El poder de los test de productos con datos sintéticos
Los datos sintéticos están revolucionando sectores como la atención sanitaria, los servicios financieros y la automoción, al permitir simulaciones y aumentos de datos. En Ipsos, creemos que los datos sintéticos abren nuevas posibilidades para la investigación de mercado, en particular en el área de test de productos. Sin embargo, muchas empresas siguen sin estar seguras de la calidad de los datos sintéticos o de cómo evaluarlos.
En este artículo de Ipsos Views , nuestros expertos brindan recomendaciones para generar y evaluar datos sintéticos de alta calidad y exploran cómo los datos sintéticos pueden aplicarse específicamente a las test de productos.
Generación y evaluación de datos sintéticos
Para generar datos sintéticos que imiten eficazmente los datos del mundo real, primero se debe entrenar un modelo de inteligencia artificial (IA) con datos relevantes del mundo real. Como se explicó en nuestro primer artículo de la serie Humanizing AI , las IA son simplemente algoritmos; no tienen inteligencia propia hasta que se las entrena. Es a través del aprendizaje a partir de los datos de entrenamiento que las IA adquieren la inteligencia que asociamos con ellas.
El proceso de evaluación también es sencillo. Los datos numéricos sintéticos deberían, como mínimo, reflejar los datos del mundo real sobre medidas estadísticas comunes. Cuanto más se acerquen los datos sintéticos a los datos humanos, menos riesgos asumiremos al utilizarlos, pero siempre existe algún riesgo porque los datos sintéticos nunca pueden imitar perfectamente los datos del mundo real en todos los aspectos.
Los métodos para generar datos sintéticos se dividen en dos categorías: modelos de lenguaje extensos (LLM) y modelos no LLM, que se distinguen por su naturaleza textual y numérica, respectivamente. En este artículo, analizamos ambos métodos.
La experiencia del producto es inherentemente humana.
La forma en que los humanos reaccionamos a los productos, o a la vida en general, no se captura únicamente en el cerebro como conocimiento factual o semántico; nuestros cuerpos y nuestras experiencias sensoriales también juegan un papel importante.
Este artículo presenta los resultados de nuestras dos líneas de investigación llevadas a cabo con el objetivo de establecer el número mínimo de encuestados humanos necesarios para probar productos junto con datos sintéticos para garantizar resultados viables. Para descubrir los hallazgos clave de la investigación, también puede descargar nuestra útil infografía .
Si una IA no ha sido entrenada con datos del mundo real que sean relevantes para su negocio, no podrá generar datos sintéticos que compartan las mismas propiedades que los datos del mundo real. ¡Así de simple!
Conclusiones clave:
1. Los datos sintéticos nunca serán humanos.
La IA por sí sola nunca podrá reproducir nuestras experiencias con los productos, que combinan los cinco sentidos, las emociones, las expectativas y el contexto. Por lo tanto, nuestro objetivo es complementar la información humana con datos sintéticos, no reemplazarla.
2. La precisión depende de los datos de entrenamiento.
El valor de los datos sintéticos no es binario (bueno o malo); la precisión de los datos sintéticos depende de muchos factores, incluidas las diferencias en los datos que intentamos replicar y la representatividad de los datos del mundo real a partir de los cuales estamos entrenando a una IA para que aprenda. El uso de datos sintéticos debe ser estratégico, teniendo en cuenta los riesgos y beneficios asociados.
3. Cuando es preciso, puede impulsar los test del producto.
Los datos sintéticos pueden aumentar la agilidad de la investigación de mercado, lo que los hace ideales para áreas que requieren muchos recursos, como los test de productos, lo que reduce costos y ahorra tiempo, con beneficios adicionales para análisis detallados de subgrupos.