Jak napsat ověřitelné zadání syntetického výzkumu

2026-09-09 · 6 min čtení

Zadání syntetického výzkumu má definovat rozhodnutí, relevantní publikum, povolené podklady, přesný podnět a otázky pro simulaci. Má také určit, co výstup nemůže prokázat a jak jej ověříte s lidmi nebo záznamy. Přesvědčivý popis zákazníka, kterého si přejete mít, toto zadání nenahrazuje.

Průvodce syntetickými personami vysvětluje používané reprezentace. Tento článek nabízí praktický způsob zadání jejich úkolu bez tiché přeměny předpokladů na zákaznická fakta.

Začněte rozhodnutím, které se může změnit

Napište větu pojmenovávající rozhodnutí a odpovědnou osobu: „Produktový tým rozhodne, zda před lidskou pilotáží upraví nabídku vyzvedávání.“ Poté pojmenujte nejistotu: „Nevíme, zda jsou podmínky způsobilosti srozumitelné.“ Je to užitečnější než „vytvoř poznatky o našich ideálních zákaznících“.

Oddělte obchodní rozhodnutí od bezprostředního výstupu simulace. Firma může nakonec rozhodovat o uvedení služby. Simulace může pouze pomoci připravit otázky předběžného testu. Uvedení obou brání pozdější prezentaci přípravného cvičení jako validace uvedení na trh.

Golder a kolegové (2023) popisují přístup vycházející z empirických dat a skutečných marketingových jevů. Jde o metodický argument, nikoli podporu syntetických důkazů. Pro zadání je relevantní začít pozorovatelným problémem a určit chybějící informace.

Definujte publikum pomocí vlastností relevantních pro rozhodnutí

Určete kategorii, trh, podmínky dostupnosti a relevantní chování. Odlište podložená kritéria od vlastností přidaných pro průzkum. Uveďte a vysvětlete vyloučení. Neomezujte publikum na lidi již nadšené navrženým řešením.

U otázky růstu se ptejte, zda potřebujete pohledy mimo časté kupující své značky. Trinh, Dawes a Sharp (2024) rozlišují současný nákupní příspěvek a růstový prostor a ve zkoumaných datech nacházejí podstatnou příležitost mezi příležitostnými kupujícími a lidmi, kteří značku nekupují. Nečiní to každého nekupujícího stejně slibným; vyžaduje to odůvodnit zadání omezené na věrné zákazníky.

Nákupy kategorie oddělte od nákupů značky. Příležitostný kupující značky může být intenzivním kupujícím kategorie. Zadání označující obojí jako „nízké zapojení“ ztrácí rozhodovací rozdíl ještě před simulací.

Použijte zadání s výslovným označením podkladů

Následující původní šablonu můžete přizpůsobit. Je pomůckou plánování výzkumu, nikoli zárukou validních syntetických odpovědí.

Zadání udržte dost krátké pro kontrolu a dost úplné pro reprodukci úkolu. Dlouhý životopis může být méně užitečný než jasné sdělení, že nabídka není dostupná mimo určitou oblast.

Rozpracovaný příklad: služba vyzvedávání

Představte si prodejnu zvažující týdenní vyzvedávání předobjednaných domácích potřeb. Bezprostředním úkolem je identifikovat možná nedorozumění v popisu před lidským předběžným testem. Konečným obchodním rozhodnutím je spuštění placené pilotáže.

Známá fakta zahrnují navržené časy vyzvednutí, poplatek a uzávěrku objednávek. Publikum tvoří domácnosti schopné využít výdejní místo a nakupující relevantní produkty. Tým dosud nezjistil, kolik jich službu chce ani co by zaplatily; to zůstává otevřené.

Podnět uvádí zahrnuté i vyloučené součásti. Otázky žádají simulaci o parafrázi nabídky, identifikaci chybějících informací a návrhy důvodů nepraktičnosti služby. Požadovaný výstup rozlišuje interpretaci dodaných faktů a další hypotézy.

Vyloučení zakazují prezentovat generované příběhy jako skutečné nákupní zkušenosti, generované četnosti jako tržní odhady a simulovaný nákupní úmysl jako validovanou poptávku. Předáním je upravený popis a seznam otázek pro lidi způsobilé ke skutečné pilotáži.

Jde o fiktivní zadání. Příklad ukazuje příspěvek každého pole ke kontrolovatelnému úkolu; nedokládá úspěch služby.

Odstraňte předpoklady obsahující požadovanou odpověď

Porovnejte „časově vytížené domácnosti oceňující pohodlí naší služby vyzvedávání“ s „domácnostmi odpovědnými za nákup těchto produktů, s různými rozvrhy a současnými nákupními zvyklostmi“. První varianta vkládá problém i příznivou interpretaci řešení.

Podobně „vysvětli, proč je tato cena rozumná“ žádá zdůvodnění. „Jaké informace by byly potřebné k posouzení poplatku?“ ponechává prostor nejistotě. Pokud chcete zpochybnit tvrzení, řekněte to výslovně; výsledný argument nepovažujte za nezaujatou populační odpověď.

Nepředepisujte personě přesnou nákupní historii, abyste ji pak vykazovali jako zjištění. Fakta scénáře mohou být užitečné vstupy, ale jsou součástí nastavení. Jejich výskyt ve výstupu není nezávislým potvrzením.

Průvodce generátory person prakticky rozlišuje pozorované vlastnosti, interpretace a fiktivní detaily.

Požadujte výstup zachovávající nejistotu

Vyžádejte oddělená pole pro odpověď, podpůrné dodané informace, nově zavedené předpoklady a otázky vyžadující externí kontrolu. Nevyžadujte sebejisté doporučení, pokud jej vstup nepodporuje. Odpověď „nedostatek informací“ může být užitečnější než uhlazené vymyšlené vysvětlení.

U konceptů uchovejte přesné znění možných nedorozumění, aby výzkumník mohl posoudit, zda k nim podnět vybízí. U kreativy odlišujte popis prvku a předpověď jeho dopadu na lidi. U dotazníků určete položku vytvářející nejasnost a navrhněte úpravu k posouzení.

Sarstedt a kolegové (2024) diskutují hodnotu syntetických vzorků v přípravných testech a pilotážích. Zadání má tuto roli převést do praxe: výstup zlepšuje další výzkumný krok, nepředstírá jeho dokončení.

Uchovejte dost informací pro reprodukci úkolu

Uložte finální zadání, přesný podnět, otázky, datum a dostupné informace o modelu spolu s výstupy. Zaznamenejte úpravy a jejich důvody. Nedostupná nastavení označte jako omezení místo doplňování předpokládaných hodnot.

Ong (2024) zdůrazňuje uvádění promptů, postupů a relevantních nastavení modelu. V praxi záznamy pomáhají při rozdílných výsledcích odlišit změnu zadání od změny generujícího procesu.

Validujete-li vůči dokončené lidské studii, oddělte její hodnoticí odpovědi od vstupů. Nenechte očekávaný závěr vstoupit do zadání a pak jeho opakování nepočítejte jako predikční úspěch. Pro oddělená srovnání a kontrolu základních alternativ použijte validační protokol.

Uzavřete zadání předáním do dalšího výzkumu

Před spuštěním simulace určete, kdo prověří návrhy a co bude následovat. Užitečné předání může obsahovat upravený popis konceptu, seznam nevyřešených předpokladů a dotazník pro lidský předběžný test. Každému důležitému tvrzení přiřaďte požadavek na podklady.

Sledujte přehlédnutí simulace i předvídané problémy. Pokud lidský výzkum přinese problém chybějící v generovaném výstupu, zachovejte jej jako selhání pokrytí. Pokud se předpovězený problém neobjeví, dál jej neprezentujte jako prokázanou zákaznickou překážku.

Připravte zadání před generováním person. Přizpůsobte uvedená pole, zkontrolujte otázky pro testování konceptů a použijte kvalitativní postup SynthFolk k označené zkoušce. Prohlédněte aktuální ceny a vyhraďte lidský či behaviorální výzkum potřebný pro konečné rozhodnutí.

Zdroje a redakční metoda

Šablona a příklad služby vyzvedávání jsou původní aplikace. Citovaný výzkum podporuje konkrétní rozlišení definice problému, publika a reprodukovatelnosti. Nevaliduje šablonu ani nedokládá predikční výkonnost SynthFolk.

• Golder, P. N., et al. (2023). Learning from Data: An Empirics-First Approach to Relevant Knowledge Generation. Journal of Marketing, 87(3), 319–336. DOI: 10.1177/00222429221129200.
• Trinh, G. T., Dawes, J., & Sharp, B. (2024). Where is the brand growth potential? An examination of buyer groups. Marketing Letters, 35, 95–106. DOI: 10.1007/s11002-023-09682-7.
• Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. DOI: 10.1002/mar.21982.
• Ong, D. C. (2024). GPT-ology, Computational Models, Silicon Sampling: How should we think about LLMs in Cognitive Science? arXiv:2406.09464, version 1.