59: Syntetyczna Persona rewolucjonizuje marketing

Od zawsze wiemy, że badania i analiza klientów jest fundamentem brandingu. Ale do tej pory miało to tylko częściowy sens, bo cały ten wysiłek nie był w pełni wykorzystywany. Po stworzeniu strategii zgromadzone informacje po prostu ginęły, a Persony kurzyły się gdzieś w jakimś pliku, który szybko tracił aktualność.

Syntetyczne Persony to zmieniają i naprawdę stanowią przydatną rewolucję w marketingu – szczególnie w przypadku MŚP. Posłuchaj o tym, jak je stworzyć!

→ Instrukcja dla AI do projektu Syntetycznej Persony

Transkrypcja odcinka ↓

Rewolucja, w którą sam nie wierzyłem

Dla mnie to jedna z największych rewolucji w marketingu, jaką mamy od dawna. Rewolucja, którą zawdzięczamy sztucznej inteligencji. Weź pod uwagę, że nie jestem z tych, którzy krzyczą, jak to AI jest super, zastępuje nam wszystko i ułatwia marketing. Naprawdę jestem bardzo ostrożny ze słowami, które do ciebie kieruję, ale uważam, że mamy do czynienia z pewną ciekawą rewolucją. Ona nie zmienia wszystkiego, ale zmienia jeden bardzo trudny element w marketingu. Tym trudnym elementem było badanie, ale też przede wszystkim analiza potrzeb klientów, bo to naprawdę wreszcie zaczyna mieć sens. Do tej pory to robiliśmy i oczywiście od zawsze było wiadomo, że to jest ważne, ale to generowało wiele problemów. Szczególnie w MŚP mieliśmy z tym problem, bo nawet jeśli mieliśmy jakieś dane, to tak naprawdę nie wiedzieliśmy, co z nimi zrobić. A sztuczna inteligencja zmienia to na dobre i pozwala to naprawdę sensownie wykorzystać. Więc daj mi chwilę, ja ci o tym opowiem, ale co przede wszystkim ważniejsze, pokażę ci, jak to w praktyce zrobić. Zapraszam.

Cześć. Witam cię w kolejnym odcinku podcastu Markotwórstwo. Nazywam się Maciek Sznitowski. Mówię o sobie, że jestem brandoholikiem i zajmuję się brand marketingiem, tematem budowania marki. Strategia marki to jest to coś, co robię na co dzień. I co ważne, pracuję najczęściej z markami MŚP, czyli nie z wielkimi korporacjami, tylko z biznesami średniej wielkości, które mierzą się z tematem brandingu i budowania marki. Coraz więcej się mówi o tym, że to jest ważne, ale dalej część firm bardzo mocno się z tym boryka i nie wie, jak do tego podejść. W tym celu napisałem książkę „Mała firma, silna marka”, którą ci naprawdę polecam, bo jest bardzo praktyczna. Ale dlaczego do niej nawiązuję? Dlatego, że najgorszym poczuciem przy pisaniu tej książki było to, że jak już ją wydam, to będę znajdował pewne elementy, które powinny się w niej znaleźć, ale siłą rzeczy się nie znalazły, dlatego że została wydrukowana na papierze i jest już dystrybuowana w księgarniach. I dzisiaj właśnie o takiej rzeczy. Strasznie żałuję, że ona nie może być w tej książce, bo uważam, że zdecydowanie powinna się tam znaleźć. Ale trudno, takie są realia. Więc oprócz tego, żeby czytać tę książkę, warto tego odcinka posłuchać. Jeśli ją czytałeś, czytałaś albo masz ją na liście, a jeśli nie masz, to koniecznie dodaj ją do listy swoich lektur, to nic nie szkodzi, bo to, o czym mówimy dzisiaj, w tej książce się nie znajduje. Chciałem się tym z tobą podzielić, bo dosłownie jeszcze pół roku temu nie myślałem o tym w ten sposób. Dotyczy to oczywiście sztucznej inteligencji i tego, jak to się wszystko rozwija, co odkrywamy, jak te modele się zmieniają, jakie możliwości nam dają. Ale nawiązałem do tej książki, więc przeczytam ci jeden fragment.

Miała na imię Kathy. Urodziła się w latach 80. XX wieku i zmieniła marketing, który znamy. Była pierwsza na świecie, miała miliony naśladowców, chociaż jak mówi jej stwórca, była dość prymitywna. Mówię o personie, czyli jednym z najpopularniejszych narzędzi marketingowych, którego wszyscy używają.

To jeden z nielicznych fragmentów, który jest taki growy. Zapewniam cię, że cała książka jest bardziej konkretna. Ale nie o tej książce, tylko o tej personie i o tej Kathy. Ona była pierwszą personą. Alan Cooper, który stworzył to narzędzie dawno, dawno temu, tak nazwał tę pierwszą personę, którą stworzył. On był programistą, a ona powstała po to, żeby pomóc programistom tworzyć oprogramowanie. Bo programiści – to jest pewien stereotyp, być może krzywdzący dla nich – ale często brakowało im, przynajmniej wtedy, takiej empatii. Oni pisali kod, tworzyli te aplikacje, ale nie bardzo potrafili się wczuć w to, że tam po drugiej stronie ktoś tej aplikacji używa. Więc on stworzył opis takiego użytkownika, takiej przykładowej Kathy, która pomagała tym programistom zrozumieć, że tam po drugiej stronie jest jakiś człowiek, który tego używa. Czyli ty tutaj tworzysz jakieś funkcje, ale wyobraź sobie, jak ta Kathy, którą jakoś tam opisujemy, która pozwala sobie ją wyobrazić i lepiej zrozumieć, jak to wszystko działa.

I teraz persona jest właśnie takim narzędziem do ogarniania wiedzy na temat naszych odbiorców. W przypadku marki mówimy głównie o klientach, czyli o odbiorcach jej komunikacji i produktów, o klientach, którzy tę markę kupują. Być może też jej używają, chociaż nie zawsze, bo czasami klient po prostu kupuje coś dla kogoś. I teraz nie trzeba nikogo przekonywać do tego, że analiza klientów jest ważna i potrzebna, że trzeba znać ich potrzeby, że trzeba rozumieć ich postawy i sposób myślenia, że trzeba rozumieć ich podejście i sposób zachowania. To wszystko jest bardzo, bardzo cenne i to wszystko jest po prostu punktem wyjścia dla strategii marki, ale też dla właściwie wszystkich innych rzeczy: dla strategii sprzedaży, dla komunikacji marketingowej, dla wszystkich działań tak naprawdę, do tworzenia produktu. Wszystko zaczyna się od tego, żeby dobrze zrozumieć i poznać tego docelowego odbiorcę, tego klienta.

Dane, które umierały w archiwum

Ale zostawiając na razie na boku to, jak trudne było zdobycie tej wiedzy, zebranie tych informacji o potrzebach i o klientach, mieliśmy jeszcze jeden, większy problem z tym wszystkim. Polegał on na wykorzystaniu tych danych. To znaczy zbieraliśmy te wszystkie cenne informacje i tak naprawdę bardzo kiepsko je do tej pory wykorzystywaliśmy. Nie bardzo wiedzieliśmy, co z nimi zrobić, i pokażę ci to na moim przykładzie typowej współpracy. Realizujemy projekt strategii marki, przeprowadzamy pewne badania, analizy, wyciągamy różne dane z różnych źródeł. Prowadzimy wywiady, rozmowy z klientami na przykład. Czy z jakimiś przedstawicielami klientów, które pomagają nam lepiej zrozumieć, wyciągnąć wiedzę o nich, o tych potrzebach, postawach, podejściu, o tym wszystkim. O ich problemach, o ich pragnieniach, generalnie o wszystkich elementach, które dotyczą ich życia. Dwa, trzy odcinki temu mówiłem o takich trzech elementach, czyli okolicznościach, oczekiwaniach i obiekcjach klientów, które warto analizować. Cofnij się do tego odcinka, jeśli go nie słuchałaś albo nie słuchałeś.

Zbieraliśmy bardzo dużo wiedzy na ten temat. Z tej wiedzy wyciągaliśmy pewne wnioski, które przekładaliśmy na decyzje strategiczne. Zapisywaliśmy w tej strategii część tej wiedzy, taką kwintesencję wiedzy na temat naszych klientów. Tworzyliśmy pewne persony, tworzyliśmy pewne zapisy, które miały te osoby, tych klientów charakteryzować. Ale zdajesz sobie sprawę pewnie, albo nawet doświadczyliście tego na własnej skórze, że mnóstwo danych traciliśmy po drodze, dlatego że z tych wszystkich zebranych informacji ktoś, czyli taka osoba jak ja, wyciągał jakieś wnioski, które zostały gdzieś zapisane, i na podstawie tych zapisów i tych wniosków ktoś rozwijał z tego działania i komunikację. Bardzo dużo tu jest punktów powodujących utratę informacji, stratę tych cennych niuansów, szczegółów i detali, które gdzieś tam w tych danych były, ale które zostały w jakiś sposób uogólnione, wygładzone czy po prostu podsumowane i streszczone.

I tak naprawdę te stworzone persony właściwie umierały. Oczywiście staraliśmy się, staramy się, jeszcze do niedawna staraliśmy się to robić, czyli na przykład opisywać je w jakichś plikach. Wiemy, żeby nie robić tego nawet w jakichś bardzo prostych tabelkach. Często, szczególnie w B2B, powstawały takie rozbudowane Excele z opisem tych różnych szczegółów i detali. Ale jak to można było potem wykorzystać? Przecież nikt nie ma czasu zaglądać tam co chwilę – taki handlowiec, taki marketer, copywriter, twórca treści. Ludzie nie mają czasu analizować tych person, patrzeć tam, wchodzić do nich i za każdym razem na nowo to wszystko czytać. One niby gdzieś tam funkcjonowały i były tym źródłem informacji, ale umówmy się, mówiąc szczerze, bardzo często po prostu umierały gdzieś tam zapisane w pliku czy w jakiejś chmurze.

I teraz wiele firm tak naprawdę nie miało problemu z brakiem danych, z brakiem tych informacji. Większym problemem było wykorzystanie tych informacji w praktyce. Wielkie korporacje, duże firmy, czy w ogóle biznesy cyfrowe na przykład, wręcz toną w ilości danych, w ilości informacji, tylko one nie są odpowiednio wykorzystywane. I to jest właśnie ta rewolucja, którą daje nam sztuczna inteligencja, którą wprowadza AI. Nie tyle to, o czym myśleliśmy, może wciąż myślicie w pierwszej kolejności – generowanie tych informacji, tworzenie czegoś – tylko właśnie to, co dzisiaj biznes głównie robi dzięki AI lepiej i skuteczniej: wykorzystanie, obrobienie tych danych, tych informacji i przełożenie ich na jakieś praktyczne działania, które są tak naprawdę najważniejsze. Bo o to w tym wszystkim chodzi przecież, prawda?

Czym jest Syntetyczna Persona?

Czym jest taka syntetyczna persona, bo o tym jest ten odcinek, o syntetycznych personach? W narzędziach AI, które wykorzystują modele językowe, LLM-y, tworzymy taki profil naszego klienta. Wstrzykujemy tam dużo różnych danych, informacji na temat tych klientów. Zaraz powiem o tym bardziej szczegółowo. Wstrzykujemy te informacje i prosimy, żeby ten model językowy wszedł w rolę, wszedł w buty naszego klienta i reprezentował go w rozmowach z nami. Czyli my możemy w bardzo prosty sposób odpytywać ten model z różnych informacji, wchodzić w rozmowę tak, jakbyśmy wchodzili w rozmowę z takim przedstawicielem klienta.

Możemy o tym myśleć – i myślę, że dosyć zgrabnie byłoby powiedzieć – że to jest taki rzecznik prasowy naszych klientów. Wiecie, on jest wysyłany na konferencję. To nie jest to samo co ten klient, oczywiście, ale ma dużą wiedzę, jest w ten sposób przygotowany i występuje jako taki rzecznik prasowy. My możemy z nim rozmawiać, możemy go odpytywać o wiele różnych rzeczy, pytać go o coś, konsultować z nim i tak dalej. I to jest właśnie ta wartość, którą mamy, bo teraz te wszystkie dane, które gdzieś tam zgromadziliśmy, są naprawdę wykorzystywane, i to nie tylko po to, żeby stworzyć strategię, ale mogą być też wykorzystywane później, właściwie cały czas, w ciągu całego życia naszej firmy.

Jakie płyną korzyści z posiadania takiej syntetycznej persony? Całe mnóstwo. Przede wszystkim możemy wyciągać insighty, wyciągać wiedzę, takie nieoczywiste informacje na temat postaw i potrzeb naszych klientów, czyli coś, co robił do dzisiaj strateg w procesie obrabiania danych zebranych w fazie researchu. Ale na tym właściwie przydatność tych danych się kończyła, bo strateg wyciągał z tego wnioski i te dane po prostu gdzieś tam już umierały w jakichś archiwach. To nam daje dzisiaj dużo więcej możliwości, bo nawet po stworzeniu strategii możemy konsultować z taką syntetyczną personą pomysły na hasła, na kreacje. Generalnie wszystkie pomysły na jakieś działania, które chcemy sobie stworzyć. Możemy ją odpytywać o różne nowe rzeczy, testować. Możemy ćwiczyć handlowców nawet, żeby próbowali wejść w rozmowę handlową z taką personą, i zobaczymy, jak sobie radzą. Dlatego że ta persona dzięki generatywnej sztucznej inteligencji jest w stanie wczuwać się w tę rolę, reprezentować tego klienta i po prostu z nami dyskutować i rozmawiać, albo odpowiadać, albo wchodzić w polemikę – w zależności od tego, jaką rolę będziemy chcieli, żeby weszła ta persona, czego będziemy od niej oczekiwać. A możemy oczekiwać bardzo dużo różnych ról, postaw i działań, które sobie dzięki niej przeprowadzimy.

Cztery zastrzeżenia na start

I oczywiście nie jest to idealne. Kilka ważnych zastrzeżeń na start, zanim ten temat jeszcze rozwinę.

Po pierwsze, jeśli masz na to zasoby, to warto takie badania, takie persony stworzyć z profesjonalistami, z profesjonalną agencją czy z profesjonalnymi badaczami. Nie ma żadnych wątpliwości, że to będzie lepsze rozwiązanie. Wydaje mi się to oczywiste, ale musi dla formalności wybrzmieć.

Po drugie, nie jest to rozwiązanie idealne. Jasne, że nie jest. Wszystko zależy od jakości tych danych, które do takiej syntetycznej persony wstrzykniemy. Im lepsze dane tam wstrzykniemy, tym lepiej będzie się zachowywała ta persona. Tym bardziej rzetelne, wiarygodne będą jej odpowiedzi. Im gorsze będą te dane, tym gorsze będą te odpowiedzi. To jest oczywiście pułapka, bo jeśli wstrzykniemy tam byle co, to ten model językowy tylko to wyolbrzymi, tylko spotęguje skalę tych błędów, które tam się znalazły. Wrócimy jeszcze do wątku, co wstrzykujemy, ale to jest oczywiście istotne i od tego wszystko zależy.

Ale zauważcie, że nawet będąc większą firmą czy mniejszą firmą, która znalazła budżet na to, żeby zrobić profesjonalne badania przeprowadzone z profesjonalną agencją, które kosztowały kupę kasy, one służyły tylko jako wkład dla stratega, a potem tak naprawdę umierały. Dzisiaj mogą żyć bardzo długo, więc koszt tych badań, który analizujemy, powinien być zupełnie inaczej liczony. Bo to już nie jest dzisiaj tylko koszt czegoś, co trzeba zrobić, żeby zrobić strategię, tylko to jest inwestycja w zasilenie kontekstem modeli, które wykorzystujemy. A tak jak powiedziałem, tę syntetyczną personę możemy wykorzystywać bardzo dużo, bardzo długo, do bardzo różnych zadań. Więc wydaje mi się, że w tym kontekście inwestycja w profesjonalne badania, w takie twarde dane, które są rzetelne, dobrze przeprowadzone i pewne, po prostu dużo, dużo bardziej się opłaca, dlatego że wykorzystujemy ją dużo, dużo dłużej. I naprawdę to jest coś, co – mam wrażenie – sporo zmienia w marketingu, szczególnie w przypadku MŚP, bo w korpo od zawsze się to robiło i tam nie było dyskusji. W MŚP jest wielki problem z tym, żeby wydać trochę pieniędzy na badania. Dzisiaj ta perspektywa, ta rozmowa zupełnie inaczej się układa dzięki temu, że możemy to właśnie w ten sposób wykorzystać.

Trzecie zastrzeżenie. W rozmowach o personach wiele wątków dotyczy projektowania usług, UX designu, czyli projektowania tych wszystkich interfejsów, użyteczności, różnych usług i tak dalej. I tam bardziej kwestionuje się przydatność syntetycznych person, bo tam bardziej zależy nam na badaniu prawdziwych, realnych zachowań tych klientów. Jeśli chcemy przetestować pomysł na jakąś usługę, czy to, jak ktoś się porusza w jakiejś aplikacji czy na jakiejś stronie, to potrzebujemy obserwować te działania tych ludzi. Syntetyczna persona nie sprawdza się tam tak super, więc dużo tej krytyki odnośnie syntetycznych person płynie właśnie z tych środowisk. Jest to zupełnie zrozumiałe. Weźcie pod uwagę, że ja tutaj mówię o brandingu, o brand marketingu, o strategii marki. Dla nas dużo ważniejsze jest nie to, co klient robi – to też oczywiście jest istotne – ale tak naprawdę na tym etapie tworzenia tego wszystkiego, zanim wypuścimy to na rynek, dla nas ważniejszy jest sposób myślenia tego klienta: jak on myśli, co dla niego jest ważne, co mówi innym, co mówi sobie, jak sobie uzasadnia pewne rzeczy i tak dalej. Więc w tej warstwie myślenia syntetyczna persona daje nam dużo więcej możliwości, dlatego że to właśnie polega na rozmowie. Nam zależy na rozmowie z naszym klientem, a nie na takim biernym obserwowaniu go, jak się posługuje jakąś aplikacją czy jak przechodzi przez jakiś proces jakiejś usługi. Więc ta rozmowa jest dla nas ważniejsza. W tym marketingu, w brand marketingu, syntetyczna persona – uważam – sprawdza się dużo lepiej niż na przykład w UX-ie czy w service designie.

Czwarte zastrzeżenie. Syntetyczna persona nie rozwiązuje nam pewnego ogólnego problemu z personami, a mianowicie takiego, że jeśli do twojej marki trzeba stworzyć takich person kilka, bo klienci są różni, to z analizy kilku person wynika nam wniosek, że właściwie klienci są różni. A to wiedzieliśmy na początku. Więc generalnie mamy pewien problem z tym, że jedna persona często nie wystarczy dla takiej marki, a tworzenie kilku person jest problematyczne. Ale tym tematem zajmiemy się w jednym z kolejnych odcinków, więc koniecznie zasubskrybuj ten podcast tam, gdzie go teraz słuchasz. Dam ci kilka sekund, nie będę teraz nic ważnego mówić, więc i tak nic nie tracisz. Także po prostu zrób to. Teraz zasubskrybuj, znajdź ten przycisk.

Opisywałem ten temat w mojej książce, to jest taki wątek grup person, ale nie będę go dzisiaj wprowadzał, nie będziemy tego mieszać. Porozmawiamy o tym w jakimś następnym odcinku. Nie wiem jeszcze, czy w następnym, czy w jeszcze kolejnym, ale obiecuję, że ten temat będzie. Więc subskrybuj, obserwuj i wysłuchaj tego. Rozwiążemy ten problem.

Forma, która zabijała niuanse

Ale wracając do tematu person i syntetycznych person. Sporym problemem person, tworzenia ich w marketingu, była do tej pory forma. Za bardzo skupialiśmy się na formie. Jeśli wpiszecie sobie „marketing persona” gdzieś w Google, zrobicie jakiś research, to wyskoczy wam mnóstwo treści, artykułów, wiedzy, filmików o tym, jak one wyglądają, jaką mają formę, że tu zdjęcie i imię, że takie rubryczki, że taka tabelka, że takie kwestie trzeba opisać. Bardzo skupialiśmy się na tej formie i wszyscy koncentrowali się na tym, jak ma wyglądać taka gotowa persona, jakie tam mają być te rubryczki, a potem po prostu trzeba było te rubryczki uzupełnić. Oczywiście jest ten cały wątek, czy uzupełniamy te rubryczki dzięki wiedzy zebranej w prawdziwych badaniach, czy po prostu sobie ją wymyślamy – zostawiam to na razie na boku. Ale ta forma zabierała tak naprawdę całą rozmowę i ta forma właśnie była przyczyną, była powodem tej utraty informacji. Bo wszystkie niuanse, cały ten ogrom informacji, które zebraliśmy w jakichkolwiek badaniach, jakie przeprowadziliśmy, musiały być sprowadzane do wypełniania tych rubryczek i tam to wszystko właśnie ginęło, te niuanse.

Ale dzisiaj dzięki syntetycznym personom, dzięki AI, w ogóle nie musimy się martwić o jakieś strukturyzowanie tych danych, ich uporządkowanie, o formę tych danych. Oczywiście im lepiej je uporządkujemy, tym będzie to sprawniej zrobione, więc nie łapcie mnie za słówka, ale generalnie możemy po prostu wszystko, co zebraliśmy, wrzucić do tej syntetycznej persony i AI sobie jakoś z tym poradzi. Nie musimy się martwić, co z tym robić. Chociaż tu jest oczywiście ta gwiazdka, do której jeszcze wrócę, jak to w praktyce robić, żeby to było sprawniejsze, ale generalnie nie musimy się martwić jakąś wielką strukturyzacją tych danych. Po prostu wrzucamy to do AI i to ono robi tę czarną robotę, która wcześniej spadała na nas, na przykład na marketerów MŚP, którzy próbowali takie persony robić samodzielnie. A dzisiaj wrzucamy to wszystko do AI i tak naprawdę po prostu odpytujemy model z tych danych. Co tam jest, czego nie ma, jaki to ma wszystko sens, co się z czym łączy, co się z czym wyklucza, co jest w ogóle niepotrzebne, co jest istotne, co jest zaskakujące, co jest oczywiste i tak dalej. Odpytujemy ten model z tych rzeczy.

I teraz oczywiście tu jest pewna pułapka, bo modele AI, modele językowe, wszystkie te ChatGPT, Claude czy każdy inny taki czat, dają nam złudzenie pewności, bo oczywiście odpowiadają z dużą pewnością, opowiadają o tych wszystkich rzeczach, o które pytamy. To oczywiście jest ta pułapka, że one zawsze udzielą odpowiedzi, nawet wtedy, kiedy nie mają pełnych informacji czy nie są ich pewne. Dlatego musimy też odpowiednio tę syntetyczną personę ustawić, odpowiednio ją poinstruować, i do tego jeszcze przejdziemy, do tych praktycznych ustawień. Na ten moment warto pamiętać, że w tej rozmowie możemy się łatwo zapomnieć i możemy w pewnym momencie faktycznie poczuć, że rozmawiamy z prawdziwym klientem i wszystko, co nam mówi, jest na pewno prawdziwe, oczywiste i realne, a nie zawsze takie musi być. Więc na to na pewno musimy uważać.

I oczywiście okno kontekstowe w LLM-ach jest ograniczone. Ilość rzeczy, które możemy tam wrzucić, jest ograniczona. Im więcej tego wrzucimy, tym gorzej to będzie przetrawiane. Albo pewnie w przyszłości, być może kiedy tego słuchasz, w ogóle będziemy płacić za zużyte tokeny i będziemy musieli oszczędzać ilość danych, którymi zasilamy takie modele. Bo właśnie będziemy potem musieli za to wszystko płacić. Ale w przypadku MŚP raczej się tym nie martwimy, bo zakładam, że nie będziecie mieli tysięcy stron danych o waszych klientach. Raczej mówimy o problemie braku danych niż o nadmiarze – tym, co mają wielkie korporacje, które dysponują big data. My tych informacji nie będziemy mieli dużo, więc właściwie wszystko, co znajdziemy, będziemy mogli tam wrzucić.

I co ważniejsze, możemy je cały czas aktualizować. Kolejnym wielkim problemem tych person, buyer person, jakkolwiek inaczej to było ubrane, analizy klientów do tej pory w marketingu, było to, że tworzyliśmy to, rozpisywali i później oczywiście w teorii to miało być aktualizowane. Nie wiem, handlowcy w B2B powinni uzupełniać tam te informacje, czy my raz na rok powinniśmy tam siadać. Nikt tego nie robił, bo to było zbyt trudne, bo właściwie oznaczało otwieranie procesu na nowo. Dzisiaj to jest właśnie kolejny element rewolucji, że po prostu możemy dorzucać do tej stworzonej syntetycznej persony nowe informacje. Wyszedł jakiś raport – dorzucamy. Zrobiliśmy kolejne rozmowy, mamy kolejne dane o klientach – dorzucamy i uzupełniamy cały czas aktualne informacje. Bo my w czasie rzeczywistym z tym modelem rozmawiamy, czyli jeszcze raz go poprosimy, zadamy mu jakieś pytania, poprosimy go o jakieś odpowiedzi i dostaniemy świeże odpowiedzi o te zaktualizowane dane. I to jest to całe piękno, które powoduje, że ta persona faktycznie może żyć i może nam funkcjonować, być tym asystentem cały czas, a nie tylko tam kiedyś. Więc wracam do tego, że to naprawdę jest coś, czym się osobiście jaram, bo uważam, że bardzo dużo zmienia.

Syntetyczne dane a Syntetyczna Persona

I teraz kolejna rzecz, którą musimy sobie zaznaczyć i podkreślić takim podkreślaczem – jak ktoś tego słucha, to pokazuję właśnie firmowy gadżet Brandoholika. To, co musimy podkreślić, to jest różnica między syntetycznymi danymi a syntetyczną personą.

Syntetyczne dane to są dane sztuczne, czyli coś, co generuje nam model, wielki model językowy. Modele, LLM-y, modele językowe, takie, na których bazują ChatGPT, Claude i te wszystkie narzędzia, z których korzystamy. To są rzeczy generowane, tworzone przez nie. Czyli jeśli poprosimy jakikolwiek model AI o stworzenie persony naszego klienta, to on to zrobi. Oczywiście on to zrobi, dlatego że stworzy te dane i one nie będą zupełnie z dupy. Nie będą zupełnie – brzydkie słowo, przepraszam – nie będą zupełnie od czapy, nie będą zupełnie błędne, bo przecież te modele bazują na wiedzy, którą zostały nakarmione, na której zostały wytrenowane. Bazują na jakichś realnych raportach, informacjach, opiniach, zapisach i tak dalej. Tylko oczywiście to nie jest tak doskonałe, jak byśmy chcieli, bo w jakiś sposób jest to uśredniane i uogólniane, i wyciągane są wnioski najbardziej prawdopodobne, a nie te krańcowe, na których nam czasami zależy. Więc to są syntetyczne dane, te dane, które sam generuje taki model AI, model językowy.

My mówimy o syntetycznej personie, która może być w stu procentach zasilona źródłami prawdziwych danych. Czyli nasza persona, którą sobie tworzymy, może być nakarmiona, może korzystać tylko i wyłącznie ze źródeł, które my jej podaliśmy, gdzie mogą być raporty, badania, tabelki, Excele, które dostarczamy z pewnymi informacjami. Czyli syntetyczna persona wcale nie musi korzystać z syntetycznych danych. Może korzystać tylko z tych danych, które my wstrzykniemy. Ale sprytnym i chyba sensownym rozwiązaniem jest jednak pewne wyważenie proporcji danych syntetycznych do tych, które realnie zgromadziliśmy. Musimy oczywiście pamiętać o tym, że nasze dane też mogą nie być bezbłędne. To znaczy żadna metoda badawcza nie jest idealna. Jeśli robimy ją tym bardziej troszkę partyzancko, amatorsko, jako MŚP – jakieś ankiety, wyciągamy jakieś dane z systemów – to one siłą rzeczy mogą być już naznaczone pewnymi przekłamaniami. Dlatego też nie możemy w pełni ufać tym naszym prawdziwym danym, bo one też mogą nie być w stu procentach rzetelne. Myślę, że jest sensowne, żeby korzystać też z takiego uogólniania tej wiedzy, którą ma model językowy, bo ta wiedza też nie jest bezpodstawna.

Więc pamiętajmy: im lepsze dane, tym lepsza będzie ta syntetyczna persona. Jeśli mamy dużo pewnych, rzetelnych raportów i danych własnych, to ten suwak przestawiamy bardziej na korzystanie z tych pewnych źródeł. Jeśli mamy tego mniej, to musimy się po prostu siłą rzeczy wspomagać tymi syntetycznymi danymi, które będą generowane przez ten model na bieżąco. Oczywiście zaraz do tego przyjdziemy, już naprawdę niedługo, że możemy to kontrolować i chcemy kontrolować to, z jakich źródeł taka syntetyczna persona korzysta i na podstawie których udziela nam odpowiedzi.

Czym zasilić Syntetyczną Personę? trzy źródła danych

Jakimi źródłami możemy, powinniśmy taką syntetyczną personę zasilić? Nie wiem, jakie są najlepsze, ogólnie ciężko mi powiedzieć. Powiem ci, jakie w mojej praktyce pracy przy strategii marki z MŚP są najbardziej łatwe do zdobycia i najbardziej rzetelne, obarczone najmniejszym ryzykiem błędów.

Uważam, że bardzo, bardzo cenne są wywiady. Ja pracuję często z markami takimi, które nie sprzedają jogurtu w supermarkecie, jak to mówię. Czyli to są usługi, to są jakieś bardziej zaawansowane produkty, często wybierane w dłuższym procesie, bardziej świadomie, takie nieoczywiste rzeczy skierowane na przykład do specjalistów albo do jakichś bardziej niszowych tematów. Czyli to nie jest jakiś napój, który sprzedają wszyscy dla wszystkich, czy jakiś sklep, który jest bardzo powszechny, tylko te brandy są trochę bardziej specyficzne, są trochę węższe tematycznie, czy trudniejsze. I teraz w ich przypadku – to niekoniecznie muszą być B2B, ale też często są B2B – bardzo dobrze sprawdzają się wywiady z klientami, dlatego że ta wiedza odnośnie tych klientów jest trudno dostępna i czasami jest bardzo specyficzna, bardzo specjalistyczna, i dzięki temu wbrew pozorom łatwiej jest do tych klientów dotrzeć.

Bo zobacz, jaka jest tego relacja. Jeśli masz markę masową, która kierowana jest do wszystkich możliwych klientów na świecie i w Polsce, to generalnie łatwiej jest znaleźć jakieś badania czy wiedzę na ich temat. Są na przykład takie narzędzia do tego, żeby robić szybkie, tanie badania. Zlecasz tam za dwa, trzy tysiące, robisz taką ankietę na reprezentatywnej bazie Polaków. Ale jeśli kierujesz jakiś specjalistyczny produkt do jakiejś wąskiej grupy, to takie badanie ci wiele nie przyniesie, bo tam nie będzie danych od tej wąskiej grupy ludzi. Więc jeśli potrzebujesz szerokiej grupy, to łatwiej ci zrobić takie zlecone badania. Jeśli z kolei masz tę węższą, bardziej zawężoną grupę klientów, to wbrew pozorom łatwiej ci do niej dotrzeć i najlepiej przeprowadzić z nimi rozmowy, czyli wywiady. Wywiady, rozmowy odnośnie ich potrzeb. To jest w ogóle osobny wątek, jak takie rozmowy przeprowadzać. Więc jeśli uważasz, że to może być cenne, chciałabyś, chciałbyś, żebym o tym więcej opowiedział, jak ja do tego podchodzę, to daj komentarz, że to jest coś interesującego. Postaram się wtedy taki odcinek stworzyć.

Generalnie jeśli mamy takie rozmowy, takie wywiady, to jest świetne źródło. I teraz znowu wracam, trochę się powtarzając, ale chcę to mocno podkreślić. Do tej pory było tak, że ktoś te wywiady przeprowadzał, potem wyciągał z nich wnioski i tyle. Bardzo dużo czasu trzeba było poświęcić na te wszystkie rozmowy. Ja bardzo często w taką rolę wchodzę, bo dobrze jest, kiedy taką rozmowę robi osoba trochę z boku. Czyli przeprowadzam wywiady z klientami firm, dla których pracuję nad strategią marki. I dzisiaj oczywiście często są to wywiady online czy telefoniczne, więc możemy te rozmowy sobie nagrywać. Narzędzia AI pozwalają nam łatwo zrobić z tego transkrypcję. I teraz nie chodzi tylko o te wnioski, które ja z tej rozmowy wyciągnąłem. Nie muszę robić jakichś rozbudowanych raportów, co w tych rozmowach było. Zasilamy transkrypcjami wprost wyciągniętymi jednym kliknięciem z tych narzędzi, które takie transkrypcje robią. Wrzucamy te rozmowy w pełni do AI. Czyli nasza syntetyczna persona ma po prostu genialną bazę prawdziwych, w stu procentach zapisanych słowo w słowo wypowiedzi naszych klientów i dzięki temu może idealnie wejść w rolę tych klientów i prowadzić rozmowę z ich perspektywy, prawda? Czyli mówić ich słowami, mówić w taki sposób, jak oni mówią, potrafi się do tego wczuć. Więc to jest genialne źródło informacji. I znów, do tej pory było bardzo ciężko je przetworzyć i wykorzystać. Teraz to jest chyba najlepsze i najbardziej banalne źródło. Banalne w sensie trudności zdobycia, ale genialne pod kątem insightów, pod kątem wartości, jaką wnosi do takiej syntetycznej persony. Więc to jest dla mnie chyba najważniejszy punkt, najważniejsze źródło, którym zasilamy taką syntetyczną personę.

Drugim ciekawym źródłem jest raport z researchu AI. To znaczy wykorzystujemy AI do tego researchu. Narzędzia takie jak Claude czy ChatGPT mają opcję deep researchu, czyli takiego głębokiego researchu. Ona chyba jest w tych płatnych modelach, ale jeśli myślicie poważnie o marketingu, to dzisiaj trudno jest nie korzystać z tych płatnych modeli, chociażby w najniższych abonamentach. Ta opcja głębokiego researchu pozwala wyszukać bardzo dużo różnych danych. I znowu, to nie jest coś, co wymyśla AI, to nie są te syntetyczne dane. Ten model wyszukuje różne raporty. Na przykład jakieś agencje badawcze czy różne firmy wydają co jakiś czas takie raporty na różne tematy. Są badania naukowe, które można wykorzystać dlatego, że są publikowane na jakiś temat – nie wiem, na przykład suplementacji dzieci czy podejścia architektów do BIM-u. To są przykłady prawdziwych badań, które wykorzystywaliśmy w moich projektach pracy dla marek z tych branż. Więc takie badania naukowe AI może wyszukać, może znaleźć opinie na wizytówce Google’a, na jakichś forach, na jakichś specjalistycznych portalach i tak dalej. Opinie prawdziwych klientów. I zgromadzi te opinie, właściwie wszystkie może przeczytać, a nie tylko jakieś pojedyncze, które my byśmy ręcznie zrobili. Jakieś artykuły eksperckie z niezależnych portali, z niezależnych czasopism i tak dalej. Patrzę na swoją ściągę, co tu jeszcze może być. Dane z GUS-u, nie wiem, z jakichś systemów, jakieś statystyki. Tych prawdziwych informacji AI może znaleźć bardzo dużo.

I teraz dobrze jest – można do tego różnie podejść, ale ja najczęściej robię tak – że robię po prostu w osobnym wątku taki research AI i wyciągam te wszystkie dane. Robię z tego rozbudowany raport. Proszę, żeby mi to podsumował w takim rozbudowanym raporcie, najlepiej w formacie markdown, czyli MD, tym, który AI lubi najbardziej. I ten raport wstrzykujemy po prostu jako jedno ze źródeł do naszej syntetycznej persony. Dzisiaj pozwala to zrobić jeszcze lepiej. Powiedziałem o tych narzędziach jak Claude czy ChatGPT. Jest rzeczywiście jeszcze Perplexity, które też dobrze w tym temacie działa, ale jest też Gemini Notebook, do tej pory nazywało się to NotebookLM, który nie dość, że robi taki research bardzo fajnie, to jeszcze pozwala nam go w łatwej formie przyswoić. Możemy poprosić o taki raport, ale możemy na przykład kliknąć, żeby nam z tego wygenerował podsumowanie audio w formie na przykład podcastu, i możemy sobie posłuchać trochę o tych wnioskach. Więc to nie jest też tak, że ta ogromna ilość danych jest jakimś wielkim zasobem, który musimy teraz przeszukać, przeanalizować, przeczytać. Możemy to mieć streszczone w bardzo krótkich, różnych formach, żeby to lepiej zrozumieć, ale też w tej rozbudowanej wersji wstrzyknąć do naszej syntetycznej persony.

Trzecie źródło takich danych, takiej wiedzy, to są nasze wewnętrzne dane, czyli coś, co wyciągamy z naszych systemów reklamowych, z jakichś naszych CRM-ów, z różnych baz, które mamy. Może w Excelu coś prowadzicie, jakieś podsumowania. Warto pamiętać o tym i zastanowić się, czy przypadkiem nie mamy danych, o których nie wiemy, że je mamy. Często się z tym zderzam. Zapominamy o tym, nie myślimy o tym, że mamy jakieś informacje. Dosłownie przedwczoraj rozmawiałem z jednym klientem, pytam o jakieś rzeczy, czy wiemy coś o naszych klientach, i ten właściciel mówi: „Kurczę, nie wiemy, ale możemy to wiedzieć. To jest bardzo łatwe, żebyśmy to wyciągnęli z systemu. Nie wiem czemu nikt na to nie wpadł, żeby to wyciągnąć w ten sposób”. Więc warto zastanowić się, jakie dane, jakie informacje możemy wyciągnąć. Być może mamy jakieś opinie od klientów, być może mamy jakieś ankiety NPS, być może mamy w ogóle inne ankiety, które prowadzimy z klientami. Oni może zgłaszają jakieś pytania do naszej obsługi klienta, jakieś maile piszą czy wiadomości, mamy jakieś zapisy rozmów na przykład. To wszystko mogą być dane, które posiadamy wewnętrznie w firmie, które znowu mogą być ogromną bazą, przez którą nikt by się nie przebił, ale AI nas w tym wyręczy i możemy wstrzyknąć te informacje. Oczywiście pamiętając o tym, żeby nie przesadzić z ich ilością i dawać tylko to, co naprawdę jest sensowne i przydatne. Ale możemy to wszystko wrzucić – niektórzy nakrzyczą – bez nawet jakiegoś większego ogarnięcia tego wszystkiego. Jeśli to będzie zbyt trudne dla nas, to lepiej jest to wrzucić w takim chaosie, niż blokować się i w ogóle nic nie zrobić.

Jak to zbudować w praktyce?

Jeszcze ostatnie zastrzeżenie, które w tym odcinku muszę wygłosić, jest takie, że modele AI rozwijają się bardzo, bardzo szybko. Każda nowa aktualizacja potrafi nam wywalić wszystko do góry nogami. Więc ja nie będę ci podawać jakichś gotowych promptów. Wbrew pozorom podam ci gotowy prompt, ale nie traktuj tego jako gotowego, pewnego rozwiązania, tylko potraktuj jako instrukcję podstawową. Jestem pewny, że jeśli się tym interesujesz, potrafisz to zrobić lepiej, albo masz kogoś w zespole, kto potrafi to podkręcić, zrobić to lepiej. Więc ja nie mówię, że to jest najlepsza opcja. Daję ci najprostszą wersję, którą każdy po prostu może sobie uruchomić. I oczywiście dobrze by było zrobić to w formie agentowej, ale wykorzystajmy najprostszą opcję, czyli projekty. I ChatGPT, i Claude mają taką opcję jak projekty, projects, w których możemy taki nowy projekt stworzyć. Więc pokażę ci tę wersję działania przy tworzeniu syntetycznej persony, zakładając, że jest najprostsza, najłatwiejsza, najbardziej banalna, a wszystkie inne, które zrobisz lepiej, będą po prostu jeszcze lepsze.

Tworzymy projekt „syntetyczna persona”, jakoś sobie ją nazywamy, w Claudzie czy w ChatGPT. Ja używam aktualnie Claude’a, bo mam wrażenie, że jest dużo lepszy, ale to oczywiście też się dynamicznie zmienia. Taki projekt ma trzy główne elementy. Być może to też się będzie zmieniało, ale ma takie trzy główne elementy. Instrukcje, czyli sposób działania: jak ma działać ten konkretny projekt, czego oczekujemy od tego modelu. Źródła, czyli taką bibliotekę danych. To jest to miejsce, gdzie szykujemy wszystkie nasze transkrypcje, raporty i tak dalej. Te wszystkie dane, nawet nieustrukturyzowane. I trzecim elementem są poszczególne rozmowy, wątki, czaty, które możemy prowadzić. Czyli mamy pewną instrukcję, pewne zasoby, z których będą czerpały wszystkie rozmowy, wszystkie wątki, które będziemy w ramach tego projektu prowadzić.

I to jest właśnie w tym wszystkim takie wygodne, że możemy to raz wstrzyknąć i teraz prowadzić sobie rozmowę w takim projekcie w jednym czacie, analizować potrzeby klientów pod kątem na przykład strategii. W innym wątku możemy rozmawiać, testować jakieś pomysły na hasła, pytać o opinie. W jeszcze innym wątku możemy rozwijać, konsultować jakieś ficzery produktu czy ofertę, czy na przykład tak, jak wspomniałem, trenować sobie handlowców na takiej rozmowie, żeby próbowali prowadzić prawdziwą rozmowę handlową z takim klientem: o co on może zapytać, gdzie mogą być jakieś nasze trudności, które musimy pokonać, gdzie mogą się pojawić jakieś obiekcje, na które nie potrafimy odpowiedzieć. Mnóstwo jest tych opcji. Myślę, że wymyślisz pewnie wiele zastosowań. Więc to są te trzy główne elementy: instrukcja i źródła, które są wspólne dla całego projektu, i potem poszczególne wątki, w zależności od tego, do czego chcemy to wykorzystać.

Jakich zasad warto się trzymać odnośnie źródeł, odnośnie tej biblioteki danych, które wstrzykujemy? Po pierwsze dobrze by było w miarę to ustrukturyzować, to znaczy przynajmniej jakoś ponazywać pliki. Jeśli to są transkrypcje rozmów, to oznaczyć te pliki, że to są transkrypcje, i w instrukcji zaznaczyć jasno, że pliki opisane w taki sposób to są transkrypcje. To wszystko po prostu ułatwi interpretację. Jeśli mamy jakieś różne grupy klientów i one będą się bardzo różniły, to możemy też to w tych plikach zaznaczyć. To jest grupa klientów A, to jest grupa klientów B. W instrukcji wyjaśnić, która grupa czym się różni i z których źródeł mają czerpać. Chodzi o to, że z całego zasobu biblioteki danych, z tych źródeł, poszczególne wątki prowadzone przez nas w tej syntetycznej personie, w tym projekcie, sięgają do różnych źródeł. Więc im jaśniejsza jest instrukcja, co w tych źródłach jest i gdzie szukać poszczególnych rzeczy, tym łatwiej te wątki potem będą przebiegały, te rozmowy będą bardziej praktyczne.

Jeśli na przykład mówimy o tych rozmowach, o tych wywiadach, to ważnym elementem jest to, że narzędzia, z których korzystamy, często oferują opcję podsumowania rozmowy. Ja uważam, że lepiej wrzucić nie to podsumowanie, tylko całą transkrypcję, żeby ten model mógł sam sobie to podsumowywać i szukać tego, czego akurat szuka, a nie bazować na tych uogólnieniach – żeby znowu ta strata informacji była jak najmniejsza. No i oczywiście dobrze jest nie przesadzać z ilością tych danych, nie wrzucać tam śmieci, tylko coś, co naprawdę czujemy, że jest cenne i ważne. Pamiętajmy, że model ma możliwość dorabiania tych syntetycznych danych, ekstrapolacji z tych danych. Ma możliwość tworzenia samemu jakichś przypuszczeń, więc on te, nazwijmy to, śmieci może stworzyć. Więc im lepiej i im więcej konkretu, tym lepiej.

Dziesięć punktów instrukcji

I teraz ja nie jestem mistrzem promptowania, więc nie stworzę tego promptu idealnie. Może stworzysz go lepiej, może znasz osoby, które zrobią to na pewno lepiej – jako punkt wyjścia, który jest bardzo dobrym punktem wyjścia. Możesz go wziąć po prostu z automatu, ale biorąc pod uwagę, że możesz go dosolić jako punkt wyjścia, weźmy – wiecie co? – weźmy instrukcję, którą zaproponował sam Claude. Poprosiłem Claude’a o to, jak powinna brzmieć instrukcja do projektu syntetycznej persony. I on mi podał taką instrukcję. Udostępniam ci w opisie tego odcinka link do tego, żeby pobrać sobie taką instrukcję i albo ją skopiować, albo zainspirować się nią do tego, żeby stworzyć własną. Nie ustawiam tego za żadnym paywallem, nie trzeba zostawiać maila, po prostu jest dostępna pod tym linkiem bezpośrednio. Więc w ramach wdzięczności, jeśli uznasz, że ten odcinek i ta instrukcja są przydatne i cenne, możesz go udostępnić w swoich mediach społecznościowych, wysłać jakiejś osobie, o której uważasz, że powinna tego posłuchać. Będę bardzo wdzięczny za to rozprzestrzenienie, bo uważam, że to jest naprawdę praktyczne i przydatne dla wielu, wielu osób.

No dobra, przeczytajmy na szybko. Dla tych, co oglądają to w wersji wideo – będę teraz zerkał na ekran, żeby przeczytać ci szybko, jakie są założenia tej instrukcji, jakie są główne elementy, żeby osoby, które tego słuchają, też mogły sobie wyobrazić, ale bez super szczegółowych informacji, bo to sobie doczytacie – co w takim projekcie, w takiej instrukcji jest ważne.

Po pierwsze rola. Mówimy o tym, że prosimy ten model, żeby wcielił się w rolę naszego klienta. On wchodzi w rolę tego naszego klienta. Ma być tą personą, tym klientem docelowym, z którym rozmawiamy, i piszemy, do czego to służy. Więc teraz w zależności od tego, czy chcemy stworzyć strategię marki, czy chcemy testować jakiś pomysł, możemy to doprecyzować w tej instrukcji już albo po prostu napisać, że będziemy wykorzystywać to do różnych celów.

Musimy napisać hierarchię źródeł: z których źródeł jak ma korzystać. Czyli jeśli mamy na przykład bezpośrednie wypowiedzi, transkrypcje, dane o zachowaniach, dane deklaratywne z ankiet, raporty, opracowania branżowe i uogólnioną wiedzę o kategorii, którą ma w sobie sam model LLM, sam model AI, to musimy tę hierarchię ułożyć i napisać, z których powinien przede wszystkim korzystać. Czyli to, co wspomniałem: dla mnie najważniejszym, najcenniejszym źródłem są bezpośrednie wypowiedzi klientów. Oczywiście pod warunkiem, że mamy ich sporo, że tych wywiadów przeprowadziliśmy z dziesięć, jeśli to jest w miarę jednorodna grupa. Mamy tych rozmów sporo i tych cytatów będzie tam bardzo, bardzo dużo, bo to są te najlepsze dane. Te, które on sam wymyśla, są na samym końcu, a pośrodku są gdzieś te raporty, jakieś nasze wyciągnięte dane i tak dalej. Opisujemy, jaka jest hierarchia.

Zasady, które mu narzucamy, tu są też opisane. Mówią o tym, że jeśli na przykład źródło przeczy temu, co ten model sam by wnioskował, to ważniejsze jest źródło, ale ważne, żeby nam zasygnalizował taką sytuację. Jeśli źródła są sprzeczne, to żeby nam tę sprzeczność pokazał. I to jest w ogóle świetna rzecz, którą wyłuskał Claude w tej swojej instrukcji, którą mi wygenerował. Kurczę, jak te modele się rozwijają, jakie są już mądre dzisiaj. Najważniejsze właśnie są te sprzeczności tak naprawdę, bo my, pracując nad marką, szukamy tych punktów tarcia, punktów niejasnych, punktów sprzeczności, bo tam trzeba podjąć jakąś trudną decyzję. I ważne, żeby on nam wyłapywał te sprzeczności, a nie je wygładzał. To jest w ogóle świetny i bardzo ważny element tej instrukcji. Jeśli w źródłach nie ma jakiejś informacji, to niech nam zaznaczy, że czegoś nie ma.

Teraz kolejna, trzecia rzecz instrukcji: dwa tryby pracy. I to jest też świetne. Po pierwsze, tym domyślnym trybem jest tryb persony, żeby mówił nam tak, jak ta osoba, ale żebyśmy mieli możliwość takiego trybu meta, czyli takiego trybu, gdzie robi meta komentarze – że nie odpowiada nam w tym momencie jako ta osoba, jako ta persona, tylko właśnie jako analityk tych danych. Jeśli na przykład potrzebujemy coś skonsultować, czyli pytamy go: „No dobra, a ile osób powiedziało to, a ile powiedziało tamto?”, to nie jest pytanie do tej persony, tylko jest to pytanie do tego modelu, takiego meta, który analizuje wszystkie te rozmowy. Więc mamy dwa tryby rozmowy. Ten podstawowy to jest to, że wypowiada się jako ta docelowa persona, ale mamy możliwość odpytywania tego modelu z tych danych, które tam daliśmy, jeśli chcemy coś po drodze ustalić. Jest takim analitykiem tych danych. I tutaj zaznaczamy w instrukcji, bardzo ważne, żeby nie mieszał tych dwóch trybów i oznaczał, w którym trybie została udzielona odpowiedź.

Po czwarte, oznaczenie pewności, czyli oznaczanie źródła, z którego to pochodzi. Tu propozycja jest czterech takich oznaczeń. Źródło, na przykład wywiad taki i taki, osoba taka i taka czy ankieta taka i taka – w niej było to napisane wprost, odnośnik do źródła, z którego korzystał. Jeśli to jest ekstrapolacja, czyli ta odpowiedź jest rozsądnym wnioskiem wynikającym z tych źródeł, że nie było czegoś powiedziane wprost, ale to po prostu bardzo wynikało z tej rozmowy czy z tych danych, to jest ta ekstrapolacja – to on zaznacza, że to jest ekstrapolacja tej i tej wypowiedzi czy tych i tych danych. Jeśli coś jest wymyślone, odpowiada z takim wnioskiem opartym na jego własnej wiedzy, możemy zaznaczyć, żeby oznaczał to na przykład jako fantazja swoja, czy jakaś hipoteza, cokolwiek innego – wynika z jego wiedzy LLM-owej. Jeśli czegoś brak, to żeby oznaczał, że jest jakaś luka. Czyli odpowiada hipotetycznie na przykład, bo nie ma źródła, nie ma tej informacji, czyli odpowiada tak, że tak mu się wydaje albo że tak mogłoby to wyglądać.

Piąty punkt instrukcji: jak mówi ta persona. Czyli że w trybie domyślnym mówi słownictwem tej osoby, oczywiście trybem tej osoby, czyli używa na przykład żargonu i tak dalej. Trzyma się tej frazeologii, tego słownictwa tej osoby. Jakiej długości ma mieć te wypowiedzi, to sobie dostosowujemy do naszych potrzeb. Że ma prawo być niekonsekwentna. Problemem modeli językowych jest to, że chcą uogólniać, wygładzać, ale my chcemy, żeby to było w miarę realistyczne, żeby to było niekonsekwentne, czyli żeby czasami te odpowiedzi były sprzeczne, tak jak to mówi normalny człowiek. Nie wszystko jest super przemyślane i idealnie wypracowane. Czasami w trakcie odpowiedzi klient się sam orientuje: „Hm, teraz sobie przeczytam, co powiedziałem wcześniej”. Chcemy sprowokować takie naturalne zachowania. Że ta persona nie mówi czegoś językiem badacza. Czyli na przykład – tu jest świetny przykład – nie mówi o ścieżce zakupowej, bo klient w ten sposób nie myśli, że jest na ścieżce zakupowej, tylko mówi, że coś tam kupował na przykład i tak dalej. Że ta persona ma też ograniczoną wiedzę. Czyli reprezentuje klienta, który nie musi wszystkiego wiedzieć, nie musi mieć takiej pełnej wiedzy, jaką my mamy jako firma, jako marka.

Czego unikać? Potakiwania, sztucznego entuzjazmu, wygładzania, wchodzenia w rolę doradcy i tak dalej. W jakiej formie ma być ta odpowiedź? To są wszystko elementy instrukcji. Ograniczenia, o których musi pamiętać, czyli to, że jest rekonstrukcją z materiału. Jeśli my, ten rozmówca, pytamy o coś, czego nie ma, to żeby to zaznaczał jasno, żeby nie wymyślał, żeby mówił wprost, że nie ma pojęcia i tak dalej.

Dziewiąty element jest tutaj bardzo ważny, bo to jest profil tej persony. I tutaj on proponuje w tej instrukcji podać jak najwięcej informacji, czyli kim jest ta osoba, jaką ma relację z kategorią, jakie są cele, motywacje, bariery i frustracje i tak dalej. My możemy tego wszystkiego nie wiedzieć, bo chcemy to dopiero odkryć, prawda? Czyli jeszcze nie wiemy, jakie ten klient ma frustracje i obiekcje, więc spisujemy to, co wiemy, kim jest, czego jesteśmy pewni. To, co wiemy. Ja ostatnio prowadziłem takie rozmowy z firmą, której odbiorcami są specjaliści SEO. Napisałem, że są specjalistami SEO, pracują w agencji albo tu i tu. Tyle wiedziałem, nie wiedziałem więcej, i dlatego te syntetyczne persony zasilone rozmowami z prawdziwymi osobami pozwalały mi wejść w takie rozmowy i wyciągać trochę lepiej, zrozumieć lepiej ich podejście. I to jest bardzo, bardzo cenne tak naprawdę, żeby to sobie zrobić.

No i teraz ostatni, dziesiąty punkt instrukcji: start rozmowy. Po prostu instrukcja, jak to wszystko się zaczyna. Z własnej inicjatywy model ma nic nie robić. Po prostu odpowiada na pytania zainicjowane przez rozmówcę, czyli przez nas. Czyli wchodzi w taką rolę, jaką powinniśmy przyjąć. To my prowadzimy rozmowę. Nie ma takiej swojej inicjatywy, że powinniśmy porozmawiać o tym czy o tamtym, jak to modele często mogą zrobić.

Persona, która żyje z marką

I teraz być może nie odkryjesz jakiegoś wielkiego, przełomowego insightu dzięki takiej syntetycznej personie – choć jest to możliwe – ale na pewno znacznie lepiej zrozumiesz swojego klienta. Ta dłuższa rozmowa z syntetyczną personą pozwoli ci się po prostu w to lepiej wczuć. Szczególnie jeśli tych klientów nie rozumiesz tak dobrze, bo niektóre biznesy powstają tak, że człowiek, który sam jest klientem tej kategorii, tworzy jakiś biznes, więc dobrze to rozumie. Ale są takie, kiedy nie do końca ich rozumiemy, czy jakieś specjalizacje zawodowe w przypadku B2B, albo jacyś hobbiści w przypadku B2C. Wspomniani specjaliści SEO to jest dosyć specyficzna grupa osób, więc zrozumienie ich myślenia, ich podejścia, ich mowy jest dla nas bardzo, bardzo cenne.

Ja to testuję w swoich projektach i to naprawdę nieźle działa. Generalnie tak samo w swojej książce czy w tych podcastach nie mówię ci o rzeczach, które przeczytałem czy usłyszałem w internecie, tylko o tym, co sam stosuję w swoich projektach, w swoich procesach. Więc skupiam się na tym, co naprawdę działa. Rozmowa z takimi syntetycznymi personami naprawdę działa świetnie i na pewno wyciągniesz dużo większą wartość z tych wszystkich danych, które zgromadzisz albo które już zgromadziłeś. Bo nic nie stoi na przeszkodzie, żeby odkopać jakieś raporty czy dane, które już wcześniej mieliśmy zlecone czy stworzone, i stworzyć taką syntetyczną personę teraz, prawda? I korzystać z niej na co dzień. Oczywiście im bardziej aktualne te informacje, tym lepiej, ale możesz się cofnąć do tego, co było.

Pomyśl o tym, bo jak powiedziałem, sens stworzenia takiej syntetycznej persony nie zginie i nie zniknie po stworzeniu strategii. To nie jest tylko na chwilę. To nie jest tylko coś, co się robi na rzecz jednego projektu. To jest coś, co może żyć z twoją marką bardzo długo, co powinno żyć z twoją marką cały czas. I regularnie możesz to aktualizować, regularnie możesz z tego korzystać, i to po prostu przynosi ogromną wartość. Więc mówię tylko o planie minimum, a myślę, że znajdziesz więcej pomysłów na to, jak to można świetnie wykorzystać.

Rozwinę ten temat w jednym z kolejnych odcinków, tak jak powiedziałem, bo persony mają swoje ograniczenia i potrzebujemy, pracując nad marką – szczególnie na tym się skupiam – zrozumieć wszystkich naszych klientów, a nie poszczególne persony. Więc do tego trzeba podejść troszeczkę inaczej. Dlatego subskrybuj, obserwuj ten podcast, żeby tego nie przegapić. Na brandoholik.pl znajdziesz więcej treści, znajdziesz więcej informacji o mnie, jeśli chcesz je zdobyć, i znajdziesz też informacje o tym, jak mogę ci pomóc, jak można ze mną współpracować. Jeśli myślisz o tym, odezwij się, pogadajmy. A jeśli nie, to do usłyszenia i zobaczenia w kolejnym odcinku. Cześć!