Người tiêu dùng tổng hợp chứng minh khả năng ứng dụng thực tiễn

• Người tiêu dùng/khách hàng tổng hợp (Synthetic Consumer), tức việc tái hiện khách hàng thực bằng AI, đang vượt ra ngoài khám phá định tính để được dùng trong phân tích định lượng có thể lặp lại, qua đó tăng tốc phát triển sản phẩm, thử nghiệm marketing và đào tạo nhân sự tuyến đầu
• Khi tạo digital twin hoặc persona theo từng phân khúc bằng dữ liệu riêng của doanh nghiệp như giao dịch, hành vi, nhân khẩu học và ý kiến khách hàng, bối cảnh và độ tin cậy sẽ cao hơn so với khi chỉ dựa vào dữ liệu bên ngoài
• Một phép kiểm chứng ngược trên nghiên cứu conjoint trước đây của một công ty công nghệ tiêu dùng cho thấy digital twin tổng hợp tái hiện khoảng 90% các kết quả cốt lõi, gồm các thuộc tính chính, tỷ lệ thị phần ưu tiên sản phẩm và quyết định danh mục
• Bằng cách thử nghiệm rộng rãi các tổ hợp giá và tính năng, loại bỏ sớm ý tưởng yếu và kiểm chứng trước các nhóm khách hàng khó tiếp cận, doanh nghiệp có thể tập trung nghiên cứu trên con người vào những câu hỏi có giá trị cao
• Giai đoạn đầu nên dùng để bổ trợ, thay vì thay thế, các nghiên cứu hiện có; cần kiểm chứng ngược, kiểm soát dữ liệu riêng, kết hợp tự xây dựng và mua ngoài, cũng như cải tổ quy trình làm việc và governance. LLM không có khả năng đồng cảm thực sự, nên phán đoán của con người vẫn tiếp tục quan trọng

---

Định nghĩa người tiêu dùng tổng hợp và bối cảnh áp dụng

• Người tiêu dùng tổng hợp là biểu diễn do AI tạo ra, mô phỏng hành vi, sở thích và quá trình ra quyết định của khách hàng thực
  • Có thể được tạo dưới dạng digital twin tái hiện từng khách hàng một, hoặc persona dựa trên phân khúc khách hàng
  • Kết hợp dữ liệu nội bộ như giao dịch, hành vi, nhân khẩu học, khảo sát ý kiến khách hàng với dữ liệu bên ngoài như đánh giá sản phẩm và dữ liệu thu thập từ mạng xã hội
• Nhu cầu liên tục nắm bắt hiệu quả của sản phẩm và dịch vụ đã vượt quá giới hạn của các phương pháp nghiên cứu hiện có; yêu cầu giảm tốc độ, chi phí và rủi ro đã thúc đẩy việc áp dụng khách hàng đại diện số
• Những doanh nghiệp lặp nhanh, thử nghiệm nhiều ý tưởng hơn và loại bỏ sớm các concept yếu đạt hiệu quả cao bền vững hơn so với các doanh nghiệp bị ràng buộc trong chu kỳ insight một lần, chậm và rời rạc
• Việc ứng dụng trong doanh nghiệp thực tế cũng đã bắt đầu
  • US Bank dùng khán giả tổng hợp để hiểu cách các phân khúc khách hàng, bao gồm hộ gia đình có tài sản lớn, suy nghĩ về các chủ đề tài chính, đồng thời thử nghiệm và cải thiện thông điệp cùng nội dung quảng cáo trước khi ra mắt
  • Target mô phỏng phản ứng của người tiêu dùng với sản phẩm và chương trình khuyến mãi bằng khán giả tổng hợp trước khi tiến hành thử nghiệm thực tế trên website

Giới hạn mang tính cấu trúc của nghiên cứu khách hàng truyền thống

• Nghiên cứu truyền thống vẫn có giá trị, nhưng phân tích conjoint và mô hình lựa chọn rời rạc có giới hạn về số lượng mức giá, tính năng và hiệu ứng tương tác có thể thử nghiệm một cách thực tế
  • Sau khi nghiên cứu kết thúc, có thể phát sinh yêu cầu đáng lẽ phải thử thêm nhiều biến hơn, hoặc phải ngoại suy các kết quả nằm ngoài phạm vi thử nghiệm, khiến việc học hỏi chậm hơn và độ bất định tăng lên
• Khảo sát trên con người gần đây đối mặt với tình trạng gian lận phản hồi gia tăng và chênh lệch về chất lượng tham gia, nên để có dữ liệu hợp lệ cần mẫu lớn hơn hoặc quản lý chất lượng tốn kém hơn
  • Cần liên tục cải thiện các biện pháp phòng vệ để đối phó việc bot xâm nhập khảo sát
  • Vấn đề kinh điển rằng những gì con người nói khác với hành vi thực tế vẫn còn tồn tại
• Trong thị trường B2B, có thể khó đảm bảo một mẫu đáng tin cậy vì số lượng khách hàng trọng yếu, như CFO trong một ngành cụ thể, vốn rất ít

Dữ liệu riêng nâng cao hiệu năng phân tích định lượng

• Các đội sản phẩm, chiến lược và marketing dùng công cụ AI thương mại để thu được insight định tính về tính năng, giá và thông điệp, nhưng các công cụ này thường thiếu nền tảng dữ liệu khách hàng riêng, kiểm chứng thống kê và governance rõ ràng
• Các LLM gần đây đã cải thiện năng lực suy luận trong tác vụ có cấu trúc, ổn định hơn trong phán đoán đánh đổi và cũng căn chỉnh tốt hơn với mô thức ra quyết định của con người
• Một công ty công nghệ tiêu dùng đã dùng nghiên cứu conjoint định lượng quy mô lớn trước đây làm dữ liệu đáp án để kiểm chứng ngược kết quả tổng hợp
  • Tạo digital twin từ dữ liệu cấp người trả lời trong quá khứ và thực hiện cùng nhiệm vụ như nghiên cứu gốc
  • Nghiên cứu gốc dùng để kiểm chứng được loại khỏi dữ liệu huấn luyện đầu vào của mô hình
  • Digital twin tái hiện khoảng 90% kết quả cốt lõi của nghiên cứu gốc
    • Xác định các tính năng có ảnh hưởng lớn nhất đến lựa chọn của khách hàng
    • Tái hiện tỷ lệ thị phần ưu tiên của phần lớn sản phẩm được thử nghiệm
    • Tái hiện đúng các quyết định cấp danh mục về sản phẩm nào nên ra mắt hoặc duy trì
    • Tạo ra các đường cong độ nhạy giá ban đầu cho thấy tiềm năng

Kiểm chứng so sánh với khảo sát người tiêu dùng GLP-1

• Khi so sánh người tiêu dùng tổng hợp với khảo sát người tiêu dùng thực hiện trước đó về thái độ, mức sử dụng và hành vi liên quan đến thuốc GLP-1, kết quả thu được tương tự
  • Nhập dữ liệu nhân khẩu học và thái độ để tạo người trả lời tổng hợp
  • Đánh giá câu trả lời cho câu hỏi đóng và câu hỏi thang điểm 5
• Kết quả tổng hợp khớp sát với phản hồi của con người, và độ phân tán chỉ tăng lên khi câu hỏi mơ hồ
• Việc đặt câu hỏi và nhiệm vụ nào cho LLM ảnh hưởng đến kết quả, nhưng người tiêu dùng tổng hợp đang dần đạt mức có thể tin cậy cả trong các mục đích định lượng
• Khi kết hợp dữ liệu bên ngoài với dữ liệu riêng độc quyền của doanh nghiệp, bối cảnh chi tiết được bổ sung và độ tin cậy của kết quả cũng tăng lên

Ứng dụng trong phát triển sản phẩm và marketing

• Người tiêu dùng tổng hợp có thể mở rộng kết quả nghiên cứu hiện có trong quá trình phát triển sản phẩm
  • Thử nghiệm các mức giá, gói bundle và tổ hợp tính năng mới mà không cần thực hiện lại nghiên cứu hiện trường từ đầu
  • Tinh chỉnh chi tiết và stress test phản ứng với thay đổi về sản phẩm, giá và thông điệp theo từng phân khúc khách hàng
  • Nhanh chóng sàng lọc concept, tính năng và thông điệp ban đầu để tập trung nghiên cứu trên con người vào những câu hỏi có giá trị nhất
  • Thử nghiệm với rủi ro thấp các phân khúc khó tiếp cận trước khi gặp các khách hàng thực hiếm có
• Các nguyên tắc tương tự có thể áp dụng không chỉ cho marketing trong ngành tiêu dùng mà cả B2B
  • Bằng cách mô phỏng persona người mua và avatar hội thoại, đội ngũ bán hàng có thể luyện tập xử lý phản đối, đồng thời cải thiện đề xuất giá trị và thông điệp
• Một công ty dịch vụ toàn cầu đã xây dựng persona tổng hợp từ dữ liệu trung thành Net Promoter® thu thập từ khách hàng trong nhiều năm
  • Đồng thời áp dụng kỹ thuật phân khúc thống kê lớp tiềm ẩn truyền thống trên cùng dữ liệu và đạt kết quả tương tự
  • Sau đó huấn luyện LLM bằng dữ liệu bên ngoài và tài liệu công khai để bổ sung bối cảnh
  • Đội ngũ bán hàng có thể luyện tập đề xuất với các persona lãnh đạo, bao gồm CIO coi trọng giá trị so với chi phí
  • Mô hình được mở rộng trong vài tuần và triển khai tới các văn phòng trên toàn thế giới

Chiến lược áp dụng để bổ trợ nghiên cứu hiện có

• Ở giai đoạn đầu, hiệu quả nhất là đưa người tiêu dùng tổng hợp vào như một lớp bổ trợ, thay vì thay thế các phương pháp nghiên cứu hiện có
  • Thu hẹp lựa chọn, stress test giả định và tập trung nghiên cứu trên con người vào các câu hỏi có giá trị cao
  • Có thể bắt đầu bằng proof of concept chứng minh độ chính xác
• Cần xem người tiêu dùng tổng hợp không phải một công cụ đơn lẻ, mà là năng lực của tổ chức
  • Doanh nghiệp cần trực tiếp kiểm soát cách định nghĩa persona, mô phỏng quyết định và xác thực đầu ra theo từng trường hợp sử dụng
• Việc áp dụng thành công cần bốn điều kiện
  • Kiểm chứng ngược: Cần chứng minh độ tin cậy bằng cách so sánh với nghiên cứu trong quá khứ để tổ chức có thể chấp nhận insight tổng hợp
  • Dữ liệu riêng: Dữ liệu và bối cảnh làm nền cho mô hình, như khảo sát khách hàng trước đây, dữ liệu giá và bán hàng, thuộc tính phân khúc, ý kiến khách hàng, quan trọng hơn lựa chọn mô hình
  • Cân bằng giữa tự xây dựng và mua ngoài: Sản phẩm của nhà cung cấp hữu ích cho các thử nghiệm ban đầu mang tính định tính hoặc có cấu trúc nhẹ, nhưng để dùng ở cấp ra quyết định, cần kết hợp với mô hình nội bộ nhằm kiểm soát dữ liệu, logic và học hỏi. Hiện chưa có sản phẩm thương mại nào đáp ứng mọi nhu cầu
  • Thay đổi mô hình vận hành: Cần thay đổi quy trình làm việc, quyền ra quyết định và governance, đồng thời điều chỉnh cách đặt câu hỏi để đội nghiên cứu cung cấp đầu vào tốt hơn cho khán giả tổng hợp. Cách phối hợp giữa đội nghiên cứu, sản phẩm và marketing cũng cần được thiết kế lại

Mở rộng thành hạ tầng insight thường trực

• Các doanh nghiệp dẫn đầu đang đạt được hiệu quả ban đầu: lặp nhanh hơn, dữ liệu và insight phong phú hơn, cùng độ chính xác cao hơn về kết quả thị trường thực tế
• Theo thời gian, người tiêu dùng tổng hợp có tiềm năng trở thành hạ tầng ra quyết định có thể tái sử dụng, tích lũy học hỏi của tổ chức
• Khi phạm vi áp dụng và trường hợp sử dụng mở rộng, nó có thể đóng vai trò nền tảng insight hoạt động thường trực trên toàn bộ sản phẩm, marketing và trải nghiệm khách hàng
• Độ sâu của dữ liệu riêng và học hỏi tích lũy trong hệ thống có thể trở thành lợi thế cạnh tranh bền vững, nhưng vì LLM không có khả năng đồng cảm thực sự nên không thể thay thế phán đoán của con người

[winterjung]

NVIDIA Nemotron-Personas-Korea - Bộ dữ liệu 1 triệu persona tổng hợp dựa trên phân bố dân số thực tế của Hàn Quốc Cái này cũng làm tôi nhớ tới.