Tässä kirjoituksessa tutkin persoonien hyödyllisyyttä digitaalisen analytiikan aikakaudella. Olemme Qatar Computing Research Institutessa (QCRI) kehittäneet järjestelmän automaattiseen persoonien luomiseen (APG) – katso demo. Professori Jim Jansenin johdolla työskentelemme jatkuvasti asemoidaksemme persoonajärjestelmän asiakasprofiilien, persoonien ja verkkoanalytiikan risteykseen.

Asiakastiedon kolme tasoa

Ymmärtääksemme persoonien edut muihin verkkoanalytiikan muotoihin verrattuna huomaamme, että asiakasdataa on kolmessa tasossa:

• asiakasprofiilit (henkilötason tiedot)
• asiakastilastot (koostetut tasot: taulukot ja kaaviot)
• asiakaspersoonat (koostetun tason yksilölliset tiedot)

Mikä näistä on paras? Vastaus: se vähän riippuu.

Tutkitaan muutamia asiakasanalytiikkatietojen käyttötapauksia.

Persoonat verkkomainonnassa

Verkkomainonnassa yleensä mitä yksilöllisempiä tiedot ovat, sitä parempi. Pahimpana tapauksena nähdään massamainonta, jossa kaikille asiakkaille on yksi viesti: sellainen harvoin pystyy vangitsemaan taustalla olevan asiakaskunnan mieltymysten ja makujen vaihtelua ja mainonnasta tulee tehotonta ja kallista. Markkinan segmentointi (”Naiset 25-34, Suomi”) toimii paremmin, koska se mukauttaa tuotteen ominaisuuksia keskimääräisiin asiakkaiden ominaisuuksiin. Markkinoiden segmentoinnin käyttäminen persoonien yhtäläisyyksien löytämiseen antaa markkinoijille mahdollisuuden luoda räätälöityjä ja tehokkaampia viestejä, mikä tuottaa vähemmän hukkaan heitettyjä verkkomainosten näyttökertoja. Paras skenaario on kuitenkin, että on käytettävissä yksilöityjä asiakastietoja, sillä näiden tietojen avulla voidaan yksilöidä viestin sisältö ja muoto kullekin asiakkaalle ja siten saavuttaa kysynnän ja tarjonnan paras vastaavuus. Voittaja: henkilötason tiedot.

Persoonat tuotekehityksessä ja suunnittelussa

Mainonnan tapaan tuotekehitykseen ja suunnitteluun liittyy paljon testaamista. Ammattilaisilla on tiettyjä käytäntöjä, jotka omaksutaan koko toimialalla pitkällä aikavälillä (esim. Amazon.com omaksuu jonkin suunnittelukäytännön ja pienet verkkokauppasivustot seuraavat esimerkkiä). Tuotekehityksessä monet pelaajat haluavat olla seuraajia, ja tämä strategia toimii suurimmaksi osaksi. On kuitenkin tärkeää, että tuotemuutokset testataan, sillä parhaat käytännöt eivät välttämättä ole soveltuvia. Persoonia voidaan soveltaa haastamaan ja arvioimaan tuotekehityksen kehityskaaren kohteita – esimerkiksi ”Mitä Joni ajattelisi tästä muutoksesta?”.

Yksilöllistä dataa käyttävä monimuuttujatestaus voi puolestaan paljastaa optimaaliset mallit paremmin kuin persoonat, jotka ovat ”kuvitteellisia ihmisiä”. Tietysti persoonia, kuten muitakin mukaansatempaavia käyttäjäkeskeisiä suunnittelutekniikoita, voidaan käyttää inspiraation ja ideoiden lähteenä tuotekehitykseen ja suunnitteluun. Mutta persoonat ovat vain yksi tekniikka, eivät ainoa tekniikka. Suosittelen usein testaamaan asioita yksittäisten oikeiden käyttäjien kanssa persoonien sijaan. Klassinen esimerkki onnistuneesta testauksesta on Instagram, joka havaitsi tiedoista, että sen suodattimet olivat lyömätön ominaisuus. Tällaisille sovelluksille on järkevää määritellä kokeellinen tuoteominaisuuksien joukko ja kerätä käyttäjiltä palautetta heidän käyttäytymisestään. Vaikka persoonat voivat perustua myös käyttäjien käyttäytymiseen, suhde persoonien ja ihmisten käyttäytymisen ennustamisen välillä on heikompi kuin todellisen kokeellisen tiedon kerääminen ja analysointi.

Sattumalta liike-elämän ammattilaiset usein jättävät huomiotta systemaattisen testaamisen, koska heillä on ennalta määritelty käsitys käyttäjästä (vrt. persoona), eivätkä he ole valmiita näkemään, että heidän ideoitaan kyseenalaistetaan (tätä kutsutaan validointiharhaksi). Mitä enemmän työtä tehdään kuvitteellisen käyttäjän tyydyttämiseksi, sitä vaikeampaa on valita ”laatikon ulkopuolista” ratkaisua. Silti tällaisia radikaaleja muutoksia tarvitaan, jotta tuotetta voidaan parantaa, ei pienillä marginaaleilla, vaan kertaluokkaa suuremmilla parannuksilla. Eric Ries kutsuu tätä ’sunk code fallacyksi’. Tästä syystä: Voittaja: henkilötason tiedot.

Persoonat strategisessa suunnittelussa

Sanoisin, että persoonilla strateginen päätöksenteko on erittäin lupaavaa. Taktiset ja operatiiviset tehtävät onnistuvat usein paremmin käyttämällä joko täysin yksittäisiä tai täysin aggregoituja tietoja. Yksittäiset datan palaset ovat kuitenkin käytännössä hyödyttömiä strategisessa päätöksenteossa. Siinä kootut tiedot ovat välttämättömiä (esimerkiksi, ollaan kehittämässä myyntiä alueen tai asiakassegmentin mukaan), ja on vaikea nähdä minkään korvaavan sitä.

Erityisesti dataohjatut persoonat voivat tarjota käyttäytymisen kannalta tarkkaa tietoa markkinoiden haluista ja tarpeista ja toimia strategisen päätöksenteon tukipisteinä.

Strategisen päätöksenteon apuna oleminen on myös hyvä paikka kehittää persoonia; yritykset välittävät vähemmän kustannuksista strategisen tason asioissa kuin operatiivisissa asioissa, koska strategiset päätökset katsotaan tärkeiksi. Aluksen ohjaamiseksi oikein johtajat tarvitsevat tarkkoja tietoja asiakkaiden mieltymyksistä ja selkeät ankkuripisteet strategisen päätöksentekonsa tueksi (katso HubSpotin henkilökohtainen tapaustutkimus).

Aggregoiduilla analytiikkajärjestelmillä on yksi keskeinen heikkous dataohjattuihin persooniin verrattuna: Ne eivät osaa kuvailla käyttäjiä kovin hyvin. Luvut eivät sisällä tietoa, kuten psykografiaa tai tarpeita, koska tällaista laadullista tietoa ei ole saatavilla numeerisessa datassa. Asiakasprofiilit ovat eri asia – CRM-järjestelmissä ominaisuustietojen parantaminen saattaa olla mahdollista, mutta yksittäisten profiilien määrästä tulee jälleen nopeasti kognitiivisesti ylivoimaisen yksityiskohtaista ihmisen tekemää analysointia ajatellen.

Johtopäätöksiä persoonien hyödyllisyydestä

Mitä nopeampia ovat liikkeet kohti reaaliaikaista optimointia, sitä vähemmän hyödyllisiä ennakkokäsitteistä, kuten kohderyhmistä ja henkilöistä, tulee operatiivisessa mainonnassa, tuotekehityksessä ja suunnittelussa. Persoonat ovat kuitenkin edelleen hyödyllisiä strategisessa päätöksenteossa ja ”aggregoituna ihmisanalytiikkana”, joka yhdistää lukujen kattavuuden ja yksittäisten asiakasprofiilien laadulliset havainnot. Miljoonan dollarin kysymys kuuluukin: Onko mahdollista rakentaa persoonia, jotka sisältävät asiakasprofiilien tiedot säilyttäen samalla suurten lukujen tehokkuuden? QCRI:ssa persoonatiimimme työskentelee lujasti tämän tavoitteen eteen.

Katso aiheeseen liittyen:

Jansen, B. J., Salminen, J., and Jung, S.G. (2020) Data-Driven Personas for Enhanced User Understanding: Combining Empathy with Rationality for Better Insights to Analytics. Data and Information Management. 4(1), 1-17.  https://content.sciendo.com/view/journals/dim/4/1/article-p1.xml