Personas synthétiques pour un meilleur suivi rapide

Améliorez vos compétences grâce aux informations hebdomadaires d’experts de Growth Memo. Abonnez-vous gratuitement !

Nous savons tous qu’un suivi rapide est directionnel. Le moyen le plus efficace de réduire le bruit consiste à suivre les invites basées sur les personnages.

Cette semaine, je couvre :

Pourquoi la personnalisation de l’IA rend les modèles traditionnels de « suivi des SERP » incomplets et comment les personnalités synthétiques comblent cette lacune.
Les données de validation de Stanford montrent une précision de 85 % pour un tiers du coût et comment Bain a réduit le temps de recherche de 50 à 70 %.
La structure de la carte personnelle à cinq champs et comment générer 15 à 30 invites traçables par segment à travers les niveaux d’intention.

Une grande différence entre la recherche classique et la recherche IA est que cette dernière fournit des résultats hautement personnalisés.

Chaque utilisateur obtient des réponses différentes en fonction de son contexte, de son historique et de l’intention déduite.
L’invite moyenne de l’IA est environ 5 fois plus longue que les mots-clés de recherche classiques (23 mots contre 4,2 mots), transmettant des signaux d’intention beaucoup plus riches que les modèles d’IA utilisent pour la personnalisation.
La personnalisation crée un problème de suivi : vous ne pouvez plus surveiller « la » réponse de l’IA, car chaque invite est essentiellement unique, façonnée par le contexte individuel de l’utilisateur.

La recherche de personnalité traditionnelle résout ce problème – vous cartographiez différents segments d’utilisateurs et suivez les réponses pour chacun – mais elle crée de nouveaux problèmes. Il faut des semaines pour mener des entretiens et synthétiser les résultats.

Une fois que vous avez terminé, les modèles d’IA ont changé. Les personas deviennent une documentation obsolète qui n’est jamais utilisée pour un véritable suivi des invites.

Les personnages synthétiques comblent le vide en créant des profils d’utilisateurs à partir de données comportementales et de profilage : analyses, enregistrements CRM, tickets d’assistance, sites d’avis. Vous pouvez créer des centaines de variantes de micro-segments et interagir avec elles en langage naturel pour tester la manière dont elles formulent les questions.

Plus important encore : ils sont la clé d’un suivi des invites plus précis, car ils simulent les besoins et les contraintes d’informations réels.

Le changement: Les personnages traditionnels sont descriptifs (qui est l’utilisateur), les personnages synthétiques sont prédictifs (comment l’utilisateur se comporte). L’un documente un segment, l’autre le simule.

Exemple: Le personnage d’un acheteur informatique d’entreprise avec la tâche à accomplir « évaluer la conformité en matière de sécurité » et la contrainte « besoin d’une piste d’audit pour l’approvisionnement » affichera des invites différentes de celles d’un utilisateur individuel avec la tâche « trouver l’option la moins chère » et la contrainte « besoin d’une décision dans 24 heures ».

Première invite : « journaux d’audit de conformité des outils de gestion de projet d’entreprise SOC 2 ».
Deuxième invite : « meilleure application gratuite de gestion de projet ».
Même catégorie de produits, invites complètement différentes. Vous avez besoin des deux personnages pour suivre les deux modèles d’invite.

Créez des personas avec une précision de 85 % pour un tiers du prix

Stanford et Google DeepMind ont formé des personnages synthétiques à partir de transcriptions d’entretiens de deux heures, puis ont testé si les personnages IA pouvaient prédire comment ces mêmes personnes réelles répondraient plus tard aux questions de l’enquête.

La méthode : Les chercheurs ont mené des enquêtes de suivi auprès des participants aux entretiens initiaux, en leur posant de nouvelles questions. Les personnages synthétiques ont répondu aux mêmes questions.
Résultat: 85 % de précision. Les personnages synthétiques reproduisaient ce que disaient les participants à l’étude.
Pour le contexte, cela est comparable à la cohérence test-retest humain. Si vous posez la même question à la même personne à deux semaines d’intervalle, elle est cohérente à environ 85 % avec elle-même.

L’étude de Stanford a également mesuré dans quelle mesure les personnages synthétiques prédisaient les modèles de comportement social dans des expériences contrôlées – des choses comme qui coopérerait à des jeux de confiance, qui suivrait les normes sociales et qui partagerait équitablement les ressources.

La corrélation entre les prédictions synthétiques de personnalité et le comportement réel des participants était de 98 %. Cela signifie que les personnages de l’IA ne se sont pas contentés de mémoriser les réponses aux entretiens ; ils ont capturé des tendances comportementales sous-jacentes qui prédisaient la manière dont les gens agiraient dans de nouvelles situations.

Bain & Company a mené un projet pilote distinct qui a montré une qualité d’information comparable pour un tiers du coût et la moitié du temps des méthodes de recherche traditionnelles. Leurs conclusions : une réduction de temps de 50 à 70 % (jours au lieu de semaines) et des économies de coûts de 60 à 70 % (pas de frais de recrutement, d’incitations, de services de transcription).

Le piège : ces résultats dépendent entièrement de la qualité des données d’entrée. L’étude de Stanford a utilisé de riches transcriptions d’entretiens de deux heures. Si vous vous entraînez sur des données superficielles (uniquement des pages vues ou des données démographiques de base), vous obtenez des personnalités superficielles. Déchets entrants, déchets sortants.

Comment créer des personnalités synthétiques pour un meilleur suivi rapide

Construire un personnage synthétique comporte trois parties :

Alimentez-le avec des données provenant de sources multiples sur vos utilisateurs réels : transcriptions d’appels, entretiens, journaux de messages, données de recherche organiques.
Remplissez la Persona Card – les cinq champs qui capturent la façon dont quelqu’un pense et recherche.
Ajoutez des métadonnées pour suivre la qualité du personnage et quand il doit être mis à jour.

L’erreur que commettent la plupart des équipes : essayer de créer des personnages à partir d’invites. Il s’agit d’une logique circulaire : vous avez besoin de personas pour comprendre les invites à suivre, mais vous utilisez des invites pour créer des personas. Au lieu de cela, commencez par les besoins d’information des utilisateurs, puis laissez le personnage traduire ces besoins en invites probables.

Sources de données pour nourrir les personnalités synthétiques

L’objectif est de comprendre ce que les utilisateurs tentent d’accomplir et le langage qu’ils utilisent naturellement :

Tickets d’assistance et forums communautaires: Langage exact que les clients utilisent pour décrire les problèmes. Signal non filtré à haute intention.
Transcriptions CRM et appels commerciaux: Les questions qu’ils posent, les objections qu’ils soulèvent, les cas d’utilisation qui concluent des affaires. Montre le processus de prise de décision.
Entretiens et enquêtes clients: Voix directe du client sur les besoins d’information et le comportement de recherche.
Sites d’avis (G2, Trustpilot, etc.) : Ce qu’ils auraient aimé savoir avant d’acheter. Écart entre les attentes et la réalité.

Données de requête de la Search Console: Questions qu’ils posent à Google. Utilisez l’expression régulière pour filtrer les requêtes de type question :

(?i)^(who|what|why|how|when|where|which|can|does|is|are|should|guide|tutorial|course|learn|examples?|definition|meaning|checklist|framework|template|tips?|ideas?|best|top|lists?|comparison|vs|difference|benefits|advantages|alternatives)b.*

(J’aime utiliser les 28 derniers jours, segmentés par pays cible)

Structure de la carte personnelle (cinq champs seulement – plus crée une dette alimentaire) :

Ces cinq champs capturent tout ce qui est nécessaire pour simuler la façon dont quelqu’un inciterait un système d’IA. Ils sont minimes par conception. Vous pouvez toujours en ajouter d’autres plus tard, mais en commençant simplement, les personnages restent maintenables.

Travail à faire: Quelle est la tâche réelle qu’ils tentent d’accomplir ? Non pas « en savoir plus sur X », mais « décider d’acheter X » ou de « résoudre le problème Y ».
Contraintes: Quelles sont leurs contraintes de temps, leurs niveaux de tolérance au risque, leurs exigences de conformité, leurs limites budgétaires et leurs restrictions en matière d’outillage ? Ceux-ci déterminent la manière dont ils effectuent leurs recherches et les preuves dont ils ont besoin.
Mesure de réussite: Comment jugent-ils « assez bien ? » Les dirigeants veulent une confiance directionnelle. Les ingénieurs veulent des détails reproductibles.
Critères de décision: De quelles preuves, structures et niveaux de détails ont-ils besoin avant de faire confiance aux informations et d’agir en conséquence ?
Vocabulaire: Quels sont les termes et expressions qu’ils utilisent naturellement ? Il ne s’agit pas de « atténuer le taux de désabonnement », mais de « fidéliser les clients ». Pas « optimisation UX » mais « rendre le site plus facile à utiliser ».

Exigences des spécifications

Ce sont les métadonnées qui rendent les personnages synthétiques dignes de confiance ; cela évite le problème de la « boîte noire ».

Lorsque quelqu’un remet en question les résultats d’un personnage, vous pouvez remonter aux preuves.

Ces exigences constituent l’épine dorsale du développement continu de la personnalité. Ils suivent les changements, les sources et la confiance dans la pondération.

Provenance: Quelles sources de données, plages de dates et tailles d’échantillon ont été utilisées (par exemple, « Tickets de support pour le troisième trimestre 2024 + Avis G2 »).
Score de confiance par domaine : Une note élevée/moyenne/faible pour chacun des cinq champs de la carte personnelle, appuyée par un nombre de preuves. (par exemple, « Critères de décision : confiance ÉLEVÉE, basée sur 47 appels commerciaux vs. Vocabulaire : confiance FAIBLE, basée sur 3 e-mails internes »).
Notes de couverture : Indiquez explicitement ce qui manque dans les données (par exemple, « surreprésente les acheteurs d’entreprise, manque complètement les utilisateurs qui se sont désistés avant de contacter l’assistance »).
Repères de validation : Trois à cinq vérifications de la réalité par rapport aux vérités commerciales connues pour repérer les hallucinations. (Par exemple, « Si le personnage affirme que le « prix » est la principale contrainte, cela correspond-il à nos données réelles sur le cycle de transaction ? »).
Déclencheurs de régénération : Signaux prédéfinis indiquant qu’il est temps de réexécuter le script et de rafraîchir le personnage (par exemple, un nouveau concurrent entre sur le marché ou le vocabulaire des tickets d’assistance change de manière significative).

Où les personnages synthétiques fonctionnent le mieux

Avant de créer des personnages synthétiques, comprenez où ils ajoutent de la valeur et où ils échouent.

Cas d’utilisation à grande valeur ajoutée

Conception rapide pour le suivi de l’IA: simulez la façon dont différents segments d’utilisateurs formuleraient des questions aux moteurs de recherche d’IA (le cas d’utilisation principal couvert dans cet article).
Tests de concept à un stade précoce: Testez 20 variantes de messages, en vous limitant aux cinq premières, avant de dépenser de l’argent dans de véritables recherches.
Exploration de micro-segments: Comprenez le comportement de dizaines de fonctions d’utilisateur différentes (administrateur d’entreprise, contributeur individuel ou acheteur exécutif) ou de cas d’utilisation sans interroger chacun d’entre eux.
Segments difficiles à atteindre: Testez vos idées avec des acheteurs exécutifs ou des évaluateurs techniques sans avoir besoin de leur temps.
Itération continue: Mettez à jour les personnages à mesure que de nouveaux tickets d’assistance, avis et appels commerciaux arrivent.

Limitations cruciales des personnages synthétiques que vous devez comprendre

Biais de flagornerie: Les personnages de l’IA sont trop positifs. Les vrais utilisateurs disent : « J’ai commencé le cours mais je ne l’ai pas terminé. » Les personnages synthétiques disent : « J’ai terminé le cours. » Ils veulent plaire.
Frottement manquant: Ils sont plus rationnels et cohérents que les vraies personnes. Si vos données de formation incluent des tickets d’assistance décrivant des frustrations ou des avis mentionnant des points douloureux, le personnage peut faire référence à ces modèles lorsqu’on lui le demande – il ne connaîtra tout simplement pas spontanément de nouvelles frictions que vous n’avez jamais vues auparavant.
Priorisation superficielle: Demandez ce qui compte et ils énuméreront 10 facteurs tout aussi importants. Les vrais utilisateurs ont une hiérarchie claire (le prix compte 10 fois plus que la couleur de l’interface utilisateur).
Biais hérité: Les biais liés aux données de formation sont omniprésents. Si votre CRM sous-représente les acheteurs de petites entreprises, vos personas le seront également.
Risque de fausse confiance: Le plus grand danger. Les personnages synthétiques ont toujours des réponses cohérentes. Cela rend les équipes trop confiantes et ignorent la véritable validation.

Règle de fonctionnement: Utilisez des personnages synthétiques pour l’exploration et le filtrage, pas pour les décisions finales. Ils réduisent votre ensemble d’options. Les vrais utilisateurs prennent la décision finale.

Résoudre le problème du démarrage à froid pour un suivi rapide

Les personas synthétiques sont un outil de filtrage et non un outil de décision. Ils réduisent votre ensemble d’options de 20 idées à cinq finalistes. Ensuite, vous validez ces cinq éléments auprès de vrais utilisateurs avant l’expédition.

Pour le suivi des invites de l’IA en particulier, les personnages synthétiques résolvent le problème du démarrage à froid. Vous avez hâte d’accumuler six mois de volume d’invites réel avant de commencer l’optimisation. Les personnages synthétiques vous permettent de simuler immédiatement un comportement rapide sur tous les segments d’utilisateurs, puis de l’affiner à mesure que des données réelles arrivent.

Là où ils vous feront échouer, c’est si vous les utilisez comme excuse pour ignorer la véritable validation. Les équipes adorent les personnages synthétiques car ils sont rapides et donnent toujours des réponses. C’est aussi ce qui les rend dangereux. Ne sautez pas l’étape de validation auprès de vrais clients.