تحقیق بازار و امکان‌سنجی ایده با هوش مصنوعی

یک نفر در اصفهان می‌خواهد سرویس کرایه‌ی لوازم مهمانی راه بیندازد: ظرف و صندلی و سماور، تحویل درِ خانه. سرمایه‌اش اندازه‌ی یک خودروی دست‌دوم است و برگشتی ندارد. پیش از خرج کردنش یک سؤال دارد: اصلاً کسی این را می‌خواهد؟

جواب را نمی‌شود از دوست و فامیل گرفت، چون تعارف می‌کنند. از مدل زبانی هم نه، چون تحسین می‌کند. همان مدل در بخشی از این کار روزها وقت برمی‌گرداند و در بخش دیگری فقط قیافه‌ی جواب را می‌گیرد.

دو نوع تحقیق که مدام با هم اشتباه گرفته می‌شوند

تحقیق بازار دو نیمه دارد. اول خواندن: سایت رقیب، آگهی‌های دیوار، نظرهای کاربران زیر محصولات مشابه. اسمش تحقیق ثانویه است. دوم پرسیدن: با کسی که قرار است پول بدهد حرف می‌زنید. این تحقیق اولیه است.

بیشتر ایده‌هایی که زمین می‌خورند نیمه‌ی اول را انجام داده‌اند و نیمه‌ی دوم را نه. مدل زبانی همین وسوسه را بزرگ‌تر می‌کند: خواندن را بی‌نهایت راحت کرده و پرسیدن را ذره‌ای راحت‌تر نکرده. تعریف هر دو در مدخل Market research آمده.

تحقیق ثانویه: خواندن آنچه از قبل هست

اینجا مدل واقعاً خوب کار می‌کند. نظرهای کاربران زیر آگهی‌های کرایه‌ی لوازم مهمانی را جمع کنید و بخواهید شکایت‌های تکراری را جدا کند. خروجی معمولاً چیزی است که با خواندن ده تای اول حدس نمی‌زدید — مثلاً اینکه گلایه‌ی اصلی سرِ قیمت نیست، سرِ تحویل دیر و ظرفِ نشسته است. روشش در تحلیل نظرات مشتری باز شده.

منبع دیگری هم اغلب نادیده می‌ماند: خودِ جست‌وجو. آنچه مردم در گوگل تایپ می‌کنند سیگنالِ تقاضاست و تعارف ندارد؛ کسی که «کرایه صندلی مهمانی اصفهان» را جست‌وجو می‌کند همین حالا مسئله دارد — مسیرش در تحقیق کلمه کلیدی فارسی آمده.

عددی که مدل از هوا می‌سازد

حالا مهم‌ترین هشدار. اگر بپرسید «بازار کرایه‌ی لوازم مهمانی در ایران سالانه چقدر است؟» جواب می‌گیرید. جوابی قاطع، مرتب، با نرخ رشد. و ساختگی.

مدل چنین داده‌ای ندارد. آمار تفکیک‌شده‌ی بازارهای کوچک ایران در منبع آزادی نیست که مدل رویش آموزش دیده باشد، پس چیزی می‌سازد که شبیه جواب است — همان توهمی که در توهم هوش مصنوعی چیست توضیح داده‌ام. با یک تفاوت خطرناک: عدد قیافه‌ی حقیقت دارد.

رقیب را از روی سایتش بخوانید

این کار جواب می‌دهد، به شرطی که بدانید چه چیزی قابل استخراج است. متن صفحه‌های رقیب را جلوی مدل بگذارید و بخواهید ساختار قیمت، مخاطب هدف و وعده‌ی اصلی را دربیاورد. سؤال جالب‌تر: چه چیزی را نگفته‌اند؟ اگر هیچ‌جا از تحویل فوری حرفی نزده‌اند، احتمالاً نمی‌توانند و همان‌جا جای شماست — عمقش در تحلیل رقبا هست.

ولی درآمد رقیب و تعداد مشتری‌اش روی سایت نیست و مدل هم نمی‌داند. اگر بپرسید حدس می‌زند و حدسش را با لحن گزارش تحویل می‌دهد.

تحقیق اولیه: حرف زدن با آدم واقعی

هیچ چیزی جای این را نمی‌گیرد. چند مکالمه با کسی که پارسال مهمانی چهل‌نفره گرفته، بیشتر از پنجاه صفحه خروجی مدل می‌گوید. کارِ مدل اینجا آماده‌سازی است: با چه کسی حرف بزنید، چه بپرسید، و با انبوه یادداشت چه کنید.

یک نکته: پرسونا را از مدل نخواهید. پرسونایی که از تخیل خودش می‌نویسد میانگینِ اینترنت است نه مشتری شما؛ باید از همین مصاحبه‌ها بیرون بیاید — منطقش در ساخت پرسونای مشتری آمده.

سؤالی که جواب را از قبل تعیین نمی‌کند

بیشتر مصاحبه‌های امکان‌سنجی به یک دلیل بی‌فایده‌اند: سؤال‌هایشان از آینده می‌پرسند. آدم‌ها درباره‌ی آینده‌ی خودشان خوش‌بین و مؤدب‌اند؛ درباره‌ی گذشته‌شان صادق. «اگر چنین سرویسی بود استفاده می‌کردید؟» یعنی «بله» گرفتن. «بار قبل ظرف را از کجا آوردید؟» یعنی حقیقت گرفتن.

مدل در بازنویسی سؤال سوگیرانه دقیق است، چون کارِ زبان است نه قضاوت. کافی است قید بگذارید: بدون بله/خیر، بدون نام بردن از ایده، بدون سؤال دوقسمتی.

پرسش‌نامه‌ای که نیمه‌کاره رها نمی‌شود

اگر سراغ فرم آنلاین می‌روید، دو خطا بیشتر از بقیه پرسش‌نامه را می‌کشد: طولانی بودن و گزینه‌های ناقص. از مدل بخواهید فرم را نصف کند و برای هر سؤال بنویسد چه تصمیمی را روشن می‌کند؛ بقیه حذف. و بخواهید «هیچ‌کدام» و «یادم نیست» را اضافه کند — نبودشان مردم را به انتخاب دروغین مجبور می‌کند.

دسته‌بندی پاسخ‌ها؛ جایی که وقت برمی‌گردد

پاسخ‌های تشریحی معمولاً خوانده‌نشده می‌مانند. اینجا مدل بهترین سهمش را دارد: پاسخ خام را بدهید، بخواهید دسته‌بندی کند و برای هر دسته دو جمله‌ی عیناً نقل‌شده بیاورد. آن نقل‌قول‌ها ابزار راستی‌آزمایی شماست؛ اگر جمله‌ای در داده‌ی اصلی پیدا نشد، آن دسته ساختگی است.

و از مدل «نتیجه‌گیری» نخواهید. دسته‌بندی کارِ اوست، تصمیم کارِ شما. مرزش در اعتماد به خروجی هوش مصنوعی باز شده است.

خطرناک‌ترین بخش: مدل ایده‌ی شما را دوست دارد

مدل‌ها طوری تنظیم شده‌اند که پاسخ خوشایند بدهند. بنویسید «ایده‌ام این است، نظرت چیست؟» و تقریباً همیشه تحسین می‌گیرید، با فهرستی از مزیت‌هایی که خودتان هم ندیده بودید. ترکیبِ سوگیری تأیید شما و رضایت‌طلبی مدل، بدترین اتفاقِ یک امکان‌سنجی است.

راه دور زدنش ساده است. ایده را مالِ خودتان معرفی نکنید. به‌جای «نظرت چیست» بنویسید «سه دلیل بنویس که چرا این شکست می‌خورد». فاصله‌ی این خروجی با حالت اول، اندازه‌ی چاپلوسی مدل است.

پرامپتی که سؤال‌های مصاحبه را می‌سازد

این را بردارید و فقط ایده و مخاطب را عوض کنید:

نقش: پژوهشگر بازار. سؤال‌های یک مصاحبه‌ی کشف مسئله را بنویس.
ایده — که مالِ من نیست و قرار نیست تأییدش کنی:
کرایه‌ی لوازم مهمانی با تحویل درِ خانه، در اصفهان.
مخاطب: خانواده‌هایی که سالی چند بار مهمانی بزرگ می‌گیرند.

هشت سؤال با این قیدها:
۱. هیچ سؤالی از آینده نپرسد؛ همه از رفتار گذشته.
۲. نام ایده در هیچ سؤالی نیاید.
۳. هیچ سؤالی جواب بله/خیر نداشته باشد.
۴. سؤال دوقسمتی ننویس؛ هر سؤال یک چیز بپرسد.

آخرش جدا بنویس کدام سؤال‌ها طرف را به تعارف می‌اندازند.

چرا این قیدها نتیجه را تا این حد عوض می‌کنند، در پرامپت‌نویسی فارسی آمده.

مسیر عملی: پنج گام تا تصمیم

ترتیب این گام‌ها مهم است؛ اگر پیش از نوشتن فرضِ خطرناک بروید سرِ مصاحبه، سؤال‌ها پراکنده می‌شوند.

فرضِ خطرناک یعنی باوری که اگر غلط باشد ایده می‌میرد. برای سرویس کرایه، فرض خطرناک «مردم مهمانی می‌گیرند» نیست — این را می‌دانیم. فرض خطرناک این است که «حاضرند به‌جای قرض گرفتن از فامیل پول بدهند». تمام مصاحبه باید همان یک فرض را هدف بگیرد. سؤال‌ها را در نارنگی بسازید و پیش از هر خرجی با پنج نفر واقعی حرف بزنید.

جمع‌بندی

مدل زبانی در امکان‌سنجی دستیار خوبی است و منبع بدی. سؤال می‌سازد، سوگیری زبانی را می‌گیرد و پاسخ‌های آشفته را مرتب می‌کند. اما اندازه‌ی بازار و درآمد رقیب را نمی‌داند و اگر بپرسید، می‌سازد.

و مهم‌تر از همه: مدل ایده‌ی شما را تحسین می‌کند. هر بار خروجی خوشایندی گرفتید یک بار دیگر بپرسید — این‌بار طوری که مجبور شود مخالفت کند.

برای ادامه:

• راه‌اندازی کسب‌وکار با هوش مصنوعی تا اولین مشتری
• مشتری‌یابی: از فهرست تا اولین تماس
• محاسبه‌ی بازگشت سرمایه‌ی هوش مصنوعی