روان‌شناسی چطور پرسوناهای مشتری مبتنی بر هوش مصنوعی را کاربردی‌تر می‌کند
دیجیتال مارکتینگ جهان هوش مصنوعی در مارکتینگ

روان‌شناسی چطور پرسوناهای مشتری مبتنی بر هوش مصنوعی را کاربردی‌تر می‌کند

۲۹ آبان ۱۴۰۵ ⏱ ۴ دقیقه مطالعه 👁 ۰ بازدید ✍️ تحریریه رشدینو
✈️ اشتراک در تلگرام 💬 واتساپ 𝕏 توییتر
📌 نکات کلیدی و خلاصه خبر پاسخ سریع در یک نگاه

بسیاری از ابزارهایی که پرسونای مجازی می‌سازند، در واقع فقط پرامپت‌های پیچیده مدل زبانی‌اند و در موقعیت‌های تازه کلیشه می‌سازند. مقاله مارتک نشان می‌دهد ترکیب داده رفتاری واقعی با چارچوب‌های روان‌شناختی مثل مدل پنج‌عاملی، پیش‌بینی رفتار مشتری را دقیق‌تر می‌کند.

✨ تحلیل رشدینو نگاه اختصاصی تیم رشدینو

برای تیم‌های بازاریابی ایرانی که پرسونا را در یک فایل پاورپوینت دفن کرده‌اند، ارزش این روش در جای دیگری است: تبدیل پرسونا از یک سند تشریفاتی به ابزاری برای آزمون پیام و قیمت‌گذاری پیش از کمپین.

پرسوناهای بازاریابی خیالی‌اند، اما با این حال مفیدند. امروز ابزارهای زیادی ادعا می‌کنند پرسوناهای مجازی می‌سازند که در واقع چیزی بیش از پرامپت‌های پیچیده مدل‌های زبانی بزرگ نیستند. ترکیب دهه‌ها پژوهش روان‌شناختی با داده‌های واقعی رفتاری می‌تواند پرسوناهای مجازی را در پیش‌بینی رفتار مشتری اثربخش‌تر کند.

چرا پرسوناهای سنتی مشتری هنوز مهم‌اند

در ترانه «ماریا» از فیلم «آوای موسیقی» (۱۹۵۹)، اسکار همرستاین می‌پرسد چطور می‌شود «مشکل ماریا را حل کرد؟» این تلاشی است برای فشردن تمام شخصیت یک راهبه‌ی در آستانه‌ی عهد بستن در چند خط. ما ویژگی‌های رفتاری می‌گیریم (با والس به مراسم می‌رود و بیگودی‌هایش را زیر مقنعه پنهان می‌کند) و ویژگی‌های نگرشی (او را «سبک‌مغز» و «بی‌ثبات» توصیف می‌کنند). خود راهبه‌ها هم سر اینکه این صفات خوب‌اند یا بد به توافق نمی‌رسند (مثلاً شیطان است یا بره)، اما تصویری روشن از قهرمان داستان به دستمان می‌آید.

دهه‌ها است که روان‌شناسان، طراحان و بازاریابان تلاش می‌کنند کل شخصیت، رفتارها و صفات یک آدم را تقطیر کنند. همه ما با پرسونا کار کرده‌ایم؛ توصیف‌های فشرده از یک فرد (واقعی یا خیالی) که نماینده یک گروه بزرگ‌تر است. پرسوناها در طراحی رابط و تجربه کاربری، در فهم نحوه استفاده از محصول و قابلیت‌هایش، و در جان‌بخشیدن به بخش‌بندی‌های انتزاعی از طریق فردی که مشتری یا کاربر ایده‌آل را نمایندگی می‌کند، کمک می‌کنند.

با انسان‌واره‌سازی کاربر، پرسوناها کمک می‌کنند بفهمیم یک آدم واقعی — که ممکن است هیچ شباهتی به ما نداشته باشد — چطور محصول یا خدمت ما را می‌خرد یا استفاده می‌کند. پرسوناها با همه محدودیت‌هایشان، ابزار مؤثری در زرادخانه بازاریابی باقی مانده‌اند. حالا پسرعموهای براق و تازه‌شان هم آمده‌اند: پرسوناهای مجازی.

پرسوناهای مجازی چطور کار می‌کنند

در ساده‌ترین شکل، پرسونای مجازی یعنی گذاشتن توصیف پرسونا در یک مدل زبانی بزرگ، همراه با دستورها و حصارهای حفاظتی، تا بتوانیم با آن گفت‌وگو کنیم. می‌توانیم از آن بخواهیم توضیح دهد در موقعیت‌های تازه چه واکنشی نشان می‌دهد یا چه تصمیمی می‌گیرد. این کار می‌تواند افراد یا بخش‌ها را زنده کند و بینش عمیق‌تری از انگیزه‌ها و واکنش‌های احتمالی‌شان بدهد.

برای آزمایش، می‌توانید توصیف ماریا را در یک گفت‌وگو بچسبانید و از مدل بخواهید با صدای او حرف بزند؛ با پرامپتی ساده مثل: «لطفاً با صدای ماریا، همان‌طور که در ادامه توصیف شده، با من حرف بزن. پاسخ‌هایت را کوتاه و محاوره‌ای نگه دار. طوری حرف بزن که خودت او باشی، نه کسی که او را توصیف می‌کند: <توصیف>».

این تمرین سرگرم‌کننده شبیه همان روشی است که امروز پرسوناهای مجازی ساخته می‌شوند؛ البته با دستورها و حصارهای بسیار دقیق‌تر. پرسوناهای مجازی از این جنس — که با داده‌های عمیق رفتاری و نگرشی از آدم‌های واقعی پر شده‌اند — می‌توانند ابزار حیاتی باشند وقتی عمق مشتریان و بازار را می‌کاوید.

مانند پرسوناهای ساده، این‌ها هم محدودیت دارند. ما به مدل‌های زبانی تکیه می‌کنیم تا شکاف‌های اطلاعاتی درباره فرد مبنا را پر کنند و همین می‌تواند به تعمیم و کلیشه‌سازی بینجامد. این خطر وقتی از داده‌های تعبیه‌شده فاصله می‌گیریم بیشتر می‌شود. اگر داده‌ای دارید که یک فرد مشخص از نسل Z درباره مالکیت خودرو و برندها چه فکری می‌کند و بعد از پرسونای مجازی او درباره نگهداری حیوان خانگی بپرسید، مدل با آنچه فکر می‌کند یک عضو نسل Z جواب می‌دهد، شکاف را پر می‌کند.

پژوهش روان‌شناختی چطور پرسوناهای مجازی را بهتر می‌کند

پژوهش‌های روان‌شناختی چند دهه گذشته راهی پیش می‌گذارد. به جای مجموعه‌ای درهم از رفتارها و نگرش‌ها، داده‌هایی در یک چارچوب مشخص داریم که می‌تواند امکان استنتاج رفتار فراتر از آنچه مشاهده یا اندازه‌گیری کرده‌ایم را بدهد؛ دست‌کم این امید وجود دارد.

پژوهشگران بر سر اینکه کدام چارچوب رفتار را بهتر پیش‌بینی می‌کند بحث دارند. یک نمونه پرتکرار را در نظر بگیرید: مدل شخصیتی پنج‌عاملی (Big Five). ریشه این چارچوب به کارهای دهه ۱۹۳۰ روی «فرضیه واژگانی» برمی‌گردد که می‌گفت زبان تفاوت‌های شخصیتی را بازتاب می‌دهد؛ پیش‌درآمدی جالب برای مدل‌های زبانی امروز. این مدل افراد را در پنج بُعد امتیاز می‌دهد: گشودگی، وظیفه‌شناسی، برون‌گرایی، توافق‌پذیری و روان‌آزردگی. ماریا را می‌توان این‌طور امتیاز داد:

گشودگی — بسیار بالا: خیال‌پردازی می‌کند، در لحظه‌های نامناسب آواز می‌خواند و بداهه‌کاری می‌کند.

وظیفه‌شناسی — پایین: دیر می‌رسد، قواعد را فراموش می‌کند و بی‌وسایل برمی‌گردد. قلبش جای درستی است، اما برنامه‌اش نه.

برون‌گرایی — بالا: گرم و پرسروصداست، از جمع انرژی می‌گیرد و با موسیقی دل آدم‌ها را می‌برد.

توافق‌پذیری — بالا، با یک لبه: مهربان و زودباور است، اما وقتی فکر کند کسی اشتباه می‌کند رودررو می‌شود. در گرمی بالا و در همراهی و اطاعت پایین‌تر است.

روان‌آزردگی — پایین تا متوسط: عمدتاً تاب‌آور و خوش‌بین است، اما وقتی احساساتش بر او غلبه می‌کند، فرار می‌کند.

مدلی از این جنس را می‌توان به حوزه‌هایی فراتر از مجموعه داده اصلی تعمیم داد. اگر بخواهیم بدانیم ماریا بیشتر احتمال دارد در یک تور کوه‌نوردی ثبت‌نام کند یا یک اقامتگاه همه‌چیز‌تمام، چارچوب روان‌شناختی بسیار بیشتر از توصیف رفتار او در صومعه به کارمان می‌آید.

آینده پرسوناهای مجازی

فرایند ساخت پرسونا امروز به سمت توصیف‌های ترکیبی از آدم‌ها حرکت می‌کند: ترکیب رفتارهای واقعی، گزاره‌های نگرشی و پروفایل‌های روان‌شناختی مثل پنج‌عاملی، و همچنین مدل‌های تصمیم‌محورتر مانند «نظریه چشم‌انداز» (Prospect Theory). تغییر دیگری هم در جریان است: حرکت از گفت‌وگو به سمت مدل‌هایی که برای پیش‌بینی رفتار واقعی طراحی شده‌اند، نه فقط توصیف آن.

من اغلب به آدم‌ها یادآوری می‌کنم که پرسوناها همیشه ساختگی بوده‌اند، اما همین مانع مفید بودنشان نشده است. با پرسوناهای مجازی و فراتر از آن، فرصت داریم تاریخچه‌ای طولانی از پژوهش را در دل این ابزار بگذاریم و پرسوناهایی بسازیم که به انسان‌های پشتشان وفادار باشند.

منبع: MarTech ←

❓ پرسش‌های متداول درباره این خبر

موضوع اصلی گزارش «روان‌شناسی چطور پرسوناهای مشتری مبتنی بر هوش مصنوعی را کاربردی‌تر می‌کند» چیست؟

بسیاری از ابزارهایی که پرسونای مجازی می‌سازند، در واقع فقط پرامپت‌های پیچیده مدل زبانی‌اند و در موقعیت‌های تازه کلیشه می‌سازند. مقاله مارتک نشان می‌دهد ترکیب داده رفتاری واقعی با چارچوب‌های روان‌شناختی مثل مدل پنج‌عاملی، پیش‌بینی رفتار مشتری را دقیق‌تر می‌کند.

این رویداد چه اهمیتی برای فعالان کسب‌وکار و فناوری دارد؟

ازی می‌سازند که در واقع چیزی بیش از پرامپت‌های پیچیده مدل‌های زبانی بزرگ نیستند. ترکیب دهه‌ها پژوهش روان‌شناختی با داده‌های واقعی رفتاری می‌تواند پرسوناهای مجازی را در پیش‌بینی رفتار مشتری اثربخش‌تر کند. چرا پرسوناهای س

# هوش مصنوعی در مارکتینگ
🔗 اخبار مرتبط

بخوانید