Konsumen sintetis membuktikan kelayakan penggunaan di dunia nyata

 (bain.com)
4 poin oleh GN⁺ 21 jam lalu | 1 komentar | Bagikan ke WhatsApp
  • Konsumen/pelanggan sintetis (Synthetic Consumer) yang mereplikasi pelanggan nyata dengan AI kini digunakan bukan hanya untuk eksplorasi kualitatif, tetapi juga untuk analisis kuantitatif yang dapat diulang, sehingga mempercepat pengembangan produk, pengujian pemasaran, dan pelatihan tenaga lapangan
  • Jika perusahaan membuat digital twin atau persona per segmen dari data milik sendiri seperti transaksi, perilaku, demografi, dan opini pelanggan, konteks dan keandalannya menjadi lebih tinggi dibanding hanya bergantung pada data eksternal
  • Hasil validasi balik atas studi conjoint historis di sebuah perusahaan teknologi konsumen menunjukkan bahwa digital twin sintetis mereplikasi sekitar 90% hasil inti seperti atribut utama, pangsa preferensi produk, dan keputusan portofolio
  • Dengan menguji kombinasi harga dan fitur secara luas, menyingkirkan ide lemah lebih awal, dan memvalidasi lebih dulu kelompok pelanggan yang sulit dijangkau, survei terhadap manusia bisa difokuskan pada pertanyaan yang bernilai tinggi
  • Pada tahap awal, pendekatan ini sebaiknya melengkapi, bukan menggantikan, riset yang ada; diperlukan validasi balik, kontrol atas data internal, kombinasi build dan buy, serta pembaruan proses kerja dan tata kelola. LLM tidak memiliki kemampuan empati yang sesungguhnya, sehingga penilaian manusia tetap penting

Definisi konsumen sintetis dan latar belakang adopsinya

  • Konsumen sintetis adalah representasi buatan AI yang meniru perilaku, preferensi, dan pengambilan keputusan pelanggan nyata
    • Dapat dibuat dalam bentuk digital twin yang mereplikasi pelanggan individual satu banding satu, atau persona berbasis segmen pelanggan
    • Menggabungkan data internal seperti transaksi, perilaku, demografi, dan survei opini pelanggan dengan data eksternal seperti ulasan produk dan data media sosial yang dikumpulkan
  • Permintaan untuk terus memahami kinerja produk dan layanan telah melampaui keterbatasan metode riset tradisional, dan kebutuhan akan pengurangan biaya, kecepatan, serta risiko mendorong adopsi pelanggan pengganti digital
  • Perusahaan yang beriterasi cepat, menguji lebih banyak ide, dan membuang konsep lemah lebih dini secara konsisten meraih hasil lebih baik daripada perusahaan yang terikat pada siklus insight sekali jalan yang lambat dan terputus
  • Pemanfaatannya di perusahaan nyata juga sudah dimulai
    • US Bank menggunakan audiens sintetis untuk memahami bagaimana segmen pelanggan, termasuk rumah tangga dengan aset tinggi, memandang topik keuangan, serta untuk menguji dan menyempurnakan pesan dan materi iklan sebelum peluncuran
    • Target mensimulasikan respons konsumen terhadap produk dan promosi dengan audiens sintetis sebelum menjalankan uji nyata di situs webnya

Keterbatasan struktural riset pelanggan konvensional

  • Riset tradisional tetap bernilai, tetapi analisis conjoint dan model pilihan diskret memiliki batas dalam jumlah rentang harga, fitur, dan efek interaksi yang realistis untuk diuji
    • Setelah survei selesai, sering muncul kebutuhan untuk menguji lebih banyak variabel, atau mengekstrapolasi hasil di luar cakupan pengujian, sehingga pembelajaran melambat dan ketidakpastian meningkat
  • Survei terhadap manusia belakangan ini memerlukan sampel yang lebih besar atau kontrol kualitas yang mahal untuk memperoleh data yang valid, karena meningkatnya kecurangan respons dan variasi kualitas partisipasi
    • Mekanisme pertahanan juga harus terus ditingkatkan untuk menghadapi infiltrasi bot ke dalam survei
    • Masalah klasik bahwa apa yang dikatakan orang berbeda dari perilaku nyata mereka juga tetap ada
  • Di pasar B2B, jumlah pelanggan inti itu sendiri bisa sedikit—seperti CFO di industri tertentu—sehingga sulit memperoleh sampel yang andal

Data internal meningkatkan kinerja analisis kuantitatif

  • Tim produk, strategi, dan pemasaran menggunakan alat AI komersial untuk memperoleh insight kualitatif tentang fitur, harga, dan pesan, tetapi alat seperti ini sering kekurangan fondasi data pelanggan milik sendiri, validasi statistik, dan tata kelola yang jelas
  • LLM terbaru telah meningkatkan kemampuan penalaran pada tugas terstruktur, membuat penilaian trade-off lebih stabil, dan lebih selaras dengan pola pengambilan keputusan manusia
  • Sebuah perusahaan teknologi konsumen memvalidasi balik hasil sintetis dengan menjadikan studi kuantitatif conjoint skala besar di masa lalu sebagai data jawaban
    • Perusahaan itu membuat digital twin dari data historis di tingkat responden dan menjalankan tugas yang sama seperti studi asli
    • Studi asli yang menjadi objek validasi dikecualikan dari input pelatihan model
    • Digital twin mereplikasi sekitar 90% hasil inti studi asli
      • Mengidentifikasi fitur yang paling berpengaruh terhadap pilihan pelanggan
      • Mereplikasi pangsa preferensi untuk sebagian besar produk yang diuji
      • Mereplikasi dengan benar keputusan tingkat portofolio tentang produk mana yang harus diluncurkan atau dipertahankan
      • Menghasilkan kurva sensitivitas harga awal yang menunjukkan potensi

Validasi perbandingan dengan survei konsumen GLP-1

  • Hasil serupa diperoleh saat membandingkan konsumen sintetis dengan survei konsumen manusia yang sudah ada mengenai sikap, penggunaan, dan perilaku terkait obat GLP-1
    • Responden sintetis dibuat dengan memasukkan data demografis dan data sikap
    • Jawaban untuk pertanyaan tertutup dan pertanyaan skala 5 poin kemudian dievaluasi
  • Hasil sintetis sangat selaras dengan respons manusia, dan variasi hanya meningkat ketika pertanyaan ambigu
  • Jenis pertanyaan dan tugas yang diberikan ke LLM memang memengaruhi hasil, tetapi konsumen sintetis secara bertahap telah mencapai tingkat keandalan untuk penggunaan kuantitatif juga
  • Jika data eksklusif milik perusahaan digabungkan dengan data eksternal, konteks yang lebih rinci akan bertambah dan keandalan hasil juga meningkat

Pemanfaatan dalam pengembangan produk dan pemasaran

  • Konsumen sintetis dapat memperluas hasil riset yang ada dalam proses pengembangan produk
    • Menguji rentang harga, bundel, dan kombinasi fitur baru tanpa harus mengulang riset lapangan dari awal
    • Menyetel dengan rinci dan melakukan stress test atas respons terhadap perubahan produk, harga, dan pesan untuk tiap segmen pelanggan
    • Menyaring konsep awal, fitur, dan pesan dengan cepat agar riset terhadap manusia bisa difokuskan pada pertanyaan yang paling bernilai
    • Menguji dengan risiko rendah segmen yang sulit dijangkau sebelum bertemu pelanggan nyata yang langka
  • Prinsip yang sama dapat diterapkan tidak hanya pada pemasaran industri konsumen tetapi juga pada B2B
    • Dengan mensimulasikan persona pembeli dan avatar percakapan, tim penjualan dapat berlatih menangani keberatan serta menyempurnakan proposisi nilai dan pesan
  • Sebuah perusahaan jasa global membangun persona sintetis dari data loyalitas Net Promoter® yang dikumpulkan dari pelanggan selama bertahun-tahun
    • Pada data yang sama, perusahaan itu sekaligus menerapkan teknik segmentasi statistik latent class tradisional dan mencapai hasil yang mirip
    • Setelah itu, data eksternal dan dokumen publik digunakan untuk melatih LLM guna melengkapi konteks
    • Tim penjualan dapat berlatih proposal menghadapi persona eksekutif, termasuk CIO yang menekankan value for money
    • Model tersebut kemudian diperluas dalam beberapa minggu dan disebarkan ke kantor-kantor di seluruh dunia

Strategi adopsi yang melengkapi riset yang ada

  • Pada tahap awal, paling efektif mengadopsi konsumen sintetis sebagai lapisan pelengkap alih-alih mengganti metode riset yang ada
    • Mempersempit pilihan, melakukan stress test terhadap asumsi, dan memfokuskan riset terhadap manusia pada pertanyaan bernilai tinggi
    • Dapat dimulai dari proof of concept yang membuktikan akurasi
  • Konsumen sintetis harus diperlakukan bukan sebagai alat tunggal, tetapi sebagai kapabilitas organisasi
    • Perusahaan perlu mengendalikan sendiri definisi persona, simulasi pengambilan keputusan, dan cara memvalidasi output untuk tiap use case
  • Adopsi yang sukses memerlukan empat syarat
    • Validasi balik: Keandalan harus dibuktikan dengan membandingkannya terhadap studi historis agar organisasi mau menerima insight sintetis
    • Data internal: Data dan konteks yang menjadi fondasi model—seperti riset pelanggan sebelumnya, data harga dan penjualan, atribut segmentasi, serta opini pelanggan—lebih penting daripada pemilihan model itu sendiri
    • Keseimbangan build dan buy: Produk vendor berguna untuk eksperimen awal yang kualitatif atau terstruktur ringan, tetapi agar bisa digunakan di tingkat pengambilan keputusan, perlu dikombinasikan dengan model internal sehingga data, logika, dan pembelajaran dapat dikendalikan. Saat ini belum ada produk komersial yang memenuhi semua kebutuhan
    • Perubahan model operasional: Prosedur kerja, wewenang pengambilan keputusan, dan tata kelola harus diubah, dan cara merumuskan pertanyaan juga perlu disesuaikan agar tim riset dapat memberikan input yang lebih baik kepada audiens sintetis. Cara kolaborasi tim riset, produk, dan pemasaran juga perlu didesain ulang

Ekspansi menuju infrastruktur insight yang selalu aktif

  • Perusahaan-perusahaan terdepan sudah memperoleh efek awal berupa iterasi yang lebih cepat, data dan insight yang lebih kaya, serta peningkatan akurasi terhadap hasil pasar nyata
  • Seiring waktu, konsumen sintetis berpotensi menjadi infrastruktur pengambilan keputusan yang dapat digunakan ulang dan menumpuk pembelajaran organisasi
  • Ketika cakupan adopsi dan use case meluas, ia dapat berperan sebagai platform insight yang selalu aktif di seluruh produk, pemasaran, dan pengalaman pelanggan
  • Kedalaman data internal dan pembelajaran yang terakumulasi dalam sistem bisa menjadi keunggulan kompetitif yang berkelanjutan, tetapi karena LLM tidak memiliki kemampuan empati yang sesungguhnya, penilaian manusia tidak dapat digantikan

Bacaan terkait