กลุ่มเป้าหมายสังเคราะห์กำลังมาแรง นี่คือวิธีที่เอเจนซีรักษาให้มันซื่อตรง

กลุ่มเป้าหมายสังเคราะห์เป็นแหล่งอินไซต์กลุ่มเป้าหมายที่เชื่อถือได้หรือไม่? เชื่อถือได้ในเรื่องความเร็ว การตั้งสมมติฐาน และการทดสอบสถานการณ์ แต่ไม่ใช่สิ่งทดแทนคนจริง เอเจนซีที่ได้ประโยชน์จากมันมองทุกข้อค้นพบจากข้อมูลสังเคราะห์เป็นคำถามที่ต้องตรวจสอบ ไม่ใช่คำตอบที่พร้อมนำเสนอ

การนำมาใช้กำลังเร่งตัวอย่างรวดเร็ว Digiday รายงานว่าเอเจนซีและแบรนด์กำลังนำกลุ่มเป้าหมายสังเคราะห์ออกจากห้องทดลองมาใช้ในการวางแผนประจำวัน Aveeno Body ลดเวลาเขียนบรีฟกลยุทธ์จากราว 30 วันเหลือสามวันด้วยงานวิจัยสังเคราะห์ของ Vurvey และ Goodway Group ได้เพิ่ม “ประชากรสังเคราะห์” ของ Arima ซึ่งเป็นผู้บริโภคในสหรัฐฯ สหราชอาณาจักร และเยอรมนี เข้าไปในการวางแผนสื่อ ในฝรั่งเศส Stratégies รายงานว่า Patrick van Bloeme ซึ่งบริหารบริษัทวิจัยมา 30 ปี รวมถึง Harris Interactive และ Toluna ได้เปิดตัว Limpid ซึ่งทำการศึกษาเชิงคุณภาพกับเพอร์โซนาสังเคราะห์โดยไม่มีผู้ตอบที่เป็นมนุษย์ ภายในเวลาไม่กี่ชั่วโมง ที่น่าสังเกตคือ Limpid “ne revendique pas de représentativité statistique” หรือไม่ได้อ้างว่ามีความเป็นตัวแทนทางสถิติ

กลุ่มเป้าหมายสังเคราะห์คืออะไร และทำไมเอเจนซีจึงหันมาใช้ในตอนนี้?

กลุ่มเป้าหมายสังเคราะห์คือชุดเพอร์โซนาที่สร้างโดย AI หรือประชากรจำลอง ซึ่งออกแบบมาเพื่อคาดการณ์ว่ากลุ่มคนจริงอาจคิดหรือตอบสนองอย่างไร ผู้ให้บริการแต่ละรายสร้างจากวัตถุดิบที่ต่างกัน Digiday อธิบายว่า Arima ใช้ข้อมูลสำมะโนประชากร ตัวเลขจาก US Bureau of Labor Statistics ข้อมูลแบบสำรวจของ Nielsen และแบบสำรวจที่ออกแบบเฉพาะ ส่วน Vurvey ผสานข้อมูลสาธารณะเข้ากับแบบสำรวจวิดีโอเชิงคุณภาพจากผู้บริโภคจริง

กรณีการใช้งานมีหลากหลาย ทั้งการทดสอบผลส่วนเพิ่มแบบจำลอง บรีฟกลยุทธ์ การพัฒนาผลิตภัณฑ์ และการสนทนากลุ่มเสมือน กลุ่มบริษัทใหญ่ก็เข้ามาร่วมแล้ว ตามรายงานของ Digiday Havas สนับสนุน Vurvey ในการระดมทุนรอบมูลค่า 8.5 ล้านดอลลาร์สหรัฐ และ Dentsu ทำงานร่วมกับ Evidenza เพื่อเพิ่มข้อมูลสังเคราะห์เข้าไปในการวางแผนสื่อมานานกว่าหนึ่งปีแล้ว

เหตุผลคือเวลา งานภาคสนามใช้เวลาหลายสัปดาห์ แต่กลุ่มตัวอย่างสังเคราะห์ตอบได้ก่อนพักเที่ยง สำหรับเอเจนซีที่มีพิตช์งานในวันศุกร์ นี่คือสิ่งที่ยากจะต้านทาน

แล้วกลุ่มเป้าหมายสังเคราะห์เชื่อถือได้หรือไม่?

ขึ้นอยู่กับคำถามที่คุณถาม และแม้แต่คนที่สร้างมันขึ้นมาก็พูดถึงข้อจำกัดอย่างตรงไปตรงมา Chad Reynolds จาก Vurvey บอกกับ Digiday ว่า “LLM ให้คำตอบที่อยู่บนยอดของโค้งระฆัง ซึ่งก็คือคำตอบที่พบบ่อยที่สุด” นี่คือเหตุผลที่บริษัทของเขาเพิ่มข้อมูลจากผู้บริโภคจริงเข้าไป Julie Clark จาก TransUnion เตือนถึงเพอร์โซนาที่สร้างบนข้อมูลที่อ่อนแอว่า “คุณต้องเริ่มจากรากฐานที่ถูกต้อง” และ Stef Hoffman จาก Code & Theory สรุปไว้อย่างเรียบง่ายที่สุดว่า “มันช่วยประกอบวิจารณญาณ แต่ไม่ได้มาแทนที่วิจารณญาณ”

ประเด็นเรื่องโค้งระฆังคือสิ่งที่เอเจนซีควรกังวลมากที่สุด ลูกค้าไม่ได้จ่ายเงินเพื่อคำตอบที่พบบ่อยที่สุด แต่จ่ายเพื่อประเด็นขัดแย้งที่ไม่ชัดเจน พฤติกรรมของคนกลุ่มน้อยที่กลายเป็นเทรนด์ และสิ่งที่คนทั้งหมวดหมู่มองข้ามไป เครื่องมือที่โน้มเอียงไปหาค่าเฉลี่ยมีประโยชน์ในการตัดไอเดียทิ้ง แต่มีความเสี่ยงหากใช้ในการค้นหาไอเดีย

สังเกตด้วยว่าใครเป็นคนรายงาน เรื่องราวความสำเร็จส่วนใหญ่มาจากผู้ให้บริการและลูกค้าของพวกเขา นั่นไม่ใช่เหตุผลที่จะปัดตกเรื่องเหล่านั้น แต่เป็นเหตุผลที่ต้องตรวจสอบ

เหตุที่เกิดขึ้นซ้ำแล้วซ้ำเล่า: ปรากฏการณ์ภาพลวงของข้อมูล

งานวิจัยสังเคราะห์โน้มน้าวใจได้ดีด้วยเหตุผลที่แทบไม่เกี่ยวกับความแม่นยำ เราอาจเรียกมันว่าปรากฏการณ์ภาพลวงของข้อมูล (data illusion effect) ยิ่งคำตอบดูเหมือนข้อมูลมากเท่าไร เราก็ยิ่งเชื่อมันมากเท่านั้น ไม่ว่าข้อมูลนั้นจะถูกสร้างขึ้นมาอย่างไร มันเป็นญาติใกล้ชิดกับสิ่งที่นักจิตวิทยาเรียกว่าภาพลวงของความถูกต้อง (illusion of validity) ซึ่งคือนิสัยของเราที่รู้สึกมั่นใจในการตัดสินที่แทบไม่มีพลังในการทำนาย

ผลลัพธ์สังเคราะห์มาถึงในรูปแบบที่ลื่นไหล เป็นตัวเลข และติดป้ายไว้อย่างเรียบร้อย ลองนึกภาพกลุ่มตัวอย่างจำลองของ “นักช้อป Gen Z ที่ใส่ใจสิ่งแวดล้อม” ที่รายงานว่าส่วนใหญ่ยินดีจ่ายแพงขึ้นสำหรับบรรจุภัณฑ์แบบเติมได้ มันอ่านแล้วเหมือนข้อค้นพบ แต่ที่จริงคือการประมาณของโมเดลว่าคนกลุ่มนั้นอาจพูดอะไร ใส่มันลงในสไลด์พร้อมเปอร์เซ็นต์ แล้วมันจะกลายเป็นข้อเท็จจริงภายในวันอังคาร

อินไซต์ที่อยู่เบื้องลึกคือสิ่งที่นักวางแผนทุกคนควรติดไว้เหนือโต๊ะทำงาน ข้อมูลเผยให้เห็นรูปแบบ แต่ไม่อาจนิยามความเป็นมนุษย์ได้ รูปแบบมีประโยชน์ แต่รูปแบบไม่ใช่คน

ควรใช้แหล่งข้อมูลกลุ่มเป้าหมายแบบไหนกับงานอะไร?

ไม่มีแหล่งข้อมูลใดเชื่อถือได้เพียงลำพัง ความน่าเชื่อถือมาจากการผสานแหล่งข้อมูลที่มีจุดอ่อนไม่ทับซ้อนกัน

เอเจนซีรักษาให้กลุ่มเป้าหมายสังเคราะห์ซื่อตรงได้อย่างไร?

1. ถามว่ามันสร้างขึ้นจากอะไร ใช้แหล่งข้อมูลใด ใหม่แค่ไหน และอัปเดตบ่อยเพียงใด ผู้ให้บริการที่ตอบคำถามนี้ไม่ได้ กำลังขอให้คุณฝากเงินของลูกค้าไว้กับกล่องดำ
2. ใช้ข้อมูลสังเคราะห์เพื่อสร้างสมมติฐาน ไม่ใช่ข้อสรุป ให้กลุ่มตัวอย่างสังเคราะห์ช่วยคัดสิบแนวทางให้เหลือสาม แต่อย่าให้มันเป็นผู้เลือกผู้ชนะ
3. ยึดแต่ละสมมติฐานไว้กับพฤติกรรมที่สังเกตได้ ตรวจสอบว่าคนจริงพูด แชร์ หรือทำสิ่งที่กลุ่มตัวอย่างคาดการณ์ไว้จริงหรือไม่ หากหาหลักฐานไม่พบ ให้ถือว่าข้อค้นพบนั้นยังไม่ได้รับการพิสูจน์
4. ยืนยันการตัดสินใจที่สำคัญในตลาดจริง Digiday รายงานว่า Goodway จะใช้เครื่องมือของ Arima ทำการทดสอบผลส่วนเพิ่มในสภาพแวดล้อมจำลอง แล้วตรวจสอบผลด้วยการลงสื่อจริงขนาดเล็ก นั่นคือสัญชาตญาณที่ถูกต้อง
5. ติดป้ายทุกอินไซต์ในเด็ค ระบุว่าแต่ละข้อเป็นข้อมูลสังเคราะห์ ข้อมูลที่สังเกตได้ หรือข้อมูลที่วัดผลจริง ลูกค้าสมควรได้รู้ว่าอะไรเป็นอะไร และทีมกลยุทธ์ของคุณเองก็เช่นกัน
6. แต่งตั้งผู้ตั้งข้อสงสัยมืออาชีพ Digiday ระบุว่าทีมต่าง ๆ “ต้องรักษาความไม่ไว้วางใจอย่างมืออาชีพต่อข้อค้นพบของตนเอง” ทำให้การตั้งคำถามนี้เป็นหน้าที่ของใครสักคน: เราจะรู้ได้อย่างไรหากสิ่งนี้ผิด?

คอนเทนต์ที่เผยแพร่จริงมีบทบาทตรงไหน?

คอนเทนต์ที่เผยแพร่คือจุดยึด สิ่งที่กลุ่มเป้าหมายและคู่แข่งโพสต์จริงเกิดขึ้นเองโดยไม่ต้องกระตุ้น มีความเฉพาะเจาะจง และระบุวันที่ชัดเจน จึงตรวจสอบได้ แต่มันก็มีจุดบอดของตัวเอง เพราะสะท้อนคนที่ชอบโพสต์มากเกินสัดส่วน ซึ่งเป็นเหตุผลที่มันได้ผลดีที่สุดเมื่อใช้ร่วมกับแหล่งข้อมูลอื่นในตาราง

นี่คือหลักการเบื้องหลัง Defy Monitor ทุกข้อสรุปของ AI สืบย้อนกลับไปยังโพสต์ที่เผยแพร่จริงซึ่งอยู่เบื้องหลัง กลยุทธ์จึงถูกถอดย้อนกลับจากสิ่งที่กลุ่มเป้าหมายและคู่แข่งเผยแพร่จริง แทนที่จะมาจากแบบสำรวจ เพอร์โซนาถูกจัดกลุ่มจากบทสนทนาจริง ซึ่งทำให้ข้อค้นพบจากข้อมูลสังเคราะห์มีสิ่งที่จับต้องได้ให้ตรวจสอบเทียบ คุณสามารถดูว่าสิ่งนี้อยู่ตรงไหนใน แพลตฟอร์ม Defy

กลุ่มเป้าหมายสังเคราะห์จะอยู่กับเราต่อไป และจะทำให้เอเจนซีทำงานได้เร็วขึ้น เอเจนซีที่รักษาความน่าเชื่อถือไว้ได้ คือเอเจนซีที่แสดงให้เห็นได้ว่าทุกข้อกล่าวอ้างมีคนจริงอยู่เบื้องหลัง