Tekoälyn hyödyntäminen palvelumuotoilussa - tiedon kerääminen ja analysointi
Lue tästä blogijulkaisusta, miten tekoäly voi olla apuna palvelumuotoiluprosessin alkuvaiheessa, jossa kerätään tietoa kehitettävästä kohteesta ja analysoidaan kerättyä tietoa.
Huom. blogijulkaisun kirjoitusprosessissa on käytetty apuna ChatGPT:tä.
Palvelumuotoiluprosessi ja tekoäly
Palvelumuotoiluprosessin alkupäässä tavoitteena on kerätä ja syventää ymmärrystä asiakkaista sekä palvelua tuottavasta organisaatiosta. Tässä vaiheessa kerätään mahdollisimman syvällisesti tietoa asiakkaiden käyttäytymisestä, motiiveista ja kokemuksista, jotta voidaan muodostaa selkeä kuva siitä, mitä asiakkaat todella tarvitsevat ja arvostavat. Tämä prosessin alkuvaihe erottaa palvelumuotoiluprosessin perinteisistä kehittämismalleista, joissa usein lähdetään liikkeelle ratkaisun ideoinnista. Lue lisää palvelumuotoiluprosessista.
Viime vuosina tekoäly on noussut merkittäväksi työkaluksi eri toimialoilla ja myös palvelumuotoilussa tekoälyn hyödyntämisessä nähdään valtavaa potentiaalia. Tekoälyllä viittaamme tässä tekstissä koneen kykyyn tehdä itsenäisesti tehtäviä, jotka vaativat ihmisen kaltaista älykkyyttä. Tekoälyn hyödyntämisessä oleellista on käyttäjänä tunnistaa tekoälyn mahdollisuudet, sekä millaisilla tehtävänannoilla on mahdollista saada haluttuja tuloksia.
Tässä blogissa emme syvenny tekoälyn toimintaperiaatteisiin vaan siihen, miten tekoälyä voidaan hyödyntää palvelumuotoiluprosessin varhaisessa vaiheessa eli asiakasymmärryksen keräämisessä ja kiteyttämisessä. Tarkastelemme tekoälyn tarjoamia mahdollisuuksia ja avaamme esimerkkejä työkaluista, jotka pohjautuvat tekoälyyn. Annamme myös konkreettisia esimerkkejä ja vinkkejä siitä, miten voit aloittaa tekoälyn hyödyntämisen omassa palvelumuotoiluprosessissasi.
Asiakasymmärryksen syventäminen ja tiedon kerääminen tekoälyn avulla
Asiakasymmärryksen kerääminen on yksi työläimmistä vaiheista palvelumuotoiluprosessissa. Tiedonkerääminen on kuitenkin kriittinen osa prosessia ja edellytys sille, että kehitettävät ratkaisut perustuvat syvään ymmärrykseen asiakkaiden tarpeista. Tekoälyn hyödyntäminen asiakasymmärryksen keräämisessä tarjoaa monia etuja verrattuna perinteisiin menetelmiin ja voi nopeuttaa prosessia huomattavasti. Näitä ovat muun muassa kyky käsitellä laajempaa datamassaa lyhyemmässä ajassa, saada apua tutkimussuunnitelmiin ja valmisteluun sekä analyysien tekeminen.
Tekoälyn toiminta pohjautuu olemassa olevan datan hyödyntämiseen, joten erilaisille tekoälysovelluksille onkin luontevinta keskittyä joko verkkodatan tai datapankin tutkimiseen tai sovellukselle annetun tiedon analysointiin. Koska laadullisen datan kerääminen on tekoälysovelluksille vielä erittäin haastavaa, tekoälyn rooli tässä vaiheessa on ennemminkin toimia apuvälineenä tutkimuksen ideoinnissa ja tutkimusprotokollan rakentamisessa. Kun data on kerätty, tekoäly voi jälleen olla apuna datan käsittelyssä kuten litteroinnissa sekä analysoinnissa ja tulosten kiteyttämisessä.
Perinteinen tapa kerätä asiakasymmärrystä
Perinteisesti asiakasymmärrystä kerätään joko määrällisen ja/tai laadullisen datan avulla. Määrällinen data voi pohjautua mm. olemassa oleviin tutkimuksiin ja tilastoihin, erilaisiin kyselyihin tai tulkintoihin kilpailija-analyyseista. Laadullinen data puolestaan koostuu mm. haastatteluista, havainnoinneista, työpajoista, muotoilun luotaimista, tai edeltävien menetelmien yhdistelmiä, kuten käyttökokemustutkimusta tai muotoilupelejä. Netnografia on nykypäivänä myös yleistynyt asiakasymmärryksen keräämisen muotona. Se tarkoittaa erilaisten verkkoympäristöissä, foorumeissa ja sosiaalisen mediassa tapahtuvaa tiedonkeräämistä. Palvelumuotoilussa yleisesti painotetaan laadullisen datan keruun menetelmiä, sillä ne antavat mahdollisuuden vuorovaikutteiseen ja syvälliseen ymmärryksen muodostamiseen
Tekoäly apurina laadullisen tutkimuksen suunnittelussa
Tiedonkeruun suunnittelu ja valmistelu voi viedä joskus jopa enemmän aikaa, kuin itse tiedonkeruu. Niinpä tekoälyn tuoma apu tutkimuksen suunnitteluun on arvokasta ajan säästämisen kannalta, mutta myös antamaan uusia näkökulmia ja muistuttamaan huomioitavista yksityiskohdista. Käytämme tässä kohtaa esimerkkinä ChatGPT:tä, joka voi olla suurena apuna haastatteluiden, kyselyiden sekä työpajojen suunnittelussa ja valmistelussa. On hyvä kuitenkin muistaa, että mitä tarkemmat tiedot tekoälysovellukselle antaa tutkimuksen taustasta, sen paremmin se osaa myös tuottaa hyödyllisiä tuloksia.
Vinkki: Määrittele tekoälylle vähintäänkin projektin aihe sekä asiakasymmärryksen keräämisen tavoitteet, rajoitteet ja realiteetit kuten käytettävissä oleva aika, tavoiteltu asiakasmäärä sekä tiedonkeruun kanavat. Näin sovellus voi antaa ideoita asiakasymmärryksen keräämisen vaihtoehdoista.
Vinkki: Pyydä ChatGPT:tä tai muuta vastaavaa tekstipohjaista tekoälytyökalua aina toistamaan tehtävänantosi eli promptisi ennen kuin se tuottaa sinulle tuloksia. Näin voit varmistaa, että tehtävä tuli ymmärretyksi niin kuin se oli tarkoitettu.
Kun olet löytänyt ja valinnut tutkimukseesi soveltuvan menetelmän, voit pyytää ChatGPT:tä ideoimaan tutkimukselle rakenteen ja tarkemman protokollan. Esimerkiksi haastatteluita suunniteltaessa kysymysteemojen suunnittelu ja tarkempien kysymysten muotoilu voivat olla yksi tehtävä, jossa tekoäly voi säästää paljon aikaa. Muista kuitenkin peilata tuloksia aina omiin tavoitteisiisi ja lisätä ja muokata sisältöä tarvittaessa niin, että pääset parhaaseen mahdolliseen lopputulokseen. Tekoälyn antama tulos on nimittäin harvoin suoraan käytettävissä sellaisenaan, vaan ennemminkin se antaa jo melko pitkälle viedyn aihion, jonka viimeistely vaatii projektissa mukana olevan ihmisen asiantuntijuutta.
Esimerkkinä käyttämämme ChatGPT:n lisäksi muita vastaavia työkaluja ovat Claude AI, Perplexity AI, Copilot, sekä Gemini. Jos ChatGPT on jo sinulle tuttu ja haluat kokeilla jotain vaihtoehtoista työkalua, suosittelemme sinua tutustumaan Claude AIhin. Se on kokemuksemme mukaan mainitsemistamme työkaluista ChatGPT:n lisäksi monipuolisin palvelumuotoiluprosessin alkuvaiheessa hyödynnettäväksi.


Määrällisen datan kerääminen tekoälyn avulla
Laadullisen tiedonkeruun suunnittelemisen lisäksi tekoäly voi olla apuna olemassa olevan tiedon kokoamisessa. Tekoäly ei voi tuottaa uutta dataa, mutta se voi koota tietoa olemassa olevista lähteistä niin, että tietoa voidaan hyödyntää mielekkäällä tavalla osana tiedonkeruuta. Tekoäly voi muun muassa skannata ja analysoida suuria tietokantoja, tutkimusraportteja ja artikkeleita nopeasti, tunnistaen olennaiset tiedot ja trendit. Tekoäly voi analysoida myös tietoa sosiaalisesta mediasta, blogeista, foorumeilta ja muista verkkolähteistä, keräten ja yhdistelemällä määrällistä dataa käyttäjien mielipiteistä ja käyttäytymismalleista.
Vaikka kilpailijoiden analysointi ei tuota suoranaisesti syvällistä asiakasymmärrystä, on tärkeää vertailla olemassa olevia ratkaisuja, ja millaisilla asiakasarvolupauksilla ne markkinoivat itseään. Tekoälyä (kuten ChatGPT tai Claude AI) voi pyytää ensiksi määrittelemään kilpailijat tai verrokit, joihin kannattaisi tutustua annetun tavoitteen pohjalta. Tämän jälkeen keräämään tietoa verkkosivuilta, sosiaalisesta mediasta ja muista julkisista lähteistä sekä tekemään näistä yhteenvetoja. Alustat kuten Octoparse, Brandwatch sekä Spriklr tekevät verkkoharavointia sosiaalisesta mediasta sekä verkkolähteistä niille annettujen parametrien mukaan ja keräävät siten tietoa hyödynnettäväksi tutkimuksessa.
Aiempiin tutkimustuloksiin syventyessä hyvänä apuna toimii Elicit sekä erilaiset pdf-lukuohjelmat, jotka nopeuttavat tutkimusjulkaisujen läpikäymistä. Tällaisesta esimerkkinä ovat useat chat sovellukset PDF dokumenttien lukuun (esim. PDF.ai). Tehtävää kannattaa pilkkoa pieniin osiin ja opastaa tekoälyä siitä, millaisesta tiedosta olet kiinnostunut, muutoin voit saada tuloksena pelkästään yleisellä tasolla olevaa tietoa. Huomioi, että tekoäly ei välttämättä pysty tekemään objektiivisempaa analyysiä erilaisista tuloksista vaan se voi pohjata tietonsa täysin sen hyödyntämien lähteiden näkökulmiin. Esimerkiksi todelliset käyttökokemukset voivat jäädä selvittämättä täysin, jollei niistä löydy tietoa julkisista lähteistä. Tekoälyn avulla pääset kuitenkin jo pitkälle, ja sen keräämän tiedon perusteella voit jatkaa syvällisempään arviointiin, jos sille on projektissasi tarvetta.
Asiakasymmärryksen kiteyttäminen tekoälyn avulla
Kerätyn määrällisen ja laadullisen datan analysointia on tehty perinteisesti manuaalisin keinoin, jotka ovat aikaa vieviä ihmisvoimin. Tekoäly voi kuitenkin tuoda tähän ainakin hieman helpotusta. Aivan täysin sellaisinaan hyödynnettäviä yhteenvetoja tekoäly pystyy harvoin tuottamaan, mutta se nopeuttaa prosessia ja, kuten tutkimuksen suunnittelussakin, antaa aihion, josta on helpompi jatkaa lopullisten tulosten muodostamiseen.
Määrällisten tutkimusten datan käsittely on tekoälylle helpompaa kuin laadullisen datan käsittely, sillä merkityksien ymmärtäminen ja niiden yhdistäminen projektiaiheen kontekstiin on tekoälylle vielä haasteellista. Määrällisen datan analysointiin on saatavilla monia tekoälytyökaluja, jotka auttavat analysoimaan suuria tietomääriä, tunnistamaan trendejä ja tekemään ennusteita sekä datavisualisointia. Tällaisia ovat esimerkiksi Google Cloud AI Platform sekä Tableau.
Laadullisen datan analysointi puolestaan on vielä hieman leikkaa-liimaa hommaa, sillä ei ole olemassa yhtä ohjelmaa, joka toimisi kaikkiin tilanteisiin. Kokemuksemme mukaan esimerkiksi Miro AI on kuitenkin toiminut yllättävän hyvin tiedon analysoinnissa ja yhteenvetojen tekemisessä. Tämä vaatii kuitenkin sen, että data on englanninkielistä, mikä voi olla este työkalun hyödyntämiselle.
Vinkki: Kirjoita haastatteluiden englanninkieliset muistiinpanot suoraan lapuille Miroon. Näin voit hyödyntää Miro AI:ta klusterointiin, sentimenttianalyysiin sekä yhteenvetojen tekemiseen.
Jos tiedonkeruuta tehdään haastattelemalla, on oleellista käyttää hyvää litterointipalvelua ennen datan analyysia. GoodTape toimii monen muun kielen lisäksi myös suomen kielellä, joten suosittelemme kokeilemaan sitä litteroinnissa. Kun litteroitu dokumentti on valmis, voi dokumentille esittää suoria kysymyksiä pdf chat työkalun avulla (katso PDF.ai). Dokumentin voi viedä myös ChatGPT tai Claude AI ohjelmaan ja pyytää tekoälyä käymään dokumentti lävitse sille antamiesi kysymysten pohjalta.
Vinkki: Sen sijaan, että pyytäisit tekoälyä tekemään yleisen yhteenvedon haastatteludatasta, esitä sille tarkennettuja kysymyksiä, kuten “mitä haastateltavat ovat mieltä palvelun toimivuudesta?”. Näin saat paljon tarkempia ja käytettävämpiä tulkintoja datasta.


Huomioitavaa tekoälyn hyödyntämisessä asiakasymmärrysvaiheessa
1. Suomen kieli
Suurin osa tekoälysovelluksista on treenattu toimimaan ensisijaisesti englanniksi. Näin ollen, vaikka työkalu tunnistaisi suomen kieltä, voi sen toiminnallisuus olla suomeksi rajallisempaa.
2. Kehotteiden eli promptien merkitys
Mitä tarkemmin osaat tekoälylle antaa tehtävät, sen paremmin saat myös hyödyllisiä tuloksia. Muista, että hieman enemmän aikaa käytettynä promptin kirjoittamiseen säästää sinulta lopulta aikaa ja vaivaa.
3. Tietosuoja ja yksityisyys
Iso osa tekoälytyökaluista kerää interaktioistaan dataa omaan datapankkiin, jota hyödynnetään algoritmin opettamiseen. Niinpä, jos projektisi ja siinä hyödynnettävä data on salaista, ole tarkkana, millaisia tekoälyohjelmia pystyt projektissasi hyödyntämään. Esimerkiksi ChatGPT:n asetuksissa voit kieltää ohjelmaa tallentamasta keskusteluitasi, mikäli se on tarpeen. Muista myös anonymisoida data ennen kuin viet sitä tekoälyohjelmiin, jotta mukana olleiden käyttäjien yksityisyys säilyy.
4. Vääristymät ja läpinäkyvyys
Tekoälymallit voivat oppia ja toistaa datassa piileviä ennakkoluuloja tai vinoumia, mikä voi johtaa syrjiviin tai epäoikeudenmukaisiin tuloksiin. Olethan siis tarkkana, miten tulkitset tekoälyn tuottamia tuloksia sekä kommunikoit myös läpinäkyvästi, missä osassa prosessia tekoälyllä on ollut vaikutusta päätöksentekoon.
Yhteenveto
Uusien ideoiden luomisen rinnalla datan analysointi ja tulkintojen tekeminen on tekoälylle haasteellisin osa palvelumuotoiluprosessissa. Lupaukset ja odotukset ovat olleet korkealla tekoälyn hyödynnettävyydestä, mutta suomenkielisten materiaalien kanssa voi vielä tulla pettymyksiä. Mikäli työskentelet englanniksi, ovat mahdollisuudet jo paljon suuremmat. Tutkimuksen suunnittelussa ja analyysitulosten koonnissa voi suomenkielisilläkin työkaluilla kuten ChatGPT:llä saada isoja apuja palvelumuotoiluprosessin alkuvaiheessa. Kannattaa siis kehittää omia taitojaan tekoälyohjelmien kanssa ja harjoitella erityisesti täsmällisten promptien kirjoittamista, se kun on taito, joka ei ole tekoälyohjelmasta riippuvainen.
tekoälyn ja palvelumuotoilun hyödyntäminen?
Kirjoittajat
Titta Jylkäs - Titta Jylkäs Design
Palvelumuotoilun konsultti ja kouluttaja
Piia Innanen
Johtava palvelumuotoilija, yrittäjä, toimitusjohtaja, Oulu
Muita blogiartikkeleita
Palvelumuotoilua, olkaa hyvä!
Kaipaako palvelusi sytykettä? Ota yhteyttä lomakkeella, puhelimitse tai sähköpostilla ja vastaamme sinulle mahdollisimman pian.