Как использовать LLM для очеловечивания контента и масштабирования исследований

Узнайте, как работа с LLM может сделать ваш контент более человечным, превращая данные о клиентах, экспертах и ​​конкурентах в полезные аналитические выводы.

Одна из главных тем, которые мы обсуждаем в контексте больших языковых моделей (LLM), — это создание контента в больших масштабах, и это легко может превратиться в костыль.

Всем нам не хватает времени, и мы ищем способы упростить себе жизнь – а что если бы вы могли использовать такие инструменты, как Claude и ChatGPT, чтобы структурировать свои процессы таким образом, чтобы сделать работу над сайтом более человечной и облегчить вам день, а не лишать его творческого потенциала?

В этой статье рассматривается вопрос о том, как:

• Анализировать отзывы и вопросы клиентов в больших масштабах
• Автоматизировать получение подробной и уникальной информации от экспертов в данной области
• Анализировать конкурентов.

Все эти задачи мы могли бы выполнять вручную, и иногда все еще можем это делать, но это масштабные, основанные на данных проекты, которые хорошо поддаются хотя бы частичной автоматизации.

Наличие этой информации поможет вам лучше понимать потребности клиента или рынок, а не создавать собственную замкнутую среду.

Анализ отзывов клиентов в масштабах предприятия

Одной из замечательных особенностей LLM является их способность:

• Обработки данных в больших масштабах
• Поиска закономерности
• Выявлять тенденции, на выявление которых человеку в противном случае потребовались бы часы, дни или недели.

Если вы не работаете в глобальной корпорации, то вряд ли у вас есть команда специалистов по работе с данными, обладающая такими компетенциями, поэтому оптимальным вариантом является LLM.

В данном случае мы рассматриваем отзывы клиентов – ведь кому захочется читать 10 000 опросов NPS или форм обратной связи в свободной форме?

Не мне. И, вероятно, не вам.

Вы можете загрузить исходные данные непосредственно в базу знаний проекта, и выбранная вами LLM проанализирует информацию в собственном интерфейсе.

Однако я предпочитаю загрузить все исходные данные в BigQuery (или аналогичную платформу, если вы предпочитаете другую) и затем совместно с вашим преподавателем написать соответствующие SQL-запросы для анализа и обработки исходных данных.

Я делаю это по двум причинам:

• Это позволяет мне заглянуть за кулисы, предоставляя возможность постепенно освоить базовый язык (в данном случае, SQL)
• Это еще один барьер или предохранительный механизм для предотвращения галлюцинаций.

Когда исходные данные загружаются непосредственно в LLM, а вопросы для анализа задаются непосредственно в интерфейсе, я, как правило, меньше доверяю результатам анализа.

Гораздо вероятнее, что это просто выдумка.

Когда исходные данные разделены на отдельные компоненты, и вы работаете с LLM над созданием запросов для анализа данных, вероятность получения достоверных и полезных выводов, которые помогут вашему бизнесу, значительно возрастает.

На практике, если вы не работаете с невероятно большими наборами данных, BigQuery бесплатен (хотя для создания проекта может потребоваться добавить данные кредитной карты).

И не стоит бояться SQL, если вы занимаетесь парным программированием с LLM — он сможет предоставить вам полный набор функций для выполнения запросов.

В этом случае мой рабочий процесс обычно выглядит следующим образом:

• Используйте SQL-функцию из LLM
• Отладка и проверка данных
• Ввод результатов SQL-запроса в LLM
• Создавайте визуализации либо в формате LLM, либо с помощью SQL-запроса
• Повторите процедуру.

Автоматизация интервью с экспертами в предметной области

Похоже, что среди экспертов в данной области распространена нехватка времени.

Им совершенно не хочется тратить час на разговор с маркетологом о новой функции, которую они уже обсуждали с производителем последние восемь месяцев.

И кто может их винить? Они, наверное, уже и так об этом говорили до бесконечности.

И все же нам, как маркетологам, эта информация по-прежнему необходима, чтобы разработать стратегию представления этой функции на сайте и предоставить клиентам полезные сведения, которых нет в технических характеристиках.

Итак, как нам связаться с нашими экспертами?

Создайте пользовательскую таблицу GPT, которая будет выступать в роли интервьюера.

Сразу предупреждаю, чтобы получить максимальную отдачу от этого процесса, вам понадобится уникальная версия для каждого запуска, продукта или услуги, над которыми вы работаете.

Возможно, не потребуется такая детализация, как в статье, но в итоге может потребоваться именно такая степень детализации.

Для этого вам потребуется как минимум подписка ChatGPT Plus.

Инструкции будут зависеть от вашей отрасли и от личных качеств ваших экспертов или отдела продаж.

В их число следует включить:

• Роль и тон: Каким должно быть впечатление от интервьюера
• Контекст: Что вы пытаетесь узнать и почему
• Структура интервью: как начать, темы, как углубиться в детали
• Темп: Один вопрос, ожидание ответа, вопросы, расширяющие тему
• Заключение: как завершить оформление и что вручить в конце.

После этого мы захотим протестировать всё сами, представив себя экспертами в предметной области. Затем мы доработаем инструкции.

Таким образом, вы сможете связаться со своими экспертами в течение тех пяти минут, которые у них есть между звонками.

А LLM можно использовать для того, чтобы на основе их ответов выделить основные моменты или даже составить черновик статьи.

Анализ конкурентов для получения стратегических выводов.

Этот вариант может быть немного хитрым и потребовать некоторого нестандартного мышления.

Однако есть несколько способов работы с данными о конкурентах в больших масштабах, которые помогут вам понять конкурентную среду и выявить ваши слабые места в ней, например:

Если бы вы смогли собрать отзывы о своих конкурентах, вы бы выявили такие общие черты, как преимущества, ценности, распространенные жалобы и недостатки.

Если бы вам удалось собрать тексты с их сайта, вы могли бы определить их позиционирование, предполагаемую целевую аудиторию и любые заявления, которые они могут делать, а также отрасли, на которые они могут ориентироваться, на основе анализа конкретных примеров.

Благодаря текстам на их сайте и данным из архива Wayback Machine, вы сможете отследить, как менялась коммуникация компании, имеющей степень магистра права, с течением времени.

В объявлениях о вакансиях можно узнать об их стратегических приоритетах или о том, где они ищут кандидатов для тестирования.

Как только мы поймем их позицию, мы сможем сравнить нас и их. В чем мы говорим одно и то же, а в чем — отличаемся?

Если бы мы смогли собрать информацию об их социальных взаимодействиях и вовлеченности, мы могли бы понять, опять же в масштабе всей компании, в каких областях они способны удовлетворять потребности клиентов, а в каких могут допускать ошибки. На какие вопросы они не в состоянии ответить?

Масштабирование исследований без потери человеческого фактора

Сочетание программирования с LLM для углубленного изучения потребностей клиентов и работы с большими массивами данных может открыть безграничные возможности для получения полезной и конкретной информации относительно быстро.

Эти три возможности — отличная отправная точка, но они ни в коем случае не являются конечным результатом.

Для дальнейших рассуждений подумайте о других источниках данных, которыми вы владеете или к которым имеете доступ, например:

• Стенограммы телефонных переговоров с клиентами
• Данные поисковых запросов Google Search Console
• Поиск на месте
• Тепловые карты, полученные с помощью инструментов анализа пользовательского пути.

Хотя может возникнуть соблазн включить в анализ данные Google Analytics или других аналитических сервисов, лучше перестраховаться и использовать качественные данные или данные, полученные непосредственно от клиентов, а не количественные.

Удачной охоты!

 

searchengineland.com/how-to-use-llms-to-humanize-your-content-and-scale-your-research-465880