استفاده از پروفایل‌های مشتری ساخته‌شده توسط هوش مصنوعی یا «پرسوناهای مصنوعی» (Synthetic Personas) می‌تواند دسترسی بازاریابان به بینش‌های مخاطبان را سرعت ببخشد. با این حال، به گفته مایکل لاکورازا (Michael Lacorazza)، مدیر ارشد بازاریابی (CMO) در موسسه مالی U.S. Bank، به‌کارگیری این فناوری در یک صنعت دارای مقررات سخت‌گیرانه، نیازمند نظارت دقیق بر نوع داده‌های ورودی به مدل‌ها و نحوه تصمیم‌گیری بر اساس خروجی آن‌ها است. موسسه U.S. Bank آزمایش این روش را از سال ۲۰۲۴ و در جریان توسعه کمپین جدید برند خود آغاز کرد؛ اقدامی که به گفته لاکورازا، زمان لازم برای دست‌یابی به برخی پاسخ‌های تحقیقاتی و جایگاه‌یابی را حدود ۵۰ درصد کاهش داد.
ساختار داده‌ها و مرزبندی‌های قانونی در صنعت بانکداری
برنامه پرسونای مصنوعی در U.S. Bank ابتدا حول مخاطبان هدف اصلی این بانک شکل گرفت تا به توسعه استراتژی ارتباطات، ارزیابی رقبا و سنجش مفاهیم تبلیغاتی کمک کند. یکی از اهداف اصلی، درک نحوه حضور برند در بازار و شناسایی پیام‌ها و اثبات‌های محصولی بود که بیشترین طنین را میان مخاطبان دارند. هدف دیگر، شناسایی فضاهای خالی رقابتی (Competitive White Space) در بازار بود.
مدل‌های مورد استفاده این بانک از داده‌های شخص ثالث (Third-party data) مانند مؤسسه YouGov و پایش شبکه‌های اجتماعی (Social Listening) در کنار تحقیقات اختصاصی خود بانک تغذیه می‌کنند. این آرشیو شامل پروفایل‌های مخاطبان، بخش‌بندی‌های مشتریان و بینش‌های حاصل از پرسش‌های قبلی از افراد واقعی است. لاکورازا در این زمینه می‌گوید:
«ما از منابع داده شخص ثالث مانند YouGov و پایش شبکه‌های اجتماعی استفاده می‌کنیم که نشان‌دهنده نگرش و احساسات مردم نسبت به موضوعات مختلف هستند. سپس کل کتابخانه بینش‌های حاصل از تحقیقات اختصاصی و دست اول (First-party research) خودمان روی پروفایل‌ها و بخش‌های مخاطبان را به عنوان بخشی از مجموعه داده وارد مدل می‌کنیم.»
نکته کلیدی در رویکرد U.S. Bank، تفکیک دقیق میان استفاده از هوش مصنوعی برای آگاهی‌بخشی به بازاریابی و به‌کارگیری آن در تصمیم‌گیری‌های مستقیم برای مشتریان است. این بانک تعمداً کار خود را با اطلاعات عمومی و یافته‌های تحقیقاتی آغاز کرد و از داده‌های تراکنشی فردی مشتریان استفاده نکرد. این پرسوناهایش صرفاً پایه تصمیم‌گیری کارمندان هستند و در پیشنهادهای اعتباری یا جابه‌جایی پول نقشی ندارند.
ارزیابی دقت داده‌ها و جایگاه تحقیقات سنتی
عدم ورود داده‌های حساس مشتریان به مدل، نیاز به سنجش دقیق خروجی‌ها را از بین نمی‌برد. لاکورازا قابلیت ردیابی (Traceability) را یک راهکار حفاظتی مهم می‌داند؛ زیرا مدل مشخص می‌کند کدام منابع داده پایه ارائه یک پاسخ بوده‌اند تا تیم بتواند میزان قابل اعتماد بودن آن را بسنجد. او تأکید می‌کند که اگر منبع داده مورد استفاده بسیار محدود یا ضعیف باشد، نباید به پاسخ آن اعتماد کرد.
با وجود کاهش حدود ۵۰ درصدی زمان تحقیقات در کمپین برند، خروجی پرسوناهای مصنوعی تنها یک ورودی برای تصمیم‌گیری است و جایگزین کامل تحقیقات سنتی محسوب نمی‌شود. U.S. Bank همچنان از پنل‌های مشتریان و تحقیقات اختصاصی تجربه مشتری استفاده می‌کند. لاکورازا همچنین هشدار می‌دهد که نباید تصور کرد تحقیقات با منشأ انسانی به خودی خود دقیق‌تر یا برتر هستند، زیرا پاسخ‌دهندگان واقعی نیز ممکن است درباره موضوعات شخصی کاملاً صادق نباشند یا پرسش‌های نادرست به بینش‌های اشتباه منجر شوند.
پس از اجرای کمپین، U.S. Bank بهبودهایی را در عملکرد خلاقانه، درگیری مخاطبان، یادآوری برند، ارزیابی و آگاهی از برند گزارش داد. لاکورازا این نتایج را عمدتاً ناشی از ایده خلاقانه می‌داند و معتقد است پرسوناهای مصنوعی صرفاً توصیه‌های تیم را دقیق‌تر کرده‌اند:
«در نهایت، این نتایج به دلیل عالی بودن ایده‌ها بود، نه به خاطر مدل‌های زبانی بزرگی که برای ارزیابی آن‌ها استفاده کردیم.»
پنج توصیه کلیدی برای پیاده‌سازی پرسوناهای مصنوعی
مدیر ارشد بازاریابی U.S. Bank برای برندها و بازاریابانی که قصد ورود به این حوزه را دارند، پنج پیشنهاد مشخص ارائه می‌دهد:
- شروع با کیفیت داده‌ها: خروجی مدل تنها به اندازه کیفیت داده‌های ورودی خوب خواهد بود. ممیزی تحقیقات موجود و شناسایی شکاف‌هایی که داده‌های عمومی یا شخص ثالث می‌توانند پر کنند، گام نخست است.
- تعیین اهداف محدود و مشخص: هدف اولیه باید کاملاً شفاف باشد (مانند تحلیل رقبا یا توسعه محصول) و نباید در نسخه نخست به دنبال حل تمام مسائل سازمان بود.
- ایجاد شفافیت و قابلیت ردیابی: سیستم باید مشخص کند کدام منابع داده پایه پاسخ‌ها بوده‌اند تا کارکنان بتوانند قابلیت اعتماد آن‌ها را ارزیابی کنند.
- آزمون با دانش قبلی: پرسیدن سوالاتی از مدل که پاسخ آن‌ها از قبل مشخص است، به سنجش و اصلاح عملکرد مدل کمک می‌کند.
- انعطاف‌پذیری در انتخاب تامین‌کنندگان: U.S. Bank به جای وابستگی به یک شرکت، از چند مدل اصلی هوش مصنوعی استفاده می‌کند تا با تحولات این فناوری همراه بماند.
توسعه هوش مصنوعی در عملیات بازاریابی و مدیریت منابع انسانی
در حال حاضر، U.S. Bank برنامه پرسوناهای مصنوعی را به ده‌ها پرسونا گسترش داده و از آن‌ها در کمپین‌های محصولی مانند سپرده‌ها، کسب‌وکارهای کوچک و پذیرندگی کارت (Merchant Acquiring) استفاده می‌کند. چهار حوزه اصلی کاربرد هوش مصنوعی در این بانک عبارتند از: تحقیقات و بینش‌ها، اتوماسیون فرآیندها، شخصی‌سازی و تولید محتوا.
تولید محتوا مواردی چون بهینه‌سازی تیتر ایمیل‌ها، متن بدنه، انتخاب تصاویر و ساخت سریع‌تر صفحات وب را شامل می‌شود. این بانک در تولیدات ویدئویی و تلویزیونی نیز از هوش مصنوعی بهره برده است؛ از جمله در تیزر تبلیغاتی با حضور کریستین مک‌کافری (Christian McCaffrey) که برای پر کردن ورزشگاه با حدود ۵۰ هزار تماشاگر به جای استخدام سیاهی‌لشکر، از هوش مصنوعی استفاده شد.
با این وجود، لاکورازا هوش مصنوعی را ابزاری برای اتوماسیون کامل دپارتمان‌های بازاریابی یا کاهش تعدادی نیروها نمی‌داند. به باور او، انتظار کاهش شدید هزینه‌های عملیاتی از طریق حذف نیروی انسانی واقعی نیست و صرفه‌جویی در زمان، منابع سازمان را برای کارهایی آزاد می‌کند که نیازمند قضاوت و تخصص انسانی هستند.