如何利用Synthetic Panels改变市场研究

市场调研是以客户为导向的决策的支柱，然而收集可靠的洞察力却从未像现在这样具有挑战性。招募和管理具有代表性的样本占据了研究项目 60% 的时间，但尽管如此，回应率仍在持续下降，样本疲劳度在增加，运营成本也在上升。与此同时，GDPR（欧盟《通用数据保护条例》）和 CCPA（加州消费者隐私法案）等隐私法规的不断发展，使得收集、存储和利用消费者数据变得越来越困难，进一步限制了高质量洞察力的获取。鉴于这些障碍，问题就来了：有没有更有效的研究方法？Synthetic Panels -人工智能生成的、反映真实世界行为和人口统计数据的面板 – 可能就是答案。但它能否真正取代或补充传统的调查方法呢？让我们一探究竟。

什么是Synthetic Panels？

Synthetic Panels是由人工智能生成的虚拟受访者群体，旨在模拟真实世界消费者群体的行为、偏好和人口统计学特征。传统的调查小组需要耗费大量时间进行招募、筛选和维护。与此同时，Synthetic Panels利用大规模数据和机器学习来创建能够像人类一样回答调查问题的数字角色，从而加快了这一过程。

这些面板并非基于捏造或随机数据。相反，它们是通过对真实世界数据集的深度上下文学习来构建的。这包括历史调查回复、客户评论、行为数据和舆论趋势。因此，Synthetic Panels 是一种可扩展、反应灵敏且符合隐私保护标准的解决方案，能以惊人的准确度反映实际细分市场。

从本质上讲，Synthetic Panels为研究人员提供了一种模拟和测试消费者反应的强大方法，而无需为每一个新问题或产品概念直接让人类参与者参与其中。它们甚至可以模拟对假设情况或未来产品发布的反应，从而实现仅靠静态历史数据无法实现的预测性洞察。

Synthetic Panels如何工作？

Synthetic Panels的创建和运行涉及结合数据工程、机器学习和行为建模的几个关键步骤：

1. 数据输入和预处理：Synthetic Panels首先要输入各种数据集。这些数据集包括以前的调查结果、客户支持日志、在线评论和人口统计洞察。这些输入为了解不同客户群的思维和行为方式提供了基础。
2. 角色建模：然后，人工智能模型利用这些数据生成合成角色。每个角色都代表一个特定的消费者原型（例如，精通技术的 Z 世代、注重成本的退休人员、追求奢华的专业人士）。这些“角色”不仅仅是人口统计的外壳，还包括心理特征、品牌偏好和行为倾向。
3. 模拟回答：当调查问题或研究情景出现时，合成角色会根据其训练有素的特征做出 “反应”。人工智能利用从历史数据和上下文线索中学到的模式，预测每个角色可能会如何回答。
4. 语境校准：为确保准确性，人工智能会利用现实世界的反馈不断改进 Synthetic Panels。这包括将合成回答与实际受访者的回答进行比较，并调整模型以减少任何偏差或不准确性。
5. 输出分析和洞察：收集到应答后，研究人员就可以分析趋势、细分行为并测试假设，这与使用传统面板的方法非常相似，但速度更快、规模更大、灵活性更高。

AI能否生成可靠的调查面板？Merkle案例研究

一家东南亚大型航空公司与 Merkle（电通旗下公司）合作，通过实施人工智能驱动的方法来生成合成调查回复，并将其与真实客户反馈进行比较，从而探索了这一问题。

第一阶段：通用人工智能回复的问题

当人工智能第一次在没有上下文数据（包括真实的人类数据示例）的情况下被问及调查问题时，其回答遵循了一种可预测的模式：

• 净促进者得分（NPS）呈钟形曲线，但偏向于中性评价。
• 人工智能生成的品牌感知数据与真实的客户情感不符，因此并不可靠。

这些局限性凸显了一个关键挑战：在没有真实世界背景的情况下，Synthetic Panels 缺乏人类意见的细微差别。这意味着仅使用人工智能是不够的，还需要额外的改进。

第二阶段：利用语境增强人工智能的反应

为了提高合成回复的准确性，Merkle 引入了一个关键因素：历史调查回复、客户投诉和反馈趋势。通过输入这些背景信息，系统开始更有效地识别和复制真实的人类情感。

• 品牌认知分数与实际客户意见更加一致。
• 客户细分模式得到改善，反映了真实世界的偏好（例如，学生偏爱廉价航空公司，商务旅客优先考虑便利性）。
• NPS 分布更加真实，保持了钟形曲线，但更好地反映了真实的人类反应。

这标志着一个转折点–人工智能生成的反应开始与实际客户数据非常相似，展示了 Synthetic Panels 在市场研究中的潜力。

Synthetic Panels为何重要？

本案例研究强调了 Synthetic Panels 改变市场研究游戏规则的原因。主要优势包括

• 扩大样本量：人工智能生成的回复是对真实数据的补充，可提供更丰富、更具代表性的见解。
• 预测客户行为：人工智能可以估计人们对新问题的反应，而无需进行新的调查。
• 降低研究成本：招募人类受访者需要花费数周时间，而 Synthetic Panels 则可以立即使用。
• 深入细分受众：可以更有效地模拟难以接触到的客户群体（如豪华旅行者、C 级高管）。
• 克服隐私障碍：由于 Synthetic Panels 不依赖于实际客户身份，因此符合严格的隐私法规。
• 随时可用：与人类受访者不同，合成角色可以无限期地回答或测试任何进一步的问题。

平衡的方法：人工+合成小组

虽然 Synthetic Panels 显示出巨大的前景，但完全由人工智能驱动的方法仍在不断发展。各组织目前正在探索合成数据与真实回答的混合程度–从最低 1%的合成输入开始，然后逐渐增加。

最好的方法是混合方法，即公司同时使用人类和合成受众。这样，研究人员就可以根据真实的人类反馈对合成回答进行比较和优化，从而确保可靠性和准确性。

使用Synthetic Panels时的主要考虑因素

以下是使用 Synthetic Panels 进行市场调研时需要注意的一些要点。

• “无需培训”的说法：Synthetic Panels 需要结合实际情况进行仔细调整才能发挥作用。
• 缺乏人类样本验证：始终根据人类数据测试合成反应，以确保准确性。
• 过度依赖人工智能：Synthetic Panels 应补充而非取代真实洞察–至少目前如此。

小结

Merkle 的这一解决方案证明，Synthetic Panels 在经过上下文输入的改进后，可以弥补传统市场研究与人工智能驱动的洞察力之间的差距。虽然 100％ 采用合成方法尚需时日，但混合方法是目前的最佳途径，它能让企业加强决策、补充真实反应并释放新的市场机遇。

与此同时，确保人工智能生成的洞察力的透明度和道德使用，对于维护市场研究的信任度和准确性至关重要。未来不仅仅是收集数据，而是智能地生成数据。

本文是 Merkle 团队以下成员集体贡献的成果： Vinay Mony（客户关系管理-洞察与分析部副总裁）、Mario Thirituvaraj（客户关系管理-洞察与分析部助理副总裁）、Debasree Bhattacharya（客户关系管理-洞察与分析部助理副总裁）、Rohit Mudukanagoudra（分析师）、Mahima Salian（分析师）、Bharat Shetty（客户关系管理-洞察与分析部高级经理）和 Aneesh Kammath（XM Advisory 亚太区负责人）。