Aprovechamiento de la IA: innovaciones prometedoras en la investigación de mercado con modelos lingüísticos de gran tamaño

¿Qué ocurre cuando se reúne a dos expertos en investigación para una entrevista, uno de ellos es un profesional veterano de alto nivel de Customer Insights del lado del cliente y el otro es un experto experimentado en investigación, diseño, formación y estrategia de experiencia de usuario y experiencia del cliente (VoC) basado en la inteligencia artificial (VoC), que es un innovador en el análisis de la voz del cliente (VoC) basado en la inteligencia artificial (IA)? ¡Magia!

Nuestra conversación abarcó muchos temas y se centró en dos áreas muy prometedoras en la investigación de mercado basada en modelos lingüísticos grandes (LLM) de IA. La primera es una herramienta sofisticada para codificar o etiquetar de forma abierta. La segunda es la capacidad de buscar en múltiples fuentes de datos para el análisis de la IA.

Modelos lingüísticos de gran tamaño

Los modelos de lenguajes extensos (LLM) en IA son modelos avanzados de aprendizaje automático diseñados para comprender y generar texto similar al humano. Están entrenados en grandes cantidades de datos textuales, patrones de aprendizaje, contexto y semántica para realizar diversas tareas de procesamiento del lenguaje natural. Los LLM pueden realizar una amplia gama de tareas, incluida la generación de texto, la traducción, el resumen, la respuesta a preguntas y más. Se destacan en la comprensión y la generación de textos que se asemejan al lenguaje humano.

«Lo que es especialmente poderoso de los LLM es su capacitación en una colección extremadamente grande y diversa de conjuntos de datos textuales. Esto les permite aprender los matices sutiles del lenguaje con mayor profundidad que los enfoques de formación anteriores, lo que les da más poder en las tareas clásicas de la PNL, como la extracción de información, la clasificación de textos, el resumen y, por supuesto, la generación de textos». — Phil Goddard

Codificación o etiquetado de extremo abierto y análisis de sentimientos‍

La codificación o el etiquetado de forma abierta es una tarea laboriosa en la que los investigadores analizan las respuestas a las preguntas abiertas y las clasifican en temas. Por ejemplo, piense en la pregunta: «¿Cuál es su opinión general sobre este logotipo?» Una respuesta podría ser: «Conciso. Llama la atención. Fácil de leer y entender. Me gusta el sol como símbolo de California». Esta única respuesta podría generar varias etiquetas, como:

Conciso

• Llamativo
• Fácil de leer
• Fácil de entender
• El sol es un símbolo de California

Identificar todas las apariciones de estas menciones y calcular su frecuencia puede llevar mucho tiempo, especialmente con grandes conjuntos de datos. Por ejemplo, al categorizar las respuestas sobre los tipos de sandalias de 10 000 encuestados de diez países, se obtuvieron 133 tipos de sandalias, lo que requirió un gran esfuerzo de análisis.

Otro ejemplo es el análisis de sentimientos. Los métodos tradicionales suelen clasificar el sentimiento en categorías positivas, negativas y neutrales o generar nubes de palabras, lo que puede generar más preguntas que respuestas. Por ejemplo, «California» en una nube de palabras nos dice poco sobre el sentimiento.

Los expertos coinciden en que necesitamos herramientas de inteligencia artificial para liberar a los analistas para tareas más críticas. Convenientemente, nuestro innovador en inteligencia artificial está trabajando en herramientas que utilizan LLM para abordar esta necesidad.

«La investigación de clientes es un excelente ejemplo en el que es necesario analizar con regularidad grandes cantidades de comentarios abiertos o registros de llamadas. Es mucho más eficiente observar a la IA realizar esta tarea y luego proporcionar comentarios guiados, en lugar de hacerlo manualmente. Mi aplicación automatiza este proceso utilizando el poder de la IA generativa y la PNL para extraer frases clave, clasificar los sentimientos, agrupar los datos por categoría y resumir cada categoría. Herramientas como esta cambiarán la forma en que se hace la investigación sobre los clientes, sustituyendo las tareas rutinarias y manteniendo el control del investigador». — Phil Goddard

La capacidad de consultar datos en una variedad de fuentes de datos

En la investigación de mercados y los negocios, la búsqueda en múltiples fuentes de datos es esencial para tareas como la generación de textos, la traducción, el resumen y la respuesta a preguntas. Por ejemplo, puede ser necesario consultar los datos de diez oleadas de una encuesta internacional de seguimiento o explorar los datos cualitativos y cuantitativos de un programa de investigación longitudinal. En una organización matricial con varias divisiones y varias líneas de productos, es crucial determinar si los mensajes de una división sobre un producto influyen en la percepción que los clientes tienen de otro producto.

La solución para esto son los agentes. Los agentes, impulsados por LLM, realizan tareas específicas o interactúan con los usuarios en lenguaje natural. Estos agentes pueden adoptar diversas formas, como chatbots, asistentes virtuales, sistemas de recomendación y herramientas de generación de contenido. En el contexto de los LLM, los agentes actúan como intermediarios entre los usuarios y los modelos de IA subyacentes, lo que permite una consulta e interacción de datos fluida y eficiente.

Si bien los Agent scan descargan tareas que requieren mucha mano de obra y gestionan enormes cantidades de datos, las empresas deben tener en cuenta la privacidad y la seguridad. Estas preocupaciones son importantes, especialmente en los sectores altamente regulados y cuando se trata de datos sujetos a las leyes de privacidad nacionales o internacionales.

Cuidado con el comprador

El desarrollo de herramientas y plataformas que utilizan LLM en IA se parece a la fiebre del oro, lo que se traduce en una amplia gama de madurez de herramientas y plataformas. Si necesita una solución intuitiva y lista para usar, busque una herramienta sólida y madura. Como alternativa, trabajar en estrecha colaboración con los desarrolladores de IA puede adaptar la tecnología a sus necesidades, posiblemente a un precio reducido.

Si bien los LLM ofrecen capacidades notables, también plantean preocupaciones con respecto al uso ético, el sesgo en los datos de capacitación, el posible uso indebido y el impacto ambiental. Los investigadores y desarrolladores continúan explorando formas de mitigar estos desafíos y, al mismo tiempo, aprovechar los beneficios potenciales de los LLM para diversas aplicaciones.

Conclusión

La integración de los LLM en la investigación de mercados presenta interesantes oportunidades para la eficiencia y la innovación. Sin embargo, es crucial equilibrar estos avances con una consideración cuidadosa de las preocupaciones éticas, de privacidad y de seguridad para aprovechar al máximo su potencial.

‍

Kirsty Núñez es el presidente y principal estratega de investigación de Q2 Insights, una firma de consultoría de investigación e innovación con alcance internacional y oficinas en San Diego. Q2 Insights se especializa en muchas áreas de la investigación y el análisis predictivo, y utiliza activamente productos de inteligencia artificial para mejorar la velocidad y la calidad de la entrega de información y, al mismo tiempo, aprovechar los conocimientos y la experiencia de los investigadores humanos.

 Kathy Townend es la fuerza impulsora detrás de Customer Insights en Enlyte, una empresa líder en la industria de propiedades y accidentes. Con más de 20 años de experiencia en marketing y un enfoque incesante en la experiencia del cliente, Kathy descifra las necesidades de los clientes para impulsar el crecimiento empresarial. Conocida por liderar las transformaciones colaborativas, Kathy optimiza los resultados para los clientes, los productos y la empresa.

 Phil Goddard tiene una experiencia de tres décadas en la estrategia de investigación, diseño, formación y experiencia de CX/UX. Ha desempeñado una amplia gama de funciones, desde investigador, diseñador, director, director gerente, vicepresidente y director en consultorías líderes. Durante los últimos 10 años, Phil ha dirigido la innovación, el diseño y el desarrollo de productos y servicios que transforman la forma en que se crea la experiencia del cliente. Más recientemente, Phil fundó y dirige los productos y servicios de Value Architect International, su propia empresa emergente que ofrece servicios gestionados de forma productiva para empresas que utilizan los últimos avances en procesamiento de IA y lenguaje natural aplicados al análisis de la voz del cliente.

‍