هوش مصنوعی مولد (GenAI) و به ویژه مدل های زبان بزرگ (LLM) بازاریابی را متحول می کنند. بر اساس مطالعه گروه مشاوران بوستون در سال 2023، بیش از 70 درصد از مدیران ارشد بازاریابی این فناوری را پذیرفته اند و کارشناسان انتظار دارند که GenAI با خودکارسازی و افزایش جمع آوری و تجزیه و تحلیل داده ها، انقلابی در تحقیقات بازاریابی - صنعتی به ارزش 84.3 میلیارد دلار در سال 2023 ایجاد کند ایده ها
در جدید مجله بازاریابی در طول مطالعه، متوجه شدیم که LLMها دستاوردهای قابل توجهی در کارایی و اثربخشی در فرآیند تحقیقات بازاریابی برای تحقیقات کمی و کیفی ارائه می کنند. ما نشان می دهیم که LLMها به عنوان دستیاران عالی برای مدیران ایده در مراحل مختلف فرآیند تحقیق عمل می کنند: طراحی مطالعه، انتخاب نمونه، جمع آوری داده ها و تجزیه و تحلیل داده ها.
رویکرد ترکیبی بین هوش مصنوعی و انسان
یک زمینه تجاری را در نظر بگیرید که در آن یک مدیر برند با یک مدیر بینش مصرف کننده همکاری می کند تا مشکلی را که پژوهش سعی دارد به آن بپردازد را فرموله کند و مجموعه ای از سؤالات تحقیقاتی را مطرح کند. این دو ممکن است به طور مشترک در مورد طرح تحقیقی که برای مثال با تحقیقات اکتشافی (مانند مصاحبه های عمیق) و سپس تحقیقات توصیفی (مانند نظرسنجی) شروع می شود، توافق کنند. این دو مرحله اول فرآیند تحقیق عمدتاً توسط انسان هدایت می شود. اگرچه مدیران برند و رویا می توانند با MBA برای جمع آوری تحقیقات ثانویه در مورد موضوع و بررسی موارد استفاده که می تواند به پرسش های پژوهشی یا طراحی تحقیق کمک کند، مشورت کنند، آنها همچنان تا حد زیادی بر دانش خود از زمینه کسب وکار برای فرمول بندی مشکل تحقیق تکیه می کنند. سوالات و طراحی.
فرضیه اصلی ما این است که یک رویکرد ترکیبی LLM می تواند منجر به افزایش کارایی و اثربخشی در فرآیند تحقیقات بازاریابی شود. در این مطالعه، ما با یک شرکت غذایی Fortune 500 شریک شدیم و دو مطالعه را که این شرکت با استفاده از یک LLM انجام داد، تکرار کردیم. مطالعه اول کیفی و متمرکز بر سوالات تجاری مربوط به جشن روز دوستان بود. مطالعه دوم بر روی آزمایش یک غذای جدید سگ در یخچال متمرکز شد. در هر مطالعه، ما مطالعات اولیه (انسانی) را به عنوان "حقیقت پایه" در نظر گرفتیم و مطالعات ایجاد شده توسط MBA را با آنها مقایسه کردیم. این رویکرد به ما امکان داد تا کیفیت داده های مصنوعی را به طور عینی ارزیابی کنیم و نقشی را که LLM ها می توانند در تولید دانش ایفا کنند، بررسی کنیم.
برای تحقیقات کیفی، ما LLM ها را دستیاران عالی برای تولید و تجزیه و تحلیل داده ها می دانیم.
- در جبهه تولید داده، LLM ها به طور موثر ویژگی های نمونه مورد نظر را ایجاد می کنند، پاسخ دهندگان مصنوعی را ایجاد می کنند که با این ویژگی ها مطابقت دارند، و مصاحبه های عمیق تعدیل شده انجام می دهند. نتایج ما نشان می دهد که پاسخ های تولید شده توسط LLM از نظر عمق و بینش برتر هستند.
- در جبهه تحلیل، MBAها عملکرد خوبی دارند و با متخصصان انسانی در شناسایی ایده های کلیدی، گروه بندی آنها در موضوعات و خلاصه کردن اطلاعات مطابقت دارند. اگرچه MBA برخی از موضوعاتی را که انسان ها کشف کرده بودند از دست داد، اما موضوعاتی را تولید کرد که انسان ها قادر به کشف آنها نبودند. قضات متخصص متوجه می شوند که هیبریدهای انسان-LLM از همتایان فقط انسان یا فقط LLM عملکرد بهتری دارند. نتیجه در اینجا این است که MBA ها و انسان ها بینش های منحصر به فرد و مکملی را ارائه می دهند که مدیران باید از آنها استفاده کنند.
دستیار پژوهشی مفید
LLM می تواند نقطه شروع عالی برای ایجاد اولین پیش نویس نظرسنجی باشد و می تواند مقدمه نظرسنجی، سؤالات غربالگری و سؤالات جمعیت شناختی را با سهولت نسبی ایجاد کند. LLM می تواند روی کارهای خسته کننده، تکراری و غیر جالب تمرکز کند، در حالی که متخصص انسانی می تواند از این صرفه جویی در زمان استفاده کند تا خلاقانه تر در مورد پاسخ به سوالات تجاری و کیفیت ایده ها فکر کند.
مزیت بزرگ LLM به عنوان یک مکمل هزینه کم آنهاست. ما معتقدیم که این عامل واحد به پذیرش سریع LLM برای ایجاد دید کمک می کند. سود در اینجا احتمالاً برای پاسخ دهندگانی که دسترسی به آنها سخت است (مانند پزشکان و مدیران ارشد) بیشتر است زیرا پاسخ دهندگان مصنوعی خسته نمی شوند و می توانند پاسخ های طولانی به بسیاری از سؤالات ارائه دهند. در عرصه B2B که دسترسی به کاربران و خریداران نهایی آسان نیست، LLM ها می توانند در تکمیل اطلاعات جمع آوری شده از پاسخ دهندگان انسانی بسیار مفید باشند. به عنوان یک موتور هوشمند، LLM می تواند یک تولید کننده انقلابی اطلاعات پس زمینه برای طیف گسترده ای از سوالات تجاری با هزینه کم باشد.
توجه به این نکته مهم است که MBA ها زمانی که بر روی داده های مربوطه آموزش ندیده باشند، می توانند اشتباه، جانبدارانه یا توهم آمیز باشند. بنابراین، ناظر انسانی بخشی ضروری از فرآیند تولید دانش تحقیقات بازاریابی است. به عنوان مثال، یک انسان می تواند تصمیم بگیرد که چه زمانی از یک LLM کمک نگیرد. این می تواند زمانی اتفاق بیفتد که اطلاعات مورد نیاز نه تنها برای شرکت بلکه برای جهان جدید باشد. نمونه های دیگر عبارتند از تحقیقات بازاریابی در زمینه های فرهنگی برای درک آداب و رسوم و سنت های محلی، موضوعاتی با ملاحظات اخلاقی مانند هدف قرار دادن جمعیت های آسیب پذیر، و کسب بینش از داده های حاوی اطلاعات شخصی، که در آن LLM ها ممکن است فاقد حفاظت های لازم برای امنیت داده ها و حریم خصوصی باشند.
مطالعه کامل را برای جزئیات کامل بخوانید
منبع: نیراج آرورا، ایشیتا چاکرابورتی و یوهی نیشیمورا، "هیبریدهای هوش مصنوعی-انسان برای تحقیقات بازاریابی: استفاده از MBA به عنوان همکاران." مجله بازاریابی.
رفتن به مجله بازاریابی