- Los consumidores/clientes sintéticos (Synthetic Consumer), que recrean a clientes reales con IA, ya se usan más allá de la exploración cualitativa para análisis cuantitativos repetibles, acelerando el desarrollo de productos, las pruebas de marketing y la capacitación del personal en campo
- Cuando se crean gemelos digitales o personas por segmento con datos propios de la empresa, como transacciones, comportamiento, demografía y opiniones de clientes, se obtiene más contexto y confiabilidad que al depender solo de datos externos
- Al validar retrospectivamente un estudio conjunto histórico de una empresa de tecnología de consumo, se observó que un gemelo digital sintético reprodujo alrededor del 90% de los resultados clave, incluyendo atributos principales, participación de preferencia de producto y decisiones de portafolio
- Al probar ampliamente combinaciones de precio y funciones, eliminar ideas débiles de forma temprana y validar previamente grupos de clientes de difícil acceso, es posible enfocar la investigación con personas en las preguntas de mayor valor
- Al inicio, conviene complementarlos en vez de reemplazar las investigaciones existentes, y se requieren validación retrospectiva, control de datos propios, una combinación de construcción y compra, además de rediseñar procesos y gobernanza. Los LLM no tienen verdadera capacidad de empatía, por lo que el juicio humano sigue siendo importante
Qué son los consumidores sintéticos y por qué están surgiendo
- Los consumidores sintéticos son representaciones generadas por IA que imitan el comportamiento, las preferencias y la toma de decisiones de clientes reales
- Pueden crearse como gemelos digitales que reproducen clientes individuales en una relación uno a uno, o como personas basadas en segmentos de clientes
- Combinan datos internos, como transacciones, comportamiento, demografía y encuestas de opinión de clientes, con datos externos, como reseñas de productos y recopilación de redes sociales
- La demanda de monitorear continuamente el desempeño de productos y servicios ha superado los límites de los métodos tradicionales de investigación, y la necesidad de reducir velocidad, costo y riesgo ha impulsado la adopción de clientes sustitutos digitales
- Las empresas que iteran rápido, prueban más ideas y descartan temprano los conceptos débiles logran resultados consistentemente mejores que las que siguen atadas a ciclos lentos, aislados y puntuales de generación de insights
- Su uso en empresas reales ya comenzó
- US Bank usa audiencias sintéticas para entender cómo distintos segmentos de clientes, incluidos hogares con alto patrimonio, piensan sobre temas financieros, y para probar y perfeccionar mensajes y creatividades publicitarias antes del lanzamiento
- Target simula con audiencias sintéticas la reacción de los consumidores a productos y promociones antes de hacer pruebas reales en su sitio web
Límites estructurales de la investigación de clientes tradicional
- La investigación tradicional sigue siendo valiosa, pero en el análisis conjunto y los modelos de elección discreta hay límites en la cantidad de rangos de precio, funciones y efectos de interacción que pueden probarse de forma realista
- Después de terminar una investigación, suelen surgir pedidos para probar más variables o extrapolar resultados fuera del alcance del test, lo que ralentiza el aprendizaje y aumenta la incertidumbre
- Las encuestas a personas ahora requieren muestras más grandes o controles de calidad más costosos para obtener datos válidos, debido al reciente aumento del fraude en respuestas y a la variación en la calidad de participación
- También es necesario mejorar continuamente las defensas frente a la infiltración de bots en las encuestas
- Además, persiste el problema clásico de que lo que la gente dice no siempre coincide con su comportamiento real
- En mercados B2B, puede ser difícil conseguir una muestra confiable cuando la cantidad de clientes clave, como los CFO de una industria específica, es reducida
Cómo los datos propios mejoran el desempeño del análisis cuantitativo
- Los equipos de producto, estrategia y marketing usan herramientas comerciales de IA para obtener insights cualitativos sobre funciones, precios y mensajes, pero estas herramientas muchas veces carecen de una base en datos propios de clientes, validación estadística y una gobernanza clara
- Recientemente, los LLM han mejorado su capacidad de razonamiento en tareas estructuradas, muestran mayor estabilidad al evaluar trade-offs y se alinean mejor con los patrones de toma de decisiones humanas
- Una empresa de tecnología de consumo validó retrospectivamente resultados sintéticos usando como referencia estudios conjuntos cuantitativos históricos a gran escala
- Creó gemelos digitales con datos históricos a nivel de encuestado y les hizo realizar las mismas tareas del estudio original
- El estudio original usado para la validación se excluyó de los insumos de entrenamiento del modelo
- Los gemelos digitales reprodujeron cerca del 90% de los resultados clave del estudio original
- Identificaron las funciones más influyentes en la elección del cliente
- Reprodujeron la participación de preferencia para la mayoría de los productos evaluados
- Reprodujeron correctamente decisiones de portafolio sobre qué productos lanzar o mantener
- Generaron curvas iniciales de sensibilidad al precio con resultados prometedores
Validación comparativa con una encuesta de consumidores sobre GLP-1
- Al comparar consumidores sintéticos con una encuesta existente a consumidores humanos sobre actitudes, uso y comportamiento respecto a medicamentos GLP-1, se obtuvieron resultados similares
- Se generaron encuestados sintéticos a partir de datos demográficos y actitudinales
- Se evaluaron respuestas a preguntas cerradas y preguntas con escala de 5 puntos
- Los resultados sintéticos coincidieron estrechamente con las respuestas humanas, y la dispersión solo aumentó cuando las preguntas eran ambiguas
- El tipo de preguntas y tareas planteadas al LLM influye en los resultados, pero los consumidores sintéticos están llegando gradualmente a un nivel confiable también para usos cuantitativos
- Cuando se combinan datos externos con datos propios y exclusivos de la empresa, se añade contexto detallado y también aumenta la confiabilidad de los resultados
Aplicaciones en desarrollo de producto y marketing
- Los consumidores sintéticos pueden ampliar los resultados de investigaciones existentes durante el proceso de desarrollo de productos
- Permiten probar nuevos rangos de precio, bundles y combinaciones de funciones sin rehacer desde cero la investigación de campo
- Permiten ajustar en detalle y someter a pruebas de estrés la reacción de cada segmento de clientes ante cambios en producto, precio y mensaje
- Permiten filtrar rápidamente conceptos, funciones y mensajes iniciales para enfocar la investigación con personas en las preguntas más valiosas
- Permiten probar con bajo riesgo segmentos difíciles de alcanzar antes de hablar con clientes reales escasos
- Los mismos principios pueden aplicarse no solo al marketing en industrias de consumo, sino también al B2B
- Al simular buyer personas y avatares conversacionales, los equipos comerciales pueden practicar respuestas a objeciones y mejorar su propuesta de valor y sus mensajes
- Una empresa global de servicios construyó personas sintéticas usando datos de lealtad Net Promoter® recopilados de sus clientes durante varios años
- Aplicó simultáneamente técnicas tradicionales de segmentación estadística por clases latentes sobre los mismos datos y llegó a resultados similares
- Luego complementó el contexto entrenando al LLM con datos externos y documentos públicos
- El equipo comercial pudo practicar propuestas frente a personas ejecutivas, incluido un CIO enfocado en el valor frente al precio
- El modelo se escaló en pocas semanas y se desplegó en oficinas de todo el mundo
Estrategia de adopción para complementar la investigación existente
- Al inicio, resulta efectivo introducir consumidores sintéticos como una capa complementaria sin reemplazar los métodos de investigación existentes
- Permiten reducir opciones, someter supuestos a pruebas de presión y enfocar la investigación con personas en preguntas de alto valor
- También puede empezarse con una prueba de concepto que demuestre precisión
- Los consumidores sintéticos deben tratarse no como una herramienta aislada, sino como una capacidad de la organización
- La empresa debe controlar directamente cómo define personas, cómo simula decisiones y cómo valida los resultados según cada caso de uso
- Para una adopción exitosa se necesitan cuatro condiciones
- Validación retrospectiva: la organización debe poder confiar en los insights sintéticos al demostrar su confiabilidad frente a investigaciones históricas
- Datos propios: más importante que la elección del modelo es contar con los datos y el contexto que sirven de base, como investigaciones históricas de clientes, datos de precio y ventas, atributos de segmentación y opiniones de clientes
- Equilibrio entre construir y comprar: los productos de proveedores sirven para experimentos iniciales cualitativos o ligeramente estructurados, pero para usarlos a nivel de decisión deben combinarse con modelos internos que permitan controlar datos, lógica y aprendizaje. Hoy no existe un producto comercial que cumpla con todas las necesidades
- Cambio del modelo operativo: hay que cambiar procesos, autoridad de decisión y gobernanza, y también ajustar la forma de hacer preguntas para que los equipos de investigación entreguen mejores insumos a las audiencias sintéticas. Asimismo, debe rediseñarse la colaboración entre equipos de investigación, producto y marketing
Expansión hacia una infraestructura de insights permanente
- Las empresas líderes ya están obteniendo efectos iniciales como iteración más rápida, datos e insights más ricos y mayor precisión respecto a resultados reales de mercado
- Con el tiempo, los consumidores sintéticos pueden convertirse en una infraestructura reutilizable de toma de decisiones que acumula el aprendizaje de la organización
- A medida que crecen el alcance de adopción y los casos de uso, pueden funcionar como una plataforma de insights siempre activa para producto, marketing y experiencia del cliente
- La profundidad de los datos propios y del aprendizaje acumulado en el sistema puede convertirse en una ventaja competitiva sostenible, pero como los LLM no tienen verdadera empatía, no pueden reemplazar el juicio humano
1 comentarios
NVIDIA Nemotron-Personas-Korea - conjunto de datos de 1 millón de personas sintéticas basado en la distribución real de la población de Corea del Sur Esto también me hizo pensar en eso.