Ako napísať overiteľné zadanie syntetického výskumu
Zadanie syntetického výskumu má definovať rozhodnutie, relevantné publikum, povolené dôkazy, presný podnet a otázky pre simuláciu. Má tiež určiť, čo výstup nemôže preukázať a ako sa overí s ľuďmi alebo záznamami. Presvedčivý opis zákazníka, ktorého by ste chceli mať, také zadanie nenahrádza.
Náš sprievodca syntetickými persónami vysvetľuje používané reprezentácie. Tento článok ponúka praktický spôsob zadania úlohy bez nenápadnej premeny predpokladov na fakty o zákazníkoch.
Začnite rozhodnutím, ktoré sa môže zmeniť
Napíšte vetu s rozhodnutím a zodpovednou osobou: „Produktový tím rozhodne, či pred ľudským pilotom upraviť ponuku osobného odberu.“ Potom pomenujte neistotu: „Nevieme, či sú podmienky využitia zrozumiteľné.“ Je to užitočnejšie než „vygenerovať insighty o ideálnych zákazníkoch“.
Oddeľte obchodné rozhodnutie od bezprostredného výstupu simulácie. Firma môže napokon rozhodovať o uvedení služby. Simulácia môže iba pomáhať pripraviť otázky pre predtest. Uvedenie oboch bráni neskoršiemu prezentovaniu prípravného cvičenia ako validácie uvedenia.
Golder a kolegovia (2023) opisujú prístup empirics-first založený na skutočných marketingových javoch a dátach. Ide o metodický argument, nie podporu syntetických dôkazov. Pre zadanie je relevantný začiatok pri pozorovateľnom probléme a určenie chýbajúcich informácií.
Publikum definujte vlastnosťami relevantnými pre rozhodnutie
Určte kategóriu, trh, podmienky dostupnosti a relevantné správanie. Odlišujte kritériá podložené dôkazmi od atribútov pridaných na prieskum. Uveďte vylúčenia a vysvetlite ich. Publikum neobmedzujte na ľudí už nadšených z navrhovaného riešenia.
Pri otázke rastu sa pýtajte, či potrebujete aj pohľady mimo častých kupujúcich svojej značky. Trinh, Dawes a Sharp (2024) odlišujú súčasný nákupný príspevok od rastového priestoru a v skúmaných dátach nachádzajú podstatnú príležitosť medzi ľahkými kupujúcimi a nekupujúcimi značky. Nie každý nekupujúci je preto rovnako perspektívny; zadanie obmedzené na verných zákazníkov však treba zdôvodniť.
Oddeľte nákup kategórie od nákupu značky. Ľahký kupujúci vašej značky môže byť intenzívny kupujúci kategórie. Zadanie označujúce oboch ako „málo angažovaných“ stráca rozdiel relevantný pre rozhodnutie ešte pred simuláciou.
Použite zadanie s výslovným označením dôkazov
Nasledujúca šablóna je vlastná a prispôsobiteľná. Je pomôckou na plánovanie výskumu, nie zárukou validity syntetických odpovedí.
| Pole | Čo uviesť |
|---|---|
| Rozhodnutie | Zvažovaný krok, zodpovednú osobu a to, čo by ho zmenilo |
| Bezprostredná úloha | Ohraničenú otázku, ktorú bude simulácia skúmať |
| Publikum | Relevantnú kategóriu, trh, správanie a podmienky dostupnosti |
| Známe informácie | Fakty podložené zdrojom, spolu so zdrojom a dátumom |
| Predpoklady | Skúmané podmienky, ktoré zatiaľ nie sú potvrdené |
| Podnet | Presnú ponuku, obrázok alebo text vrátane relevantných obmedzení |
| Otázky | Použité formulácie, poradie a možnosti odpovedí |
| Povolené vstupy | Referenčný materiál, ktorý môže proces dostať |
| Výstup | Požadovaný formát a označovanie stavu dôkazov |
| Vylúčenia | Tvrdenia, ktoré cvičenie nesmie prezentovať ako namerané fakty |
| Hodnotenie | Ľudskú či behaviorálnu referenciu a kritériá užitočnosti |
| Odovzdanie | Ďalší výskumný krok, zodpovednosť a uchovaný záznam |
Zadanie má byť dostatočne krátke na kontrolu, ale úplné na zopakovanie úlohy. Dlhý životopis môže byť menej užitočný než jasné uvedenie nedostupnosti ponuky mimo určitého územia.
Príklad: služba osobného odberu
Predstavme si obchod zvažujúci týždenný osobný odber vopred objednaných potrieb do domácnosti. Bezprostrednou úlohou je nájsť možné nedorozumenia v opise ponuky pred ľudským predtestom. Konečným obchodným rozhodnutím je spustenie plateného pilotu.
Známe fakty zahŕňajú navrhované hodiny odberu, poplatok a termín objednávky. Publikum tvoria domácnosti nakupujúce relevantné produkty a schopné využiť odberné miesto. Tím neoveril, koľko domácností službu chce ani koľko by zaplatili; tieto otázky zostávajú otvorené.
Podnet uvádza zahrnuté a vylúčené súčasti. Otázky žiadajú simuláciu o prerozprávanie ponuky, identifikáciu chýbajúcich informácií a návrh dôvodov nepraktickosti. Požadovaný výstup odlišuje interpretáciu dodaných faktov od ďalších hypotéz.
Vylúčenia zakazujú prezentovať generované príbehy ako skutočné nákupné skúsenosti, generované frekvencie ako odhady trhu a simulovaný nákupný zámer ako validovaný dopyt. Odovzdávaným výsledkom je upravený opis a zoznam otázok pre ľudí oprávnených zúčastniť sa reálneho pilotu.
Je to fiktívne zadanie. Príklad ukazuje príspevok jednotlivých polí ku kontrolovateľnej úlohe; nedokazuje úspech služby.
Odstráňte predpoklady obsahujúce želanú odpoveď
Porovnajte „časovo zaneprázdnené domácnosti oceňujúce pohodlie našej odbernej služby“ s „domácnosťami zodpovednými za nákup týchto produktov, s rôznymi harmonogramami a existujúcimi nákupnými postupmi“. Prvá formulácia vkladá problém aj priaznivú interpretáciu riešenia.
Podobne „vysvetli, prečo je táto cena primeraná“ žiada zdôvodnenie. „Aké informácie treba na posúdenie tohto poplatku?“ ponecháva neistotu. Ak chcete spochybniť tvrdenie, uveďte to výslovne namiesto prezentovania výsledného argumentu ako nestrannej odpovede populácie.
Neprikazujte persóne presnú nákupnú históriu, ktorú potom uvediete ako zistenie. Fakty scenára môžu byť užitočné vstupy, ale patria k nastaveniu. Ich výskyt vo výstupe nie je nezávislé potvrdenie.
Sprievodca generátormi persón prakticky odlišuje pozorované charakteristiky, interpretácie a fiktívne detaily.
Žiadajte výstup zachovávajúci neistotu
Vyžiadajte samostatné polia pre odpoveď, podporné dodané informácie, pridané predpoklady a otázky potrebujúce externé overenie. Nevyžadujte sebavedomé odporúčanie, ak ho vstup nepodporuje. Odpoveď „nedostatok informácií“ môže byť užitočnejšia než uhladené vymyslené vysvetlenie.
Pri konceptoch zachovajte presné znenie možných nedorozumení, aby výskumník vedel posúdiť, či ich podnet vyvoláva. Pri kreatíve odlišujte opis prvku od predikcie účinku na ľudí. Pri dotazníku identifikujte nejasnú položku a navrhnite úpravu na kontrolu.
Sarstedt a kolegovia (2024) rozoberajú prínos silicon samplingu v prípravných predtestoch a pilotoch. Zadanie má túto úlohu konkretizovať: výstup zlepšuje ďalší výskumný krok namiesto predstierania jeho dokončenia.
Uchovajte informácie potrebné na zopakovanie úlohy
Spolu s výstupmi uložte konečné zadanie, presný podnet, otázky, dátum a dostupné informácie o modeli. Zaznamenajte revízie a ich dôvody. Nedostupné nastavenia uveďte ako obmedzenie namiesto dopĺňania predpokladaných hodnôt.
Ong (2024) zdôrazňuje uvádzanie promptov, postupov a relevantných nastavení modelu. V aplikovanej práci záznamy pomáhajú pri rozdielnych výsledkoch odlíšiť zmenené zadanie od zmeneného generujúceho procesu.
Pri validácii voči dokončenej ľudskej štúdii oddeľte hodnotiace odpovede od vstupov. Očakávaný záver nevkladajte do zadania a jeho opakovanie nepočítajte ako predikčný úspech. Pri oddelených porovnaniach a jednoduchých referenciách postupujte podľa validačného protokolu.
Zadanie uzavrite odovzdaním do ďalšieho výskumu
Pred simuláciou určte, kto preskúma návrhy a čo bude nasledovať. Užitočné odovzdanie môže obsahovať upravený opis konceptu, zoznam nevyriešených predpokladov a dotazník ľudského predtestu. Každému podstatnému tvrdeniu priraďte požiadavku na dôkazy.
Sledujte prehliadnutia aj správne predvídané problémy. Ak ľudský výskum odhalí tému chýbajúcu v generovanom výstupe, zaznamenajte zlyhanie pokrytia. Ak sa predikovaný problém neobjaví, neprezentujte ho ďalej ako potvrdenú zákaznícku prekážku.
Zadanie pripravte pred generovaním persón. Prispôsobte uvedené polia, pozrite si otázky na testovanie konceptov a použite kvalitatívny modul SynthFolku na označený nácvik. Skontrolujte aktuálny cenník a ponechajte priestor na ľudský či behaviorálny výskum potrebný pre konečné rozhodnutie.
Zdroje a redakčný postup
Šablóna a príklad odbernej služby sú vlastné aplikácie. Nižšie uvedený výskum podporuje konkrétne rozlíšenia definovania problému, publika a reprodukovateľnosti. Nevaliduje šablónu ani nedokazuje predikčnú výkonnosť SynthFolku.
- 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.