Træffe bedre beslutninger med big data personas

Leveret af Qatar Foundation

En persona er en imaginær figur, der repræsenterer et segment af rigtige mennesker, og det er en kommunikativ designteknik, der sigter mod øget brugerforståelse. Gennem flere årtiers brug var personaer datastrukturer, statiske rammer for brugerattributter uden interaktivitet. En persona var et middel til at organisere data om den imaginære person og til at præsentere information for beslutningstagerne. Dette var ikke rigtigt handlebart i de fleste situationer.

Hvordan personas og data arbejder sammen

Med stigende analysedata kan personas nu genereres ved hjælp af big data og algoritmiske tilgange. Denne integration af personas og analyser giver effektive muligheder for at skifte personas fra flade filer med datapræsentation til interaktive grænseflader til analysesystemer. Disse personas-analysesystemer giver både den empatiske forbindelse af personas og den rationelle indsigt i analytics. Med personaanalysesystemer er personaen ikke længere en statisk, flad fil. I stedet er de operationelle måder at få adgang til brugerdata på. Kombinationen af ​​personas og analyser gør også brugerdataene mindre udfordrende at anvende for dem, der mangler evnerne eller lysten til at arbejde med komplekse analyser. En anden fordel ved personaanalysesystemer er, at man kan skabe hundredvis af datadrevne personas for at afspejle de forskellige adfærdsmæssige og demografiske nuancer i den underliggende brugerpopulation.

En personas as interfaces tilgang tilbyder fordelene ved både personas og analysesystemer og adresserer hver enkelts mangler. Ved at transformere både persona- og analytiske skabelsesprocessen giver personas som grænseflader både teoretiske og praktiske implikationer for design, marketing, reklame, sundhedspleje og menneskelige ressourcer, blandt andre domæner.

Denne persona as interface tilgang er grundlaget for personaanalysesystemet, Automatic Persona Generation (APG). Ved at skubbe fremskridt inden for både persona- og analytisk konceptualisering, udvikling og brug præsenterer APG en flerlags full-stack-integration, der giver tre niveauer af brugerdatapræsentation, som er a) den konceptuelle persona, b) de analytiske målinger og c) de grundlæggende data.

APG genererer casts af personas, der repræsenterer brugerpopulationen, hvor hvert segment har en persona. Ved at stole på regelmæssige dataindsamlingsintervaller beriger datadrevne personas den traditionelle persona med yderligere elementer, såsom brugerloyalitet, sentimentanalyse og emner af interesse, som er funktioner, der efterspørges af APG-kunder.

Ved at udnytte efterretningssystemers designkoncepter identificerer APG unikke adfærdsmønstre for brugerinteraktioner med produkter (dvs. disse kan være produkter, tjenester, indhold, grænsefladefunktioner osv.) og knytter derefter disse unikke mønstre til demografiske grupper baseret på styrken af ​​tilknytning til det unikke mønster. Efter at have opnået en grupperet interaktionsmatrix, anvender vi matrixfaktorisering eller andre algoritmer til at identificere latent brugerinteraktion. Matrixfaktorisering og relaterede algoritmer er særligt velegnede til at reducere dimensionaliteten af ​​store datasæt ved at skelne latente faktorer.

Hvordan APG datadrevne personas fungerer

APG beriger brugersegmenterne produceret af algoritmer ved at tilføje et passende navn, billede, kommentarer til sociale medier og relaterede demografiske attributter (f.eks. civilstand, uddannelsesniveau, erhverv osv.) ved at forespørge efter publikumsprofiler på fremtrædende sociale medieplatforme. APG har en intern meta-tagget database med tusindvis af købte copyright-billeder, der er alder, køn og etnisk passende. Systemet har også en intern database med hundredtusindvis af navne, der også er alder, køn og etnisk passende. For eksempel, for en persona af en indisk kvinde i tyverne, vælger APG automatisk et populært navn for kvinder for tyve år siden i Indien. De APG datadrevne personas vises derefter til brugerne fra organisationen via det interaktive online system.

APG anvender de grundlæggende brugerdata, som systemalgoritmerne reagerer på, og omdanner disse data til oplysninger om brugere. Dette algoritmiske behandlingsresultat er målbare målinger og mål om brugerpopulationen (dvs. procenter, sandsynligheder, vægte osv.) af den type, som man typisk vil se i industristandardanalysepakker. Anvendelse af disse handlingsrettede målinger er det næste abstraktionsniveau, som APG tager. Resultatet er et personaanalysesystem, der er i stand til at præsentere brugerindsigt på forskellige granularitetsniveauer, med niveauer både integrerede og passende til opgaven.

For eksempel kan ledere på C-niveau gerne have et overblik over de brugere, som personas ville være anvendelige for. Operationelle ledere vil måske have et sandsynlighedssyn, som analysen vil passe til. Implementørerne skal tage direkte brugerhandlinger, som for eksempel til en marketingkampagne, hvor de individuelle brugerdata er mere egnede.

Hvert niveau i APG kan opdeles som følger:

Begrebsmæssigt niveau, mennesker. Det højeste abstraktionsniveau, det konceptuelle niveau, er det sæt af personas, som APG genererer ud fra dataene ved hjælp af metoden beskrevet ovenfor, med en standard på ti personas. APG kan dog teoretisk generere så mange personas som nødvendigt. Personaen har næsten alle de typiske egenskaber, som man finder i traditionelle flad-file persona-profiler. I APG tillader personas som grænseflader imidlertid dramatisk øget interaktivitet ved at udnytte personas inden for organisationer. Interaktivitet er tilvejebragt således, at beslutningstageren kan ændre standardtallet for at generere flere eller færre personas, med systemet i øjeblikket indstillet til mellem fem og femten personas. Systemet kan give mulighed for at søge i et sæt af personas eller udnytte analyser til at forudsige personainteresser.

Analyseniveau: procenter, sandsynligheder og vægte . På analyseniveau fungerer APG-personas som grænseflader til den underliggende information og data, der bruges til at skabe personas. De specifikke oplysninger kan variere noget afhængigt af datakilden. Alligevel vil analyseniveauet afspejle de målinger og mål, der genereres fra de grundlæggende brugerdata og skabe personas. I APG giver personaerne råd til de forskellige analytiske informationer via klikbare ikoner på persona-grænsefladen. For eksempel viser APG procentdelen af ​​hele brugerpopulationen, som en bestemt persona repræsenterer. Denne analytiske indsigt er værdifuld for beslutningstagere til at bestemme vigtigheden af ​​at designe eller udvikle til en specifik persona og hjælper med at løse spørgsmålet om personaens gyldighed i at repræsentere faktiske brugere.

Brugerniveau: individuelle data. Ved at udnytte de demografiske metadata fra den underliggende faktoriseringsalgoritme kan beslutningstagere få adgang til det specifikke brugerniveau (dvs. individuelt eller samlet) direkte i APG. De numeriske brugerdata (i forskellige former) er grundlaget for personas og analyser.

Implikationerne af datadrevne personas

Det konceptuelle skift af personas fra flade filer til personas som grænseflader for forbedret brugerforståelse åbner nye muligheder for interaktion mellem beslutningstagere, personas og analyser. Ved at bruge datadrevne personas indlejret som grænseflader til analysesystemer, kan beslutningstagere f.eks. gennemsyre analysesystemer med fordelen af ​​personas til at danne et psykologisk bånd, via empati, mellem interessenter og brugerdata og stadig have adgang til det praktiske. brugernumre. Der er flere praktiske konsekvenser for ledere og praktikere. Personaer kan nemlig nu handles, da personaerne nøjagtigt afspejler de underliggende brugerdata. Dette full-stack implementeringsaspekt har ikke tidligere været tilgængeligt med hverken personas eller analyser.

APG er et fuldt funktionelt system implementeret med rigtige kundeorganisationer. Besøg venligst https://persona.qcri.org for at se en demo.

Dette indhold er skrevet af Qatar Computing Research Institute , Hamad Bin Khalifa University, medlem af Qatar Foundation. Det er ikke skrevet af MIT Technology Reviews redaktion.

skjule