- ผู้บริโภค/ลูกค้าสังเคราะห์ (Synthetic Consumer) ที่จำลองลูกค้าจริงด้วย AI กำลังถูกนำไปใช้ในการวิเคราะห์เชิงปริมาณที่ทำซ้ำได้ ไม่ใช่แค่การสำรวจเชิงคุณภาพ ช่วยเร่งการพัฒนาผลิตภัณฑ์ การทดสอบการตลาด และการฝึกอบรมพนักงานภาคสนาม
- หากสร้าง digital twin หรือ persona ตามแต่ละ segment ด้วย ข้อมูลขององค์กรเอง เช่น ธุรกรรม พฤติกรรม ประชากรศาสตร์ และความคิดเห็นลูกค้า จะได้บริบทและความน่าเชื่อถือสูงกว่าการพึ่งพาเฉพาะข้อมูลภายนอก
- ผลการตรวจสอบย้อนกลับกับงานศึกษา conjoint ในอดีตของบริษัทเทคโนโลยีผู้บริโภคแห่งหนึ่งพบว่า digital twin สังเคราะห์สามารถจำลอง ผลลัพธ์สำคัญได้ราว 90% เช่น คุณลักษณะหลัก สัดส่วนความชอบต่อผลิตภัณฑ์ และการตัดสินใจระดับพอร์ตโฟลิโอ
- ด้วยการทดสอบชุดราคา·ฟังก์ชันได้อย่างกว้างขวาง ตัดไอเดียที่อ่อนออกตั้งแต่เนิ่น ๆ และตรวจสอบกลุ่มลูกค้าที่เข้าถึงยากล่วงหน้า ทำให้สามารถมุ่ง การวิจัยกับมนุษย์ ไปที่คำถามที่มีคุณค่าสูงได้
- ในระยะแรกควรใช้เพื่อเสริม ไม่ใช่แทนที่งานวิจัยเดิม และจำเป็นต้องมีการตรวจสอบย้อนกลับ การควบคุมข้อมูลของตนเอง การผสมผสานระหว่างสร้างเองกับซื้อ และการปรับกระบวนการทำงานกับ governance ใหม่ ทั้งนี้ LLM ไม่มี ความสามารถในการเห็นอกเห็นใจอย่างแท้จริง การตัดสินของมนุษย์จึงยังสำคัญต่อไป
นิยามและที่มาของการนำผู้บริโภคสังเคราะห์มาใช้
- ผู้บริโภคสังเคราะห์ คือ representation ที่สร้างด้วย AI เพื่อเลียนแบบพฤติกรรม ความชอบ และการตัดสินใจของลูกค้าจริง
- สามารถสร้างได้ในรูปแบบ digital twin ที่จำลองลูกค้ารายบุคคลแบบหนึ่งต่อหนึ่ง หรือ persona ที่อิงกับ customer segment
- ผสมผสานข้อมูลภายใน เช่น ธุรกรรม พฤติกรรม ประชากรศาสตร์ และแบบสำรวจความคิดเห็นลูกค้า กับข้อมูลภายนอก เช่น รีวิวผลิตภัณฑ์และข้อมูลที่รวบรวมจากโซเชียลมีเดีย
- ความต้องการติดตามผลลัพธ์ของผลิตภัณฑ์และบริการอย่างต่อเนื่องได้ก้าวข้ามข้อจำกัดของวิธีวิจัยแบบเดิม และแรงกดดันให้ลดเวลา ต้นทุน และความเสี่ยงก็เร่งการนำ ลูกค้าตัวแทนดิจิทัล มาใช้
- บริษัทที่ทำซ้ำอย่างรวดเร็ว ทดสอบไอเดียได้มากขึ้น และทิ้งคอนเซ็ปต์ที่อ่อนตั้งแต่ต้น มักสร้างผลลัพธ์ได้สูงอย่างต่อเนื่องมากกว่าบริษัทที่ติดอยู่กับวงจร insight แบบครั้งเดียวที่ช้าและขาดตอน
- เริ่มมีการใช้งานจริงในองค์กรแล้ว
- US Bank ใช้กลุ่มผู้ฟังสังเคราะห์เพื่อทำความเข้าใจว่า customer segment รวมถึงครัวเรือนที่มีสินทรัพย์สูง คิดอย่างไรเกี่ยวกับหัวข้อทางการเงิน และเพื่อทดสอบ·ปรับปรุงข้อความกับชิ้นงานโฆษณาก่อนเปิดตัว
- Target จำลองปฏิกิริยาของผู้บริโภคต่อผลิตภัณฑ์และโปรโมชันด้วยกลุ่มผู้ฟังสังเคราะห์ ก่อนทำการทดสอบจริงบนเว็บไซต์
ข้อจำกัดเชิงโครงสร้างของงานวิจัยลูกค้าแบบเดิม
- งานวิจัยแบบดั้งเดิมยังมีคุณค่า แต่ conjoint analysis และ discrete choice model มีข้อจำกัดด้านจำนวนระดับราคา ฟังก์ชัน และผลของปฏิสัมพันธ์ที่สามารถทดสอบได้อย่างสมจริง
- หลังจบการวิจัยมักเกิดความต้องการว่าควรทดสอบตัวแปรเพิ่มเติม หรือจำเป็นต้อง extrapolate ผลลัพธ์นอกขอบเขตการทดสอบ ทำให้การเรียนรู้ช้าลงและความไม่แน่นอนเพิ่มขึ้น
- แบบสำรวจมนุษย์ในช่วงหลังต้องใช้ sample ที่ใหญ่ขึ้นหรือการควบคุมคุณภาพที่แพงขึ้นเพื่อให้ได้ข้อมูลที่ใช้ได้ เนื่องจาก การโกงคำตอบเพิ่มขึ้น และคุณภาพการมีส่วนร่วมแตกต่างกันมาก
- ต้องปรับปรุงมาตรการป้องกันอย่างต่อเนื่องเพื่อรับมือกับบอตที่แทรกซึมเข้ามาในแบบสำรวจ
- ปัญหาคลาสสิกที่สิ่งที่คนพูดไม่ตรงกับพฤติกรรมจริงก็ยังคงอยู่
- ในตลาด B2B อาจยากที่จะได้ sample ที่เชื่อถือได้ เพราะจำนวนลูกค้าหลักเองมีน้อย เช่น CFO ในอุตสาหกรรมเฉพาะ
ข้อมูลของตนเองช่วยยกระดับประสิทธิภาพการวิเคราะห์เชิงปริมาณ
- ทีมผลิตภัณฑ์ กลยุทธ์ และการตลาดใช้เครื่องมือ AI เชิงพาณิชย์เพื่อหา insight เชิงคุณภาพเกี่ยวกับฟังก์ชัน ราคา และข้อความ แต่เครื่องมือเหล่านี้มักขาด ฐานข้อมูลลูกค้าของตนเอง การตรวจสอบทางสถิติ และ governance ที่ชัดเจน
- LLM รุ่นล่าสุดมีความสามารถในการให้เหตุผลกับงานที่มีโครงสร้างดีขึ้น ตัดสินใจแบบ trade-off ได้เสถียรกว่าเดิม และสอดคล้องกับรูปแบบการตัดสินใจของมนุษย์มากขึ้น
- บริษัทเทคโนโลยีผู้บริโภคแห่งหนึ่งใช้การศึกษา conjoint เชิงปริมาณขนาดใหญ่ในอดีตเป็นข้อมูลคำตอบจริง แล้ว ตรวจสอบย้อนกลับ ผลลัพธ์สังเคราะห์
- สร้าง digital twin จากข้อมูลระดับผู้ตอบในอดีต และให้ทำงานเดียวกับการศึกษาต้นฉบับ
- การศึกษาต้นฉบับที่ใช้ตรวจสอบถูกแยกออกจากข้อมูลฝึกของโมเดล
- digital twin จำลองผลลัพธ์หลักของการศึกษาต้นฉบับได้ประมาณ 90%
- ระบุฟังก์ชันที่มีอิทธิพลมากที่สุดต่อการเลือกของลูกค้า
- จำลองสัดส่วนความชอบของผลิตภัณฑ์ส่วนใหญ่ที่ทดสอบได้
- จำลองการตัดสินใจระดับพอร์ตโฟลิโอได้ถูกต้อง ว่าควรเปิดตัวหรือคงผลิตภัณฑ์ใดไว้
- สร้างเส้นโค้งความอ่อนไหวต่อราคาเบื้องต้นที่มีศักยภาพ
การตรวจสอบเทียบกับแบบสำรวจผู้บริโภค GLP-1
- เมื่อเปรียบเทียบผู้บริโภคสังเคราะห์กับแบบสำรวจผู้บริโภคมนุษย์เดิมเกี่ยวกับทัศนคติ การใช้ และพฤติกรรมต่อยา GLP-1 ได้ผลลัพธ์ที่คล้ายกัน
- ป้อนข้อมูลประชากรศาสตร์และทัศนคติเพื่อสร้างผู้ตอบสังเคราะห์
- ประเมินคำตอบต่อคำถามแบบปิดและคำถามมาตราส่วน 5 ระดับ
- ผลลัพธ์สังเคราะห์สอดคล้องอย่างใกล้ชิดกับคำตอบของมนุษย์ และความแปรปรวนเพิ่มขึ้น เฉพาะเมื่อคำถามกำกวม
- คำถามและงานที่มอบให้ LLM มีผลต่อผลลัพธ์ แต่ผู้บริโภคสังเคราะห์กำลังค่อย ๆ ไปถึงระดับที่เชื่อถือได้แม้ในการใช้งานเชิงปริมาณ
- หากผสาน ข้อมูล proprietary ขององค์กรเอง เข้ากับข้อมูลภายนอก จะเพิ่มบริบทเชิงละเอียดและยกระดับความน่าเชื่อถือของผลลัพธ์
การใช้งานในการพัฒนาผลิตภัณฑ์และการตลาด
- ผู้บริโภคสังเคราะห์สามารถขยายผลการวิจัยเดิมในกระบวนการพัฒนาผลิตภัณฑ์ได้
- ทดสอบระดับราคาใหม่ bundle และชุดฟังก์ชันโดยไม่ต้องเริ่มทำ field research ใหม่ตั้งแต่ต้น
- ปรับละเอียดและ stress test ปฏิกิริยาต่อการเปลี่ยนแปลงผลิตภัณฑ์ ราคา และข้อความในแต่ละ customer segment
- คัดกรองคอนเซ็ปต์ ฟังก์ชัน และข้อความเบื้องต้นได้อย่างรวดเร็ว เพื่อมุ่งงานวิจัยกับมนุษย์ไปยังคำถามที่มีคุณค่าสูงที่สุด
- ทดสอบด้วยความเสี่ยงต่ำ กับ segment ที่เข้าถึงยาก ก่อนพบลูกค้าจริงที่มีจำนวนน้อย
- หลักการเดียวกันใช้ได้ทั้งกับการตลาดในอุตสาหกรรมผู้บริโภคและ B2B
- สามารถจำลอง buyer persona และ avatar แบบโต้ตอบ เพื่อให้ทีมขายฝึกตอบข้อโต้แย้ง และปรับปรุง value proposition กับข้อความได้
- บริษัทบริการระดับโลกแห่งหนึ่งสร้าง persona สังเคราะห์ด้วย ข้อมูลความภักดี Net Promoter® ที่เก็บจากลูกค้ามาหลายปี
- ใช้เทคนิคแบ่ง segment ทางสถิติแบบ latent class แบบดั้งเดิมกับข้อมูลชุดเดียวกันไปพร้อมกัน และได้ผลลัพธ์ใกล้เคียงกัน
- จากนั้นฝึก LLM ด้วยข้อมูลภายนอกและเอกสารสาธารณะเพื่อเติมบริบท
- ทีมขายสามารถฝึกการนำเสนอกับ persona ผู้บริหาร เช่น CIO ที่ให้ความสำคัญกับคุณค่าเมื่อเทียบกับราคา
- โมเดลถูกขยายและ deploy ไปยังสำนักงานทั่วโลกภายในไม่กี่สัปดาห์
กลยุทธ์การนำมาใช้เพื่อเสริมงานวิจัยเดิม
- ในระยะแรก การนำผู้บริโภคสังเคราะห์มาใช้เป็น ชั้นเสริม โดยไม่แทนที่วิธีวิจัยเดิมจะมีประสิทธิภาพ
- ช่วยลดจำนวนทางเลือก stress test สมมติฐาน และมุ่งงานวิจัยกับมนุษย์ไปยังคำถามที่มีคุณค่าสูง
- เริ่มจาก proof of concept ที่พิสูจน์ความแม่นยำได้
- ควรมองผู้บริโภคสังเคราะห์ไม่ใช่เครื่องมือเดี่ยว แต่เป็น ขีดความสามารถ ขององค์กร
- องค์กรต้องควบคุมเองว่า persona ถูกนิยามอย่างไร การจำลองการตัดสินใจทำอย่างไร และจะตรวจสอบ output ตาม use case อย่างไร
- การนำมาใช้ให้สำเร็จต้องมี 4 เงื่อนไข
- การตรวจสอบย้อนกลับ: ต้องพิสูจน์ความน่าเชื่อถือโดยเทียบกับงานวิจัยในอดีต เพื่อให้องค์กรยอมรับ insight สังเคราะห์
- ข้อมูลของตนเอง: ข้อมูลและบริบทที่เป็นรากฐานของโมเดล เช่น งานวิจัยลูกค้าในอดีต ข้อมูลราคา·ยอดขาย คุณลักษณะการแบ่ง segment และความคิดเห็นลูกค้า สำคัญกว่าการเลือกโมเดล
- สมดุลระหว่างสร้างเองกับซื้อ: ผลิตภัณฑ์จากผู้ให้บริการมีประโยชน์กับการทดลองระยะแรกที่เป็นเชิงคุณภาพหรือมีโครงสร้างเบา ๆ แต่หากต้องใช้ในระดับการตัดสินใจ ต้องผสานกับโมเดลภายในเพื่อควบคุมข้อมูล ตรรกะ และการเรียนรู้ ปัจจุบันยังไม่มีผลิตภัณฑ์เชิงพาณิชย์ที่ตอบทุกความต้องการได้
- การเปลี่ยน operating model: ต้องเปลี่ยนกระบวนการทำงาน อำนาจตัดสินใจ และ governance รวมถึงปรับวิธีตั้งคำถามเพื่อให้ทีมวิจัยป้อน input ที่ดีกว่าให้กับกลุ่มผู้ฟังสังเคราะห์ วิธีทำงานร่วมกันของทีมวิจัย ผลิตภัณฑ์ และการตลาดก็ต้องออกแบบใหม่เช่นกัน
การขยายสู่โครงสร้างพื้นฐาน insight แบบทำงานตลอดเวลา
- บริษัทชั้นนำเริ่มเห็นผลลัพธ์เบื้องต้น เช่น การวนซ้ำที่เร็วขึ้น ข้อมูลและ insight ที่สมบูรณ์ขึ้น และความแม่นยำของผลลัพธ์ตลาดจริงที่ดีขึ้น
- ผู้บริโภคสังเคราะห์มีศักยภาพที่จะกลายเป็น โครงสร้างพื้นฐานการตัดสินใจที่นำกลับมาใช้ซ้ำได้ ซึ่งสะสมการเรียนรู้ขององค์กรตามเวลา
- เมื่อขอบเขตการนำไปใช้และ use case เติบโตขึ้น อาจทำหน้าที่เป็นแพลตฟอร์ม insight ที่ทำงานต่อเนื่องทั่วทั้งผลิตภัณฑ์ การตลาด และประสบการณ์ลูกค้า
- ความลึกของข้อมูลขององค์กรเองและการเรียนรู้ที่สะสมในระบบอาจกลายเป็นความได้เปรียบทางการแข่งขันที่ยั่งยืน แต่ LLM ไม่มีความสามารถในการเห็นอกเห็นใจอย่างแท้จริง จึงไม่สามารถแทนที่ การตัดสินของมนุษย์ ได้
1 ความคิดเห็น
ทำให้นึกถึงอันนี้ด้วยครับ: NVIDIA Nemotron-Personas-Korea - ชุดข้อมูลเพอร์โซนาสังเคราะห์ 1 ล้านรายการ อิงจากการกระจายตัวของประชากรจริงในเกาหลีใต้