ในบทความก่อนหน้านี้ ฉันได้สำรวจว่า AI สามารถช่วยให้เราสร้างบุคลิกที่ใช้งานได้มีประสิทธิภาพมากขึ้นได้อย่างไร เรามองไปที่การสร้างบุคลิกที่มุ่งเน้นไปที่สิ่งที่ผู้ใช้พยายามทำให้สำเร็จ มากกว่าโปรไฟล์ประชากรที่ดูดีบนโปสเตอร์ แต่ไม่ค่อยเปลี่ยนการตัดสินใจในการออกแบบ แต่การสร้างบุคลิกนั้นมีชัยเพียงครึ่งเดียวเท่านั้น ความท้าทายที่ใหญ่กว่าคือการนำข้อมูลเชิงลึกเหล่านั้นไปอยู่ในมือของผู้ที่ต้องการในเวลาที่พวกเขาต้องการ ทุกๆ วัน ผู้คนทั่วทั้งองค์กรของคุณทำการตัดสินใจที่ส่งผลต่อประสบการณ์ผู้ใช้ ทีมผลิตภัณฑ์ตัดสินใจว่าจะจัดลำดับความสำคัญของฟีเจอร์ใด ทีมการตลาดสร้างแคมเปญ ทีมการเงินออกแบบกระบวนการออกใบแจ้งหนี้ ทีมสนับสนุนลูกค้าเขียนเทมเพลตการตอบกลับ การตัดสินใจทั้งหมดนี้เป็นตัวกำหนดว่าผู้ใช้จะได้รับประสบการณ์จากผลิตภัณฑ์หรือบริการของคุณอย่างไร และส่วนใหญ่เกิดขึ้นโดยไม่ได้รับข้อมูลจากผู้ใช้จริง ปัญหาเกี่ยวกับวิธีที่เราแบ่งปันการวิจัยผู้ใช้ คุณทำการวิจัย คุณสร้างบุคลิก คุณเขียนรายงาน คุณให้การนำเสนอ คุณยังสร้างอินโฟกราฟิกแฟนซีได้อีกด้วย แล้วจะเกิดอะไรขึ้น? การวิจัยตั้งอยู่ในไดรฟ์ที่ใช้ร่วมกันที่ไหนสักแห่ง โดยค่อยๆ รวบรวมฝุ่นดิจิทัล บุคคลนั้นถูกอ้างอิงในการประชุมแจ้งกำหนดการแล้วถูกลืมไป รายงานจะถูกอ่านแบบผ่านๆ หนึ่งครั้งและไม่เคยเปิดอีกเลย เมื่อผู้จัดการผลิตภัณฑ์ตัดสินใจว่าจะเพิ่มฟีเจอร์ใหม่หรือไม่ พวกเขาอาจจะไม่เจาะลึกข้อมูลการวิจัยของปีที่แล้ว เมื่อทีมการเงินกำลังออกแบบอีเมลใบแจ้งหนี้ใหม่ พวกเขาแทบจะไม่ปรึกษากับบุคลิกของผู้ใช้เลย พวกเขาคาดเดาให้ดีที่สุดและเดินหน้าต่อไป นี่ไม่ใช่การวิพากษ์วิจารณ์ทีมเหล่านั้น พวกเขากำลังยุ่ง พวกเขามีกำหนดเวลา และจริงๆ แล้ว แม้ว่าพวกเขาต้องการปรึกษางานวิจัยนี้ พวกเขาก็คงไม่รู้ว่าจะหาได้จากที่ไหนหรือจะตีความอย่างไรสำหรับคำถามเฉพาะของตน ความรู้นั้นยังคงอยู่ในหัวหน้าทีม UX ซึ่งไม่สามารถแสดงออกมาได้ในทุกการตัดสินใจที่เกิดขึ้นทั่วทั้งองค์กร จะเกิดอะไรขึ้นถ้าผู้ใช้สามารถพูดได้จริง? จะเป็นอย่างไรหากแทนที่จะสร้างเอกสารคงที่ที่ผู้คนจำเป็นต้องค้นหาและตีความ เราสามารถให้ผู้มีส่วนได้ส่วนเสียมีวิธีปรึกษาลักษณะผู้ใช้ทั้งหมดของคุณพร้อมกันได้
ลองนึกภาพผู้จัดการฝ่ายการตลาดที่ทำงานในแคมเปญใหม่ แทนที่จะพยายามจดจำสิ่งที่บุคคลพูดเกี่ยวกับการตั้งค่าการรับส่งข้อความ พวกเขาอาจถามแค่ว่า: “ฉันกำลังคิดที่จะนำเสนอข้อเสนอส่วนลดในอีเมลฉบับนี้ ผู้ใช้ของเราจะคิดอย่างไร” และ AI ซึ่งใช้ข้อมูลการวิจัยและบุคลิกของคุณทั้งหมด สามารถตอบสนองด้วยมุมมองแบบรวม: บุคลิกแต่ละคนน่าจะมีปฏิกิริยาอย่างไร ที่พวกเขาเห็นด้วย ในจุดที่แตกต่างกัน และชุดคำแนะนำตามมุมมองโดยรวมของพวกเขา คำถามหนึ่งข้อคือข้อมูลเชิงลึกที่สังเคราะห์ขึ้นจากฐานผู้ใช้ทั้งหมดของคุณ
นี่ไม่ใช่นิยายวิทยาศาสตร์ ด้วย AI เราสามารถสร้างระบบประเภทนี้ได้อย่างแน่นอน เราสามารถนำการวิจัยที่กระจัดกระจายทั้งหมดนั้น (แบบสำรวจ การสัมภาษณ์ ตั๋วสนับสนุน การวิเคราะห์ บุคลิกของตัวเอง) และเปลี่ยนให้เป็นแหล่งข้อมูลเชิงโต้ตอบที่ใครๆ ก็สามารถสืบค้นเพื่อรับคำติชมแบบหลายมุมมองได้ การสร้างพื้นที่เก็บข้อมูลการวิจัยผู้ใช้ รากฐานของแนวทางนี้คือพื้นที่เก็บข้อมูลแบบรวมศูนย์ของทุกสิ่งที่คุณรู้เกี่ยวกับผู้ใช้ของคุณ คิดว่านี่เป็นแหล่งความจริงแหล่งเดียวที่ AI สามารถเข้าถึงและดึงออกมาได้ หากคุณค้นคว้าข้อมูลผู้ใช้มาเป็นระยะเวลาหนึ่ง คุณอาจมีข้อมูลมากกว่าที่คุณคิด มันกระจัดกระจายไปตามเครื่องมือและรูปแบบต่างๆ:
ผลการสำรวจที่อยู่ในแพลตฟอร์มการสำรวจของคุณ สำเนาบทสัมภาษณ์ใน Google Docs ตั๋วสนับสนุนลูกค้าในระบบช่วยเหลือของคุณ ข้อมูลการวิเคราะห์ในแดชบอร์ดต่างๆ การกล่าวถึงและบทวิจารณ์บนโซเชียลมีเดีย บุคลิกเก่าจากโปรเจ็กต์ที่แล้ว บันทึกและบันทึกการทดสอบการใช้งาน
ขั้นตอนแรกคือการรวบรวมทั้งหมดนี้ไว้ในที่เดียว ไม่จำเป็นต้องจัดระเบียบให้สมบูรณ์แบบ AI เก่งมากในการทำความเข้าใจอินพุตที่ยุ่งเหยิง หากคุณเริ่มต้นจากศูนย์และไม่มีการวิจัยที่มีอยู่มากนัก คุณสามารถใช้เครื่องมือการวิจัยเชิงลึกของ AI เพื่อสร้างพื้นฐานได้
เครื่องมือเหล่านี้สามารถสแกนเว็บเพื่อดูการสนทนาเกี่ยวกับหมวดหมู่ผลิตภัณฑ์ของคุณ รีวิวของคู่แข่ง และคำถามทั่วไปที่ผู้คนถาม สิ่งนี้จะช่วยให้คุณมีบางอย่างที่ต้องทำในขณะที่คุณสร้างงานวิจัยหลักของคุณ การสร้างบุคลิกแบบโต้ตอบ เมื่อคุณมีพื้นที่เก็บข้อมูลแล้ว ขั้นตอนต่อไปคือการสร้างบุคลิกที่ AI สามารถปรึกษาในนามของผู้มีส่วนได้ส่วนเสีย สิ่งนี้สร้างขึ้นโดยตรงจากแนวทางบุคลิกภาพเชิงหน้าที่ที่ฉันอธิบายไว้ในบทความก่อนหน้านี้ โดยมีข้อแตกต่างที่สำคัญอย่างหนึ่ง: บุคลิกเหล่านี้กลายเป็นเลนส์ที่ AI วิเคราะห์คำถาม ไม่ใช่แค่การอ้างอิงเท่านั้นเอกสาร กระบวนการทำงานดังนี้:
ป้อนพื้นที่เก็บข้อมูลการวิจัยของคุณไปยังเครื่องมือ AI ขอให้ระบุกลุ่มผู้ใช้ที่แตกต่างกันตามเป้าหมาย งาน และจุดขัดแย้ง ให้มันสร้างบุคลิกโดยละเอียดสำหรับแต่ละส่วน กำหนดค่า AI เพื่อปรึกษาบุคคลทั้งหมดเมื่อผู้มีส่วนได้ส่วนเสียถามคำถาม โดยให้ข้อเสนอแนะแบบรวม
นี่คือจุดที่แนวทางนี้แตกต่างอย่างมากจากบุคลิกแบบดั้งเดิม เนื่องจาก AI เป็นผู้บริโภคหลักของเอกสารลักษณะบุคคลเหล่านี้ จึงไม่จำเป็นต้องสแกนหรือจัดให้พอดีกับหน้าเดียว บุคลิกแบบดั้งเดิมถูกจำกัดโดยความสามารถในการอ่านของมนุษย์: คุณต้องกลั่นกรองทุกอย่างจนถึงหัวข้อย่อยและคำพูดสำคัญที่ใครบางคนสามารถเข้าใจได้อย่างรวดเร็ว แต่ AI ไม่มีข้อจำกัดดังกล่าว ซึ่งหมายความว่าบุคลิกของคุณอาจมีรายละเอียดมากขึ้นอย่างมาก คุณสามารถรวมการสังเกตพฤติกรรมที่มีความยาว จุดข้อมูลที่ขัดแย้งกัน และบริบทที่ละเอียดอ่อนซึ่งไม่มีทางรอดจากกระบวนการแก้ไขสำหรับโปสเตอร์บุคคลแบบดั้งเดิม AI สามารถเก็บความซับซ้อนทั้งหมดนี้ไว้และนำมาใช้เมื่อตอบคำถาม คุณยังสามารถสร้างเลนส์หรือมุมมองที่แตกต่างกันภายในแต่ละบุคคล ซึ่งปรับให้เหมาะกับฟังก์ชันทางธุรกิจเฉพาะ บุคลิก “Weekend Warrior” ของคุณอาจมีเลนส์ทางการตลาด (การตั้งค่าการส่งข้อความ พฤติกรรมของช่องทาง การตอบกลับแคมเปญ) เลนส์ผลิตภัณฑ์ (ลำดับความสำคัญของฟีเจอร์ รูปแบบการใช้งาน ทริกเกอร์อัปเกรด) และเลนส์สนับสนุน (คำถามทั่วไป จุดหงุดหงิด การตั้งค่าความละเอียด) เมื่อผู้จัดการฝ่ายการตลาดถามคำถาม AI จะดึงข้อมูลที่เกี่ยวข้องกับการตลาดมาใช้ เมื่อผู้จัดการผลิตภัณฑ์ถาม ก็จะดึงเลนส์ผลิตภัณฑ์ออกมา บุคลิกเดียวกันความลึกต่างกันขึ้นอยู่กับว่าใครถาม
บุคลิกควรรวมถึงองค์ประกอบการทำงานทั้งหมดที่เราพูดคุยกันก่อนหน้านี้: เป้าหมายและงาน คำถามและการคัดค้าน จุดเจ็บปวด จุดสัมผัส และช่องว่างในการบริการ แต่ตอนนี้องค์ประกอบเหล่านี้กลายเป็นพื้นฐานสำหรับวิธีที่ AI ประเมินคำถามจากมุมมองของแต่ละบุคคล โดยสังเคราะห์มุมมองของพวกเขาเป็นคำแนะนำที่สามารถนำไปปฏิบัติได้ ตัวเลือกการดำเนินงาน คุณสามารถตั้งค่านี้ได้ในระดับความซับซ้อนที่แตกต่างกัน ขึ้นอยู่กับทรัพยากรและความต้องการของคุณ แนวทางง่ายๆ ขณะนี้แพลตฟอร์ม AI ส่วนใหญ่นำเสนอฟีเจอร์โปรเจ็กต์หรือพื้นที่ทำงานที่ให้คุณอัปโหลดเอกสารอ้างอิงได้ ใน ChatGPT สิ่งเหล่านี้เรียกว่าโปรเจ็กต์ คลอดด์ก็มีลักษณะคล้ายกัน Copilot และ Gemini เรียกพวกเขาว่า Spaces หรือ Gems ในการเริ่มต้น ให้สร้างโครงการเฉพาะและอัปโหลดเอกสารการวิจัยและบุคคลสำคัญของคุณ จากนั้นเขียนคำแนะนำที่ชัดเจนเพื่อบอกให้ AI ปรึกษาบุคคลทั้งหมดเมื่อตอบคำถาม บางอย่างเช่น: คุณกำลังช่วยให้ผู้มีส่วนได้ส่วนเสียเข้าใจผู้ใช้ของเรา เมื่อถามคำถาม ให้ปรึกษาบุคลิกผู้ใช้ทั้งหมดในโปรเจ็กต์นี้ และจัดเตรียม: (1) สรุปโดยย่อว่าแต่ละบุคคลมีแนวโน้มที่จะตอบสนองอย่างไร (2) ภาพรวมที่เน้นว่าพวกเขาเห็นด้วยตรงไหนและแตกต่างกันตรงไหน และ (3) คำแนะนำตามมุมมองโดยรวมของพวกเขา ดึงเอกสารการวิจัยทั้งหมดมาใช้เพื่อประกอบการวิเคราะห์ของคุณ หากการวิจัยไม่ครอบคลุมหัวข้อทั้งหมด ให้ค้นหาแพลตฟอร์มโซเชียล เช่น Reddit, Twitter และฟอรัมที่เกี่ยวข้อง เพื่อดูว่าผู้คนที่ตรงกับบุคลิกเหล่านี้พูดคุยเกี่ยวกับประเด็นที่คล้ายกันอย่างไร หากคุณยังไม่แน่ใจเกี่ยวกับบางสิ่งบางอย่าง ให้พูดอย่างตรงไปตรงมาและเสนอแนะว่าการวิจัยเพิ่มเติมใดที่อาจช่วยได้
วิธีการนี้มีข้อจำกัดบางประการ มีการจำกัดจำนวนไฟล์ที่คุณสามารถอัปโหลดได้ ดังนั้นคุณอาจต้องจัดลำดับความสำคัญของการค้นคว้าที่สำคัญที่สุดหรือรวมบุคลิกของคุณไว้ในเอกสารฉบับเดียวที่ครอบคลุม แนวทางที่ซับซ้อนยิ่งขึ้น สำหรับองค์กรขนาดใหญ่หรือการใช้งานต่อเนื่องมากขึ้น เครื่องมืออย่าง Notion มีข้อดีเพราะสามารถเก็บข้อมูลการวิจัยทั้งหมดของคุณได้และมีความสามารถด้าน AI ในตัว คุณสามารถสร้างฐานข้อมูลสำหรับการวิจัยประเภทต่างๆ เชื่อมโยงเข้าด้วยกัน จากนั้นใช้ AI เพื่อสืบค้นในทุกสิ่ง
ข้อดีก็คือ AI สามารถเข้าถึงบริบทได้มากขึ้น เมื่อผู้มีส่วนได้ส่วนเสียถามคำถาม ก็จะสามารถใช้แบบสำรวจ ตั๋วสนับสนุน สำเนาการสัมภาษณ์ และข้อมูลการวิเคราะห์ได้ทั้งหมดในคราวเดียว สิ่งนี้ทำให้ได้รับการตอบสนองที่สมบูรณ์ยิ่งขึ้นและเหมาะสมยิ่งขึ้น สิ่งนี้ไม่ได้แทนที่ ฉันควรจะชัดเจนเกี่ยวกับข้อจำกัด บุคลิกเสมือนไม่สามารถทดแทนการพูดคุยกับผู้ใช้จริงได้ เป็นหนทางหนึ่งในการทำให้การวิจัยที่มีอยู่เข้าถึงและดำเนินการได้มากขึ้น มีหลายสถานการณ์ที่คุณยังต้องการการวิจัยเบื้องต้น:
เมื่อเปิดตัวสิ่งใหม่อย่างแท้จริงซึ่งงานวิจัยที่คุณมีอยู่ไม่ครอบคลุม เมื่อคุณต้องการตรวจสอบการออกแบบหรือต้นแบบที่เฉพาะเจาะจง เมื่อข้อมูลพื้นที่เก็บข้อมูลของคุณเริ่มล้าสมัย เมื่อผู้มีส่วนได้ส่วนเสียจำเป็นต้องได้ยินโดยตรงจากมนุษย์จริงๆ เพื่อสร้างความเห็นอกเห็นใจ
ในความเป็นจริง คุณสามารถกำหนดค่า AI ให้จดจำสถานการณ์เหล่านี้ได้ เมื่อมีคนถามคำถามที่นอกเหนือไปจากสิ่งที่การวิจัยสามารถตอบได้ AI สามารถตอบกลับด้วยบางอย่างเช่น: “ฉันมีข้อมูลไม่เพียงพอที่จะตอบอย่างมั่นใจ นี่อาจเป็นคำถามที่ดีสำหรับการสัมภาษณ์หรือการสำรวจผู้ใช้อย่างรวดเร็ว” และเมื่อคุณทำการวิจัยใหม่ ข้อมูลนั้นจะถูกป้อนกลับเข้าไปในพื้นที่เก็บข้อมูล บุคลิกจะพัฒนาไปตามกาลเวลาเมื่อความเข้าใจของคุณลึกซึ้งยิ่งขึ้น วิธีนี้ดีกว่าวิธีการแบบเดิมๆ มาก โดยที่บุคลิกถูกสร้างขึ้นเพียงครั้งเดียวแล้วค่อยๆ หลุดออกจากยุค การเปลี่ยนแปลงองค์กร หากแนวทางนี้เข้ากับองค์กรของคุณ สิ่งที่น่าสนใจก็เกิดขึ้น บทบาทของทีม UX เปลี่ยนจากการเป็นผู้เฝ้าประตูความรู้ของผู้ใช้ไปเป็นผู้ดูแลและผู้ดูแลพื้นที่เก็บข้อมูล แทนที่จะใช้เวลาสร้างรายงานที่อาจได้รับการอ่านหรือไม่ก็ได้ คุณใช้เวลาไปกับการดูแลให้พื้นที่เก็บข้อมูลเป็นปัจจุบัน และ AI ได้รับการกำหนดค่าเพื่อให้การตอบสนองที่เป็นประโยชน์ การวิจัยการสื่อสารเปลี่ยนจากแบบพุช (การนำเสนอ รายงาน อีเมล) เป็นการดึง (ผู้มีส่วนได้ส่วนเสียถามคำถามเมื่อพวกเขาต้องการคำตอบ) การคิดที่เน้นผู้ใช้เป็นศูนย์กลางจะกระจายไปทั่วทั้งองค์กร แทนที่จะรวมอยู่ในทีมเดียว สิ่งนี้ไม่ได้ทำให้นักวิจัย UX มีคุณค่าน้อยลง หากมีสิ่งใด มันทำให้พวกเขามีคุณค่ามากขึ้นเพราะตอนนี้งานของพวกเขาเข้าถึงได้กว้างขึ้นและมีผลกระทบมากขึ้น แต่มันเปลี่ยนลักษณะของงาน เริ่มต้นใช้งาน หากคุณต้องการลองใช้วิธีนี้ ให้เริ่มจากเล็กๆ หากคุณต้องการไพรเมอร์เกี่ยวกับบุคลิกเชิงฟังก์ชันก่อนที่จะลงมือปฏิบัติจริง ฉันได้เขียนคำแนะนำโดยละเอียดเกี่ยวกับการสร้างบุคคลเหล่านั้นแล้ว เลือกโปรเจ็กต์หรือทีมหนึ่งรายการแล้วตั้งค่าการใช้งานอย่างง่ายโดยใช้โปรเจ็กต์ ChatGPT หรือเครื่องมือที่คล้ายกัน รวบรวมงานวิจัยที่คุณมี (แม้ว่าจะรู้สึกว่าไม่สมบูรณ์) สร้างบุคลิกหนึ่งหรือสองบุคลิก และดูว่าผู้มีส่วนได้ส่วนเสียตอบสนองอย่างไร ใส่ใจกับคำถามที่พวกเขาถาม สิ่งเหล่านี้จะบอกคุณว่างานวิจัยของคุณมีช่องว่างตรงไหน และข้อมูลเพิ่มเติมใดจะมีคุณค่ามากที่สุด เมื่อคุณปรับปรุงแนวทาง คุณสามารถขยายไปสู่ทีมจำนวนมากขึ้นและเครื่องมือที่ซับซ้อนมากขึ้นได้ แต่หลักการสำคัญยังคงเหมือนเดิม นั่นคือนำความรู้ของผู้ใช้ที่กระจัดกระจายทั้งหมดมาแสดงให้ทุกคนในองค์กรของคุณสามารถได้ยินได้ ในบทความที่แล้วของฉัน ฉันแย้งว่าเราควรเปลี่ยนจากลักษณะทางประชากรศาสตร์ไปเป็นลักษณะการทำงานที่เน้นไปที่สิ่งที่ผู้ใช้พยายามทำ ตอนนี้ฉันขอแนะนำให้เราดำเนินการขั้นต่อไป: จากบุคลิกคงที่ไปจนถึงแบบโต้ตอบที่สามารถมีส่วนร่วมในการสนทนาเมื่อมีการตัดสินใจ เพราะทุกๆ วันทั่วทั้งองค์กร ผู้คนกำลังทำการตัดสินใจที่ส่งผลต่อผู้ใช้ของคุณ และผู้ใช้ของคุณก็สมควรได้นั่งที่โต๊ะ แม้ว่าจะเป็นโต๊ะเสมือนจริงก็ตาม อ่านเพิ่มเติมเกี่ยวกับ SmashingMag
“มองอย่างใกล้ชิดกับบุคลิก: พวกมันคืออะไรและทำงานอย่างไร | 1”, Shlomo Goltz “วิธีปรับปรุงกระบวนการออกแบบของคุณด้วยบุคลิกที่อิงข้อมูล”, Tim Noetzel “วิธีทำให้การวิจัย UX ของคุณยากที่จะเพิกเฉย”, Vitaly Friedman “วิธีสร้างความสัมพันธ์กับลูกค้าที่แข็งแกร่งสำหรับการวิจัยผู้ใช้”, Renaissance Rachel
