AIで顧客を理解する──どんなアンケートよりも深く
以前はよく顧客アンケートを送っていた。午後いっぱいかけて質問を練り、Googleフォームを作り、メルマガで配信して、1週間待つ。返ってくるのは23件の回答──しかも、ほぼ何の役にも立たない内容だった。
「どんなコンテンツをもっと見たいですか？」 全員が「チュートリアルをもっと」と答える。でも、夜も眠れないほど困っている具体的な問題を教えてくれる人はいない。
「このテーマの講座があったら買いますか？」 全員がYesと答える。でも、実際に買う人はいない。
アンケートが測れるのは「自分が欲しいと思っているもの」だ。AIリサーチが明らかにするのは「本当に必要としているもの」だ。ここでは、私がカスタマーリサーチのプロセスをどう切り替えたか、そしてなぜそれが作る商品を根本から変えたかを紹介する。
従来のリサーチが個人クリエイターに向かない理由
大企業ならフォーカスグループを開き、調査会社を雇い、何千人ものユーザーでA/Bテストを回せる。個人クリエイターにはそんなリソースはない。小さなオーディエンス、限られた予算、そしてすべてをこなしながらプロのリサーチャーにもなる時間なんてない。
だから結局、二つに頼ってしまう──直感とアンケートだ。直感は、自分自身がターゲット顧客であるうちはうまくいく。でも自分と違う経験を持つ人にサービスを提供しようとした瞬間、破綻する。アンケートは、何千もの回答があり、トレーニングを受けたリサーチャーがデータを分析する場合にうまくいく。23件の回答では、占いと大差ない。
オーディエンスが「言うこと」と「やること」のギャップは途方もなく大きい。アンケートで嘘をついているわけではない。本当に自分がそれを欲しいと信じている。でも行動は別のストーリーを語る。「網羅的な講座が欲しい」と言いながら、買うのはクイックスタートガイド。「価格は気にしない」と言いながら、49ドルでカートを放棄する。
AIが人間の心理を変えてくれるわけではない。でも、一人ビジネスではこれまで不可能だったスケールで行動を分析するツールを与えてくれる。
私が構築したリサーチの仕組み
私のカスタマーリサーチは4つのパーツで構成されている。どれも「何が欲しいですか？」と聞くことは含まれていない。
1. コミュニティ・マイニング
毎日、何千もの潜在顧客がインターネット上の見知らぬ人に、自分が何に困っているかを正確に語っている。Redditのスレッド、Facebookグループ、Twitterのリプライ、フォーラムのディスカッション、商品レビュー欄。彼らはアンケートに答えているのではない。愚痴を言い、助けを求め、うまくいったことを喜んでいる。真実はそこにある。
問題はスケールだ。自分のニッチに関するRedditのスレッドを全部読むことは不可能だ。でもAIなら、何百もの会話を処理してパターンにまとめてくれる。
私のやり方はこうだ。ターゲットが集まるコミュニティから投稿やコメントを集める。そしてAIに、それらの会話を分析して以下を抽出するよう指示するプロンプトを使う──繰り返し出てくるペインポイント、問題を説明するときに使っている言葉、試したことのある解決策とそれがうまくいかなかった理由、そして不満の背後にある感情的なトーン。
出てくるのは、人間のアナリストなら何日もかかるリサーチブリーフだ。それが数分で手に入る。
先月、このプロセスでアンケートでは絶対に見つからなかったことが明らかになった──私のオーディエンスはデジタル商品を「作ること」には困っていなかった。困っていたのはその一歩手前、どのアイデアが作る価値があるかを判断できないことだった。このインサイトが、商品アイデアのバリデーションに関する最も人気のあるブログ記事の一つに直接つながった。
2. レビュー分析
デジタル商品を販売しているなら、競合にはレビューがある。Amazon、Gumroad、Etsy、講座プラットフォーム、アプリストア。これらのレビューはリサーチの宝の山だ。
自分と似た商品のレビューを、ポジティブもネガティブも両方集める。そしてAIに構造化された分析を求めるプロンプトとともに入力する。星5のレビュアーが具体的に何を褒めているか？ 星1のレビュアーは何に不満を持っているか？ レビュアーが「あったらいいのに」と思っている機能は何か？ 繰り返し登場する言葉やフレーズは何か？
ここから得られる競合インテリジェンスは驚くほどのものだ。私はNotionテンプレートの競合レビュー200件を分析して、一番多い不満が機能やデザインについてではないことを発見した。オンボーディングだった。美しいテンプレートを買ったのに、実際にどう使えばいいかわからない、と。だから自分のNotionテンプレートを作るとき、使い始めガイドと動画ウォークスルーを付けた。そのたった一つの判断が、自分のレビューで最も多く言及されるポジティブポイントになった。
3. 検索意図のマッピング
人が検索する内容は、その人が達成したいことを映し出す。私はAIを使って、一つのシードトピックから関連する検索、質問、コンテンツのギャップの全体像をマッピングしている。
使っているプロンプトでは、AIに認知度の異なるステージにいる潜在顧客のように考えるよう指示する。まだ自分に問題があることに気づいていない人は、解決策を比較している人とは違う検索をする。認知スペクトラム全体にわたって検索をマッピングすることで、需要がどこにあり、既存のコンテンツがどこでそれに応えられていないかが見えてくる。
こうして見つけたのが、価格戦略に関する記事のテーマだ。検索データでは「デジタル商品の値付け方法」を探している人が大量にいるのに、価格設定の感情的な側面──高すぎる値段をつける恐怖、安すぎる値段にする罪悪感──に触れたコンテンツはほとんどなかった。そのギャップが、その月に公開した中で最もトラフィックを集めた記事になった。
4. オーディエンスの言葉の抽出
これは私が使っている中で最も過小評価されているリサーチ手法だ。顧客は自分の問題を特定の言葉で表現する。もしマーケティングで違う言葉を使っていたら、彼らからは見えない存在になる。
上の3つの手法で集めたデータをすべて取り、最後にもう一つ分析を走らせる。プロンプトでは、オーディエンスが実際に使っている語彙を抽出するようAIに指示する。マーケティング用語ではない。業界の専門用語でもない。フラストレーションを感じているとき、ワクワクしているとき、解決策を探しているときに、実際の人間がタイプする言葉だ。
「コンテンツ・リパーパス戦略」と「毎回ゼロから書くのをやめたい」の違いは、マーケターっぽく聞こえるか、「この人はわかってる」と思ってもらえるかの違いだ。どちらも同じコンセプトを指している。でも響くのは片方だけ。
オーディエンスの言葉をトピック別に整理したドキュメントを常にアップデートしている。セールスページ、メールシーケンス、SNS投稿を書くとき、このドキュメントから引っ張ってくる。これを継続的に始めた月から、コンバージョン率が目に見えて上がった。
ビジネスで何が変わったか
AIリサーチを始める前は、推測していた。根拠のある推測ではあったけれど、結局は推測だ。商品アイデアを思いつき、数週間かけて作り、ローンチして、オーディエンスが欲しがってくれることを祈る。
的中率はだいたい40%。10個中4個がそこそこ売れて、残りはショップの片隅で静かにホコリをかぶっていた。
AIリサーチを体系的に始めて6ヶ月後、的中率は約80%になった。自分が賢くなったからではない。自分が「欲しいだろう」と思い込んでいたものを作るのをやめて、データが「必要としている」と示すものを作り始めたからだ。
具体例を一つ。すべての主要プラットフォーム向けのテンプレートを詰め込んだ「完全版SNSプレイブック」を作ろうとしていた。リサーチの結果、オーディエンスが求めていたのは「網羅的」ではなく「具体的」だとわかった。今週、一つのプラットフォームで一つの問題を解決したい。そのインサイトから、巨大なプレイブック一つではなく、小さくてフォーカスの絞れたプロンプトパックを作ることにした。小さな商品群は、大きなプレイブックで見込んでいた売上を上回った。
AIリサーチの始め方
複雑なセットアップは要らない。まずは一つの手法から始めよう。コミュニティ・マイニングが最も簡単な入口だ──データは無料で、誰でもアクセスできる。
ターゲットが活発に活動しているコミュニティを3つ選ぶ。自分のニッチに関連するトピックの投稿やコメントを50〜100件集める。シンプルな分析プロンプトとともにAIに入力する。出力を読み、予想していなかったパターンを探す。
最後の部分が一番大事だ──驚きを探すこと。もしAIが自分の既存の思い込みをすべて裏付けるだけなら、自分の仮定が完璧か、プロンプトに改善の余地があるかのどちらかだ。良いリサーチは思い込みに揺さぶりをかける。近すぎて見えなかったものを見せてくれる。
Sparkプロンプトパックには、カスタマーリサーチ用のプロンプト一式が含まれている──上で紹介したコミュニティ・マイニング、レビュー分析、言語抽出のプロンプトもそのまま入っている。でも正直、「これらの会話を分析して、繰り返し出てくるペインポイントを見つけて」という基本的なプロンプトだけでも、次のアンケートよりはるかに多くのことがわかるはずだ。
オーディエンスに何が欲しいか聞くのはやめよう。実際に何をしているかを観察し始めよう。データはもうそこにある。AIの力を借りて、読み解くだけだ。