Johdatus dataohjattuihin persooniin

Automatic Persona Generation (APG) on Qatar Computing Research Instituten persoonatutkimusryhmän kehittämä järjestelmä . APG on määritelty sekä menetelmäksi että järjestelmäksi persoonien automaattiseen luomiseen onlineanalytiikkadatasta.

APG on kehitetty erityisesti taistelemaan manuaalisen persoonan luomisen rajoituksia vastaan. Tässä blogikirjoituksessa kerrotaan dataohjattujen persoonien tärkeimmistä eduista verrattuna manuaalisesti luotuihin persooniin.

Kaiken kaikkiaan kaikki persoonat ovat hyödyllisiä yritysten ja muiden organisaatioiden päättäjille, koska persoonat antavat kasvot asiakasdatalle. Persoonat auttavat tiimin jäseniä ymmärtämään organisaation kohdeyleisöjä, asiakkaita ja käyttäjiä sekä tekemään asiakaslähtöisiä päätöksiä.

Dataohjautuvien persoonien tärkeimmät edut

Seuraavassa on lueteltu yhdeksän tärkeintä dataohjattujen persoonien etua:

• Kasvojen antaminen numeroille
• Tiedon siirtäminen
• Edustaa ‘Big Dataa’
• Aina ajan tasalla
• Nopeasti luotavissa
• Käyttäytymisen osalta tarkka
• Full-stack accessin mahdollistaminen
• Yksittäisten asiakkaiden yksityisyyden suojaaminen
• Kustannustehokas luonti

1. Dataohjautuvat persoonat antavat kasvot numeroille

Dataohjautuvat persoonat sisältävät paljon numeerista dataa asiakkaista, mutta ne esittävät ne luvut helposti ymmärrettävässä muodossa eli persoonina. Useimmat ihmiset eivät halua työskennellä numeroiden kanssa, ja jopa ne jotka pitävät numeroista, eivät voi työskennellä suuren numeromäärän kanssa kerralla.

Monet päätökset edellyttävät kuitenkin numeroiden käyttöä, mukaan lukien asiakkaita koskevat luvut. APG-järjestelmä ratkaisee tämän ongelman vähentämällä asiakasanalytiikan käyttäjien tarvetta työskennellä useiden lukujen kanssa, mutta silti mahdollistaa pääsyn raakalukuihin tarvittaessa.

2. Dataohjautuvat persoonat tekevät tiedosta kommunikoitavaa

Persoonat ovat osoittautuneet kannattaviksi suunnittelun, aivoriihien ja muun päätöksenteon aikana useilla eri toimialoilla, erityisesti tiimin jäsenten välisessä asiakasviestinnässä.

Vaikka on vaikeaa keskustella tuhansien lukujen laskentataulukosta, on paljon helpompaa kommunikoida persoonasta, koska me ihmiset osallistumme näin henkilökohtaisella tasolla kommunikointiin.

3. Dataohjautuvat persoonat perustuvat edustavaan ‘Big Dataan’

Perinteinen (manuaalinen) persoonien luonti perustuu laadullisiin tietoihin, joissa on vähän havaintoja, mikä johtaa edustavuuden ja tilastollisen validiteetin laskuun. Organisaatioille, joilla on vähän tuotteita tai asiakassegmenttejä, tämä ei ehkä ole ongelma, mutta yrityksille ja muille organisaatioille, jotka harjoittavat laajaa onlinetoimintaa (esim. sisällöntuotanto, sosiaalinen media, verkkokaupankäynti), tarvitaan edustavat, datavetoiset persoonat.

Ajatellaanpa esimerkiksi uutisorganisaatiota, joka tuottaa tuhansia videoita ja jolla on miljoonia katselukertoja ihmisiltä yli 150 maassa (todellinen skenaario) – kuinka laadulliset menetelmät voisivat vangita tarkasti vaihtelua keskeisten yleisösegmenttien välillä?

APG:n keskeinen tavoite on löytää tapoja hankkia ja analysoida tehokkaasti tällaista tietoa. Useimmissa tapauksissa dataohjautuvat persoonat ovat edustavia, koska nämä dataan perustuvat persoonat perustuvat koko online-analytiikkadatan analysointiin .

Lisäksi APG on ohjelmoitu toimimaan erittäin tehokkaasti ja se voidaan helposti skaalata miljoonille asiakkaille . Tutkimus on osoittanut, että automaattisesti luodut persoonat voivat skaalautua miljooniin sisältövuorovaikutuksiin tuhansien sisältökappaleiden välillä .

4. Tietoihin perustuvat persoonat ovat aina ajan tasalla

Manuaalisesti luodut persoonat ovat staattisia ja vaativat työlästä tiedonkeruuta aina, kun asiakkaiden käyttäytyminen muuttuu. Dataohjautuvien persoonien avulla on mahdollista luoda persoonia reaaliajassa todellisen aggregoidun sosiaalisen median datan automaattisen analyysin pohjalta, integroimalla Facebookin, YouTuben ja kaupallisten organisaatioiden verkkosivujen dataa.

Näiltä alustoilta APG kerää demografisia tietoja ja ajankohtaisia kiinnostuksen kohteita hyödyntäen jopa satoja tuhansia profiileja ja miljoonia käyttäjien vuorovaikutuksia sekä kiinnostuksen kohteita ja näkökulmia edustavia käyttäjien oivalluksia. Tuloksena saadut datavetoiset persoonat tarjoavat näkemyksiä kilpailevasta markkinoinnista, ajankohtaisista kiinnostuksen kohteista ja halutuista järjestelmäominaisuuksista verkkosisällön ja -tuotteiden käyttäjille.

Lisäksi APG reagoi taustalla olevan sisällön kulutuksen muutoksiin. Kynnysparametrien (threshold parameters) avulla dataohjattuja persoonia voidaan luoda automaattisesti tietyin väliajoin, esimerkiksi kuukausittain. Nämä dataohjautuvat persoonat pidetään ajan tasalla automaattisen tiedonkeruun ja persoonien uudelleenluomisen avulla.

5. Dataohjautuvat persoonat luodaan nopeasti

Manuaalinen persoonan luominen voi kestää jopa kuusi kuukautta, mutta datapohjaiset persoonat voidaan luoda yleensä muutamassa päivässä . Ydinalgoritmin nopean suoritusajan ja automatisoidun tiedonkeruun ansiosta APG-persoonat voidaan luoda jopa muutamassa minuutissa (kun ajankohtaista taksonomiaa on jo olemassa).

6. Tietoihin perustuvat persoonat ovat käyttäytymisen kannalta tarkkoja

APG-järjestelmän etuna on, että se käyttää luotettavia algoritmisia menetelmiä hienojakoisten markkinasegmenttien tunnistamiseen ja, todellisen käyttäjädatan avulla, luo automaattisesti attribuutit persoonille.

Käytämme Non-negative matrix factorization -menetelmiä (NMF) päätelläksemme malleja asiakkaiden vuorovaikutuksesta verkkosisällön ja -tuotteiden tai minkä tahansa muun kohdekokonaisuuden kanssa. Tämä lähestymistapa johtaa tarkempiin persooniin, jotka voivat auttaa parantamaan suunnittelua ja päätöksentekoa. Dataohjautuvat persoonat ovat tarkempia, koska ne perustuvat todellisiin käyttäjätietoihin, voivat heijastella granulaarisia yleisöjä ja ovat helposti päivitettävissä.

7. Tietoihin perustuvat persoonat tarjoavat full-stack accessin

APG:n tekniikka ottaa luvut, tunnistaa algoritmisesti samanlaiset asiakasryhmät ja luo automaattisesti persoonat, samalla kun se tarjoaa pääsyn taustalla oleviin tietoihin. Siksi dataohjatut persoonat tarjoavat full-stack- analytiikkaratkaisun.

8. Dataohjautuvat persoonat suojaavat yksittäisten asiakkaiden yksityisyyttä

Onlineanalytiikkatiedoista automaattisesti luodut persoonat eivät vaaranna yksittäisten asiakkaiden yksityisyyttä, koska onlineanalytiikkaalustojen (esim. YouTube Analytics, Google Analytics, Facebook Insights) tarjoamat tiedot ovat aina kootun ryhmätason tasolla sen sijaan, että ne näyttäisivät tietoja näiden alustojen yksittäisistä käyttäjistä. Koottujen tietojen käyttö varmistaa, että käytämme vain ei-henkilökohtaisia tunnistetietoja.

9. Dataohjautuvat persoonat ovat kustannustehokkaita

Lopuksi, dataohjatut persoonat ovat suhteellisen halpoja tehdä, etenkin verrattuna konsulttien ja markkinointitoimistojen manuaalisiin persoonienluomisprojekteihin (näiden hinnat voivat vaihdella välillä 50 000–100 000 USD). Korkean automaatioasteen vuoksi manuaalista työtä on vähemmän, mikä tekee persoonista halpoja tehdä.

Itse asiassa persoonatiimimme unelma on demokratisoida persoonat, mikä tarjoaa pienyrityksille, startup-yrityksille ja voittoa tavoittelemattomille organisaatioille edullisen pääsyn korkealaatuisiin dataohjattuihin persooniin.

Koska automaattiset persoonat käyttävät digitaalista dataa, niiden luominen, replikointi ja jakelu on huomattavasti kustannustehokkaampia kuin manuaalisesti luoduilla persoonilla. Kun nämä kustannussäästöt siirretään asiakasorganisaatioille, pienet organisaatiot, voittoa tavoittelemattomat organisaatiot ja startup-yritykset voivat käyttää automaattisia persoonia, kun näillä toimijoilla muuten ei useinkaan ole keinoja luoda korkealaatuisia persoonia.

Johtopäätökset dataohjautuvien persoonien eduista

Verkkoanalytiikan lukujen ymmärtäminen ja niiden yhdistäminen keskeisiin KPI-mittareihin voi olla haastavaa, varsinkin kun dataa on paljon. Vaikka on olemassa monia onlineanalytiikkatyökaluja (esim. Google Analytics, Abode Analytics), joita voidaan käyttää, nämä työkalut vaativat analyyttista tietämystä, jota monilla loppukäyttäjillä ei usein ole.

Lisäksi onlineanalytiikkatyökalut eivät usein laske numeeristen tietojen monimutkaisuutta päätöksenteossa ja viestinnässä. Lukujen käsittely asettaa kognitiivisia haasteita yksilöille, jotka eivät useinkaan muista montaa lukua kerrallaan, kun taas persoonien inhimilliset ominaisuudet muistetaan helpommin.

Siksi persoonat näyttävät tarjoavan runsaasti vaihtoehtoa numeerisen datan esittämiselle. Parhaiten persoonaa voidaan käyttää online-analytiikassa yhdistämällä luvut ja ihmisen ominaisuudet dynaamisten, tarkkojen ja jatkuvasti päivittyvien dataohjautuvien persoonien luomiseksi.

Dataohjattujen persoonien käyttämisessä on huomattava potentiaali tuote- ja sisältökehitykseen sekä markkinointiin ja strategiseen päätöksentekoon . Olemassa olevat organisaatiot käyttävät persoonia parantaakseen suorituskykyään .

Vaikka laadullinen persoonien luominen voi olla jossain määrin datalähtöistä, se ei ole tehokasta verkko- ja sosiaalisen median analytiikan suurien datamäärien käsittelyssä. APG-lähestymistapa on myös kustannustehokkaampi kuin vaihtoehtoiset persoonienluomismenetelmät, ja sen voi skaalata miljoonille asiakkaille.

Lopputulos: paremmat persoonat => parempia päätöksiä => parempia tuloksia.

Jung, S., An, J., Kwak, H., Ahmad, M., Nielsen, L., and Jansen, B. J.  (2017) Persona Generation from Aggregated Social Media Data. ACM Conference Extended Abstracts on Human Factors in Computing Systems 2017 (CHI2017). Denver, Colorado. p. 1748-1755. 6-11 May.

Ota yhteyttä kirjoittajiin

Kiinnostaako automatic persona generation (APG) organisaatiossasi? Ota yhteyttä tri. Jim Jansen: bjansen@hbku.edu.qa

Haluatko lisätietoja? Katso:

Jansen, B. J., Salminen, J., Jung, S.G., and Guan, K. (2021). Data-Driven Personas. Synthesis Lectures on Human-Centered Informatics,1 Carroll, J. (Ed). Morgan-Claypool: San Rafael, CA., 4:1, i-317.

Lue lisää dataohjautuvista persoonista

What is a Data-Driven Persona?

Giving Faces to Data by Creating Data-Driven Personas

Benefits of Data-Driven Personas

Explaining Data-Driven Personas to End Users

Got too many personas? This approach can help!

Do your think your personas are stable? They probable aren’t!