Dataan perustuvien persoonien perusteet

Datalähtöisiä persoonia voidaan luoda melkein mistä tahansa datasta. Pohjimmiltaan luominen koostuu kahdesta vaiheesta: (1) mallin etsinnästä ja (2) rikastamisesta.

Ensimmäinen osa – mallin etsintä – tarkoittaa, että meidän on tunnistettava joitain säännönmukaisuuksia (eli malleja) tietojoukosta. Tämä tehdään tyypillisesti käyttämällä dimensioiden vähentämistä, esim. klusterointia, pääkomponenttianalyysiä tai matriisien faktorointia.

Toinen osa – rikastaminen – keskittyy havaintoihin tilastollisesti vankoista yhteyksistä ensimmäisessä vaiheessa tunnistettujen mallien ja toissijaisten muuttujien, kuten demografisten tietojen, välillä. Nämä muuttujat näytetään sitten edustavina tietoina valmiissa persoonaprofiileissa.

Kolme datatyyppiä persoonille

Persoonien luomisen kolme pääasiallista datalähdettä ovat:

• kyselyyn perustuva data: tämä on käyttäjiltä tai asiakkailta kyselylomakkeella kerättyä dataa. Tutkimuksemme mukaan se on suosituin persoonadatan lähde kirjallisuudessa.
• online- ja verkkoanalytiikkadata: tämä on käyttäytymis- ja väestötietoa, joka on kerätty online-analytiikasta tai sosiaalisen median alustoista, tyypillisesti ohjelmointirajapintoja (API) käyttäen. Se on mielestämme tällä hetkellä potentiaalista dataa persoonien luomisen kannalta.
• sensoripohjainen data: tämä on dataa, joka on kerätty laitteistolla, kuten GPS-laitteilla tai lääketieteellisillä sensoreilla (esim. FitBit). Sitä on harvemmin käytetty dataan. Kuitenkin, kun esineiden internet (Internet of Things, IOT) ja lääketieteelliset/hyvinvointisensorit ovat yleistymässä, myös tämän datalähteen potentiaali kasvaa.

Näistä kolmesta lähteestä saatu data on tyypillisesti numeerisessa muodossa. Kyselyissä käytetään usein Likert-asteikkoa (1-5). Verkkoanalytiikka-alustat tuottavat yleensä laskentatietoja (esim. vierailujen / katselukertojen / napsautusten / ostosten määrän). Sensorit tuottavat tyypillisesti korkean frekvenssin aikasarjadataa (näytteenottonopeus).

Mutta on myös mahdollista hyödyntää tekstidataa. Esimerkiksi sosiaalisen median kommentteja voidaan analysoida persoonien luomista varten. Näissä tapauksissa luonnollisen kielen käsittelytekniikat (NLP) voivat olla hyödyllisiä esimerkiksi persoonaa kiinnostavien aiheiden päättelemiseen. Lisäksi tutkijat ovat soveltaneet kvalitatiivisen datan kvantifiointia (esim. haastattelut) koodaamalla / merkitsemällä tiedot manuaalisesti ja käyttämällä sitten laskelmia kvantitatiivisen analyysin syötteenä.

Haluatko oppia lisää?

Toivon, että tämä artikkeli tarjosi sinulle hyödyllistä tietoa persoonien kolmesta päädatatyypistä. Jos olet kiinnostunut oppimaan lisää, suosittelen tutustumaan vertaisarvioituihin persoonatutkimuksiimme.