Ottimizzare i test di prodotto con i synthetic data

I dati sintetici (synthetic data) stanno rivoluzionando l'innovazione in molti settori, aprendo nuove frontiere anche per la ricerca di mercato e, in particolare, per i test di prodotto. 

Se usati correttamente, permettono di ridurre tempi e costi, aumentare la flessibilità e potenziare le analisi su specifici sotto-target. Comprendere come generarli e valutarli con rigore è però fondamentale per sfruttarne appieno il potenziale in modo sicuro ed efficace. 

Questo articolo offre una guida su come generare, valutare e applicare i synthetic data per potenziare i test di prodotto, basandosi sulle nostre più recenti ricerche.

Generazione e valutazione dei synthetic data

La qualità dei synthetic data dipende interamente dai dati reali su cui l'intelligenza artificiale (AI) viene addestrata. Un modello di AI, infatti, non possiede un'intelligenza autonoma, ma apprende pattern e correlazioni dai dati che gli vengono forniti. Se questi dati non sono pertinenti e di alta qualità, i risultati sintetici generati non saranno attendibili. 

Poiché la reazione a un prodotto coinvolge sensi, emozioni e contesto, la regola d'oro è integrare, non sostituire, l'intelligenza umana con quella artificiale (un approccio definito HI+AI). I dati sintetici funzionano al meglio come un "potenziatore" dei dati reali, non come un loro completo rimpiazzo. 

Validazione sul campo: la ricerca Ipsos 

Per validare questo approccio, Ipsos ha condotto una ricerca per determinare il numero minimo di intervistati reali necessari per ottenere risultati affidabili quando integrati con synthetic data*. Lo studio si è svolto in due fasi. 

Fase 1: campioni umani ridotti (n=50) possono replicare i risultati di campioni più ampi (n=200)? 

Utilizzando il vasto database** di test di prodotto di Ipsos, abbiamo confrontato i risultati ottenuti da campioni di dimensioni diverse. È emerso che un campione ridotto di 50 persone può fornire indicazioni simili a quelle di un campione di 200, pur con due limiti principali: una minore potenza nel rilevare differenze statisticamente significative tra prodotti e una ridotta capacità di analisi sui sottogruppi. 

Fase 2: un campione umano ridotto, arricchito con synthetic data, può eguagliare i risultati di un campione umano più ampio? 

In questa fase, abbiamo "aumentato" i campioni di 50 persone con synthetic data e confrontato i risultati con quelli dei campioni umani di 200 persone. L'analisi, condotta su diverse categorie di prodotto e mercati, ha mostrato risultati eccellenti: 

• La correlazione media tra i risultati dei campioni "misti" (umani + sintetici) e quelli dei campioni di controllo più grandi è stata di +0,9.
• Nel 60% dei casi, l'aggiunta di synthetic data ha reso statisticamente significative delle differenze tra prodotti all'interno di sottogruppi, che non erano emerse con il solo campione umano ridotto.
• Analisi complesse, come la relazione tra l'intensità di un sapore e il gradimento generale, sono diventate più chiare e coerenti.

In sintesi, un campione di 50 persone, potenziato con synthetic data, può prevedere i risultati di un campione di 200 persone in modo più efficiente, con maggiore robustezza statistica e analisi più approfondite. 

Principi chiave 

1. L'AI potenzia, non sostituisce, l'esperienza umana
   Nessun algoritmo può replicare l'esperienza sensoriale ed emotiva legata a un prodotto. L'obiettivo è quindi aumentare l'input umano con l'intelligenza artificiale, non eliminarlo.
2. L'accuratezza dipende dalla qualità dei dati di addestramento 
   Il valore dei synthetic data non è assoluto. La loro affidabilità è direttamente legata alla rappresentatività e alla pertinenza dei dati reali usati per addestrare l'AI. L'adozione di questa tecnologia deve essere strategica, valutando attentamente rischi e benefici.
3. Se usati correttamente, accelerano l'innovazione
   I synthetic data, se generati e validati con cura, possono rendere i test di prodotto più agili ed economici. Riducono i tempi di ricerca e forniscono analisi più ricche, specialmente su nicchie di consumatori difficili da raggiungere.

*Questo studio si applica specificatamente all'utilizzo di synthetic data nei test sui prodotti. Le condizioni potrebbero non essere applicabili ad altri ambiti di ricerca. 
**84 mercati, 184 prodotti selezionati, +40 mila consumatori