市場調研是以客戶為導向的決策的支柱，然而收集可靠的洞察力卻從未像現在這樣具有挑戰性。招募和管理具有代表性的樣本佔據了研究專案 60% 的時間，但儘管如此，回應率仍在持續下降，樣本疲勞度在增加，運營成本也在上升。與此同時，GDPR（歐盟《通用資料保護條例》）和 CCPA（加州消費者隱私法案）等隱私法規的不斷發展，使得收集、儲存和利用消費者資料變得越來越困難，進一步限制了高質量洞察力的獲取。鑑於這些障礙，問題就來了：有沒有更有效的研究方法？Synthetic Panels -人工智慧生成的、反映真實世界行為和人口統計資料的面板 – 可能就是答案。但它能否真正取代或補充傳統的調查方法呢？讓我們一探究竟。
什麼是Synthetic Panels？
Synthetic Panels是由人工智慧生成的虛擬受訪者群體，旨在模擬真實世界消費者群體的行為、偏好和人口統計學特徵。傳統的調查小組需要耗費大量時間進行招募、篩選和維護。與此同時，Synthetic Panels利用大規模資料和機器學習來建立能夠像人類一樣回答調查問題的數字角色，從而加快了這一過程。
這些面板並非基於捏造或隨機資料。相反，它們是透過對真實世界資料集的深度上下文學習來構建的。這包括歷史調查回覆、客戶評論、行為資料和輿論趨勢。因此，Synthetic Panels 是一種可擴充套件、反應靈敏且符合隱私保護標準的解決方案，能以驚人的準確度反映實際細分市場。
從本質上講，Synthetic Panels為研究人員提供了一種模擬和測試消費者反應的強大方法，而無需為每一個新問題或產品概念直接讓人類參與者參與其中。它們甚至可以模擬對假設情況或未來產品釋出的反應，從而實現僅靠靜態歷史資料無法實現的預測性洞察。
Synthetic Panels如何工作？
Synthetic Panels的建立和執行涉及結合資料工程、機器學習和行為建模的幾個關鍵步驟：
- 資料輸入和預處理：Synthetic Panels首先要輸入各種資料集。這些資料集包括以前的調查結果、客戶支援日誌、線上評論和人口統計洞察。這些輸入為了解不同客戶群的思維和行為方式提供了基礎。
- 角色建模：然後，人工智慧模型利用這些資料生成合成角色。每個角色都代表一個特定的消費者原型（例如，精通技術的 Z 世代、注重成本的退休人員、追求奢華的專業人士）。這些“角色”不僅僅是人口統計的外殼，還包括心理特徵、品牌偏好和行為傾向。
- 模擬回答：當調查問題或研究情景出現時，合成角色會根據其訓練有素的特徵做出 “反應”。人工智慧利用從歷史資料和上下文線索中學到的模式，預測每個角色可能會如何回答。
- 語境校準：為確保準確性，人工智慧會利用現實世界的反饋不斷改進 Synthetic Panels。這包括將合成回答與實際受訪者的回答進行比較，並調整模型以減少任何偏差或不準確性。
- 輸出分析和洞察：收集到應答後，研究人員就可以分析趨勢、細分行為並測試假設，這與使用傳統面板的方法非常相似，但速度更快、規模更大、靈活性更高。
AI能否生成可靠的調查面板？Merkle案例研究
一家東南亞大型航空公司與 Merkle（電通旗下公司）合作，透過實施人工智慧驅動的方法來生成合成調查回覆，並將其與真實客戶反饋進行比較，從而探索了這一問題。
第一階段：通用人工智慧回覆的問題
當人工智慧第一次在沒有上下文資料（包括真實的人類資料示例）的情況下被問及調查問題時，其回答遵循了一種可預測的模式：
- 淨促進者得分（NPS）呈鐘形曲線，但偏向於中性評價。
- 人工智慧生成的品牌感知資料與真實的客戶情感不符，因此並不可靠。
這些侷限性凸顯了一個關鍵挑戰：在沒有真實世界背景的情況下，Synthetic Panels 缺乏人類意見的細微差別。這意味著僅使用人工智慧是不夠的，還需要額外的改進。
第二階段：利用語境增強人工智慧的反應
為了提高合成回覆的準確性，Merkle 引入了一個關鍵因素：歷史調查回覆、客戶投訴和反饋趨勢。透過輸入這些背景資訊，系統開始更有效地識別和複製真實的人類情感。
- 品牌認知分數與實際客戶意見更加一致。
- 客戶細分模式得到改善，反映了真實世界的偏好（例如，學生偏愛廉價航空公司，商務旅客優先考慮便利性）。
- NPS 分佈更加真實，保持了鐘形曲線，但更好地反映了真實的人類反應。
這標誌著一個轉折點–人工智慧生成的反應開始與實際客戶資料非常相似，展示了 Synthetic Panels 在市場研究中的潛力。
Synthetic Panels為何重要？
本案例研究強調了 Synthetic Panels 改變市場研究遊戲規則的原因。主要優勢包括
- 擴大樣本量：人工智慧生成的回覆是對真實資料的補充，可提供更豐富、更具代表性的見解。
- 預測客戶行為：人工智慧可以估計人們對新問題的反應，而無需進行新的調查。
- 降低研究成本：招募人類受訪者需要花費數週時間，而 Synthetic Panels 則可以立即使用。
- 深入細分受眾：可以更有效地模擬難以接觸到的客戶群體（如豪華旅行者、C 級高管）。
- 克服隱私障礙：由於 Synthetic Panels 不依賴於實際客戶身份，因此符合嚴格的隱私法規。
- 隨時可用：與人類受訪者不同，合成角色可以無限期地回答或測試任何進一步的問題。
平衡的方法：人工+合成小組
雖然 Synthetic Panels 顯示出巨大的前景，但完全由人工智慧驅動的方法仍在不斷發展。各組織目前正在探索合成資料與真實回答的混合程度–從最低 1%的合成輸入開始，然後逐漸增加。
最好的方法是混合方法，即公司同時使用人類和合成受眾。這樣，研究人員就可以根據真實的人類反饋對合成回答進行比較和最佳化，從而確保可靠性和準確性。
使用Synthetic Panels時的主要考慮因素
以下是使用 Synthetic Panels 進行市場調研時需要注意的一些要點。
- “無需培訓”的說法：Synthetic Panels 需要結合實際情況進行仔細調整才能發揮作用。
- 缺乏人類樣本驗證：始終根據人類資料測試合成反應，以確保準確性。
- 過度依賴人工智慧：Synthetic Panels 應補充而非取代真實洞察–至少目前如此。
小結
Merkle 的這一解決方案證明，Synthetic Panels 在經過上下文輸入的改進後，可以彌補傳統市場研究與人工智慧驅動的洞察力之間的差距。雖然 100％ 採用合成方法尚需時日，但混合方法是目前的最佳途徑，它能讓企業加強決策、補充真實反應並釋放新的市場機遇。
與此同時，確保人工智慧生成的洞察力的透明度和道德使用，對於維護市場研究的信任度和準確性至關重要。未來不僅僅是收集資料，而是智慧地生成資料。
本文是 Merkle 團隊以下成員集體貢獻的成果： Vinay Mony（客戶關係管理-洞察與分析部副總裁）、Mario Thirituvaraj（客戶關係管理-洞察與分析部助理副總裁）、Debasree Bhattacharya（客戶關係管理-洞察與分析部助理副總裁）、Rohit Mudukanagoudra（分析師）、Mahima Salian（分析師）、Bharat Shetty（客戶關係管理-洞察與分析部高階經理）和 Aneesh Kammath（XM Advisory 亞太區負責人）。
評論留言