A ascensão dos respondentes sintéticos na pesquisa de mercado:

Criando o modelo sintético ideal

Nossa jornada na construção de modelos sintéticos começou há anos, utilizando nossos dados transacionais de mercado para previsões volumétricas e detecção de tendências. Com mais de 20 anos de experiência no desenvolvimento de soluções patenteadas de IA, aprendizado de máquina para negócios e IA para negócios, — sem mencionar nosso vasto acervo de dados de painelistas consumidores — sempre estivemos em uma posição privilegiada para trazer esse tipo de ferramenta ao mercado. Mesmo com o recente avanço da GenAI abrindo novas possibilidades, nossa abordagem experimental permaneceu intencional e cuidadosa, priorizando o valor para o cliente em vez do hype. Acima de tudo, temos mantido um foco rigoroso na precisão dos resultados por meio de testes e validações, e não estamos dispostos a comprometer a qualidade em nome da velocidade de lançamento. Essa estratégia tem se mostrado acertada repetidamente, tanto pelos nossos próprios achados quanto em conversas com clientes que relataram que as tecnologias emergentes que adotaram não entregaram o que prometeram.

Embora existam inúmeras complexidades envolvidas na construção da solução ideal de respondentes sintéticos, identificamos três princípios simples e não proprietários que diferenciam os modelos de excelência dos demais. E não é surpresa que todos eles comecem e terminem com dados reais fornecidos por consumidores humanos.

O sonho de toda equipe de desenvolvimento de produtos é “levantar e mudar”, ou seja, criar mecanismos escaláveis que gerem resultados eficazes em todas as categorias, mercados e circunstâncias. De fato, essa alardeada simplicidade de uso costuma ser o que torna muitos dos modelos sintéticos do mercado inicial tão atraentes: Quem não quer poder digitar alguns detalhes sobre a demografia e as preferências do consumidor e gerar um feedback conceitual para cuidados com a pele, soluções de limpeza e ração para cães?

Mas será que essa abordagem pode gerar resultados que reflitam com precisão a tomada de decisão humana?

Sabemos que os consumidores são previsivelmente irracionais quando se trata de tomada de decisões e que os motivadores de valor geralmente são moldados pelo contexto. O que um consumidor deseja em uma embalagem de cereal será diferente de suas preferências para cuidados com a pele; sua sensibilidade ao preço para produtos de clareamento dental será diferente da sensibilidade para chicletes. Da mesma forma, as personas sintéticas demonstram preferências variadas entre as categorias, mas de maneiras diferentes das humanas. Os vieses do modelo também podem aparecer em diferentes funções entre as categorias – por exemplo, em nossa experiência, observamos que os respondentes sintéticos pareciam se preocupar mais com a saúde humana do que os humanos reais.

O controle desses fatores exige um ajuste contínuo da metodologia, das instruções e até mesmo da ordem de solicitação para obter um feedback realmente autêntico. Aprendendo à medida que avançamos, adaptamos nossos procedimentos de teste de acordo e, o que é mais importante, validamos esse resultado em relação ao feedback de consumidores humanos reais, aproveitando nossa vasta experiência em calibrar as pontuações de painelistas de consumidores para vendas no mercado a partir de dados de vendas no varejo.

É importante ressaltar que também trabalhamos para garantir que nossa metodologia priorize a proteção da propriedade intelectual de nossos clientes, o que significa que seu conteúdo ou dados proprietários nunca serão usados para treinar modelos. Embora nosso processo possa parecer tedioso para alguns, descobrimos que não há atalhos para proteger a qualidade dos dados ou as informações competitivas de nossos clientes. Esses refinamentos contínuos e a capacidade de aproveitar nossos ativos de dados para entrada e validação nos dão confiança na precisão e na utilidade de nossos resultados, resultando nos resultados comerciais que nossos clientes esperam de nós.

Pense no início de 2020. Até então, você precisava de embalagens múltiplas de lenços desinfetantes? Já havia feito alguma estratégia sobre o estoque de papel higiênico além de esperar visitas em casa ou aproveitar uma promoção da sua marca favorita? A pandemia talvez seja um exemplo dramático, mas relevante, da rapidez com que o comportamento do consumidor pode mudar. Até mesmo um movimento sutil nas tendências ao longo do tempo pode levar a uma variação de feedback, e é por isso que priorizamos a solicitação de modelos com os dados comportamentais mais recentes do mercado, em vez de treiná-los com base em preferências históricas.

Mas nem todos os dados de consumidores são criados da mesma forma. Passamos décadas fazendo a curadoria de nossos conjuntos de dados para garantir que eles sejam controlados e calibrados para refletir com precisão o que os consumidores estão interessados – e de fato comprando – hoje em dia. O aproveitamento desses conjuntos de dados comportamentais em nossos prompts garante que o feedback sintético seja preditivo das tendências atuais e emergentes, em vez de refletir as preferências de 5 ou 10 anos atrás. Do ponto de vista de tempo e recursos, essa abordagem também alivia a necessidade de treinar constantemente os modelos à medida que as informações são atualizadas e os recursos técnicos evoluem, garantindo que nossa plataforma esteja sempre utilizando os melhores e mais recentes dados e tecnologias.

Se você vai investir em pesquisa de mercado para restringir as ideias conceituais, é essencial que esses insights apontem a direção certa – caso contrário, não será melhor do que simplesmente escolher o “favorito do time”. Ao aproveitar nosso escopo amplo e exclusivo de dados de mercado recentes para estimular nossas personas sintéticas, encontramos uma clara divergência na qualidade dos resultados para validar nossa metodologia e oferecer segurança quanto à capacidade de nossos modelos de resistir ao teste do tempo.

Você inseriu o prompt, executou a consulta, gerou o resultado… e agora?

Para a maioria dos modelos de modelos sintéticos atualmente no mercado, a funcionalidade termina quando o resultado é gerado. Infelizmente, isso muitas vezes deixa os usuários sem saber quais serão as próximas etapas. Quão bom é um conceito “bom”? Uma ideia “ruim” pode ser otimizada com alguns ajustes ou deve ser descartada? Qual é a próxima fase do desenvolvimento da ideia e como ela pode ser elevada até o lançamento?

Como especialistas em curadoria de conjuntos de dados exclusivos, estamos criando nosso próprio banco de dados de respondentes sintéticos. Esse repositório não apenas indicará exatamente o desempenho de um conceito, mas também colocará esse desempenho em um contexto comparativo com as outras ideias dos inovadores. Ao eliminar esse trabalho de adivinhação, os inovadores podem determinar qual iniciativa é a melhor aposta ou apontar melhorias em vez de voltar à prancheta de desenho.

O desenvolvimento e o lançamento de uma inovação bem-sucedida é um processo demorado que vai muito além da verificação de ideias. Independentemente do feedback do consumidor ser sintético ou humano, fornecer essas informações em contexto para orientar as próximas etapas é crucial e, em nossa opinião, é o que diferencia uma ferramenta de primeira classe de uma mediana. A capacidade de avaliar sua ideia em estágio inicial com The Full View™dos insights da NIQ pode fazer a diferença entre um produto que simplesmente é lançado e outro que acaba prosperando.