ساخت پرسونای مشتری بر پایهی دادهی واقعی
پرسونایی که مدل از خودش میسازد تمیز است و به هیچ دردی نمیخورد. اینجا از تیکت پشتیبانی و دایرکت و یادداشت تماس فروش الگو بیرون میکشیم و پرسونایی میسازیم که تیم فروش تأییدش کند.
روی دیوار اتاق بازاریابی یک فروشگاه اینترنتی قهوه، پوستر پرسونا چسبانده بودند: «سارا، ۲۸ ساله، گرافیست، عاشق کافهگردی و سفر». شش ماه محتوا برای سارا ساخته شد. بعد یک نفر ششصد تیکت پشتیبانی و دایرکت اینستاگرام را خواند و دید بیشتر سفارشهای بزرگ را مسئول دفتر شرکتها ثبت میکند؛ کسی که فقط میخواهد قهوهی آبدارخانه وسط هفته تمام نشود و فاکتور رسمی هم بگیرد. سارا وجود نداشت.
پرسونای ساختگی از نداشتن پرسونا بدتر است. وقتی پرسونایی ندارید، تیم میداند که نمیداند و میپرسد. وقتی یک برگهی خوشساخت روی دیوار است، تیم فکر میکند میداند و دیگر نمیپرسد.
خبر خوب این است که دادهاش را از قبل دارید؛ فقط پراکنده است و کسی وقت نکرده بخواندش. و این دقیقاً کاری است که مدل زبانی خوب انجام میدهد: خواندن انبوه متن نامرتب و بیرون کشیدن الگو.
چرا مدل نباید پرسونا «بسازد»
اگر بنویسید «برای فروشگاه قهوهی من سه پرسونای مشتری بساز»، سه پرسونا میگیرید. مرتب، خوشساخت و کاملاً بیربط. آن خروجی میانگین چیزی است که مدل در متنهای بازاریابی جهان دیده، نه چیزی که در بازار شما اتفاق میافتد. سازوکارش همان است که در توهم هوش مصنوعی باز شده: جای خالی با محتملترین حدس پر میشود و حدس محتمل با واقعیت شما یکی نیست.
قاعده ساده است. مدل حق ندارد چیزی بنویسد که در دادهی ورودی نباشد، و باید بتوانید رد هر جمله را به یک تیکت مشخص برسانید.
دادهای که همین حالا در دست دارید
- تیکتهای پشتیبانی شش ماه گذشته؛ بهترین منبع، چون مشتری با کلمات خودش حرف زده.
- دایرکت و کامنت اینستاگرام، مخصوصاً سؤالهای پیش از خرید.
- نظرهای ثبتشده زیر محصول. نظرهای سهستاره معمولاً صادقتریناند.
- یادداشت تماسهای فروش؛ اگر نیست، از فروشنده بخواهید دو هفته بنویسد.
- عبارتهایی که در جستوجوی داخلی سایت تایپ میشود و صفحههای ورودی در سرچ کنسول.
روش خواندن انبوه این متنها در تحلیل نظرات مشتری باز شده، و اگر تیکتها در یک سامانه جمع است، هوش مصنوعی در پشتیبانی نشان میدهد چطور خروجی بگیرید.
نام، شمارهی تماس، آدرس و شمارهی سفارش را حذف کنید. برای پیدا کردن الگو هیچکدام لازم نیست و فرستادنشان به سرویس بیرونی هم ریسک دارد هم اعتماد مشتری را زیر پا میگذارد. یک جایگزینی ساده در اکسل کافی است؛ بقیهی مرزها در امنیت اطلاعات در هوش مصنوعی آمده.
اجزای پرسونایی که به کار میآید
بیشتر قالبهای رایج پر از فیلدهایی است که هیچ تصمیمی را عوض نمیکنند: سن، شغل، سرگرمی، عکس استوک. اجزای زیر آنهایی است که واقعاً به کار میآید.
| جزء | سؤالی که جواب میدهد | نمونهی بیرونآمده از تیکتها |
|---|---|---|
| کار در دست | ما را برای چه کاری استخدام میکند؟ | «قهوهی آبدارخانه وسط هفته تمام نشود» |
| مانع | چه چیزی خرید را عقب انداخته؟ | «نمیدانم برای بیست نفر چند کیلو لازم است» |
| معیار انتخاب | بین دو گزینه با چه چیزی تصمیم میگیرد؟ | فاکتور رسمی، تحویل زیر ۴۸ ساعت |
| جای اطلاعاتگیری | پیش از خرید کجا را نگاه میکند؟ | معرفی همکار، جستوجوی «قهوه اداری» |
| واژههای خودش | با چه کلماتی از مسئله حرف میزند؟ | «ملایم باشد، تلخ نباشد» |
| اسم و سن و عکس | هیچ؛ فقط ارجاع در جلسه را راحت میکند | اختیاری، آخر از همه |
ریشهی این نگاه، همان مفهوم پرسونا در تجربهی کاربری است که از ابتدا قرار بود ابزار تصمیم باشد، نه پوستر دیواری.
پرامپت استخراج الگو از دادهی خام
این را در دستههای صد تا دویستتایی بدهید و خروجی هر دسته را نگه دارید؛ آخر کار جدولها را ادغام کنید.
نقش: تحلیلگر پژوهش مشتری.
ورودی: تیکتهای پشتیبانی زیر.
قواعد:
۱. فقط از همین متنها استفاده کن؛ چیزی از دانش عمومی اضافه نکن.
۲. هر الگو باید دستِکم پنج بار تکرار شده باشد.
۳. شمارهی دو تیکت نمونه را بنویس.
۴. اگر داده برای بخشی کافی نیست، بنویس «داده کافی نیست».
۵. جملههای مشتری را عیناً نقل کن.
خروجی، جدولی با این ستونها:
کار در دست | مانع | معیار انتخاب | جای اطلاعاتگیری | نقل قول مستقیم | تعداد تکرار
در پایان سه الگوی پرتکرار را نام ببر.بند چهارم مهمترین است؛ بدون آن مدل بهجای اعتراف به کمبود داده، جای خالی را پر میکند. الگوی نوشتن چنین قیدهایی در پرامپتنویسی فارسی آمده، و متنهای طولانی را میتوانید مستقیم در نارنگی بچسبانید.
آزمون واقعی: تیم فروش
پرسونا را بدون توضیح جلوی سه فروشنده بگذارید و یک سؤال بپرسید: «این آدم را میشناسی؟» اگر جواب مکث و «تقریباً» بود، رد شده. اگر گفتند «همانهایی که پنجشنبهها زنگ میزنند»، قبول است. بعد بخواهید دو مشتری واقعی نام ببرند که با توصیف میخوانند؛ اگر نتوانستند، سراغ داده برگردید. تیم فروش صادقترین داور است، چون هر روز با همین آدمها حرف میزند؛ نمونههای بیشتر در هوش مصنوعی برای فروشندگان.
جایی که این روش جواب نمیدهد
مدل فقط از کسانی حرف میزند که با شما تماس گرفتهاند. کسی که وارد سایت شد، قیمت را دید و بیصدا رفت، در هیچ تیکتی نیست — و مهمترین دلیل نخریدن معمولاً در همین سکوت است. هیچ ابزاری آن را از دادهی موجود بیرون نمیکشد؛ باید تلفن بزنید و بپرسید چه چیزی نزدیک بود منصرفشان کند. این همان سوگیری نمونه است که در تحلیل مضمونی هم گوشزد میشود.
سالی یک بار، نه هر هفته
پرسونا سندی نیست که هفتگی بهروز شود. سالی یک بار، یا هر وقت محصول و قیمت عوض شد، همان پرامپت را روی دادهی تازه اجرا کنید و دو نسخه را کنار هم بگذارید. تفاوتهای کوچک همانهایی هستند که خبر میدهند بازار دارد جابهجا میشود.
جمعبندی
پرسونای مشتری وقتی ارزش دارد که هر جملهاش از حرف واقعی یک مشتری درآمده باشد. مدل را خوانندهی خستگیناپذیر دادهی خام بدانید، نه نویسندهی خلاق: قید بگذارید، نقل قول بخواهید، و اجازه بدهید بگوید داده کافی نیست.
یک برگه، پنج جزء، و تأیید تیم فروش. همین کافی است و از ده اسلاید رنگی که کسی بازشان نمیکند بیشتر جواب میدهد.
برای ادامه:
