Прежде чем спросить клиентов о новой идее, можно обратиться к ИИ. Но насколько ценны будут его ответы и помогут ли они в разработке? В BIS провели интересное исследование, в котором сделали из ИИ виртуальных респондентов и провели опрос о платежном приложении. Разберем, какие результаты получили исследователи и стоит ли пользоваться этим методом для сбора первичных данных.
Зачем нужен виртуальный респондент
Когда банк придумывает новую функцию, у команды возникает много вопросов. Кому она пригодится? Что в ней будет непонятно? О чем стоит спросить клиентов? Пока идея только обсуждается, первый отклик можно получить от ИИ.
Для этого модели описывают предполагаемого пользователя: пользуется ли он платежными приложениями, что ценит в них и как выбирает сервис. Затем предлагают ответить на вопросы от его лица. Так ИИ становится виртуальным респондентом — участником предварительного опроса, который помогает команде взглянуть на идею глазами возможного клиента.
Его ответы дают понять, какие идеи стоит развивать, что нужно уточнить и какие вопросы задать людям. Исследователи NIM рассматривают этот подход как способ подготовиться к исследованию с реальными участниками. О такой же роли ИИ говорят в Гильдии маркетологов.
Однако модель отвечает на основе описания пользователя, а не его опыта. Она не пробовала подобные функции и не принимала решение, стоит ли за них платить. Поэтому по ответам нельзя судить о выборе клиентов. Они помогают понять, с чего начать разговор с людьми, — а саму идею предстоит проверить уже с их участием.
Что показал эксперимент BIS с платежными приложениями
Исследователи BIS решили проверить, насколько ответы виртуальных респондентов похожи на мнения реальных людей. Для сравнения взяли результаты опроса жителей Нидерландов о платежных приложениях.
Участники рассказывали, какую пользу видят в этих сервисах и насколько их беспокоит передача личных данных. Затем исследователи описали ChatGPT предполагаемых участников и предложили ответить на те же вопросы от их лица. Полученные ответы сравнили с результатами настоящего опроса.
В общих чертах модель воспроизвела различия между участниками. Виртуальные пользователи платежных приложений отмечали их пользу и меньше беспокоились о рисках. А те, кого тревожила передача личных данных, относились к приложениям осторожнее. Такая же связь прослеживалась в ответах людей.
Но при сравнении ответов на отдельные вопросы сходство оказалось неполным. ИИ чаще давал похожие ответы, тогда как мнения реальных участников были разнообразнее. Подробные описания виртуальных респондентов эту разницу не устранили. Кроме того, модель сильнее подчеркивала опасения за личные данные, а ее ответы заметно менялись при изменении формулировки запроса.
Получается, ИИ смог уловить общие различия во взглядах, но не передал всей картины. Его ответы могут подсказать, какие предположения стоит проверить в разговоре с клиентами. Судить по ним о том, что именно скажут люди, пока нельзя.
Почему общего сходства ответов мало
Чтобы выбрать функцию для разработки, нужно понимать, кому она пригодится и что может помешать ею пользоваться. Это важно и для платежного приложения, и для финансового помощника вроде «Финансового доктора». Общего одобрения идеи недостаточно, ведь ИИ может уловить настроение клиентов, но ошибиться в деталях, от которых зависит решение о запуске.
Одна из возможных ошибок — переоценить интерес к продукту. Еще в одном исследовании NIM ИИ, как и люди, чаще выбирал известные бренды. При этом модель давала больше положительных оценок, а ее ответы были менее разнообразными. Если принять такую реакцию за мнение будущих клиентов, можно слишком рано решить, что функция им нужна, а ее описание и условия уже не требуют доработки.
Другая ошибка — неверно выбрать аудиторию. В исследовании на основе социальных опросов модели преувеличивали связь ответов с возрастом и другими демографическими признаками. Из-за этого исследователи в ряде случаев ошибались при выборе группы, для которой стоило создавать продукт.
Это исследование не касалось финтеха, но описанный риск важен и для банков. ИИ может убедительно объяснить, почему функция нужна определенной группе клиентов. А опрос реальных людей может показать, что различия между группами гораздо меньше, чем предполагала модель, поэтому общее сходство ответов — еще не основание для решения о продукте. Важно проверить, насколько клиентам нужна функция, кого она заинтересует и что придется изменить перед запуском. Именно в этих вопросах ошибка ИИ может направить разработчиков по неверному пути.
Где метод пригодится команде банка
Виртуальные респонденты могут помочь уточнить описание функции, собрать возможные возражения и проверить вопросы анкеты. Авторы исследования BIS считают, что метод подходит для подготовки опросов и быстрой проверки идей.
Начать можно с того, как команда объясняет новую функцию. Например, предложить ИИ два описания способа оплаты и попросить ответить на вопросы о каждом. Если модель по-разному трактует «мгновенное подтверждение», стоит уточнить, что именно имеется в виду. Такая проверка помогает заметить неясные слова еще до разговора с клиентами.
Затем можно попросить ИИ назвать возможные сомнения пользователя. Модель может задать вопросы о комиссии, защите данных или возврате ошибочного платежа. Эти подсказки помогут составить список тем для исследования. Насколько они важны для клиентов, команда выяснит уже в разговоре с людьми.
Полезно проверить и саму анкету. Если небольшое изменение формулировки заметно влияет на ответ ИИ, вопрос, возможно, допускает несколько толкований или подталкивает к определенному ответу.
Подобный подход пробовали и в российском финтехе. В разборе выступления дизайнера «Точка Банка» описан опыт с кредитным продуктом — ИИ отвечал на вопросы, а затем его ответы сравнивали с мнениями предпринимателей. Хотя речь шла о кредите, а не о разработке, это доказывает применимость метода в финтехе.
В результате команда приходит к клиентам с более понятным описанием идеи и продуманной анкетой. А ответы людей позволяют проверить, какие подсказки ИИ оказались полезными и что он упустил.
Что обязательно спросить у клиентов
После работы с ИИ команда идет к клиентам для проверки предположений. Начать стоит с их опыта: как они сейчас оплачивают покупки, пользуются ли похожими сервисами и что в них неудобно. Затем выяснить, при каких условиях они попробуют новый способ оплаты и что заставит их отказаться. Так станет понятнее, решает ли функция реальную проблему и есть ли у человека повод менять привычный способ оплаты.
При этом важно разобраться в причинах их выбора. Например, человеку может нравиться сама идея, но не подходить комиссия или условия передачи данных. За общей положительной оценкой такие сомнения легко упустить.
Когда появится прототип, нужно предложить его опрошенным клиентам. Разговор и проверка на практике могут дать разные результаты: человек говорит, что все понятно, но перед подтверждением операции останавливается и ищет помощь. Наблюдение покажет, на каком шаге возникают трудности и что нужно доработать.
В рассказе команды ПСБ о разработке цифровых продуктов наряду с опросами упоминаются эксперименты и изучение поведения пользователей. Эти способы дополняют друг друга.
Вывод
ИИ помогает команде банка подготовить идею новой функции к обсуждению с клиентами — заметить неясности и понять, что стоит проверить. Однако исследование BIS показало, что за общим сходством ответов модели и людей теряются различия в их мнениях, поэтому следующий шаг — поговорить с будущими пользователями и предложить им попробовать функцию. Их ответы и действия помогут решить, стоит ли ее запускать и что нужно доработать.