211service.com
Ta bedre beslutninger med personas med store data
Levert av Qatar Stiftelsen
En persona er en imaginær figur som representerer et segment av ekte mennesker, og det er en kommunikativ designteknikk rettet mot økt brukerforståelse. Gjennom flere tiår med bruk var personas datastrukturer, statiske rammer brukerattributter uten interaktivitet. En persona var et middel til å organisere data om den imaginære personen og presentere informasjon til beslutningstakerne. Dette var egentlig ikke aktuelt i de fleste situasjoner.
Hvordan personas og data fungerer sammen
Med økende analysedata kan personas nå genereres ved hjelp av big data og algoritmiske tilnærminger. Denne integreringen av personas og analytics gir effektive muligheter til å skifte personas fra flate filer med datapresentasjon til interaktive grensesnitt for analysesystemer. Disse personas-analysesystemene gir både den empatiske forbindelsen til personas og den rasjonelle innsikten til analyse. Med personaanalysesystemer er ikke personaen lenger en statisk, flat fil. I stedet er de operative moduser for å få tilgang til brukerdata. Å kombinere personas og analyser gjør også brukerdataene mindre utfordrende å ansette for de som mangler ferdighetene eller lysten til å jobbe med komplekse analyser. En annen fordel med personaanalysesystemer er at man kan lage hundrevis av datadrevne personas for å reflektere de ulike atferdsmessige og demografiske nyansene i den underliggende brukerpopulasjonen.
En personas som grensesnitt-tilnærming gir fordelene med både personas og analysesystemer og adresserer hver enkelts mangler. Ved å transformere både persona- og analyseprosessen gir personas som grensesnitt både teoretiske og praktiske implikasjoner for design, markedsføring, reklame, helsevesen og menneskelige ressurser, blant andre domener.
Denne persona as interface-tilnærmingen er grunnlaget for personaanalysesystemet, Automatic Persona Generation (APG). Ved å presse fremskritt innen både persona og analytisk konseptualisering, utvikling og bruk, presenterer APG en flerlags fullstack-integrasjon som gir tre nivåer av brukerdatapresentasjon, som er a) den konseptuelle persona, b) analytiske beregninger og c) de grunnleggende dataene.
APG genererer casts av personas som representerer brukerpopulasjonen, med hvert segment som har en persona. Ved å stole på regelmessige datainnsamlingsintervaller beriker datadrevne personas den tradisjonelle personaen med tilleggselementer, som brukerlojalitet, sentimentanalyse og emner av interesse, som er funksjoner som etterspørres av APG-kunder.
Ved å utnytte designkonsepter for etterretningssystem identifiserer APG unike atferdsmønstre for brukerinteraksjoner med produkter (dvs. disse kan være produkter, tjenester, innhold, grensesnittfunksjoner osv.) og knytter deretter disse unike mønstrene til demografiske grupper basert på styrken til assosiasjonen til det unike mønsteret. Etter å ha oppnådd en gruppert interaksjonsmatrise, bruker vi matrisefaktorisering eller andre algoritmer for å identifisere latent brukerinteraksjon. Matrisefaktorisering og relaterte algoritmer er spesielt egnet for å redusere dimensjonaliteten til store datasett ved å skille ut latente faktorer.
Hvordan APG datadrevne personas fungerer
APG beriker brukersegmentene produsert av algoritmer ved å legge til et passende navn, bilde, kommentarer på sosiale medier og relaterte demografiske attributter (f.eks. sivilstatus, utdanningsnivå, yrke osv.) ved å spørre etter publikumsprofilene til fremtredende sosiale medieplattformer. APG har en intern meta-tagget database med tusenvis av kjøpte copyright-bilder som er alder, kjønn og etnisk passende. Systemet har også en intern database med hundretusenvis av navn som også er alder, kjønn og etnisk passende. For eksempel, for en persona av en indisk kvinne i tjueårene, velger APG automatisk et populært navn for kvinner for tjue år siden i India. APG-datadrevne personas vises deretter til brukerne fra organisasjonen via det interaktive online-systemet.
APG bruker de grunnleggende brukerdataene som systemalgoritmene handler på, og transformerer disse dataene til informasjon om brukere. Dette algoritmiske behandlingsresultatet er handlingsbare beregninger og mål om brukerpopulasjonen (dvs. prosenter, sannsynligheter, vekter osv.) av typen man vanligvis vil se i industristandard analysepakker. Å bruke disse handlingsbare beregningene er det neste abstraksjonsnivået tatt av APG. Resultatet er et personaanalysesystem som er i stand til å presentere brukerinnsikt på forskjellige granularitetsnivåer, med nivåer både integrerte og passende for oppgaven.
For eksempel kan ledere på C-nivå ønske en oversikt på høyt nivå av brukerne som personas vil være aktuelle for. Operasjonelle ledere vil kanskje ha et sannsynlighetssyn som analysene passer for. Implementørene må ta direkte brukerhandlinger, for eksempel for en markedsføringskampanje, som de individuelle brukerdataene er mer egnet for.
Hvert nivå i APG kan deles ned som følger:
Konseptuelt nivå, folkens. Det høyeste abstraksjonsnivået, det konseptuelle nivået, er settet med personas som APG genererer fra dataene ved å bruke metoden beskrevet ovenfor, med en standard på ti personas. Imidlertid kan APG teoretisk sett generere så mange personas som nødvendig. Personaen har nesten alle de typiske egenskapene som man finner i tradisjonelle flat-file persona-profiler. I APG tillater imidlertid personas som grensesnitt dramatisk økt interaktivitet for å utnytte personas i organisasjoner. Interaktivitet er gitt slik at beslutningstakeren kan endre standardnummeret for å generere flere eller færre personas, med systemet for øyeblikket satt til mellom fem og femten personas. Systemet kan tillate å søke i et sett med personas eller utnytte analyser for å forutsi personainteresser.
Analysenivå: prosenter, sannsynligheter og vekter . På analysenivå fungerer APG-personas som grensesnitt til den underliggende informasjonen og dataene som brukes til å lage personasene. Den spesifikke informasjonen kan variere noe avhengig av datakilden. Likevel vil analysenivået gjenspeile beregningene og målene generert fra de grunnleggende brukerdataene og skape personasene. I APG gir personas råd til den ulike analyseinformasjonen via klikkbare ikoner på persona-grensesnittet. APG viser for eksempel prosentandelen av hele brukerpopulasjonen som en bestemt persona representerer. Denne analytiske innsikten er verdifull for beslutningstakere for å bestemme viktigheten av å designe eller utvikle for en spesifikk persona, og hjelper til med å løse spørsmålet om personens gyldighet når det gjelder å representere faktiske brukere.
Brukernivå: individuelle data. Ved å utnytte de demografiske metadataene fra den underliggende faktoriseringsalgoritmen, kan beslutningstakere få tilgang til det spesifikke brukernivået (dvs. individ eller samlet) direkte i APG. De numeriske brukerdataene (i ulike former) er grunnlaget for personas og analyser.
Implikasjonene av datadrevne personas
Det konseptuelle skiftet av personas fra flate filer til personas som grensesnitt for forbedret brukerforståelse åpner nye muligheter for interaksjon mellom beslutningstakere, personas og analyser. Ved å bruke datadrevne personas innebygd som grensesnitt til analysesystemer, kan beslutningstakere for eksempel gjennomsyre analysesystemer med fordelen av personas for å danne et psykologisk bånd, via empati, mellom interessenter og brukerdata og fortsatt ha tilgang til det praktiske brukernummer. Det er flere praktiske implikasjoner for ledere og utøvere. Personas er nemlig nå handlingsdyktige, ettersom personas nøyaktig gjenspeiler de underliggende brukerdataene. Dette fullstack-implementeringsaspektet har ikke vært tilgjengelig med verken personas eller analyser tidligere.
APG er et fullt funksjonelt system distribuert med ekte klientorganisasjoner. Besøk gjerne https://persona.qcri.org for å se en demo.
Dette innholdet er skrevet av Qatar Computing Research Institute , Hamad Bin Khalifa University, medlem av Qatar Foundation. Den ble ikke skrevet av MIT Technology Reviews redaksjon.