本章涵蓋兩項 Co-Pilot 任務：研究設計與分析、合成型研究（synthetic research）。
成功的經理人深度理解顧客需求，並比任何人都更好地滿足它們——透過直接對話、問卷、產品使用觀察。Gen AI 能協助你設計與執行顧客研究、解讀資料、抽取關鍵發現，並在傳統方法困難或無法收集時，產出合成型用戶資料作為早期假設測試的代理。
研究設計與分析#
問卷設計#
請 gen AI 定義訪談結構與問卷題目，並建議抽樣方式。依目標與受眾，可請它客製某些題目。
- 為[研究主題]草擬一份 10 題的多選題問卷，覆蓋顧客體驗、產品品質、回購意願等關鍵領域。
近未來：動態 chat-based 問卷 不再用 email 發送或網站託管，受訪者直接與 AI chatbot 對話，問題依先前回答動態調整——兼具焦點團體（focus group）的豐富與自動問卷的效率。對掌握數位產品的客戶投入度、流失率、體驗問題特別有用。
質化研究資料分析#
請 gen AI 分類、分析、解讀你上傳的結構化或非結構化資料（自由文字、訪談逐字稿、產品評論、社群留言）：
- 找出模式
- 標出偏好或反覆出現的顧慮
- 評估情緒（sentiment）與情感色彩
- 把多場顧客訪談各自摘要為兩個重點，並找出受訪者間的共通主題與差異。
- 分析過去[時間]內的所有產品評論，依關鍵字分類並摘要主要模式。
在使用 gen AI 處理公司或顧客資料時，必須遵守組織的政策。
Gen AI 如何分析顧客回饋 上傳一份文件（如過去 10 天與新產品相關的社群貼文），請 gen AI：
- 清整資料（移除標籤、提及、非字母字元、修正錯字）。
- 將每則貼文分為正面、負面、中性，並提供各類別的分布百分比。
- 為三類貼文分別列出 10 個最高頻字詞與片語。
- 解釋這些字詞如何形塑各類別的情感。
- 提供摘要，含相關顧客建議。
但對高度專業且細膩的文本（如技術型產品評論、詳細服務投訴），專業情感偵測工具會比 gen AI 表現更好。
顧客洞察中的人類元素 洞察生成主要仍是人類技能。不要單靠技術去解讀複雜細膩之處、理解脈絡微妙處、或做需要深度領域專業與情緒智商的判斷。
合成型研究（Synthetic Research）#
要創新並交付以顧客為中心的產品／服務，需要好品質的資料。但現實中：隱私、法規、偏誤、可得性等問題經常阻礙資料蒐集。
Gen AI 可生成仿真的人造客戶資料（文字、表格、影像形式），作為真實顧客的代理。
不同類型的合成資料
- 完全合成（Fully synthetic）：AI 演算法依預設參數產生，不使用真實資料作為輸入。適用於資料稀缺或不可得的情境（例如針對罕見疾病的新藥研究——若沒有足夠真實資料，可生成合成資料集執行模擬）。
- 部分合成（Partially synthetic）：AI 混合真實與合成資料生成。適用於真實資料量不足或有限制（雜訊、錯誤、缺口）——例如以真實照片為基礎人工生成影像、或為購買紀錄不足的客戶創造的精準推薦。
應用情境#
- 以[特定地理]的[客戶]為代理人，依預設人物誌（persona），在多種條件下模擬對[產品功能]變更的反應。
- 在廣告活動上線前，先在[合成顧客受眾]上測試內容變體，找出最能引發共鳴的版本。
- 模擬電商平台兩個顧客群在新結帳流程介面下的反應。
- 模擬[客戶]與你[品牌]建立長期關係的最可能無形變數，相對於[競品]。
案例：運用合成顧客 某大型銀行的產品團隊運用 gen AI 創造能模擬人類行為的合成顧客區隔。他們用此測試新產品、服務、以及客戶最希望的功能——這在傳統方法困難或客戶研究難以蒐集（例如自然災害、詐騙、家人去世等脆弱情境）時尤其有用。透過合成資料，gen AI 協助團隊理解顧客在情境變動或意外財務挑戰下可能如何反應，為產品創新流程提供依據。
應用領域與限制#
合成研究可用於市場研究、軟體測試（找錯誤與缺漏）、產品開發與測試。更深層的應用——例如生成大量語音樣本訓練語音辨識模型、或上千筆合成詐騙案訓練偵測模型——通常需要大量算力與超出多數經理人能力範圍的進階技能。
不論你的專業程度，仍需意識到合成研究的機會與固有風險——資料不準確、偏誤、其他倫理影響。
重點整理#
對顧客洞察，gen AI Co-Pilot 可協助你：
- 提升研究設計（如問卷建立）與顧客回饋資料分析的效率。
- 產出仿真實顧客或使用者特性的合成資料。