合成受眾是可靠的受眾洞察來源嗎？用來求快、提出假設、測試情景，它們是可靠的；但它們替代不了真實的人。真正從中獲益的代理商，會把每一條合成結論都當作一個有待核實的問題，而不是一個可以直接拿給客戶的答案。
採用速度很快。據 Digiday 報道，代理商和品牌正把合成受眾從實驗室帶進日常策劃。Aveeno Body 藉助 Vurvey 的合成調研，把撰寫策略簡報的時間從約 30 天縮短到 3 天；Goodway Group 則在媒介策劃中引入了 Arima 的“合成人口”，覆蓋美國、英國和德國消費者。在法國，營銷媒體 Stratégies 報道，執掌調研機構 30 年（其中包括 Harris Interactive 和 Toluna）的 Patrick van Bloeme 創辦了 Limpid：這個平臺用合成人設做定性研究，沒有任何真人受訪者，幾個小時就能出結果。耐人尋味的是，Limpid “ne revendique pas de représentativité statistique”，也就是說，它並不宣稱具有統計代表性。
什麼是合成受眾？代理商為什麼現在紛紛採用？
合成受眾是由 AI 生成的一組人設，或一個模擬人群，用來預測真實人群可能怎麼想、怎麼反應。不同供應商用的原材料各不相同。Digiday 介紹，Arima 的資料來自人口普查、美國勞工統計局的資料、Nielsen 調查資料以及定製調研；Vurvey 則把公開資料和對真實消費者的定性影片訪談結合起來。
應用場景很廣：模擬增量測試、策略簡報、產品開發、虛擬焦點小組。大集團也已入場。據 Digiday 報道，Havas 參與了 Vurvey 一輪 850 萬美元的融資；Dentsu 與 Evidenza 合作、把合成資料引入媒介策劃，已經超過一年。
原因就是時間。實地調研要幾周，合成樣本組午飯前就能給出答案。對一家週五就要比稿的代理商來說，這很難抗拒。
那麼，合成受眾到底可不可靠？
這取決於你問它什麼問題，就連做這些產品的人也坦承它的侷限。Vurvey 的 Chad Reynolds 告訴 Digiday：“大語言模型給你的是鐘形曲線的頂端，也就是最常見的答案。”這正是他的公司要加入真實消費者輸入的原因。TransUnion 的 Julie Clark 警告不要用薄弱的資料構建人設：“你必須從正確的基礎開始。”Code & Theory 的 Stef Hoffman 說得最直白：“它為判斷提供資訊，但不能取代判斷。”
鐘形曲線這一點最該讓代理商警惕。客戶不會為最常見的答案付錢。他們花錢買的是不顯眼的張力、會演變成趨勢的少數派行為、整個品類都忽略了的東西。一個天然向平均值靠攏的工具，用來排除想法很好用，用來尋找想法卻很冒險。
還要留意是誰在講這些故事。大多數成功案例來自供應商和他們的客戶。這不是無視它們的理由，而是需要核實的理由。
為什麼總是這樣：資料幻覺效應
合成調研之所以有說服力，原因跟準確性關係不大。不妨稱之為“資料幻覺效應”：一個答案看起來越像資料，我們就越相信它，而不管這些資料是怎麼來的。它和心理學家所說的“有效性錯覺”是近親，指的是我們習慣於對幾乎沒有預測力的判斷充滿信心。
合成輸出總是表述流暢、帶著數字、標籤整齊。想象一個模擬的“有環保意識的 Z 世代購物者”樣本組，報告說其中大多數人願意為可補充裝包裝多付錢。讀起來像一個發現，實際上只是模型對這類人可能會怎麼說的估計。把它放上幻燈片、配上一個百分比，到週二它就成了“事實”。
這背後的洞察，值得每個策劃人貼在工位上方：資料能揭示規律，卻無法定義人性。規律有用，但規律不是人。
不同的受眾資料來源，各自該用在什麼地方？
沒有哪一個來源單獨就可靠。可靠性來自把弱點互不重疊的來源組合起來。
| 來源 | 最適合 | 不擅長 | 如何核驗 |
|---|---|---|---|
| 合成受眾 | 快速提出假設、情景和概念反應測試、簡報初稿 | 意外發現、少數派觀點、統計結論 | 追溯到可觀察的行為；做小規模真實測試 |
| 問卷和樣本組 | 大規模瞭解人們自述的態度 | 人們實際做了什麼；速度 | 與行為資料對照 |
| 已釋出內容和社交討論 | 人們在沒被提問時、用自己的話說了什麼；競品動態 | 很少發帖的人 | 閱讀每條結論背後的帖子 |
| 第一方資料和投放資料 | 你的客戶實際做了什麼 | 還不是客戶的人 | 增量測試 |
| 定性訪談 | 動機、深度、背後的“為什麼” | 規模和速度 | 與上述來源交叉驗證 |
代理商怎樣讓合成受眾保持誠實？
- 問清楚它建立在什麼之上。用了哪些來源、資料有多新、多久更新一次。答不上來的供應商，等於是讓你拿客戶的錢去信任一個黑箱。
- 用合成受眾生成假設，而不是結論。讓樣本組把十個方向縮減到三個，但別讓它來選出贏家。
- 讓每個假設都落在可觀察的行為上。核實真實的人是否確實在說、在分享、在做樣本組預測的事。如果找不到證據，就把這條發現視為未經證實。
- 在真實市場中驗證關鍵決策。據 Digiday 報道，Arima 的工具將讓 Goodway 能夠先在模擬環境中做增量測試，再用小規模的媒介投放來核驗結果。這個思路是對的。
- 給提案裡的每條洞察貼標籤。標明它是合成的、觀察到的，還是測量出來的。客戶有權知道哪條是哪種，你自己的策略團隊也一樣。
- 指定一位職業懷疑者。Digiday 提到，團隊“必須對自己的發現保持一種職業性的不信任”。讓某個人專門負責追問：如果這是錯的，我們怎麼才能知道？
真實的已釋出內容該放在什麼位置？
已釋出內容是錨點。受眾和競品實際釋出的內容是自發的、具體的、帶日期的，因此可以核查。它也有自己的盲區：它會過度代表那些愛發帖的人，所以最好與表格裡的其他來源搭配使用。
這正是 Defy Monitor 背後的原則：每一條 AI 結論都能追溯到背後真實發布的帖子，策略是從受眾和競品實際釋出的內容中反向推匯出來的，而不是來自問卷。人設由真實對話聚類而成，讓合成結論有了可以對照核驗的堅實依據。你可以看看它在 Defy 平臺中處於什麼位置。
合成受眾會長期存在，也會讓代理商變得更快。而能守住信譽的，將是那些能為每一個論斷指出背後真實人群的代理商。
