- شروع مخاطبشناسی و پرسونا
- پرسونا ابزاری قدرتمند برای شناخت عمیق مخاطب
- فرایند دقیق طراحی پرسونا
- اولین مرحله طراحی پرسونا: برنامهریزی و تعریف مسئله
- پیشنویس پرسشنامه پرسونا (Questionnaire Draft)
- اگر زمان کافی برای فرآیند پرسونا نداریم، “پرسونای تک منظوره” را امتحان کنیم
- کشف تمایز اصلی در پرسونا (Primary Differentiator)
- پرسشنامه آنلاین، بخشی از مخاطبشناسی
- شناخت بیشتر مخاطب با ابزار روند زندگی
- وبینار مخاطب شناسی و Jobs To Be Done
- پردازش اطلاعات در پرسونا
- تحلیل داده پرسونا با روش نمودار همبستگی
- آشنایی بیشتر با بومگردی افضل روآر (نمونه عملی پرسونا)
- طیف نمودار شخصیتی، نگاهی عمیقتر به مخاطب
- چطور مصاحبه عمیق با کاربر داشته باشیم (Deep User Interview)
- مقایسه پرسونای خریدار و پرسونای کاربر (Buyer Persona vs User Persona)
- از دستهبندی دادههای پرسونا تا اسکلت پرسونا (نمونه عملی)
- معرفی کتاب Buyer Persona
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:
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.
[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.
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)
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]
پاسخ سوالات زیر را می توان با تحلیل آمار و اطلاعات کمی به دست آورد.
۱- چند درصد از مخاطبان اقامتگاه بومگردی با وسیله نقلیه سفر می کنند.
۲- چند درصد از مخاطبان اقامتگاه بومگردی دوستانه و چند درصد به صورت خانوادگی سفر می کنند؟
۳- در کدام حالت احتمال اقامت طولانی مدت بیشتر است؟ سفرهای دوستانه یا سفرهای خانوادگی
اگر اشتباه متوجه شدم لطفا اصلاح کنید.
سوال: در اینجا فهمیدیم که تحلیل کمی اطلاعات با تحلیل اطلاعات برای کشف پرسونا متفاوت است و هرکدام کاربرد متفاوتی دارند. اما اشاره نشد که تحلیل کمی رو چطور در طراحی پرسونا به کار ببندیم. با تشکر.
ما در طراحی پرسونا عموما از روشهای کیفی استفاده میکنیم (چون به دنبال چرایی موضوعات هستیم برای شناخت عمیق) و از روشهای کمی برای تعمیم دادن و بسط دادن اطلاعات کیفی به طیف مخاطبین بیشتر و کاهش خطای تمرکز بر فرد خاص استفاده میکنیم…پروسه تحلیل داده کمی و کیفی در پرسونا متفاوت نیست از هر کدام از روشهایی که داده بدست میآوریم به عنوان یک منبع اطلاعاتی استفاده میکنیم و با کمک نمودار همبستگی همه این اطلاعات را از همه منابع با یک روش همگرا میکنیم.
این تفاوت در تحلیل اطلاعات را برای این توضیح دادیم که از این تحلیل داده پرسونا (چه به صورت کمی و چه کیفی) برای کاربردهای دادهکاوی (data mining) استفاده نشود چون میزان دقتی که برای تحلیل داده در کاربردهای داده کاوی نیاز است با پرسونا متفاوت است و خطای زیادی ایجاد میکند. مثلا در پروسه تحلیل داده پرسونا اگر یک رنج (pain) یا مانعی (barrier)در مصاحبهها پیدا میکنیم برای ما اهمیت ویژهای دارد و سعی میکنیم بررسی کنیم که آیا سایر مخاطبین هم رنج یا مانعی مثل آن یا شبیه به ان داشته اند یا خیر، فارغ از این که تعداد افرادی که این رنج را مطرح کرده اند چقدر است.. در صورتی که در تحلیل داده کاوی این تعداد و تکرارپذیری اهمیت زیادی دارد که شاخص ها و متریک های تحلیل را متفاوت میکند
من توی طراحی پرسشنامه درباره تفاوت آمار و پرسونا سوال کرده بودم و فکر می کنم الان دیگه کامل برام جا افتاد. اینجوری که متوجه شدم رابطه بین متغیرها و پیش بینی آینده رو از روی آمار می شه متوجه شد. مثلا اینکه سن-جنسیت-تنوع طلبی-درون گرایی و… روی انتخاب اقامتگاه بومگردی اثر داره یا نه و چقدر؟ و سنجیدن تکرار رفتار خرید و پیش بینی آینده هم به وسیله آمار امکان پذیره.
ولی پرسونا کمک می کنه که از اول تصمیمات بهتری بگیریم. مثلا از اول بدونیم افراد تنوع طلب جذب سفرهای بوم گردی می شن و چطور شعف زده شون کنیم.
درسته؟
بله بله… جواب اون سوال شما در این پست کامل تر داده شده و دقیقا این تفاوت تحلیل داده را بر اساس سوالاتی مثل سوال خوب شما گذاشتیم 😉
همون طور که خودتون گفتین پرسونا کمک میکنه تا هم ویژگیهای مخاطبمون رو بشناسیم و هم بتونیم برای جذب کردن (attract) و نگه داشتن(retain) ، بازگشت (retention) تجربه خوب برای مخاطب طراحی کنیم و محتوای درستو مطمئنتری طراحی کنیم (زیرا جزییاتی از ویژگیهای مخاطب رو به ما میشناسونه که فرصت طراحی ایجاد میکنه)
در برخی پروژها مخصوصا ازنوع b2b2b همزمان ۲ یا بیشتر مخاطب اهمیت دارد. مثلا پروژه ای که از یک سو عرضه کننده کالا یا خدمات است و سوی دیگر متقاضی و هر دو هم از یک پلتفرم به اطلاعات دسترسی دارند. رفتار و نیاز دو طرف بسیار متفاوت است. انگار که ما با یک پرسونای دوشخصیتی طرف باشیم. اینجور چالش ها رو چطور مدیریت کنیم؟
اگر سوال شما رو درست متوجه شده باشم در این موارد ما یک پرسونای دوشخصیتی نداریم، در واقع دو یا تعداد بیشتری پرسونا برای هر گروه داریم. چون شما دارید از ذی نفعان (stockholder) مختلف یک بیزینس صحبت می کنید در این صورت برای هر کدام جداگانه این فرایندها معنی پیدا می کند. به عنوان مثال در سایت ایوند (فروش آنلاین بلیت رویدادها ) ممکن است در یک دسته بندی اولیه ما دو گروه مخاطب داشته باشیم که به سایت ایوند سر میزنند. یک دسته افرادی که میخواهند در رویدادها شرکت کنند و بلیت تهیه کنند و دسته دیگر کسانی که قرار است رویدادی را ثبت کنند و ثبتنامی داشته باشند. این دو دسته نیازها و اهداف مختلفی برای استفاده از سایت ایوند دارند. احتمالا نیازهای دسته اول بیشتر به پیدا کردن رویدادهای مورد نظر و گروهبندی مناسب آنها و تهیه راحتتر بلیت رویداد گره خورده در صورتی که دسته دوم به دنبال ایجاد راحت تر رویداد و جذب مخاطبین بیشتر و هدفمندتر توجه دارند. در واقع نقش (user role) این دو دسته کاربر کاملا از هم مجزاست. در این شرایط ما معمولا برای هر کدام از این دستهها جداگانه به دنبال پرسونا میگردیم و ممکن است یک، دو و یا چند پرسونا برای هر دسته تعریف کنیم. انتخاب استراتزی محتوا برای هر کدام از این دسته ها نیز به شکلهای مختلفی صورت میگیرد. در برخی از سایتها از ابتدا گروههای هدف را کاملا جدا می کنند و صفحه اصلی سایت را متناسب با گروه هدفی که بیشتر به سایت مراجه میکنند تهیه میکنند و گروه هدف دوم را به صفحه دیگری هداست میکنند و محتوای ویزه انها را در ان قسمت میگذارند. (در همین مثال ایوندبخش ایجا رویداد که در بالاترین قسمت سایت قرار گرفته این جداسازی را انجام میدهد.)
نکته ای که وجود دارد این است که در برخی از کسب و کارها این دستههای اولیه بدین شکل از هم جدا نیستند (خریدار و عرضه کننده) . مانند مشتریانی که به سایت یک باشگاه بدنسازی مراجعه می کنند. تصور کنید در این سایت دو مراجعه کننده اصلی داریم ورزشکاران حرفهای باشگاه و ورزشکاران مبتدی. در این شرایط که گروههای هدف به وضوح قابل جداکردن نیستند و نیازهای آن ها مشابه تر است و بخشی از نیازها به هم گره خورده معمولا پرسونا و محتوای سایت را در وهله اول جدا نمیکنند . بلکه این دو دسته را به عنوان یک گروه هدف در نظر میگیرند و برای این گروه هدف، یک، دو یا چند پرسونا تعریف میکنند و محتوای سایت را به صورت ترکیبی تهیه می کنند تا نیازهای هر دو گروه را به موازات پاسخ دهد.
امیدوارم سوال شما رو درست متوجه شده باشم. باز اگر سوالتون حل نشد محتما مجددا بپرسین
سپاس. آقای بهجتی هم در کانال پاسخ دادند و هر دو پاسخ کمک کننده بود.