211service.com
Ta bättre beslut med big data personas
Tillhandahålls av Qatar Foundation
En persona är en imaginär figur som representerar ett segment av verkliga människor, och det är en kommunikativ designteknik som syftar till att öka användarens förståelse. Genom flera decennier av användning var personas datastrukturer, statiska ramverk användarattribut utan interaktivitet. En persona var ett sätt att organisera data om den imaginära personen och att presentera information för beslutsfattarna. Detta var inte riktigt genomförbart i de flesta situationer.
Hur personas och data fungerar tillsammans
Med ökande analysdata kan personas nu genereras med hjälp av big data och algoritmiska metoder. Denna integrering av personas och analys ger effektfulla möjligheter att flytta personas från platta filer med datapresentation till interaktiva gränssnitt för analyssystem. Dessa personas analytics system ger både den empatiska kopplingen av personas och de rationella insikterna av analytics. Med personaanalyssystem är personan inte längre en statisk, platt fil. Istället är de operativa sätt att komma åt användardata. Att kombinera personas och analys gör också användardata mindre utmanande att använda för dem som saknar kompetens eller lust att arbeta med komplexa analyser. En annan fördel med personaanalyssystem är att man kan skapa hundratals datadrivna personas för att spegla de olika beteendemässiga och demografiska nyanserna i den underliggande användarpopulationen.
Ett tillvägagångssätt för personas som gränssnitt erbjuder fördelarna med både personas och analyssystem och åtgärdar var och ens brister. Personas som gränssnitt förändrar både persona- och analysprocessen och ger både teoretiska och praktiska implikationer för design, marknadsföring, reklam, hälsovård och mänskliga resurser, bland andra domäner.
Denna persona som gränssnittsmetod är grunden för personaanalyssystemet, Automatic Persona Generation (APG). Genom att driva på framsteg inom konceptualisering, utveckling och användning av både persona och analys, presenterar APG en flerlagers fullstack-integration som ger tre nivåer av användardatapresentation, som är a) den konceptuella personan, b) den analytiska statistiken och c) de grundläggande uppgifterna.
APG genererar casts av personas som representerar användarpopulationen, där varje segment har en persona. Genom att förlita sig på regelbundna datainsamlingsintervall berikar datadrivna personas den traditionella personan med ytterligare element, såsom användarlojalitet, sentimentanalys och ämnen av intresse, vilka är funktioner som efterfrågas av APG-kunder.
Med hjälp av designkoncept för intelligenssystem identifierar APG unika beteendemönster för användarinteraktioner med produkter (dvs. dessa kan vara produkter, tjänster, innehåll, gränssnittsfunktioner etc.) och associerar sedan dessa unika mönster till demografiska grupper baserat på styrkan i associationen till det unika mönstret. Efter att ha erhållit en grupperad interaktionsmatris tillämpar vi matrisfaktorisering eller andra algoritmer för att identifiera latent användarinteraktion. Matrisfaktorisering och relaterade algoritmer är särskilt lämpade för att minska dimensionaliteten hos stora datamängder genom att urskilja latenta faktorer.
Hur APG datadrivna personas fungerar
APG berikar användarsegmenten som produceras av algoritmer genom att lägga till ett lämpligt namn, bild, kommentarer på sociala medier och relaterade demografiska attribut (t.ex. civilstånd, utbildningsnivå, yrke, etc.) genom att fråga efter publikprofilerna på framstående sociala medieplattformar. APG har en intern metataggad databas med tusentals köpta copyright-foton som är ålder, kön och etniskt lämpliga. Systemet har också en intern databas med hundratusentals namn som också är ålder, kön och etniskt lämpliga. Till exempel, för en persona av en indisk kvinna i tjugoårsåldern, väljer APG automatiskt ett populärt namn för kvinnor för tjugo år sedan i Indien. APG:s datadrivna personas visas sedan för användarna från organisationen via det interaktiva onlinesystemet.
APG använder den grundläggande användardata som systemalgoritmerna agerar på, och omvandlar denna data till information om användare. Detta algoritmiska bearbetningsresultat är åtgärdsbara mätvärden och mått på användarpopulationen (d.v.s. procentsatser, sannolikheter, vikter, etc.) av den typ som man vanligtvis skulle se i industristandardiserade analyspaket. Att använda dessa handlingsbara mätvärden är nästa abstraktionsnivå som APG tar. Resultatet är ett personaanalyssystem som kan presentera användarinsikter på olika granularitetsnivåer, med nivåer både integrerade och lämpliga för uppgiften.
Till exempel kan chefer på C-nivå vilja ha en överblick över de användare för vilka personas skulle vara tillämpliga. Operativa chefer kanske vill ha en probabilistisk syn som analysen skulle vara lämplig för. Implementerarna måste vidta direkta användaråtgärder, till exempel för en marknadsföringskampanj, för vilken den individuella användardatan är mer lämpad.
Varje nivå i APG kan delas upp enligt följande:
Konceptuell nivå, människor. Den högsta abstraktionsnivån, den konceptuella nivån, är den uppsättning personas som APG genererar från data med den metod som beskrivs ovan, med en standard på tio personas. APG kan dock teoretiskt generera så många personas som behövs. Personan har nästan alla typiska attribut som man hittar i traditionella platta personaprofiler. Men i APG tillåter personas som gränssnitt dramatiskt ökad interaktivitet för att utnyttja personas inom organisationer. Interaktivitet tillhandahålls så att beslutsfattaren kan ändra standardnumret för att generera fler eller färre personas, med systemet för närvarande inställt på mellan fem och femton personas. Systemet kan göra det möjligt att söka efter en uppsättning personas eller använda analyser för att förutsäga personas intressen.
Analysnivå: procentsatser, sannolikheter och vikter . På analysnivå fungerar APG-personas som gränssnitt till den underliggande informationen och data som används för att skapa personas. Den specifika informationen kan variera något beroende på datakällan. Ändå kommer analysnivån att återspegla de mätvärden och mått som genereras från den grundläggande användardatan och skapa personas. I APG ger personas råd till olika analysinformation via klickbara ikoner på persona-gränssnittet. Till exempel, APG visar procentandelen av hela användarpopulationen som en viss persona representerar. Denna analytiska insikt är värdefull för beslutsfattare att avgöra vikten av att designa eller utveckla för en specifik persona och hjälper till att ta itu med frågan om personans giltighet när det gäller att representera faktiska användare.
Användarnivå: individuella uppgifter. Genom att utnyttja den demografiska metadatan från den underliggande faktoriseringsalgoritmen kan beslutsfattare få tillgång till den specifika användarnivån (dvs individuell eller aggregerad) direkt inom APG. Den numeriska användardatan (i olika former) är grunden för personas och analys.
Implikationerna av datadrivna personas
Det konceptuella skiftet av personas från platta filer till personas som gränssnitt för ökad användarförståelse öppnar nya möjligheter för interaktion mellan beslutsfattare, personas och analyser. Med hjälp av datadrivna personas inbäddade som gränssnitt till analyssystem kan beslutsfattare till exempel genomsyra analyssystem med fördelen av personas för att bilda ett psykologiskt band, via empati, mellan intressenter och användardata och ändå ha tillgång till det praktiska användarnummer. Det finns flera praktiska konsekvenser för chefer och praktiker. Personas är nämligen nu handlingsbara, eftersom personas exakt återspeglar den underliggande användardatan. Denna fullstack-implementeringsaspekt har inte varit tillgänglig med varken personas eller analys tidigare.
APG är ett fullt fungerande system som distribueras med riktiga kundorganisationer. Besök https://persona.qcri.org för att se en demo.
Detta innehåll skrevs av Qatar Computing Research Institute , Hamad Bin Khalifa University, medlem av Qatar Foundation. Den skrevs inte av MIT Technology Reviews redaktion.