక్తి యొక్క దృక్కోణం నుండి ప్రశ్నలను ఎలా మూల్యాంకనం చేస్తుంది, వారి అభిప్రాయాలను చర్య తీసుకోదగిన సిఫార్సులుగా సంశ్లేషణ చేస్తుంది. అమలు ఎంపికలు మీరు మీ వనరులు మరియు అవసరాలను బట్టి వివిధ స్థాయిల అధునాతనతతో దీన్ని సెటప్ చేయవచ్చు. సింపుల్ అప్రోచ్ చాలా AI ప్లాట్ఫారమ్లు ఇప్పుడు మీరు సూచన పత్రాలను అప్లోడ్ చేయడానికి అనుమతించే ప్రాజెక్ట్ లేదా వర్క్స్పేస్ ఫీచర్లను అందిస్తాయి. ChatGPTలో, వీటిని ప్రాజెక్ట్లు అంటారు. క్లాడ్కు ఇదే లక్షణం ఉంది. కోపైలట్ మరియు జెమిని వాటిని స్పేస్ లేదా జెమ్స్ అని పిలుస్తారు. ప్రారంభించడానికి, ఒక ప్రత్యేక ప్రాజెక్ట్ని సృష్టించండి మరియు మీ కీలక పరిశోధన పత్రాలు మరియు వ్యక్తులను అప్లోడ్ చేయండి. ప్రశ్నలకు ప్రతిస్పందిస్తున్నప్పుడు అందరి వ్యక్తులను సంప్రదించమని AIకి చెప్పే స్పష్టమైన సూచనలను వ్రాయండి. ఇలాంటివి: మీరు మా వినియోగదారులను అర్థం చేసుకోవడానికి వాటాదారులకు సహాయం చేస్తున్నారు. ప్రశ్నలు అడిగినప్పుడు, ఈ ప్రాజెక్ట్లోని వినియోగదారు వ్యక్తులందరినీ సంప్రదించి అందించండి: (1) ప్రతి వ్యక్తి ఎలా ప్రతిస్పందించవచ్చనే సంక్షిప్త సారాంశం, (2) వారు ఎక్కడ అంగీకరిస్తున్నారు మరియు ఎక్కడ విభేదిస్తారు అనే స్థూలదృష్టి మరియు (3) వారి సామూహిక దృక్పథాల ఆధారంగా సిఫార్సులు. మీ విశ్లేషణను తెలియజేయడానికి అన్ని పరిశోధన పత్రాలపై గీయండి. పరిశోధన ఒక అంశాన్ని పూర్తిగా కవర్ చేయకపోతే, ఈ వ్యక్తులతో సరిపోలిన వ్యక్తులు ఇలాంటి సమస్యలను ఎలా చర్చిస్తారో చూడటానికి Reddit, Twitter మరియు సంబంధిత ఫోరమ్ల వంటి సామాజిక ప్లాట్ఫారమ్లను శోధించండి. మీకు ఇంకా ఏదైనా గురించి తెలియకుంటే, నిజాయితీగా చెప్పండి మరియు అదనపు పరిశోధన ఏమి సహాయపడుతుందో సూచించండి.
ఈ విధానానికి కొన్ని పరిమితులు ఉన్నాయి. మీరు ఎన్ని ఫైల్లను అప్లోడ్ చేయవచ్చనే దానిపై పరిమితులు ఉన్నాయి, కాబట్టి మీరు మీ అత్యంత ముఖ్యమైన పరిశోధనకు ప్రాధాన్యతనివ్వాలి లేదా మీ వ్యక్తిత్వాన్ని ఒకే సమగ్ర పత్రంగా ఏకీకృతం చేయాలి. మరింత అధునాతన విధానం పెద్ద సంస్థలు లేదా మరింత కొనసాగుతున్న ఉపయోగం కోసం, నోషన్ వంటి సాధనం ప్రయోజనాలను అందిస్తుంది ఎందుకంటే ఇది మీ మొత్తం పరిశోధన రిపోజిటరీని కలిగి ఉంటుంది మరియు AI సామర్థ్యాలను కలిగి ఉంటుంది. మీరు వివిధ రకాల పరిశోధనల కోసం డేటాబేస్లను సృష్టించవచ్చు, వాటిని ఒకదానితో ఒకటి లింక్ చేయవచ్చు, ఆపై ప్రతిదానిని ప్రశ్నించడానికి AIని ఉపయోగించవచ్చు.
ఇక్కడ ప్రయోజనం ఏమిటంటే AIకి చాలా ఎక్కువ సందర్భాలకు ప్రాప్యత ఉంది. వాటాదారు ఒక ప్రశ్న అడిగినప్పుడు, అది సర్వేలు, సపోర్ట్ టిక్కెట్లు, ఇంటర్వ్యూ ట్రాన్స్క్రిప్ట్లు మరియు అనలిటిక్స్ డేటాను ఒకేసారి తీసుకోవచ్చు. ఇది ధనిక, మరింత సూక్ష్మ స్పందనల కోసం చేస్తుంది. వాట్ దిస్ నాట్ రీప్లేస్ పరిమితుల గురించి నేను స్పష్టంగా ఉండాలి. వాస్తవిక వినియోగదారులతో మాట్లాడటానికి వర్చువల్ వ్యక్తిత్వాలు ప్రత్యామ్నాయం కాదు. ఇప్పటికే ఉన్న పరిశోధనలను మరింత అందుబాటులోకి తీసుకురావడానికి మరియు క్రియాత్మకంగా చేయడానికి అవి ఒక మార్గం. మీకు ఇంకా ప్రాథమిక పరిశోధన అవసరమయ్యే అనేక దృశ్యాలు ఉన్నాయి:
మీ ప్రస్తుత పరిశోధన కవర్ చేయని వాస్తవమైన కొత్తదాన్ని ప్రారంభించినప్పుడు; మీరు నిర్దిష్ట డిజైన్లు లేదా ప్రోటోటైప్లను ధృవీకరించాల్సిన అవసరం వచ్చినప్పుడు; మీ రిపోజిటరీ డేటా పాతబడిపోయినప్పుడు; వాటాదారులుగా ఉన్నప్పుడుసానుభూతిని పెంపొందించడానికి నిజమైన మానవుల నుండి నేరుగా వినవలసి ఉంటుంది.
వాస్తవానికి, మీరు ఈ పరిస్థితులను గుర్తించడానికి AIని కాన్ఫిగర్ చేయవచ్చు. ఎవరైనా పరిశోధన సమాధానమివ్వగల ప్రశ్నకు మించిన ప్రశ్నను అడిగినప్పుడు, AI ఇలా ప్రతిస్పందించవచ్చు: "దీనికి నమ్మకంగా సమాధానం చెప్పడానికి నా వద్ద తగినంత సమాచారం లేదు. ఇది శీఘ్ర వినియోగదారు ఇంటర్వ్యూ లేదా సర్వే కోసం మంచి ప్రశ్న కావచ్చు." మరియు మీరు కొత్త పరిశోధన చేసినప్పుడు, ఆ డేటా రిపోజిటరీలోకి తిరిగి వస్తుంది. మీ అవగాహన లోతుగా పెరిగే కొద్దీ వ్యక్తిత్వాలు కాలక్రమేణా పరిణామం చెందుతాయి. సంప్రదాయ విధానం కంటే ఇది చాలా మెరుగ్గా ఉంటుంది, ఇక్కడ వ్యక్తిత్వాలు ఒకసారి సృష్టించబడి, ఆ తర్వాత నెమ్మదిగా కాలం చెల్లినవి. సంస్థాగత మార్పు ఈ విధానం మీ సంస్థలో ఉంటే, ఆసక్తికరమైన ఏదో జరుగుతుంది. UX బృందం పాత్ర వినియోగదారు జ్ఞానం యొక్క గేట్ కీపర్ల నుండి రిపోజిటరీ యొక్క క్యూరేటర్లు మరియు మెయింటెయినర్లుగా మారుతుంది. రిపోర్టులను రూపొందించడానికి సమయాన్ని వెచ్చించే బదులు, మీరు రిపోజిటరీ ప్రస్తుతం ఉండేలా మరియు సహాయక ప్రతిస్పందనలను అందించడానికి AI కాన్ఫిగర్ చేయబడిందని నిర్ధారించుకోవడానికి సమయాన్ని వెచ్చిస్తారు. పుష్ (ప్రెజెంటేషన్లు, నివేదికలు, ఇమెయిల్లు) నుండి లాగడానికి పరిశోధన కమ్యూనికేషన్ మార్పులు (వాటికి సమాధానాలు అవసరమైనప్పుడు ప్రశ్నలను అడగడం). వినియోగదారు-కేంద్రీకృత ఆలోచన ఒక బృందంలో కేంద్రీకరించబడకుండా సంస్థ అంతటా పంపిణీ చేయబడుతుంది. ఇది UX పరిశోధకులను తక్కువ విలువైనదిగా చేయదు. ఏదైనా ఉంటే, అది వారిని మరింత విలువైనదిగా చేస్తుంది ఎందుకంటే వారి పని ఇప్పుడు విస్తృత పరిధిని మరియు ఎక్కువ ప్రభావాన్ని కలిగి ఉంది. కానీ అది పని స్వభావాన్ని మారుస్తుంది. ప్రారంభించడం మీరు ఈ విధానాన్ని ప్రయత్నించాలనుకుంటే, చిన్నగా ప్రారంభించండి. డైవింగ్ చేయడానికి ముందు మీకు ఫంక్షనల్ పర్సనస్పై ప్రైమర్ అవసరమైతే, నేను వాటిని రూపొందించడానికి వివరణాత్మక గైడ్ను వ్రాసాను. ఒక ప్రాజెక్ట్ లేదా బృందాన్ని ఎంచుకుని, ChatGPT ప్రాజెక్ట్లు లేదా సారూప్య సాధనాన్ని ఉపయోగించి సరళమైన అమలును సెటప్ చేయండి. మీరు కలిగి ఉన్న ఏదైనా పరిశోధనను సేకరించండి (అది అసంపూర్ణంగా అనిపించినా), ఒకటి లేదా ఇద్దరు వ్యక్తులను సృష్టించండి మరియు వాటాదారులు ఎలా స్పందిస్తారో చూడండి. వారు అడిగే ప్రశ్నలపై శ్రద్ధ వహించండి. మీ పరిశోధనలో ఎక్కడ ఖాళీలు ఉన్నాయి మరియు ఏ అదనపు డేటా అత్యంత విలువైనది అని ఇవి మీకు తెలియజేస్తాయి. మీరు విధానాన్ని మెరుగుపరిచినప్పుడు, మీరు మరిన్ని బృందాలకు మరియు మరింత అధునాతన సాధనాలకు విస్తరించవచ్చు. కానీ ప్రధాన సూత్రం అలాగే ఉంటుంది: చెల్లాచెదురుగా ఉన్న వినియోగదారు జ్ఞానాన్ని పొందండి మరియు మీ సంస్థలోని ఎవరైనా వినగలిగేలా వాయిస్ ఇవ్వండి. నా మునుపటి కథనంలో, వినియోగదారులు ఏమి చేయడానికి ప్రయత్నిస్తున్నారనే దానిపై దృష్టి సారించే డెమోగ్రాఫిక్ పర్సనస్ నుండి ఫంక్షనల్ పర్సనస్కి మనం మారాలని నేను వాదించాను. ఇప్పుడు నేను తదుపరి దశను తీసుకోవాలని సూచిస్తున్నాను: స్టాటిక్ పర్సనస్ నుండి ఇంటరాక్టివ్ వాటి వరకు నిర్ణయాలు తీసుకునే సంభాషణలలో వాస్తవానికి పాల్గొనవచ్చు. ఎందుకంటే ప్రతిరోజూ, మీ సంస్థ అంతటా, వ్యక్తులు మీ వినియోగదారులను ప్రభావితం చేసే నిర్ణయాలు తీసుకుంటున్నారు. మరియు మీ వినియోగదారులు వర్చువల్ అయినప్పటికీ, టేబుల్ వద్ద సీటుకు అర్హులు. SmashingMagలో మరింత చదవడం
“వ్యక్తిగతులను నిశితంగా పరిశీలించండి: అవి ఏమిటి మరియు అవి ఎలా పని చేస్తాయి | 1”, ష్లోమో గోల్ట్జ్ "డేటా-ఆధారిత వ్యక్తులతో మీ డిజైన్ ప్రక్రియను ఎలా మెరుగుపరచాలి", టిమ్ నోయెట్జెల్ "హౌ టు మేక్ యువర్ UX రీసెర్చ్ హార్డ్ టు ఇగ్నోర్", విటాలీ ఫ్రైడ్మాన్ "వినియోగదారు పరిశోధన కోసం బలమైన కస్టమర్ సంబంధాలను ఎలా నిర్మించుకోవాలి", పునరుజ్జీవన రాచెల్
