در میان تمام وظایف مدیریتی، بازاریابی احتمالاً بیشترین تأثیر را از هوش مصنوعی مولد (Generative AI) خواهد پذیرفت.
با درک ظرفیت‌های این فناوری، دانشگاهیان و متخصصان مدت‌هاست در حال بررسی روش‌های نوینی برای استفاده از آن در خدمات مشتری و تولید محتوا هستند؛ اما اخیراً دنیای کسب‌وکار نیز به تأثیر بالقوه آن بر سایر فعالیت‌های بازاریابی توجه نشان داده است. هیجان‌انگیزترین این حوزه‌ها، تحقیقات بازار است – فرایندی که شرکت‌ها از طریق آن داده‌هایی درباره مشتریان و رقبا گردآوری و تحلیل می‌کنند.
ما طی دو سال گذشته به‌صورت مستقیم با شرکت‌هایی که در حال بررسی کاربرد هوش مصنوعی مولد در تحقیقات بازار هستند، همکاری و مطالعه کرده‌ایم. نتایج نشان می‌دهد که تغییراتی بزرگ و تحول‌آفرین در راه است. اگر این فناوری به‌درستی به کار گرفته شود، فرصت‌هایی بی‌سابقه برای شرکت‌ها ایجاد می‌کند تا مشتریان را بهتر بشناسند و با آن‌ها تعامل مؤثرتری برقرار کنند، محیط رقابتی را دقیق‌تر ارزیابی کنند و تصمیم‌گیری‌های مبتنی بر داده را در عمق سازمان خود گسترش دهند.
در تحقیقات خود، چهار دسته متمایز از فرصت‌ها را شناسایی کرده‌ایم:
- پشتیبانی از روش‌های فعلی از طریق سریع‌تر، ارزان‌تر و مقیاس‌پذیرتر کردن آن‌ها؛
- جایگزینی روش‌های فعلی با استفاده از داده‌های مصنوعی (یعنی داده‌هایی درباره ترجیحات یا رفتار افراد که توسط هوش مصنوعی تولید می‌شود، نه از طریق نظرسنجی یا مصاحبه گردآوری شده باشد)؛
- پُر کردن خلأهای موجود در درک بازار با دستیابی به بینش‌ها و شواهدی که از داده‌های سنتی قابل استخراج نیستند؛
- ایجاد انواع جدیدی از داده و بینش – که این مورد هنوز در مراحل اولیه قرار دارد.
در این مقاله، چارچوبی را معرفی خواهیم کرد که رهبران و شرکت‌ها را در پیمودن این مسیر نوین راهنمایی می‌کند. همچنین توضیح می‌دهیم که هوش مصنوعی مولد چگونه تحقیقات بازار را متحول کرده و خواهد کرد، چگونه می‌توان حداکثر استفاده را از فرصت‌های جدید برد، و چگونه باید نسبت به محدودیت‌های فناوری و ملاحظات اخلاقی مربوط به کاربردهای نوین آن آگاه و هوشیار بود.
پشتیبانی از روش‌های فعلی
شرکت‌ها اغلب از هزینه نسبتاً بالا و زمان‌بر بودن فرآیند جمع‌آوری داده‌های مشتری و بازار، احساس نارضایتی دارند. پس هوش مصنوعی مولد چگونه می‌تواند این مشکلات را حل کند؟
با تکیه بر یافته‌های تحقیقاتی‌مان و تجربیات عملی با شرکت‌ها، یک روش سیستماتیک برای شناسایی موارد استفاده از این فناوری طراحی کرده‌ایم. این روش مبتنی بر به‌کارگیری چهار توانایی اصلی هوش مصنوعی مولد – ترکیب (synthesis)، برنامه‌نویسی (coding)، تعامل انسانی و نوشتن – در هر مرحله از فرآیند تحقیقات بازار است. برای ساده‌سازی، این فرآیند را به سه مرحله اصلی تقسیم کرده‌ایم:
- شناسایی فرصت‌ها و طراحی برنامه تحقیقاتی
- گردآوری و تحلیل داده‌ها
- گزارش‌دهی و انتشار اطلاعات و بینش‌ها
(برای درک بهتر به نمودار “هوش مصنوعی مولد چگونه می‌تواند شیوه‌های فعلی تحقیقات بازار را ارتقاء دهد” مراجعه کنید.)
برای مثال، توانایی ترکیب اطلاعات توسط هوش مصنوعی می‌تواند در مرحله اول برای خلاصه‌سازی پیشینه و مطالعات پیشین، در مرحله دوم برای استخراج یافته‌ها از مصاحبه‌ها و داده‌های جدید، و در مرحله سوم برای تدوین نتایج نهایی مورد استفاده قرار گیرد – آن هم بسیار سریع‌تر از آنچه انسان قادر به انجام آن است.
اما شرکت‌ها در عمل چگونه از این فناوری برای پشتیبانی از روش‌های فعلی استفاده می‌کنند؟
در نظرسنجی‌ای که به‌تازگی با همکاری شرکت GBK Collective – یک شرکت استراتژی بازاریابی و تحقیقات بازار با ارتباطات قوی با استادان برجسته و شرکت‌های Fortune 500 – انجام دادیم، پاسخ‌هایی از بیش از ۱۷۰ متخصص و کاربر تحقیقات بازار جمع‌آوری کردیم.
یافته‌ها نشان داد:
- ۴۵٪ از آن‌ها هم‌اکنون در فعالیت‌های مرتبط با داده و بینش خود از هوش مصنوعی مولد استفاده می‌کنند؛
- ۴۵٪ دیگر نیز اظهار داشتند که در آینده قصد دارند از آن استفاده کنند.
نتایج نظرسنجی برخی روندهای جالب و مهم را آشکار کرد. جای تعجب نیست که بیش از ۷۰٪ از پاسخ‌دهندگان نسبت به عوارض جانبی و چالش‌های بالقوه هوش مصنوعی مولد ابراز نگرانی کردند. این نگرانی‌ها شامل احتمال اطلاعات نادرست یا دارای سوگیری، ریسک‌های امنیتی و حریم خصوصی و زمان و انرژی لازم برای ادغام این فناوری با رویه‌های موجود بود. درصد مشابهی نیز نگران بودند که استفاده از این فناوری ممکن است باعث ایجاد شکاف مهارتی شود یا حتی به جایگزینی متخصصان انسانی در حوزه داده و بینش منجر شود.
با این حال، بسیاری از پاسخ‌دهندگان – مانند بسیاری از متخصصانی که ما با آن‌ها همکاری داشته‌ایم – نگاه بسیار مثبتی به این فناوری داشته و در حال حاضر از آن استفاده می‌کنند.
از میان کسانی که هم‌اکنون از هوش مصنوعی مولد در کار خود بهره می‌برند:
- ۶۲٪ از آن برای خلاصه‌سازی متن‌های طولانی مانند رونوشت مصاحبه‌ها و سایر اسناد استفاده می‌کردند (کاری که پیش از این بسیار وقت‌گیر بود)،
- ۵۸٪ برای تحلیل داده‌ها،
- و ۵۴٪ برای نگارش گزارش‌ها.
در مجموع، پاسخ‌دهندگان هیجان‌زده بودند از اینکه این فناوری می‌تواند کمک کند کارها سریع‌تر و بهتر انجام شود. بیش از ۸۰٪ معتقد بودند که هوش مصنوعی مولد ظرفیت بالایی برای افزایش بهره‌وری و کارایی شخصی دارد و ادغام آن در فرآیندهای کاری برای حفظ رقابت‌پذیری حیاتی است. همین تعداد نیز باور داشتند که این فناوری به شکل مثبتی بر صنعت آن‌ها تأثیر خواهد گذاشت؛ از جمله از طریق بهبود کیفیت شغلی و ایجاد نوآوری قابل توجه.
آن‌ها معتقد بودند این تحول از طریق موارد زیر محقق خواهد شد:
- انجام سریع‌تر وظایف،
- تمرکز بیشتر بر کارهایی که انسان‌ها در آن ارزش بیشتری می‌آفرینند،
- اختصاص زمان بیشتر برای تفسیر داده‌ها و روایت‌سازی.
به‌طور کلی، این فناوری موجب افزایش کیفیت، دقت و شخصی‌سازی در کار آن‌ها خواهد شد.
استارت‌آپ‌های حوزه تحقیقات بازار نیز به سرعت وارد این فضا شده‌اند.
به عنوان نمونه، شرکت Meaningful با هدف «ابرقدرت دادن» به تحقیقات بازار از طریق استفاده از هوش مصنوعی فعالیت می‌کند. این شرکت از این فناوری برای ایجاد نظرسنجی‌های سفارشی، ارسال آن‌ها به گروه‌های نمونه، انجام مصاحبه‌های کیفی و تحلیل نتایج استفاده می‌کند.
شرکت Outset.ai نیز تمرکز خود را بر تولید سؤال (نه پاسخ) درباره نیازها و رفتار مصرف‌کننده گذاشته است؛ ایده‌ای نویدبخش. پلتفرم تحقیقاتی این شرکت که توسط هوش مصنوعی مدیریت می‌شود، به‌طور پویا بر اساس پاسخ‌های قبلی شرکت‌کنندگان، سؤالات جدیدی مطرح می‌کند تا پاسخ‌های عمیق‌تری به دست آید. این کار سرعت و مقیاس نظرسنجی‌های خودکار را با عمق مصاحبه‌های سنتی ترکیب می‌کند.
آرون کنن، هم‌بنیان‌گذار و مدیرعامل Outset.ai، شرکت خود را بر اساس یک یافته بسیار مهم بنا کرده است:
وقتی کار هوش مصنوعی تنها این باشد که با افراد وارد گفتگو شود، آن‌ها تمایل بیشتری به اشتراک‌گذاری افکار، تجربه‌ها و احساسات خود دارند – و در چنین شرایطی، مشکل «توهم‌زایی» (hallucination) هوش مصنوعی عملاً از بین می‌رود.
تیم تحقیقاتی شرکت WeightWatchers (یکی از مشتریان Outset.ai) نیز دریافته که شرکت‌کنندگان معمولاً زمانی که با هوش مصنوعی مصاحبه می‌شوند، راحت‌تر و صادقانه‌تر پاسخ می‌دهند؛ چراکه برخی سوگیری‌های انسانی کاهش پیدا می‌کند.
ویل ریدینگر، رئیس سابق تحقیقات تجربه کاربری در این شرکت، از هوش مصنوعی مولد با شور و اشتیاق یاد می‌کند. او می‌گوید:
«از این پس محققان مجبور نیستند بین داده‌های غنی‌تر و زمینه‌محور حاصل از مصاحبه و گستره وسیع یک نظرسنجی، یکی را انتخاب کنند. اکنون گزینه سوم وجود دارد: هردو با هم!»
جایگزینی رویه‌های فعلی
یکی از نوآورانه‌ترین کاربردهای هوش مصنوعی مولد در بازاریابی، تولید و تحلیل «داده‌های مصنوعی» است – داده‌هایی که به‌صورت مصنوعی تولید شده‌اند اما رفتارها و ترجیحات واقعی افراد را تقلید می‌کنند.
شرکت‌ها می‌توانند این داده‌ها را با استفاده از ابزارهای موجود هوش مصنوعی مولد تولید کنند یا با استفاده از داده‌های جمع‌آوری‌شده از پژوهش‌های سنتی، داده‌های اشتراکی (syndicated data)، سیستم‌های مدیریت ارتباط با مشتری (CRM)، و اطلاعات تراکنشی، مدل‌های اختصاصی خود را توسعه و آموزش دهند.
سپس این داده‌های مصنوعی می‌توانند برای شبیه‌سازی پاسخ‌های مشتریان یا رقبا در سناریوهای مختلف استفاده شوند و به شرکت‌ها کمک کنند نقاط درد (pain points) یا مزایای مورد انتظار مشتریان را در مراحل مختلف تعامل‌شان با یک محصول یا خدمت شناسایی کنند.
در نظرسنجی ما، ۸۱٪ از پاسخ‌دهندگان اظهار داشتند که در حال حاضر از این فناوری برای تولید داده مصنوعی استفاده می‌کنند یا برنامه‌ای برای این کار دارند.
یکی از آن‌ها عنوان کرد که قصد دارد «پرسوناهای مصنوعی از مخاطب هدف مشتری‌مان تولید کند که تیم من بتواند با آن‌ها تعامل داشته باشد». ا ایجاد پروفایل‌های فرضی دقیق از مشتریان و سناریوهای شبیه‌سازی‌شده، مدل‌های هوش مصنوعی به بازاریاب‌ها کمک می‌کنند تا نیازها و ترجیحات مشتریان را بهتر پیش‌بینی کنند و تصمیمات مؤثرتری بگیرند.
اما این مدل‌ها، با وجود توانایی‌شان، نمی‌توانند به‌طور کامل عمق و غیرقابل‌پیش‌بینی بودن رفتار انسانی را بازسازی کنند.
پاسخ‌دهندگان نظرسنجی ما کاملاً از این کاستی آگاه بودند: تنها ۳۱٪ از آن‌ها ارزش داده‌های تولیدشده توسط هوش مصنوعی مولد را «بسیار زیاد» ارزیابی کردند – که این میزان، یکی از پایین‌ترین سطح رضایت‌ها در نظرسنجی ما بود.
با این حال، تحقیقات نشان داده‌اند که کیفیت داده‌های مصنوعی تولیدشده توسط هوش مصنوعی می‌تواند به‌شکل چشمگیری بهبود یابد، اگر:
- از مثال‌های پرسش‌و‌پاسخ واقعی در پرامپت‌ها استفاده شود،
- به پایگاه دانش مطالعات پیشین برای بازیابی اطلاعات مرتبط با هر پرسش دسترسی داده شود،
- و پارامترهای مدل با داده‌های واقعی موجود تنظیم (fine-tune) شوند.
چه شرکت‌های نوپا و چه برندهای قدیمی‌تر، همگی در حال بررسی ظرفیت‌های بالقوه داده‌های مصنوعی هستند.
به‌عنوان نمونه، استارت‌آپ Evidenza تاکنون بیش از ۶۰ مطالعه اعتبارسنجی (validation) انجام داده است که در آن‌ها نتایج داده‌های مصنوعی با پژوهش‌های سنتی در صنایع مختلف مقایسه شده‌اند.
در یکی از این مطالعات، این شرکت با مؤسسه EY همکاری کرد تا یک آزمون دوسوکور (double-blind test) – که استاندارد طلایی در تحقیقات علمی محسوب می‌شود – اجرا کند. در این آزمایش، هیچ‌کدام از طرفین از نتایج دیگری خبر نداشتند تا پایان مطالعه.
EY پرسش‌نامه نظرسنجی سالانه برند خود را به همراه اطلاعاتی درباره مخاطب هدف (یعنی مدیرعاملان شرکت‌های آمریکایی با بیش از یک میلیارد دلار درآمد) در اختیار Evidenza گذاشت، اما نتایج واقعی نظرسنجی را تا انتهای مطالعه محرمانه نگه داشت. سپس، Evidenza بیش از هزار شخصیت مصنوعی ساخت که با مشخصات مخاطب هدف مطابقت داشتند، و این شخصیت‌ها به سؤالات نظرسنجی پاسخ دادند.
تونی کلیتون-هاین، مدیر ارشد بازاریابی EY Americas، در این باره گفت:
«نتایج شگفت‌آور بود. در ۹۵٪ موارد، نتیجه‌گیری‌ها یکسان بود، همبستگی‌ها بسیار قوی بودند، و در بسیاری از موارد، اعداد تقریباً یکسان بودند.»
هوش مصنوعی مولد تنها داده‌های کمّی ساختارمند تولید نمی‌کند. در مطالعه‌ای که در سال ۲۰۲۴ در دانشکده کسب‌وکار ویسکانسین انجام شد، نشان داده شد که این فناوری می‌تواند داده‌های کیفی عمیق و معناداری نیز تولید کند.
به‌طور خاص، می‌تواند مصاحبه‌های دقیق و روشنگرانه‌ای با شخصیت‌های مصنوعی‌ای انجام دهد که خودش آن‌ها را برای بازنمایی مشتریان هدف ساخته است.
چندین پژوهشگر و مدیر تاکنون به‌طور موفقیت‌آمیزی از این قابلیت بهره‌برداری کرده‌اند.
یکی از شرکت‌هایی که چنین خدماتی ارائه می‌دهد، استارت‌آپ پرتغالی Synthetic Users است که به برندها کمک می‌کند تا با استفاده از کاربران مصنوعی، به درک عمیق‌تری از نیازها و تجربه‌های مشتریان دست یابند. طبیعتاً، هر شرکتی که بخواهد رویکردی اختصاصی برای تولید داده‌های مصنوعی اتخاذ کند، باید مقداری از اطلاعات محرمانه‌ی خود را با برنامه‌ی هوش مصنوعی مولدی که استفاده می‌کند به اشتراک بگذارد – و این موضوع برخی شرکت‌ها را دل‌نگران می‌کند.
برای کاهش این نگرانی‌ها، تقریباً تمام ارائه‌دهندگان اصلی هوش مصنوعی مولد، نسخه‌های سازمانی پولی از مدل‌های خود را ارائه می‌دهند که داده‌ها و بینش‌های محرمانه‌ی شرکت‌ها را با دیگران به اشتراک نمی‌گذارند.
برخی از این ارائه‌دهندگان همچنین به شرکت‌ها کمک می‌کنند تا مدل‌های کوچک و اختصاصی هوش مصنوعی مولد را توسعه دهند که به‌طور کامل تحت کنترل خود شرکت باقی بماند.
برای نمونه، استارت‌آپ Rockfish Data این امکان را برای شرکت‌ها فراهم کرده که مدل‌های هوش مصنوعی اختصاصی خود را با داده‌های داخلی‌شان آموزش دهند – رویکردی که حریم خصوصی کامل داده‌ها و مدل‌ها را حفظ می‌کند.
این مدل‌ها ممکن است از نظر ابعاد کوچک باشند، اما برخی از مشتریان آن‌ها بسیار بزرگ‌اند: ارتش ایالات متحده و وزارت امنیت داخلی آمریکا از جمله مشتریان Rockfish Data هستند.
البته، این راهکارها نیز مزایا و معایب خود را دارند:
برای برخی شرکت‌ها، تنظیم دقیق (fine-tuning) مدل‌های بزرگ با داده‌های اختصاصی‌شان می‌تواند راه‌حل میانه‌ای مؤثر باشد. مدل‌های کوچک هوش مصنوعی عمدتاً محدود به داده‌های ساختاریافته یا نیمه‌ساختاریافته هستند (مانند داده‌های عددی یا دسته‌بندی‌شده)، و از مزایای مجموعه‌داده‌های وسیع عمومی برخوردار نیستند. در مقابل، مدل‌های عمومی می‌توانند با داده‌های غیرساختاریافته و کیفی نیز کار کنند.
پر کردن خلأهای موجود (Filling Existing Gaps)
حتی در سازمان‌هایی که ادعا می‌کنند تصمیم‌گیری‌شان مبتنی بر داده است، بسیاری از کارشناسان می‌گویند که بیشتر تصمیمات بدون تحلیل‌های تجربی رسمی گرفته می‌شود.
علت ساده است: زمان یا بودجه کافی برای چنین تحلیل‌هایی وجود ندارد.
اما هوش مصنوعی مولد می‌تواند به‌عنوان یک موتور هوشمند دائماً در دسترس برای تولید بینش‌های بازار و مشتری عمل کند – موتوری که امکان دسترسی آنی به شواهد تجربی را فراهم می‌سازد، حتی زمانی که داده‌ها در دسترس نیستند یا تهیه‌شان پرهزینه است.
از جمله کاربردهای آن می‌توان به موارد زیر اشاره کرد:
- آزمون فرضیه‌ها و ایده‌ها
- شبیه‌سازی مفاهیم و استراتژی‌های اجرایی
- ایفای نقش «مشاور مجازی» برای مدیران تصمیم‌گیر
برخی شرکت‌ها حتی آزمایشگاه‌هایی اختصاصی ایجاد کرده‌اند که مدل‌های سفارشی هوش مصنوعی را به‌طور ایمن و راحت در اختیار کارکنان قرار می‌دهند تا از آن‌ها در تصمیم‌گیری‌های روزمره استفاده شود.
در نظرسنجی ما:
- ۳۰٪ از پاسخ‌دهندگان گفتند که شرکتشان از هوش مصنوعی مولد برای راهنمایی تصمیم‌هایی استفاده کرده که پیش‌تر بر پایه داده‌ها انجام نمی‌شدند.
- ۸۱٪ از پاسخ‌دهندگان نیز اعلام کردند که از این فناوری استفاده می‌کنند یا برنامه دارند که استفاده کنند تا «صدای بازار» را بشنوند و سازمانشان را درباره محیط رقابتی به‌روز نگه دارند.
برای مثال:
- یک شرکت از هوش مصنوعی مولد برای تحلیل آخرین روندها و استراتژی‌های رقبا و ارائه اطلاعات رقابتی به‌موقع استفاده کرده،
- و شرکتی دیگر برای تحلیل پیش‌بینی‌محور جهت تصمیم‌گیری – با اتکا به داده‌های تاریخی و مفروضات – از آن بهره برده است.
بسیاری از شرکت‌ها در حال آزمایش استفاده از داده‌های مصنوعی برای نوآوری محصول هستند.
برای مثال، شرکت General Mills در حال بررسی این است که چگونه داده‌های مصنوعی می‌توانند:
«فرآیند خلق ایده برای محصولات جدید را سریع‌تر و بهتر کنند و احتمال یافتن ایده‌های واقعاً عالی برای خدمت‌رسانی به مصرف‌کنندگان را افزایش دهند.»
چندین استارت‌آپ نیز در این حوزه وارد شده‌اند:
- Evidenza ابزارهایی برای تولید داده‌های مصنوعی برای مشتریان B2B ارائه می‌دهد – گروهی که معمولاً دسترسی به آن‌ها دشوار است.
- Arena Technologies از هوش مصنوعی مولد و داده‌های مصنوعی درباره پروفایل‌های محلی مشتریان استفاده می‌کند تا به خرده‌فروشان کمک کند تصمیمات دقیق‌تری درباره تنظیم محصولات هر شعبه بگیرند.
- Evidenza همچنین از داده‌های مصنوعی برای کمک به بازاریابان در زمینه هدف‌گذاری، جایگاه‌سازی برند و پیام‌رسانی استفاده می‌کند.
پلتفرم آن همچنین تأثیر مالی این انتخاب‌ها را برآورد کرده و پیش‌بینی بازگشت سرمایه (ROI) و شاخص‌هایی ارائه می‌دهد که برای مدیران مالی (CFO) و تیم‌های درآمدی قابل استفاده هستند.
خلق انواع جدیدی از داده‌ها و بینش‌ها
یک جمله معروف در بازاریابی محتوایی و فروش این است که: «فقط یک فرصت برای ایجاد اولین برداشت خوب وجود دارد.» اما شاید دیگر این گفته درست نباشد. دلیل این موضوع آن است که بازاریابان محتوا و فروشندگان شروع کرده‌اند به استفاده از هوش مصنوعی مولد برای خلق “دوقلوهای دیجیتال” – نسخه‌های مجازی از مشتریان حقیقی که بر پایه‌ی اطلاعات عمومی در دسترس یا داده‌های اختصاصی ساخته می‌شوند. هدف از این کار، آزمایش و اصلاح محتوا و پیشنهادهای فروش پیش از ارائه به مشتریان واقعی است.
مزیت این رویکرد آن است که:
- دوقلوهای دیجیتال، برخلاف انسان‌ها، هیچ‌گاه خسته، ناراحت یا بی‌حوصله نمی‌شوند.
- بنابراین می‌توان تعاملات بازاریابی را بارها با آن‌ها تمرین کرد و پیام‌ها را با دقت بالا تنظیم و بهینه نمود.
بیش از ۴۰٪ از پاسخ‌دهندگان نظرسنجی ما گفته‌اند که در حال حاضر با دوقلوهای دیجیتال آزمایش‌هایی انجام می‌دهند.
برای مثال:
یکی از آن‌ها از دوقلوهای دیجیتال در یک محیط فروش مجازی استفاده می‌کند تا رفتار خرید، نرخ کلیک، و الگوهای تعامل مشتریان را در سناریوهای مختلف شبیه‌سازی کند و بدین ترتیب استراتژی‌های بازاریابی را تست و تجربه کاربری را بهینه‌سازی کند.
علاوه بر این، ۴۲٪ دیگر نیز اعلام کردند که در آینده قصد دارند این فناوری را آزمایش کنند.
رشد سریع کاربرد دوقلوهای دیجیتال در بازاریابی
- شرکت Arena ابزاری برای آموزش نمایندگان فروش B2B ساخته که به آن‌ها اجازه می‌دهد با دوقلوهای دیجیتال مشتریان تعامل داشته باشند.
- CivicSync نیز فناوری‌ای توسعه داده که (با رضایت کاربران) رفتارهای آنلاین مانند خرید و جست‌وجو را ردیابی می‌کند و بر اساس آن‌ها، دوقلوهای دیجیتال دقیقی از مشتریان هدف می‌سازد.
- شرکت Ogilvy (فعال در روابط عمومی) ایده‌های خلاقانه خود را ابتدا روی دوقلوهای دیجیتال آزمایش می‌کند تا مطمئن شود کمپین‌هایش با مشتریان واقعی همخوانی دارند.
- شرکت GBK Collective نیز در حال بررسی راه‌هایی برای استفاده از نتایج نظرسنجی‌ها جهت آموزش مدل‌های هوش مصنوعی برای خلق دوقلوهای دیجیتال است تا در سوالات بعدی بازاریابی از آن‌ها استفاده شود. این شرکت:
- از زیرمجموعه‌های مختلف داده‌های نظرسنجی قبلی برای ساخت انواع مختلفی از دوقلوهای دیجیتال استفاده می‌کند.
- سپس بررسی می‌کند که کدام نسخه برای اهداف خاص پژوهش بازاریابی دقیق‌تر یا مفیدتر عمل می‌کند.
- در نهایت، نتایج آزمایش با پاسخ‌های واقعی گذشته مقایسه می‌شود تا اثربخشی روش ارزیابی گردد.
ابزارهای موجود و پروژه‌های پژوهشی
بسیاری از شرکت‌ها در حال آزمایش ابزارهای رایگان مانند NotebookLM گوگل هستند که یک «دستیار پژوهشی شخصی‌سازی‌شده» ایجاد می‌کند.
این ابزار با اطلاعاتی درباره رقبا، داده‌های صنعتی، و پروفایل مشتریان هدف تغذیه می‌شود و می‌تواند:
- به اعضای تیم کمک کند تا برای تعامل با مشتریان آماده شوند،
- پیشنهادهای فروش خود را دقیق‌تر تنظیم کنند،
- و اعتراض‌های احتمالی را پیش‌بینی کنند.
هنری سوسا، مدیر ارشد حساب فنی در استارت‌آپ امنیت سایبری Oleria، گفته که:
برای همکارانش در تیم فروش و بازاریابی، مجموعه‌ای از این دستیارهای هوش مصنوعی را ساخته است.
حتی جامعه دانشگاهی نیز در حال بررسی این امکانات است:
- تیمی از دانشکده بازرگانی کلمبیا مشغول ساخت یک پنل نماینده شامل ۲۵۰۰ پرسونا است؛ هر کدام از آن‌ها دوقلوی دیجیتال یک شخص واقعی خواهد بود.
- این افراد واقعی یک مجموعه آزمون گسترده شامل تست‌های روان‌شناسی، رفتاری، شناختی و نگرشی را می‌گذرانند.
- این اطلاعات به عنوان «حقیقت مرجع» (ground truth) برای آموزش دوقلوهای دیجیتال استفاده می‌شود تا بتوان از آن‌ها به‌عنوان آزمودنی‌های مجازی در تحقیقات جدید بهره برد.
یک مطالعه مشترک توسط پژوهشگران از استنفورد و گوگل دیپ‌مایند نشان داده که این رویکرد امیدوارکننده است:
- پس از انجام مصاحبه‌ی چندساعته و تکمیل چند پرسش‌نامه توسط افراد، تیم پژوهش، دوقلوهای دیجیتالی از آن‌ها ساخت.
- سپس همان پرسش‌نامه‌ها را از دوقلوهای دیجیتال پرسیدند.
- بعد از دو هفته، از همان افراد خواسته شد دوباره به همان پرسش‌ها پاسخ دهند.
- جالب اینجاست که پاسخ‌های دوقلوهای دیجیتال، تا ۸۵٪ به دقت پاسخ‌های دوم همان افراد واقعی تطابق داشت.
درک محدودیت‌ها
هوش مصنوعی مولد فرصت‌های بسیاری را برای بازاریابان فراهم می‌کند، اما همچنان محدودیت‌های قابل‌توجهی دارد که نباید نادیده گرفته شوند. یکی از نگرانی‌های اصلی که در نظرسنجی ما برجسته شد، احتمال بروز نتایج جانب‌دارانه یا دارای سوگیری (Bias) بود؛ ۷۷٪ از پاسخ‌دهندگان به این موضوع اشاره کرده بودند.
این سوگیری ناشی از داده‌هایی است که مدل با آن آموزش دیده و می‌تواند:
- باعث تحریف در شناخت بخش‌های مختلف مشتریان یا
- ارائه‌ی تصویر نادرست از روندهای بازار شود.
البته باید توجه داشت که روش‌های سنتی نظرسنجی نیز خودشان می‌توانند به دلایل مختلفی نتایج جانب‌دارانه ارائه دهند. از سوی دیگر، چون مدل‌های هوش مصنوعی مولد بر اساس داده‌ها و بینش‌های موجود آموزش می‌بینند، هنوز مشخص نیست که این مدل‌ها تا چه حد می‌توانند تغییرات شدید در رفتار مشتریان یا نوآوری‌های گسسته در محصول را پیش‌بینی کنند. همچنین، مدل‌های هوش مصنوعی مولد به ساختار دستور (Prompt) بسیار حساس‌اند.
مثلاً: هنگام پاسخ‌گویی به سوالات چندگزینه‌ای، ترتیب و برچسب‌گذاری گزینه‌ها می‌تواند به‌طرز غیرقابل‌پیش‌بینی‌ای روی پاسخ مدل تأثیر بگذارد. محققان باید مانند کار با انسان‌ها، تصادفی‌سازی (Randomization) را برای عناصر مختلف طراحی پرسش‌نامه در نظر بگیرند تا خطر سوگیری کاهش یابد.
سوگیری در نمایندگی جامعه
نگرانی دیگر، توانایی مدل‌های Gen AI در شبیه‌سازی پاسخ‌های جامعه‌ای نماینده از جمعیت است. مطالعه‌ای در سال ۲۰۲۳ توسط پژوهشگران دانشگاه‌های کلمبیا و استنفورد نشان داد که: بسیاری از مدل‌های اخیر OpenAI بیشتر بیانگر دیدگاه‌های افراد تحصیل‌کرده یا با گرایش‌های لیبرال هستند و کمتر بازتاب‌دهنده‌ی دیدگاه‌های افراد بالای ۶۵ سال یا مذهبی. علت این موضوع، تنها در داده‌های آموزشی نیست، بلکه دخالت انسان‌ها در پالایش مدل‌ها نیز می‌تواند نقش داشته باشد. مدل‌های جدیدتر حتی نشانه‌هایی از سوگیری بیشتر را نشان داده‌اند. مطالعه‌ای در سال ۲۰۲۴ به رهبری James Bisbee از دانشگاه Vanderbilt نیز نشان داد که:
پاسخ‌های نمونه‌های مصنوعی در نظرسنجی‌های عمومی شباهت زیادی با پاسخ‌های انسان‌ها داشت،
- اما دامنه‌ی تغییرات کمتری را نشان دادند،
- به نحوه‌ی بیان سوالات حساس بودند،
- و در طول سه ماه، ثبات خود را از دست دادند.
محدودیت در شبیه‌سازی آزمایش‌ها
کاربرد داده‌های مصنوعی در شبیه‌سازی آزمایش‌ها با متغیرهای تصادفی نیز با مشکل مواجه است.
در آزمایشی که ما انجام دادیم، قیمت محصول را برای گروه‌های مختلف دیجیتالی تغییر دادیم و از آن‌ها پرسیدیم که آیا قصد خرید دارند یا خیر.
نتیجه:
- منحنی‌های تقاضایی که Gen AI ایجاد کرد با آنچه انسان‌ها ارائه داده بودند متفاوت بود.
- حتی در بسیاری موارد، منحنی‌ها غیرمنطقی و غیرواقعی بودند.
علت این است که:
- در آزمایش‌های انسانی، طراحی معمولاً به‌صورت کور (Blind Design) انجام می‌شود.
- در دنیای واقعی، مصرف‌کنندگان قیمت‌های دیگر یا شرایط دیگر را نمی‌دانند.
- اما Gen AI، به‌دلیل درک بالا و حافظه، قیمت را در ارتباط با سایر متغیرها تحلیل می‌کند (مثلاً قیمت‌های گذشته یا محصولات مشابه در فروشگاه).
- در نتیجه، افزایش قیمت منجر به کاهش تمایل خرید نمی‌شود، چون مدل تصور می‌کند قیمت بالا دلیلی منطقی دارد!
پیش‌بینی واکنش‌های احساسی انسان‌ها
Gen AI در پیش‌بینی واکنش‌های احساسی انسان‌ها به محرک‌های چندحسی مانند طعم و بو نیز دقت بالایی ندارد.
مثلاً شرکت Takasago (فعال در حوزه‌ی طعم و عطر) متوجه شد که: جایگزینی یک پنل انسانی با مدل مبتنی بر هوش مصنوعی نمی‌تواند واکنش واقعی انسان‌ها را نسبت به رایحه‌ها به‌درستی شبیه‌سازی کند. Jelena Le Breton، معاون جهانی بخش تحقیقات مشتری این شرکت، می‌گوید: «مدل ما می‌تواند از داده‌های گذشته یاد بگیرد، اما پیش‌بینی تغییر ترجیحات بویایی انسان‌ها که با تجربه و احساسات فردی گره خورده، بسیار دشوار است.»
چگونه هوش مصنوعی مولد می‌تواند روش‌های فعلی تحقیقات بازار را ارتقاء دهد
ابزاری ساده برای شناسایی موارد کاربرد
| عملکرد / مرحله | شناسایی فرصت‌ها و طراحی تحقیق | گردآوری و تحلیل داده‌ها | گزارش‌دهی و انتشار نتایج |
|---|---|---|---|
| ترکیب (Synthesis) | خلاصه‌سازی تحقیقات و منابع موجود | استخراج معنا و بینش از متن | بیان نکات کلیدی و برداشت‌ها |
| کدنویسی (Coding) | استخراج فرضیه‌ها از داده‌های موجود | طراحی پرسش‌نامه آنلاین؛ تحلیل داده‌ها | ایجاد ابزارهای بصری‌سازی داده |
| تعامل (Interaction) | استفاده از چت‌بات‌ها برای طوفان فکری و تولید ایده | استفاده از مصاحبه‌گرهای مصنوعی برای پرسش‌های پیگیری‌کننده | استفاده از چت‌بات‌ها برای اکتشاف داده‌ها |
| نوشتن (Writing) | تولید فرضیه‌ها | تولید مواد مطالعاتی | تدوین خلاصه‌های اجرایی |
نتیجه‌گیری: امید با احتیاط
در مسیر آینده‌ی بازاریابی با استفاده از هوش مصنوعی مولد و داده‌های مصنوعی،
جامعه بازاریابی باید با دیدی متعادل، آگاهانه و نقادانه پیش برود. با این دیدگاه، می‌توانیم از قدرت این ابزارهای خارق‌العاده بهره‌برداری کنیم و در عین حال مطمئن شویم که استراتژی‌های ما مبتنی بر انصاف، دقت و بینش واقعی از مشتریان است. در پایان، با نگاهی خوش‌بینانه، ایده‌ای از Cannon از Outset.ai مطرح می‌شود:
«اگر Gen AI بتواند هم‌زمان با هزاران نفر در سراسر جهان، به صدها زبان گفت‌وگو کند و از این مکالمات، بینش‌های منحصر به‌فرد و دقیق استخراج نماید، آنگاه درک ما از یکدیگر عمیق‌تر خواهد شد و محصولاتی که می‌سازیم، نه‌تنها انسانی‌تر می‌شوند، بلکه بازتابی از انسانیت واقعی خواهند بود.»
دیدگاه شما