在我之前的文章中，我探讨了人工智能如何帮助我们更有效地创建功能角色。我们着眼于构建专注于用户想要完成的任务的角色，而不是在海报上看起来不错但很少改变设计决策的人口统计资料。 但创建角色只是成功的一半。更大的挑战是在需要的时候将这些见解传递到需要它们的人手中。 每天，组织中的人员都会做出影响用户体验的决策。产品团队决定优先考虑哪些功能。营销团队精心策划营销活动。财务团队设计发票流程。客户支持团队编写响应模板。所有这些决策都会影响用户体验您的产品或服务的方式。 而且大多数都是在没有实际用户输入的情况下发生的。 我们如何分享用户研究的问题 你做研究。您创建角色。你写报告。你进行演示。您甚至可以制作精美的信息图表。然后会发生什么？ 该研究位于某个共享驱动器中，慢慢积聚数字灰尘。这些人物角色在启动会议上被提及，然后就被遗忘了。这些报告被浏览过一次，就再也没有打开过。 当产品经理决定是否添加新功能时，他们可能不会深入挖掘去年的研究资料库。当财务团队重新设计发票电子邮件时，他们几乎肯定不会参考用户角色。他们做出最好的猜测并继续前进。 这并不是对这些球队的批评。他们很忙。他们有最后期限。老实说，即使他们想查阅这项研究，他们也可能不知道在哪里可以找到它，也不知道如何针对他们的具体问题来解释它。 这些知识仍然被锁定在用户体验团队的头脑中，他们不可能参与整个组织做出的每一个决策。 如果用户真的可以说话怎么办？ 如果我们不是创建人们需要查找和解释的静态文档，而是为利益相关者提供一种立即查阅所有用户角色的方法，会怎么样？
想象一下一位营销经理正在开展一项新的营销活动。他们可以简单地问：“我正在考虑在这封电子邮件中提供折扣优惠。我们的用户会怎么想？” 人工智能可以利用你所有的研究数据和角色，以统一的观点做出回应：每个角色可能会如何反应，他们同意的地方，他们不同的地方，以及基于他们集体观点的一组建议。一个问题，综合了解整个用户群。
这不是科幻小说。有了人工智能，我们就可以构建这样的系统。我们可以将所有分散的研究（调查、访谈、支持票、分析、人物角色本身）转化为任何人都可以查询以获得多视角反馈的交互式资源。 构建用户研究存储库 这种方法的基础是一个集中存储您所了解的有关用户的所有信息的存储库。将其视为人工智能可以访问和借鉴的单一事实来源。 如果您一直在进行用户研究，那么您所拥有的数据可能比您意识到的要多。它只是分散在不同的工具和格式中：
调查结果位于您的调查平台中， 谷歌文档中的采访记录， 您的帮助台系统中的客户支持票证， 各种仪表板中的分析数据， 社交媒体提及和评论， 以前项目中的旧角色， 可用性测试记录和笔记。
第一步是将所有这些收集到一个地方。它不需要完美地组织起来。人工智能非常擅长理解混乱的输入。 如果您是从头开始并且没有太多现有研究，您可以使用 AI 深度研究工具来建立基线。
这些工具可以扫描网络以查找有关您的产品类别、竞争对手评论以及人们提出的常见问题的讨论。这为您在开展初步研究时提供了一些可以使用的东西。 创建互动角色 拥有存储库后，下一步就是创建人工智能可以代表利益相关者进行咨询的角色。这直接建立在我在上一篇文章中概述的功能角色方法的基础上，有一个关键的区别：这些角色成为人工智能分析问题的镜头，而不仅仅是参考文件。 该过程的工作原理如下：
将您的研究存储库输入人工智能工具。 要求它根据目标、任务和摩擦点来识别不同的用户细分。 让它为每个细分生成详细的角色。 配置人工智能在利益相关者提出问题时咨询所有角色，提供综合反馈。
这是这种方法与传统人物角色显着不同的地方。由于人工智能是这些角色文档的主要消费者，因此它们不需要可扫描或适合单个页面。传统的人物角色受到人类可读性的限制：你必须将所有内容提炼为要点和关键引言，以便人们一眼就能理解。但人工智能没有这样的限制。 这意味着您的角色可以更加详细。您可以包含冗长的行为观察、相互矛盾的数据点和细致入微的背景，这些在传统人物海报的编辑过程中永远无法幸存。人工智能可以处理所有这些复杂性，并在回答问题时利用它。 您还可以在每个角色中创建不同的镜头或视角，以适应特定的业务职能。您的“周末战士”角色可能具有营销镜头（消息偏好、渠道习惯、活动响应）、产品镜头（功能优先级、可用性模式、升级触发器）和支持镜头（常见问题、挫折点、解决方案偏好）。当营销经理提出问题时，人工智能会利用营销相关信息。当产品经理提出问题时，他会从产品角度出发。相同的角色，不同的深度取决于提出问题的人。
人物角色仍应包括我们之前讨论的所有功能元素：目标和任务、问题和反对意见、痛点、接触点和服务差距。但现在这些元素成为人工智能如何从每个角色的角度评估问题的基础，将他们的观点综合成可行的建议。 实施方案 您可以根据您的资源和需求进行不同复杂程度的设置。 简单的方法 大多数人工智能平台现在都提供项目或工作区功能，让您上传参考文档。在 ChatGPT 中，这些称为项目。克劳德也有类似的特点。副驾驶和双子座称它们为“空间”或“宝石”。 首先，创建一个专门的项目并上传您的关键研究文档和角色。然后编写清晰的指令，告诉人工智能在回答问题时参考所有角色。像这样的东西： 您正在帮助利益相关者了解我们的用户。当被问到问题时，咨询该项目中的所有用户角色并提供：(1) 每个角色可能如何回应的简要摘要，(2) 概述，突出显示他们的同意和不同之处，以及 (3) 基于他们的集体观点的建议。利用所有研究文件来为您的分析提供信息。如果研究没有完全涵盖某个主题，请搜索 Reddit、Twitter 等社交平台和相关论坛，看看与这些角色匹配的人们如何讨论类似问题。如果您仍然对某些事情不确定，请诚实地说出来，并建议哪些额外的研究可能会有所帮助。
这种方法有一些局限性。您可以上传的文件数量有上限，因此您可能需要优先考虑最重要的研究或将您的角色整合到一个综合文档中。 更复杂的方法 对于较大的组织或更频繁的使用，像 Notion 这样的工具具有优势，因为它可以保存整个研究存储库并内置人工智能功能。您可以为不同类型的研究创建数据库，将它们链接在一起，然后使用人工智能来查询所有内容。
这样做的好处是人工智能可以访问更多的上下文。当利益相关者提出问题时，它可以同时利用调查、支持票、访谈记录和分析数据。这使得响应更加丰富、更加细致。 这不能取代什么 我应该清楚限制。 虚拟角色不能替代与真实用户的交谈。它们是使现有研究更容易获得和更可行的一种方式。 有几种情况您仍然需要进行初步研究：
当推出您现有研究未涵盖的真正新产品时； 当您需要验证特定设计或原型时； 当您的存储库数据变得陈旧时； 当利益相关者需要直接倾听真实的人的声音来建立同理心。
事实上，您可以配置人工智能来识别这些情况。当有人提出的问题超出了研究所能回答的范围时，人工智能可以这样回答：“我没有足够的信息来自信地回答这个问题。对于快速用户访谈或调查来说，这可能是一个很好的问题。” 当您进行新的研究时，该数据会反馈到存储库中。随着你理解的加深，人物角色会随着时间的推移而演变。这比传统方法要好得多，在传统方法中，角色创建一次，然后慢慢过时。 组织转变 如果这种方法在您的组织中流行起来，就会发生一些有趣的事情。 用户体验团队的角色从用户知识的看门人转变为存储库的管理者和维护者。 您不必花时间创建可能会被阅读或可能不会被阅读的报告，而是花时间确保存储库保持最新状态并且将人工智能配置为提供有用的响应。 研究沟通从推式（演示、报告、电子邮件）转变为拉式（利益相关者在需要答案时提出问题）。以用户为中心的思维分布在整个组织中，而不是集中在一个团队中。 这并没有降低用户体验研究人员的价值。如果说有什么不同的话，那就是这让他们变得更有价值，因为他们的工作现在具有更广泛的影响力和更大的影响力。但它确实改变了工作的性质。 开始使用 如果您想尝试这种方法，请从小事做起。如果您在深入研究之前需要了解功能角色的入门知识，我已经编写了创建功能角色的详细指南。选择一个项目或团队，然后使用 ChatGPT 项目或类似工具设置一个简单的实施。收集您拥有的所有研究（即使感觉不完整），创建一两个角色，并查看利益相关者如何反应。 注意他们问什么问题。这些将告诉您您的研究存在哪些差距以及哪些附加数据最有价值。 当您完善该方法时，您可以扩展到更多的团队和更复杂的工具。但核心原则保持不变：利用所有分散的用户知识，并赋予组织中任何人都可以听到的声音。 在我之前的文章中，我认为我们应该从人口统计角色转变为关注用户想要做什么的功能角色。现在我建议我们采取下一步：从静态角色转变为可以实际参与决策对话的交互式角色。 因为每天，在您的组织中，人们都在做出影响您的用户的决策。您的用户应该在谈判桌上占有一席之地，即使是虚拟的。 进一步阅读 SmashingMag
“仔细观察角色：它们是什么以及它们如何工作 | 1”，Shlomo Goltz “如何使用基于数据的角色改进您的设计流程”，Tim Noetzel “如何让你的用户体验研究难以被忽视”，Vitaly Friedman “如何为用户研究建立牢固的客户关系”，Renaissance Rachel
