اگر فرآیند پرسونا را به یاد بیاورید، ما اطلاعاتی را جمع‌آوری کردیم و در ادامه به مرحله‌ای رسیده‌ایم که می‌خواهیم این اطلاعات را تحلیل و یک‌پارچه کنیم و از دل آن‌ها، به پروفایل پرسونا برسیم. از نقش کاربر، هدف کاربر و دسته کاربر صحبت کردیم و تمایز اصلی را مشخص کردیم تا نقطه شروعی باشد برای تحلیل داده‌ها و حالا زمان تحلیل داده‌ها و پردازش اطلاعات پرسونا فرارسیده است.

بخشی از اطلاعات را از طریق پرسشنامه جمع‌اوری کرده‌ایم، قسمتی از آن که به‌صورت آنلاین انجام شده است آنقدرها سخت نیست، ولی باید قسمت دیگری که به‌صورت آفلان انجام داده‌ایم را در یک فایل به شیوه‌ای یکسان وارد کنیم. روش تحقیق ما به پرسشنامه محدود نبود، از روش‌های دیگر مانند مصاحبه و ابزار روند زندگی (یک روز از زندگی مخاطب)‌ نیز استقاده کردیم و می‌خواهیم این اطلاعات را به‌تدریج پردازش و سپس یکپارچه کنیم. قبل از ورود به موضوع پردازش اطلاعات پرسونا، یکبار دیگر نقشه راه فرآیند پرسونا را مرور کنیم:

 

فرایند پرسونا

 

هدف ادامه مسیر : هدف ما این است که بتوانیم از اطلاعاتی که به‌دست آورده‌ایم، نکات و فاکتورهایی را بیرون بکشیم و الگوهای تکرارشونده را استخراج کنیم. این الگوها شباهت‌هایی هستند که از دل تفاوت‌ها به‌دست می‌آیند و این الگوهای تکرارشونده در واقع همان اسکلت پرسونای ما را می‌سازند. بعد از اولویت‌بندی اسکلت پرسوناها براساس اهداف و محدویت‌های بیزینس‌خودمان تمپلت زیر را با هم پر خواهیم کرد و این می‌شود پروفایل پرسونای ما… (یکی از خروجی‌های مستقیم پرسونا که قبلا صحبت کرده بودیم).
اما اینکه از ابتدا سراغ همچنین تمپلیتی برویم و با اطلاعات فرضی و بر اساس حدسیات بخش‌های مختلف را تکمیل کنیم به پرسونا نمی‌رسیم، قرار است در فرایند کشف و خلق پرسونا به موارد و اطلاعاتی برسیم که پیش از این فرایند نمی‌دانستیم.

 

پروفایل پرسونا

 

[ihc-hide-content ihc_mb_type=”show” ihc_mb_who=”3,4,5,6″ ihc_mb_template=”3″ ]

 

فایل این عکس را در پست پروفایل پرسونا با شما به اشتراک می‌گذاریم تا در صورت تمایل بتوانید از این قالب راهنما برای پرسوناهای خود استفاده کنید. چون نیاز است در مورد جزییات آن کمی با هم بحث کنیم اجازه دهید آن را بعدا به اشتراک بگذاریم. در اینجا عکس از آن قرار دادیم، تا گویای مسیر پیش رویمان باشد.

با این حجم از اطلاعات چکار کنیم؟ چطور اطلاعات را خلاصه کنیم؟
تصور کنید در پروژه خودتان زمانی را اختصاص داده‌اید و به اطلاعاتی رسیده‌اید و حالا شمایید و تعداد زیادی فایل اکسل از اطلاعات جمع‌آوری شده. حالا چکار کنیم؟ این مرحله قسمتی است که بسیاری از افراد گیج می‌شوند و نمی‌دانند این حجم از اطلاعات را چطور خلاصه کنند تا به پروفایل پرسونا برسند. واقعیت این است که آن‌ها تعداد زیادی نیاز و خواسته و هدف از مخاطبین‌شان دارند… هر کدام یک سری موانع تصمیم‌گیری را داشته‌اند و اطلاعات دموگرافیک هرکدام از آن‌ها متفاوت است… حال چطور می‌شود از بین این حجم از اطلاعات به چند پرسونای محدود رسید و مطمئن بود که ان پرسونا قایل استنداد است و می‌توان بر اساس آن رفتار کاربر را پیش‌بینی کرد؟
روش‌های زیادی برای پردازش اطلاعات وجود دارد که ما در این‌جا از روشی کاربردی به‌نام نمودار همبستگی Affinity Map استفاده می‌کنیم. این روش به همسان‌سازی داده (assimilation) هم شناخته می‌شود و همان‌طور که از اسم آن پیداست داده‌ها را با هم ترکیب و هم‌سان می‌کند که نوعی از تحلیل داده است.

قبل از این که این روش را با هم تمرین کنیم بهتر است کمی هدفمان از تحلیل داده‌ها برای رسیدن به پرسونا را با هم مرور کنیم و ببینیم پرسونا چطور نمایشگری از داده‌هاست.

 

داستان تحلیل داده در پرسونا و تفاوت آن با تحلیل داده در داده‌کاوی و آمار:
هدف ما از تحلیل داده برای پرسونا فقط تحلیل داده برای رسیدن به پرسوناست. 😉 و هدف آن با تحلیل داده در داده‌کاوی (Data Mining) متفاوت است. دایان لی (Diane Lye) مدیر ارشد داده‌کاوی شرکت آمازون می‌گوید از پرسونا می‌توان به عنوان یک نمایش انسانی و قابل فهم از انبوهی از اطلاعات برای کاربردهای موردنیاز طراحی استفاده کرد و این یک روش دقیق برای آن هدف است اما باید آگاه باشیم که پرسونا نمایشگر همه اطلاعات نیست و نباید برای کارهایی که نیاز به دقت اطلاعات و همه‌جانبه داده‌ها دارد از آن استفاده کنیم.

 

پرسونا استادیوم فوتبال

 

به زبان ساده تحلیل کردن داده یک نوع خلاصه‌کردن داده است. هدف این خلاصه‎کردن این است که بتوان از انبوه داده‌ها نتیجه‌گیری کرد و به پیش‌بینی رسید و تفاوت در جنس نتیجه‌گیری‌ها و پیش‌بینی‌هاست. در تحلیل‌های آماری معمولا داده‌ها یا به یک الگوی معنادار خلاصه می‌شوند یا یک رابطه معنادار. تصور کنید تحقیقی برای هدف مشخصی در استادیوم آزادی روی خرید‌های تماشاگران فوتبال انجام شده است. زمانی که داده‌ها به یک الگو خلاصه می‌شود بدین صورت است که مثلا (۶۰ درصد از کسانی که به تماشای بازی فوتبال می‌روند چیپس می‌خرند) و اگر به یک رابطه خلاصه شده باشد از این جنس است که (احتمال این که تماشاگران بازی فوتبال نوشیدنی خریداری کنند، زمانی که چیپس خریده‌اند افزایش میابد) حال تصور کنید اگر لیستی از محصولاتی که تمام تماشاگران فوتبال در استادیوم آزادی خرید کردند را به ما بدهند ، تقریبا غیرممکن است که بتوانیم (درست) پیش‌بینی کنیم چه محصولاتی را همگی با هم خریده‌اند. (دقت کنید شاید بتوانیم حدس بزنیم ولی به دنبال پیش‌بینی براساس داده هستیم) در این حالت خلاصه‌کردن‌هایی که از آمارها (الگوها و رابطه‌ها) به‌دست می‌آید می‌تواند کمک خوبی باشد برای آن که بتوانیم پیش‌بینی‌هایی کنیم از این جنس که اگر بتوانیم آن‌ها را قانع کنیم که چیپس بخرند شانس خرید نوشیدنی افزایش پیدا خواهد کرد.

زمانی که قرار است نتیجه‌گیری و پیش‌بینی اتفاق بیفتد آمار و تحقیقات کمی بازار توجه ویژه‌ای به داده و دقت داده دارند و با کمک آن‌ها می‌توان به پیش‌بینی‌های درستی از تعداد کاربر در موضوعی رسید که این موضوع به‌خصوص در بازاریابی اهمیت زیادی دارد. زمانی که در آمار صحبت از نمایش داده می‌کنیم این نمایش بسیار دقیق و عموما قابل تعمیم به کل جامعه آماری است. براساس مدل‌های آماری می‌توانیم به دقت بگوییم چند نفر از کسانی که چیپس خریدند نوشیدنی هم گرفته‌اند.

پرسوناهایی که براساس داده (Data-Driven Personas) به‌دست می‌آیند هم بسیار دقیق هستند و براساس آن‌ها می‌توان به پیش‌بینی‌های درستی از رفتار کاربر رسید اما جنس دقت آن‌ها با دقت مدل‌های آماری تفاوت دارد. آن‌ها همان دقت را روی داده ندارند چون قرار است به نتیجه‌گیری و جمع‌بندی دیگری برسند که به آن دقت نیاز ندارد که در بخش زیر کمی مفصل‌تر در مورد ان صبت کرده‌ایم.

 

پرسوناها چطور نمایشگر داده‌ها هستند؟
نتایجی که از تحلیل داده در آمار و تحقیقات کمی به‌دست می‌آید هدف و کاربرد متفاوتی دارد. در این روش‌ها، هم هدف رسیدن به مجموعه اطلاعاتی است که بتوان براساس آن پیش‌بینی کرد اما عموما برای پیش‌بینی رفتار مخاطب و تصمیم‌های طراحانه مناسب نیستند. پرسوناها می‌توانند جنبه انسانی به الگوهای آماری بدهند و همین نکته آن‌ها را برای تصمیم‌گیری‌های انسانی که گره خورده با طراحی است ویژه می‌کند. برای شفاف شدن این ادعا به مثال بالا برگردیم، این که ۶۰ درصد از تماشاگران استادیوم آزادی چیپس می‌خرند شاید بتواند در طراحی دسته صندلی‌های دارای نگهدارنده اسنک یا طراحی فضای داخلی یک استادیوم ورزشی دیگر کمک کند اما نمی‌توان بر اساس رفتار این پرسونا رفتار همه تماشاگران فوتبال در استادیوم را پیش‌بینی کرد. به بیانی دیگر نمی‌توان از داده ۱۰۰ درصد پرسونای علاقه‌مند به چیپس نتیجه گرفت که ۱۰۰ درصد از تماشاگران استادیوم چیپس می‌خرند. این رفتار، رفتار یکی از پرسوناهای استادیوم است که ممکن است پرسونای اصلی (Primary Persona) ما باشد یا نباشد.

حال چرا این تفاوت اهمیت دارد و انقدر با طول و تفضیل در مورد آن صحبت کردیم:
به طور خلاصه می‌خواهیم توجه شما را به این نکته جلب کنیم زمانی که برای کاری مشخص به داده نیاز داریم، پرسونا جایگزین داده نمی‌شود ،و زمانی که قرار است طراحی (محصول، خدمت، کمپین، محتوا و…) کنیم، داده جایگزین پرسونا نمی‌شود. در این‌جا نکته‌ای که قبلا هم اشاره کرده‌ایم مهم می‌شود این که پرسونا میانگین افراد نیست و از میانگین‌ها حرف نمی‌زند.، بلکه نماینده است…نماینده گروهی‌ که براساس محدودیت‌ها و شرایط بیزینس می‌توانیم و می‌خواهیم با شناخت عمیق‌تر، آن‌ها را ذوق‌زده کنیم. ما نمی‌توانیم یک صندلی را برای میانگین افراد طراحی کنیم به‌خصوص زمانی که کودکان قرار است در مهدکودک از آن صندلی استفاده کنند. به بیانی دیگر زمانی که قرار است پیش‌بینی کنیم دقیقا چه افرادی و به چه تعدادی به تخفیف ۳۰ درصد صندلی عکس‌العمل نشان می‌دهند، نمی‌توانیم از پرسونا استفاده کنیم. برای هرکاری باید از ابزار مناسب خودش استفاده کنیم. (نکته ای که در برنامه‌ریزی پرسونا به آن اشاره مختصری کردیم)

 

تحلیل اطلاعات پرسونا

 

شاید در گذشته بیشتر تمرکز روی میانگین‌ها و مقبولیت عمومی بود اما با رشد نیچ مارکت‌ها(Niche Market) اهمیت پیدا کردن مخاطب خاص و شناخت عمیق او و برآورده کردن نیازهای پرسونای اصلی بیشتر و بیشتر شده است و پیش‌بینی می‌شود که بیش‌تر هم بشود. در واقع به نظر می‌رسد تحلیل‌های کمی و آماری، همچنان نقش به سزایی در فروش بیش‌تر و هدفمندتر میانگین افراد یا اکثریت یا گاهی اقلیت افراد بازی می‌کنند. اما نقش پرسونا برای فروش بیش‌تر و هدفمندتر در زمین بازی دیگری است. پرسونا کمک می‌کند تا بتوان تجربه کاربر را بهبود بخشید و در این دنیای رقابتی تجربه بهتر می‌تواند ما را به فروش بیش‌تر و بهتر برساند.

 

خوراک فکری: براساس نکته بالا به نظر شما چه پیش‌بینی ای از رفتار افراد در اقامتگاه بومگردی را بهتر می‌توان با آمار و تحقیقات کمی به‌دست اورد؟
حال که هدف‌مان از تحلیل داده برای رسیدن به پرسونا کمی شفاف‌تر شد، با کمک نمودار همبستگی که در پست بعدی توضیح داده‌ایم فرآیند تحلیل داده را دنبال می‌کنیم.

[/ihc-hide-content]

 

ادامه همین موضوع ...(قبلی) وبینار مخاطب شناسی و Jobs To Be Doneتحلیل داده پرسونا با روش نمودار همبستگی (بعدی)