सिंथेटिक ऑडियंस का चलन तेज़ी से बढ़ रहा है। एजेंसियाँ उन्हें भरोसेमंद ऐसे बनाए रखती हैं

क्या सिंथेटिक ऑडियंस ऑडियंस इनसाइट का भरोसेमंद स्रोत हैं? रफ़्तार, परिकल्पनाओं और परिदृश्य परीक्षण के लिए हाँ। लेकिन वे असली लोगों का विकल्प नहीं हैं। जो एजेंसियाँ इनसे फ़ायदा उठा रही हैं, वे हर सिंथेटिक नतीजे को पेश करने लायक़ जवाब नहीं, बल्कि जाँचने लायक़ सवाल मानती हैं।

इन्हें अपनाने की रफ़्तार तेज़ है। Digiday की रिपोर्ट के मुताबिक़ एजेंसियाँ और ब्रांड सिंथेटिक ऑडियंस को लैब से निकालकर रोज़मर्रा की प्लानिंग में ला रहे हैं। Aveeno Body ने Vurvey की सिंथेटिक रिसर्च की मदद से स्ट्रैटेजी ब्रीफ़ लिखने का समय लगभग 30 दिन से घटाकर तीन दिन कर दिया, और Goodway Group ने अमेरिका, ब्रिटेन और जर्मनी के उपभोक्ताओं की Arima की “सिंथेटिक आबादी” को अपनी मीडिया प्लानिंग में शामिल किया। फ़्रांस में Stratégies की रिपोर्ट है कि Harris Interactive और Toluna समेत कई रिसर्च फ़र्मों को 30 साल तक चलाने के बाद Patrick van Bloeme ने Limpid लॉन्च किया है, जो बिना किसी इंसानी उत्तरदाता के, सिंथेटिक पर्सोना पर कुछ ही घंटों में क्वालिटेटिव स्टडी चलाता है। ग़ौर करने वाली बात यह है कि Limpid “ne revendique pas de représentativité statistique”, यानी वह सांख्यिकीय प्रतिनिधित्व का कोई दावा नहीं करता।

सिंथेटिक ऑडियंस क्या हैं, और एजेंसियाँ इन्हें अभी क्यों अपना रही हैं?

सिंथेटिक ऑडियंस AI से बनाए गए पर्सोना का एक सेट या एक सिम्युलेटेड आबादी होती है, जिसे यह अनुमान लगाने के लिए तैयार किया जाता है कि लोगों के असली समूह कैसे सोच सकते हैं या कैसी प्रतिक्रिया दे सकते हैं। वेंडर इन्हें अलग-अलग कच्चे माल से बनाते हैं। Digiday के मुताबिक़ Arima जनगणना डेटा, US Bureau of Labor Statistics के आँकड़ों, Nielsen के सर्वे डेटा और ख़ास तौर पर कराए गए सर्वे का सहारा लेता है, जबकि Vurvey सार्वजनिक डेटा को असली उपभोक्ताओं के क्वालिटेटिव वीडियो सर्वे के साथ जोड़ता है।

इस्तेमाल के मामले कई हैं: सिम्युलेटेड इंक्रीमेंटैलिटी टेस्ट, स्ट्रैटेजी ब्रीफ़, प्रोडक्ट डेवलपमेंट और वर्चुअल फ़ोकस ग्रुप। बड़े समूह भी इसमें उतर चुके हैं। Digiday के मुताबिक़ Havas ने $8.5 मिलियन के फ़ंडिंग राउंड में Vurvey का समर्थन किया, और Dentsu एक साल से ज़्यादा समय से Evidenza के साथ मिलकर मीडिया प्लानिंग में सिंथेटिक डेटा जोड़ रहा है।

वजह है समय। फ़ील्डवर्क में हफ़्ते लगते हैं। सिंथेटिक पैनल लंच से पहले जवाब दे देता है। जिस एजेंसी की शुक्रवार को पिच हो, उसके लिए यह लालच छोड़ना मुश्किल है।

तो क्या सिंथेटिक ऑडियंस भरोसेमंद हैं?

यह इस पर निर्भर करता है कि आप उनसे क्या सवाल पूछते हैं, और इन्हें बनाने वाले लोग भी इनकी सीमाओं को लेकर खुलकर बात करते हैं। Vurvey के Chad Reynolds ने Digiday से कहा कि “LLM आपको बेल कर्व का शिखर देते हैं, यानी सबसे आम जवाब”, और इसीलिए उनकी कंपनी असली उपभोक्ताओं से मिले इनपुट जोड़ती है। TransUnion की Julie Clark ने कमज़ोर डेटा पर बने पर्सोना को लेकर आगाह किया: “आपको सही बुनियाद से शुरुआत करनी होगी।” Code & Theory के Stef Hoffman ने इसे सबसे सरल शब्दों में कहा: “यह विवेक को दिशा देता है, लेकिन विवेक की जगह नहीं लेता।”

बेल कर्व वाली बात से एजेंसियों को सबसे ज़्यादा चिंतित होना चाहिए। क्लाइंट सबसे आम जवाब के लिए पैसा नहीं देते। वे पैसा देते हैं ग़ैर-ज़ाहिर टेंशन के लिए, उस अल्पमत व्यवहार के लिए जो आगे चलकर ट्रेंड बन जाता है, उस चीज़ के लिए जो पूरी कैटेगरी से छूट गई है। औसत की ओर झुकने वाला टूल आइडिया को ख़ारिज करने में तो काम का है, पर असली आइडिया खोजने के लिए उस पर भरोसा करना जोखिम भरा है।

यह भी ग़ौर कीजिए कि रिपोर्टिंग कौन कर रहा है। ज़्यादातर सफलता की कहानियाँ वेंडरों और उनके क्लाइंट्स से आती हैं। यह उन्हें ख़ारिज करने की वजह नहीं है। यह जाँच करने की वजह है।

ऐसा बार-बार क्यों होता है: डेटा भ्रम प्रभाव

सिंथेटिक रिसर्च जिस वजह से असरदार लगती है, उसका सटीकता से बहुत कम लेना-देना है। इसे डेटा भ्रम प्रभाव कह लीजिए: कोई जवाब जितना ज़्यादा डेटा जैसा दिखता है, हम उस पर उतना ही ज़्यादा भरोसा करते हैं, चाहे वह डेटा कैसे भी बना हो। यह उस चीज़ का क़रीबी रिश्तेदार है जिसे मनोवैज्ञानिक वैधता का भ्रम (illusion of validity) कहते हैं: ऐसे आकलनों पर आत्मविश्वास महसूस करने की हमारी आदत जिनमें भविष्य बताने की क्षमता बहुत कम होती है।

सिंथेटिक आउटपुट धाराप्रवाह, आँकड़ों में ढले और करीने से लेबल किए हुए आते हैं। कल्पना कीजिए कि “पर्यावरण के प्रति जागरूक Gen Z ख़रीदारों” का एक सिम्युलेटेड पैनल बताता है कि उनमें से ज़्यादातर रीफ़िल होने वाली पैकेजिंग के लिए ज़्यादा पैसे देंगे। यह किसी नतीजे जैसा लगता है। असल में यह एक मॉडल का अनुमान है कि ऐसे लोग क्या कह सकते हैं। इसे प्रतिशत के साथ किसी स्लाइड पर डाल दीजिए, और मंगलवार तक यह तथ्य बन जाता है।

इसके पीछे की इनसाइट ऐसी है जिसे हर प्लानर को अपनी डेस्क के ऊपर टाँग लेना चाहिए: डेटा पैटर्न दिखाता है, लेकिन इंसानियत को परिभाषित नहीं कर सकता। पैटर्न उपयोगी हैं। पर वे लोग नहीं हैं।

किस काम के लिए ऑडियंस डेटा का कौन-सा स्रोत इस्तेमाल करूँ?

कोई भी एक स्रोत अपने-आप में भरोसेमंद नहीं है। भरोसा ऐसे स्रोतों को मिलाने से आता है जिनकी कमज़ोरियाँ एक-दूसरे से मेल नहीं खातीं।

एजेंसियाँ सिंथेटिक ऑडियंस को भरोसेमंद कैसे बनाए रखती हैं?

1. पूछें कि यह किस आधार पर बना है। कौन-से स्रोत, कितने ताज़ा, और कितनी बार अपडेट होते हैं। जो वेंडर इसका जवाब नहीं दे सकता, वह आपसे अपने क्लाइंट के पैसे के मामले में एक ब्लैक बॉक्स पर भरोसा करने को कह रहा है।
2. सिंथेटिक ऑडियंस से निष्कर्ष नहीं, परिकल्पनाएँ निकालें। पैनल को दस क्रिएटिव दिशाओं को छाँटकर तीन तक लाने दें। विजेता उसे न चुनने दें।
3. हर परिकल्पना को देखे गए व्यवहार पर टिकाएँ। जाँचें कि क्या असली लोग सच में वही कह, शेयर या कर रहे हैं जिसका अनुमान पैनल लगाता है। अगर आपको प्रमाण न मिले, तो उस नतीजे को अप्रमाणित मानें।
4. अहम फ़ैसलों की पुष्टि बाज़ार में करें। Digiday की रिपोर्ट के मुताबिक़ Goodway, Arima के टूल से सिम्युलेटेड माहौल में इंक्रीमेंटैलिटी टेस्ट चलाएगी और फिर छोटे पैमाने के मीडिया एक्टिवेशन से नतीजों की जाँच करेगी। यही सही सोच है।
5. डेक की हर इनसाइट पर लेबल लगाएँ। हर एक को सिंथेटिक, अवलोकन-आधारित या मापी गई के रूप में चिह्नित करें। क्लाइंट को यह जानने का हक़ है कि कौन-सी इनसाइट किस तरह की है, और आपकी अपनी स्ट्रैटेजी टीम को भी।
6. एक पेशेवर संशयवादी नियुक्त करें। Digiday के मुताबिक़ टीमों को “अपने नतीजों के प्रति एक पेशेवर अविश्वास बनाए रखना पड़ा”। किसी एक व्यक्ति की ज़िम्मेदारी तय करें कि वह पूछे: अगर यह ग़लत हो, तो हमें कैसे पता चलेगा?

असली प्रकाशित कंटेंट की भूमिका कहाँ है?

प्रकाशित कंटेंट लंगर का काम करता है। ऑडियंस और प्रतिस्पर्धी असल में जो पोस्ट करते हैं, वह बिना पूछे, ठोस और तारीख़ के साथ होता है, इसलिए उसकी जाँच की जा सकती है। इसकी अपनी सीमा भी है, क्योंकि इसमें पोस्ट करने वाले लोगों का प्रतिनिधित्व ज़रूरत से ज़्यादा होता है, और इसीलिए यह तालिका के बाकी स्रोतों के साथ मिलकर सबसे अच्छा काम करता है।

Defy Monitor के पीछे यही सिद्धांत है: AI का हर निष्कर्ष उसके पीछे की असली प्रकाशित पोस्ट तक ले जाता है, ताकि रणनीति सर्वे से नहीं, बल्कि ऑडियंस और प्रतिस्पर्धी असल में जो पब्लिश करते हैं, उससे रिवर्स-इंजीनियर की जाए। पर्सोना असली बातचीत को क्लस्टर करके बनाए जाते हैं, जिससे सिंथेटिक नतीजों को परखने के लिए एक ठोस आधार मिलता है। आप देख सकते हैं कि यह Defy प्लेटफ़ॉर्म में कहाँ फ़िट होता है।

सिंथेटिक ऑडियंस यहाँ टिकने के लिए आई हैं, और वे एजेंसियों को तेज़ बनाएँगी। अपनी साख वही एजेंसियाँ बचा पाएँगी जो हर दावे के पीछे के असली लोगों को दिखा सकें।