تجزیه و تحلیل مخاطب هدف و شخصیت: تقسیم بندی و بینش

سود:

• توانایی درک مفاهیم مخاطب هدف، بخش و پرسونا و استفاده از هوش مصنوعی با داده های مناسب برای تولید ترکیب بینش و پیش نویس شخصیت.
• امکان تطبیق بخش ها و پیام ها با پشتیبانی هوش مصنوعی، بر اساس داده های خام مشتری و تحقیقات بازار
• توانایی تشخیص اینکه یک شخصیت هوش مصنوعی پیش نویس فرضیات است و باید با داده های واقعی و اعتبار میدانی آزمایش شود.

گران ترین اشتباه در تبلیغات، گفتن پیام درست به فرد اشتباه است. مهم نیست که یک محصول چقدر خوب باشد یا یک شعار چقدر جذاب باشد، اگر به مخاطبی برسد که به آن اهمیتی نمی دهد، بودجه هدر می رود. بنابراین، اساس هر کمپین، مخاطب هدف است: گروهی از افراد با ویژگی های مشترک تعریف شده ای که تبلیغ می خواهد به آنها برسد. اما «مخاطب هدف» اغلب یک توده واحد نیست. این شامل زیر گروه هایی با نیازها و رفتارهای متفاوت است. این فرآیند تقسیم به زیر گروه ها را تقسیم بندی می نامند. برای اینکه هر بخش زنده تر و قابل استفاده تر شود، یک شخصیت خیالی که آن بخش را نشان می دهد ایجاد می شود. به این پرسونا (پرسونای خریدار) می گویند.

یک پرسونا توصیف انتزاعی مانند "زنان میانسال" را به شخصیتی ملموس و قابل پیام تبدیل می کند، مانند "زینپ، 38 ساله، مادر دو فرزند، تمام وقت کار می کند، برای محصولات صرفه جویی در زمان پول می پردازد، عصرها از طریق تلفن تصمیم می گیرد." هوش مصنوعی برای دو چیز در این واحد مفید است: ترکیب بینش از داده‌های خام و تولید طرح‌های شخصی. اما اجازه دهید هشدار انتقادی از ابتدا باشد: شخصیت هوش مصنوعی یک طرح فرضی است، نه مشتری واقعی. اگر بدون آزمایش آن با داده های واقعی بدیهی تلقی شود، یک رویای دروغین را تبلیغ می کنید.

بینش چیست و هوش مصنوعی به کجا کمک می کند

بینش در تبلیغات، کشفی است که دلیل واقعی رفتار مخاطب هدف را نشان می دهد. به عنوان مثال، "مردم مسواک می خرند" یک مشاهده است. "مردم در واقع به مسواک علاقه ای ندارند، اما به داشتن احساس آراستگی در صبح" یک بینش است. بینش خوب پیام را از سطح به عمق می برد. هوش مصنوعی می‌تواند به سرعت داده‌های شما (پاسخ‌های نظرسنجی، نظرات مشتریان، داده‌های فروش، مکالمات رسانه‌های اجتماعی) را بخواند و الگوها و مضامین را استخراج کند. این یک شتاب دهنده قدرتمند در شکار بینش است. اما موضوعی که هوش مصنوعی استخراج می کند یک فرضیه است. این به شما بستگی دارد که آن را با مشتری واقعی تأیید کنید.

نکته: داده‌های خام هوش مصنوعی (مانند نظرات مشتریان ناشناس) را ارائه دهید و بپرسید «چه موضوعات تکراری از آن بیرون می‌آیند؟» به جای اینکه از کسی بخواهیم از ابتدا یک پرسونا ایجاد کند، بسیار قابل اعتمادتر است که از آنها بخواهیم یک موضوع را از داده ها استخراج کنند.

گام به گام: از بخش به پیام

مرحله 1 - داده ها را جمع آوری و ناشناس کنید. نظرات مشتریان، پاسخ های نظرسنجی، سوابق فروش. اطلاعات شخصی مانند نام، ایمیل، تلفن را حذف کنید.

مرحله 2 - استخراج بخش. مخاطب را به زیر گروه‌های معنادار تقسیم کنید: بر اساس نیاز، رفتار، دفعات خرید، مرحله زندگی و غیره. می‌توانید داده‌ها را به هوش مصنوعی بدهید و از او بپرسید که "چند گروه رفتاری مختلف ظاهر می‌شوند؟"

مرحله 3 - یک پیش نویس پرسونا تهیه کنید. یک شخصیت برای هر بخش مهم: جمعیت شناسی، اهداف، نقاط درد، محرک خرید، نقاط اعتراض.

مرحله 4 - پیام را مطابقت دهید. تعیین کنید که کدام وعده، کدام لحن و کدام کانال مناسب هر شخصیت است.

مرحله 5 - تأیید کنید. تست شخصیت ها و بخش ها با داده های واقعی (ارقام فروش، نظرسنجی، مصاحبه میدانی). آنچه را که کار نمی کند به روز کنید.

جدول زیر دو شخصیت و پیام متفاوت را برای یک محصول (شوینده ماشین ظرفشویی) نشان می دهد:

مورد

شخصیت 1: "زینپ، که برنده زمان است"

Persona 2: "Safarrufçu Kemal"

نمایه

38، مادر شاغل، شاغل

55، بازنشسته، خریدار دقیق

نیاز اصلی

تمیز کردن سریع و بدون دردسر

استفاده طولانی مدت و اقتصادی

مانع

هیچ وقت

از هدر رفتن جلوگیری می کند

قول دادن

"به یکباره روشن، وقت توست"

"محصول کمتر، شستشوی بیشتر"

کانال مناسب

اینستاگرام، ویدیوی کوتاه

ضمیمه روزنامه، ایمیل

لحن

عملی، پر انرژی

قابل اعتماد، مقرون به صرفه

سه کیف کوچک

مورد 1 - بینش از داده ها. یک برند تجارت الکترونیک نتوانست زمانی را برای خواندن 800 نظر مشتری پیدا کند. او نظرات را به صورت ناشناس (نام/شماره سفارش حذف شده) به هوش مصنوعی داد و خواستار مضامین تکراری شد. YZ موضوع "رضایت به سرعت بالا می رود زمانی که سرعت حمل و نقل بیش از حد انتظار" را برجسته کرد. تیم این موضوع را با داده‌های فروش خود تأیید کرد و پیام کمپین را روی وعده «حمل و نقل در همان روز» متمرکز کرد. هوش مصنوعی موضوعی را ارائه کرد، انسان آن را تأیید کرد و آن را به یک تصمیم تبدیل کرد.

مورد 2 - هزینه شخصیت تایید نشده. یکی از برندهای اپلیکیشن به هوش مصنوعی گفت که فقط «پرسوناژهایی برای کاربران جوان تولید کند». YZ شخصیتی با عنوان "18-24 ساله، معتاد به رسانه های اجتماعی، حساس به قیمت" ارائه داد. تیم این را به عنوان واقعیت پذیرفت و کمپین را راه اندازی کرد. با این حال، داده های واقعی کاربران نشان داد که مخاطبان اصلی حرفه ای های 30-40 ساله بودند. بخشی از بودجه به دست مخاطبان اشتباه رفت. اشتباه: اعتماد به شخصیت ایجاد شده توسط هوش مصنوعی بدون نگاه کردن به داده ها.

مورد 3 - مقدار جداسازی بخش. یک باشگاه ورزشی همان پیام "تندرست بمان" را برای همه اعضا ارسال می کرد. تجزیه و تحلیل داده‌های اعضا به‌طور ناشناس با هوش مصنوعی دو بخش واضح را نشان داد: «تازه‌کاران خجالتی» و «جانبازان هدف‌گرا». هنگامی که دو پیام مختلف به دو گروه ارسال شد (یکی "گام اول آسان است" و دیگری "بر خودت غلبه کن")، نرخ پاسخ به طور قابل توجهی افزایش یافت. جداسازی بخش، پیام را به نقطه مورد نظر رساند.

چهار قالب قابل کپی

1) استخراج تم از نظرات:

در زیر نظرات مشتریان ناشناس (بدون اطلاعات نام/سفارش):[چسب کردن نظرات]وظیفه: (1) استخراج 5 موضوع تکراری (رضایت و شکایت جداگانه). (2) تعداد نظرات نمونه را برای هر موضوع تخمین بزنید و نقل قول ارائه کنید. هیچ موضوعی را که در داده ها نیست ایجاد نکنید. بیان کنید که مطمئن نیستید.

2) طرح کلی بخش:

محصول: [محصول]. در زیر مشخصات مشتری ناشناس آمده است: [داده/خلاصه]. وظیفه: این مخاطب را بر اساس نیاز و رفتار به 3-4 بخش تقسیم کنید. برای هر بخش: برچسب، ویژگی متمایز، نیاز کلیدی، محرک خرید. این یک طرح اولیه است. فرض کنید من با داده های واقعی تأیید می کنم.

3) مولد پرسونا:

بخش: "[نام بخش و خلاصه]". وظیفه: یک پیش نویس پرسونا بنویسید که این بخش را نشان دهد. محتوا: نام، محدوده سنی، وضعیت زندگی، اهداف، موانع (نقاط دردناک)، اعتراضات قبل از خرید، در کدام کانال وقت می گذارد. در عنوان ذکر کنید که یک فرض است نه یک شخص واقعی.

4) تطبیق پیام شخصی:

شخصیت های من: [خلاصه شخصیت 1]، [خلاصه شخصیت 2]. وعده محصول: [وعده]. وظیفه: برای هر شخصیت: مناسب ترین پیام یک جمله ای، لحن، کانال اولویت، و پاسخ به اعتراض احتمالی. ادعایی که نیاز به مدرک دارد.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

یک شخصیت مخاطب هدف برای محصول من ایجاد کنید.

بدون داده، بدون محصول، بدون زمینه. هوش مصنوعی بدون تعمیم کامل شخصیت ها را می سازد، آنها را نمی توان تأیید کرد.

اعلان قدرتمند:

محصول: ترموستات هوشمند برای خانه. قیمت: بخش متوسط ​​​​بالا. در زیر خلاصه ای از داده های مشتری ناشناس آمده است: - اکثر خریداران 35 تا 50 سال سن دارند، صاحب خانه هستند، به فناوری علاقه دارند. - بیشترین مزیت ذکر شده: صرفه جویی در صورتحساب و راحتی. - بیشترین اعتراض: نگرانی در مورد مشکل در نصب. وظیفه: از این داده ها 2 طرح پرسونا ایجاد کنید. برای هر کدام، هدف، مانع، ماشه خرید، پاسخ به اعتراض نصب و کانال مناسب. بیان کنید که این فرضی است که باید تأیید شود. چیزی را که در داده ها نیست، درست نکنید.

ادعای دوم مبتنی بر داده های واقعی است. خروجی هنوز در برابر داده های میدانی و فروش آزمایش می شود.

اشتباهات رایج

• درخواست پرسونا بدون ارائه داده هوش مصنوعی بدون تعمیم می سازد. این ممکن است مخاطب واقعی را منعکس نکند.
• اشتباه گرفتن شخصیت واقعی پرسونا یک فرضیه است. تا زمانی که با فروش و داده های میدانی تأیید نشود، نمی توان آن را مبنایی برای تصمیم گیری قرار داد.
• با فرض یک مخاطب. تقسیم نکردن نیازهای مختلف پیام را برای همه یکسان و بی اثر می کند.
• چسباندن اطلاعات شخصی در ابزار نام، ایمیل، شماره تلفن در محدوده KVKK است. ناشناس کردن
• اصلا پرسونا رو آپدیت نمیکنه تغییر رفتار جمعی؛ پرسونا یک سند زنده است.

احتیاط: هرچه پرسونا واضح تر نوشته شود، احساس "واقعی" بیشتری دارد. این یک تله است. سرزندگی به معنای دقت نیست. هر شخصیت را با این سوال آزمایش کنید که "چه داده هایی از این پشتیبانی می کنند؟"

به طور خلاصه

تجزیه و تحلیل مخاطبان هدف، اساس ارائه پیام مناسب به فرد مناسب است. تقسیم بندی مخاطب را به زیر گروه های معنادار تقسیم می کند. Persona هر بخش را به یک کاراکتر مشخص تبدیل می کند که می توان از آن یک پیام تولید کرد. هوش مصنوعی شتاب‌دهنده‌ای قدرتمند در استخراج مضامین و بینش از داده‌های ناشناس و تولید شخصیت‌ها است. با این حال، هر بخش و شخصیتی که هوش مصنوعی تولید می کند یک طرح فرضی است. این نمی تواند به عنوان مبنایی برای تصمیم گیری ها بدون تأیید با فروش واقعی، بررسی ها و داده های میدانی باشد. داده های شخصی همیشه به صورت ناشناس استفاده می شود.

وظیفه کاربردی

یک محصول را انتخاب کنید. (1) اطلاعات واقعی یا فرضی مشتری خود را در یک خلاصه ناشناس جمع آوری کنید. (2) 3 بخش را با الگوی "Segment sketch" استخراج کنید. (3) یک بخش را با یک "پرسونا مولد" به یک شخصیت زنده تبدیل کنید. (4) یک پیام، لحن و کانال خاصی را برای این پرسونا با "تطابق پیام شخصی" تنظیم کنید. (5) مهمتر از همه: بنویسید که کدام 3 منبع داده واقعی (فروش، نظرسنجی، مصاحبه) را برای اعتبارسنجی این شخصیت بررسی خواهید کرد. هیچ شخصیت تایید نشده ای را به عنوان "حتمی" علامت گذاری نکنید.

چک لیست

• [ ] من اطلاعات مشتری را قبل از دادن آن به ابزار ناشناس کردم.
• [ ] من توده را به عنوان بخش ها در نظر گرفتم، نه یک توده.
• [ ] من به افراد هوش مصنوعی برچسب «طرح فرضیه» زدم.
• [ ] من پیام، لحن و کانال را برای هر شخصیت مطابقت دادم.
• [ ] من منابع داده واقعی را شناسایی کرده ام که از آن ها پرسوناها را تأیید خواهم کرد.
• [ ] من برای به روز نگه داشتن پرسونا و بخش ها برنامه ریزی کردم.