Berikan pengguna suara melalui karakter virtual – Beragampengetahuan

Dalam artikel saya sebelumnya, saya mengeksplorasi bagaimana kecerdasan buatan dapat membantu kita menciptakan persona fungsional dengan lebih efisien. Kami fokus membangun persona yang berfokus pada apa yang ingin dicapai pengguna, dibandingkan demografi yang terlihat bagus di poster namun jarang mengubah keputusan desain.

Namun menciptakan karakter hanyalah setengah dari perjuangan. Tantangan yang lebih besar adalah menyampaikan wawasan tersebut ke tangan orang-orang yang membutuhkannya, pada saat mereka membutuhkannya.

Setiap hari, orang-orang di organisasi membuat keputusan yang memengaruhi pengalaman pengguna. Tim produk memutuskan fitur mana yang akan diprioritaskan. Tim pemasaran merencanakan kampanye pemasaran dengan cermat. Tim keuangan merancang proses faktur. Tim dukungan pelanggan menulis templat respons. Semua keputusan ini memengaruhi cara pengguna merasakan produk atau layanan Anda.

Dan sebagian besar terjadi tanpa masukan pengguna yang sebenarnya.

Bagaimana kami membagikan pertanyaan riset pengguna

Anda melakukan penelitian Anda. Anda membuat peran. Anda menulis laporan. Anda memberikan presentasi. Anda bahkan dapat membuat infografis yang indah. Lalu apa yang terjadi?

Studi ini berada di drive bersama di suatu tempat, perlahan mengumpulkan debu digital. Persona-persona ini disebutkan dalam pertemuan awal dan kemudian dilupakan. Laporan-laporan ini dilihat sekali dan tidak pernah dibuka lagi.

Ketika manajer produk memutuskan apakah akan menambahkan fitur baru, mereka mungkin tidak menggali lebih dalam gudang penelitian tahun lalu. Saat tim keuangan mendesain ulang email faktur, mereka hampir pasti tidak merujuk pada persona pengguna. Mereka membuat tebakan terbaik dan melanjutkan.

Ini bukanlah kritik terhadap tim-tim ini. Mereka sangat sibuk. Mereka punya tenggat waktu. Sejujurnya, meskipun mereka ingin mencari penelitian tersebut, mereka mungkin tidak tahu di mana menemukannya atau bagaimana menafsirkannya untuk pertanyaan spesifik mereka.

Pengetahuan ini tetap tertanam dalam benak tim UX, yang kemungkinan besar tidak akan terlibat dalam setiap keputusan yang dibuat di seluruh organisasi.

Bagaimana jika pengguna benar-benar dapat berbicara?

Bagaimana jika, alih-alih membuat dokumen statis yang perlu ditemukan dan ditafsirkan orang lain, kita memberikan cara kepada pemangku kepentingan untuk berkonsultasi dengan semua peran pengguna sekaligus?

Bayangkan seorang manajer pemasaran mengerjakan kampanye pemasaran baru. Daripada mencoba mengingat apa yang dikatakan karakter tersebut tentang preferensi pesan, mereka cukup bertanya: “Saya sedang mempertimbangkan untuk menawarkan diskon di email ini. Apa pendapat pengguna kami?”

AI dapat memanfaatkan semua data penelitian dan persona Anda untuk merespons dengan pandangan terpadu: bagaimana setiap persona cenderung bereaksi, pendapat mereka, perbedaannya, dan serangkaian rekomendasi berdasarkan pandangan kolektif mereka. Satu pertanyaan untuk memahami secara komprehensif seluruh basis pengguna.

Ini bukan fiksi ilmiah. Dengan kecerdasan buatan, kita dapat membangun sistem seperti itu. Kita dapat mengubah semua penelitian yang tersebar (survei, wawancara, tiket dukungan, analitik, persona itu sendiri) menjadi sumber daya interaktif Siapa pun dapat menanyakan umpan balik multi-sudut.

Bangun repositori riset pengguna

Dasar dari pendekatan ini adalah penyimpanan terpusat dari semua yang Anda ketahui tentang pengguna Anda. Anggap saja ini sebagai satu sumber kebenaran yang dapat diakses dan diambil oleh AI.

Jika Anda telah melakukan riset pengguna, Anda mungkin memiliki lebih banyak data daripada yang Anda sadari. Itu hanya tersebar di berbagai alat dan format:

• Hasil survei ditampilkan di platform survei Anda,
• Transkrip wawancara di Google Dokumen,
• tiket dukungan pelanggan di sistem meja bantuan Anda,
• Data analitik di berbagai dasbor,
• sebutan dan komentar di media sosial,
• peran lama dari proyek sebelumnya,
• Catatan dan catatan pengujian kegunaan.

Langkah pertama adalah mengumpulkan semua ini di satu tempat. Tidak perlu diatur secara sempurna. Kecerdasan buatan sangat baik dalam memahami masukan yang kacau.

Jika Anda memulai dari awal dan belum memiliki banyak penelitian, Anda dapat menggunakan alat penelitian mendalam AI untuk menetapkan dasar.

Alat-alat ini dapat memindai web untuk berdiskusi tentang kategori produk Anda, ulasan pesaing, dan pertanyaan umum yang diajukan orang. Ini memberi Anda sesuatu untuk digunakan saat melakukan penelitian awal.

Buat karakter interaktif

Setelah Anda memiliki repositori, langkah selanjutnya adalah membuat peran di mana AI dapat berkonsultasi atas nama pemangku kepentingan. Ini dibangun langsung dari pendekatan peran fungsional yang saya uraikan di posting saya sebelumnya, dengan satu perbedaan utama: peran-peran ini menjadi lensa AI menganalisis masalah melalui dokumen tersebut, bukan hanya mengacu pada dokumen.

Begini cara kerjanya:

1. Masukkan gudang penelitian Anda ke dalam alat kecerdasan buatan.
2. Mintalah untuk mengidentifikasi segmen pengguna yang berbeda berdasarkan sasaran, tugas, dan titik gesekan.
3. Biarkan itu menghasilkan persona yang mendetail untuk setiap segmen.
4. Konfigurasikan AI untuk berkonsultasi dengan semua peran ketika pemangku kepentingan mengajukan pertanyaan, memberikan umpan balik yang komprehensif.

Di sinilah pendekatan ini berbeda secara signifikan dari persona tradisional. Karena AI adalah konsumen utama dokumen untuk karakter ini, karakter tersebut tidak perlu dapat dipindai atau dimasukkan ke dalam satu halaman. Persona tradisional dibatasi oleh keterbacaan manusia: Anda harus menyaring semuanya menjadi poin-poin penting dan kutipan kunci sehingga orang dapat memahaminya secara sekilas. Namun kecerdasan buatan tidak memiliki batasan seperti itu.

Artinya peran kalian bisa cukup besar Lebih detailnya. Anda dapat menyertakan observasi perilaku yang panjang, titik data yang bertentangan, dan latar belakang yang berbeda-beda yang tidak akan pernah bertahan dalam proses pengeditan poster karakter tradisional. Kecerdasan buatan dapat menangani semua kerumitan ini dan memanfaatkannya saat menjawab pertanyaan.

Anda juga dapat membuat Setiap karakter mempunyai shot atau sudut pandang yang berbeda-bedadisesuaikan untuk fungsi bisnis tertentu. Persona Weekend Warrior Anda mungkin memiliki lensa pemasaran (preferensi pengiriman pesan, kebiasaan saluran, tanggapan kampanye), lensa produk (prioritas fitur, pola ketersediaan, pemicu peningkatan), dan lensa dukungan (FAQ, poin frustrasi, preferensi solusi). Saat manajer pemasaran mengajukan pertanyaan, AI memanfaatkan informasi terkait pemasaran. Ketika seorang manajer produk mengajukan pertanyaan, dia melakukannya dari sudut pandang produk. Karakternya sama, kedalamannya berbeda tergantung siapa yang mengajukan pertanyaan.

Persona harus tetap mencakup semua elemen fungsional yang telah kita bahas sebelumnya: tujuan dan misi, masalah dan keberatan, titik kesulitan, titik kontak, dan kesenjangan layanan. Namun kini elemen-elemen tersebut menjadi dasar bagaimana AI mengevaluasi suatu masalah dari sudut pandang masing-masing karakter, mensintesis perspektif mereka menjadi rekomendasi yang dapat ditindaklanjuti.

Rencana implementasi

Anda dapat mengaturnya pada berbagai tingkat kerumitan berdasarkan sumber daya dan kebutuhan Anda.

cara sederhana

Sebagian besar platform AI kini menawarkan fitur proyek atau ruang kerja yang memungkinkan Anda mengunggah dokumen referensi. Di ChatGPT, ini disebut proyek. Claude memiliki karakteristik serupa. Co-pilot dan Gemini menyebutnya “ruang” atau “permata”.

Pertama, buat proyek khusus dan unggah dokumen dan peran penelitian utama Anda. Kemudian tulis instruksi jelas yang memberitahu AI untuk merujuk ke semua karakter saat menjawab pertanyaan. Sesuatu seperti ini:

Anda membantu pemangku kepentingan memahami pengguna kami. Saat ditanyai pertanyaan, konsultasikan dengan semua peran pengguna dalam proyek dan berikan: (1) ringkasan singkat tentang bagaimana masing-masing peran dapat merespons, (2) gambaran umum yang menyoroti perbedaan dan pendapat mereka, dan (3) rekomendasi berdasarkan perspektif kolektif mereka. Manfaatkan semua dokumen penelitian untuk menginformasikan analisis Anda. Jika suatu topik tidak sepenuhnya tercakup dalam penelitian, carilah platform sosial seperti Reddit, Twitter, dan forum terkait untuk melihat bagaimana orang-orang yang cocok dengan peran tersebut mendiskusikan masalah serupa. Jika Anda masih ragu tentang sesuatu, jujurlah dan sarankan penelitian tambahan apa yang mungkin bisa membantu.

Pendekatan ini memiliki beberapa keterbatasan. Ada batasan jumlah file yang dapat Anda unggah, jadi Anda mungkin ingin memprioritaskan penelitian terpenting atau menggabungkan peran Anda ke dalam satu dokumen komprehensif.

Metode yang lebih kompleks

Untuk organisasi yang lebih besar atau penggunaan yang lebih berkelanjutan, alat seperti Notion memiliki keunggulan karena dapat mengakomodasi seluruh kebutuhan Anda basis data penelitian Dan memiliki kemampuan kecerdasan buatan bawaan. Anda dapat membuat database untuk berbagai jenis penelitian, menghubungkannya bersama-sama, lalu menggunakan kecerdasan buatan untuk menanyakan semuanya.

Keuntungannya di sini adalah AI dapat mengakses banyak hal Informasi latar belakang lebih lanjut. Hal ini sekaligus dapat memanfaatkan survei, tiket dukungan, transkrip wawancara, dan data analitis ketika pemangku kepentingan mengajukan pertanyaan. Hal ini membuat respons menjadi lebih kaya dan bernuansa.

Ini tidak menggantikan apapun

Seharusnya aku tahu batasannya.

Avatar bukanlah pengganti untuk berbicara dengan pengguna sebenarnya. Hal ini merupakan cara untuk membuat penelitian yang ada lebih mudah diakses dan ditindaklanjuti.

Ada beberapa situasi di mana Anda masih perlu melakukan penelitian pendahuluan:

• Saat meluncurkan produk yang benar-benar baru yang tidak tercakup dalam penelitian Anda saat ini;
• Saat Anda perlu memvalidasi desain atau prototipe tertentu;
• Saat data repositori Anda menjadi basi;
• Ketika pemangku kepentingan perlu mendengar langsung dari orang-orang nyata untuk membangun empati.

Faktanya, Anda dapat mengonfigurasi kecerdasan buatan untuk mengenali situasi ini. Ketika seseorang mengajukan pertanyaan yang berada di luar cakupan penelitian, AI dapat menjawab sebagai berikut: “Saya tidak memiliki cukup informasi untuk menjawab pertanyaan ini dengan percaya diri. Ini mungkin pertanyaan yang bagus untuk wawancara atau survei pengguna secara singkat.”

Saat Anda melakukan penelitian baru, data ini dimasukkan kembali ke dalam repositori. Persona berkembang seiring waktu seiring dengan semakin dalamnya pemahaman Anda. Ini jauh lebih baik daripada pendekatan tradisional, di mana karakter diciptakan satu kali dan kemudian perlahan-lahan menjadi usang.

transformasi organisasi

Jika pendekatan ini diterapkan di organisasi Anda, beberapa hal menarik akan terjadi.

Peran tim UX berubah dari penjaga gerbang pengetahuan pengguna menjadi pengelola dan pengelola repositori.

Daripada menghabiskan waktu membuat laporan yang mungkin dibaca atau tidak, Anda menghabiskan waktu untuk memastikan repositori selalu diperbarui dan AI dikonfigurasi untuk memberikan respons yang berguna.

Komunikasi penelitian bergeser dari push (presentasi, laporan, email) menjadi pull (pemangku kepentingan mengajukan pertanyaan ketika mereka membutuhkan jawaban). Pemikiran yang berpusat pada pengguna Didistribusikan ke seluruh organisasi, bukan terpusat dalam satu tim.

Hal ini tidak mengurangi nilai peneliti UX. Bahkan, hal ini membuat mereka lebih berharga karena pekerjaan mereka kini memiliki jangkauan yang lebih luas dan dampak yang lebih besar. Namun hal ini mengubah sifat pekerjaan.

memulai

Jika Anda ingin mencoba pendekatan ini, mulailah dari yang kecil. Jika Anda memerlukan panduan dasar tentang peran fungsional sebelum mendalaminya, saya telah menulis panduan terperinci untuk membuat peran fungsional. Pilih proyek atau tim dan siapkan implementasi sederhana menggunakan Proyek ChatGPT atau alat serupa. Kumpulkan semua penelitian yang Anda miliki (walaupun terasa tidak lengkap), buat satu atau dua persona, dan lihat bagaimana reaksi para pemangku kepentingan.

Perhatikan pertanyaan apa yang mereka ajukan. Hal ini akan memberi tahu Anda kesenjangan apa yang ada dalam penelitian Anda dan data tambahan apa yang paling berharga.

Saat Anda menyempurnakan pendekatan ini, Anda dapat memperluas ke lebih banyak tim dan alat yang lebih kompleks. Namun prinsip intinya tetap sama: Tangkap semua pengetahuan pengguna yang tersebar dan berikan suara yang dapat didengar oleh siapa pun di organisasi Anda.

Dalam artikel saya sebelumnya, saya berpendapat bahwa kita harus beralih dari persona demografis ke persona fungsional yang fokus pada apa yang ingin dilakukan pengguna. Sekarang saya menyarankan kita mengambil langkah berikutnya: beralih dari peran statis ke peran interaktif yang benar-benar dapat berpartisipasi dalam percakapan pengambilan keputusan.

Karena setiap hari, orang-orang di organisasi Anda membuat keputusan yang berdampak pada pengguna Anda. Pengguna Anda berhak mendapatkan tempat duduk di meja, bahkan secara virtual.

Bacaan lebih lanjut SmashingMag

Hasilkan $200 seminggu
Dikutip dari artikel di Smashing Magazine — Untuk Desainer dan Pengembang Web