Müşteri görüşmesi notları, kullanıcı araştırmasının en zengin ama en dağınık verisidir. Yapay zeka, bu notları araştırmacının yerine yorumlayan değil; tema bulma sürecini hızlandıran bir asistandır.
Bu sayfa, görüşme verisi üzerinde işe yarayan üç prompt şablonu sunar.
1. Temel tema çıkarma promptu
Bir UX araştırmacısı gibi düşün. Aşağıdaki müşteri görüşmesi notlarını oku ve şu üç başlık altında çıktı ver: (1) Tekrar eden sorunlar — en az iki görüşmede geçenler, (2) Beklenmeyen sinyaller — yalnızca tek görüşmede geçen ama önemli olabilecekler, (3) Doğrudan alıntılar — temayı destekleyen iki cümlelik özgün ifade. Tahmin yürütme, kaynak göstermeden iddia yazma.
“Tahmin yürütme” kısıtı modelin uydurma temaları üretmesini engeller.
2. Pain-point haritalama promptu
Aşağıdaki görüşmeleri incele. Müşterinin yaşadığı her sorunu sırayla “kullanıcı işi → engel → şu anki çözüm → yan etki” formatında listele. Eğer bir bilgi notta yoksa “belirtilmemiş” yaz, tahmin yapma. Her madde için kaynak görüşmenin sıra numarasını ekle.
Bu yapı, ürün ekiplerinin “hangi sorun gerçek?” sorusuna görüşmeden delil temelli cevap vermesini kolaylaştırır.
3. Karşı sinyal araması promptu
Aşağıdaki görüşme notlarında bizim ürün hipotezimizi destekleyenler değil, çürütenler varsa onları çıkar. Hipotez: [hipotez tek cümlede]. Görüşmede bu hipotezi sorgulayan, çelişen veya yanlışlayan ifadeler varsa alıntılarla göster. Hipotezi destekleyen ifadeleri görmezden gel.
Bu prompt, doğrulama yanlılığını kırmak için yararlıdır. Model varsayılan olarak hipotezi destekleyen sinyalleri öne çıkarmaya eğilimlidir; bu yönlendirme tam tersini ister.
4. Persona taslağı promptu
Aşağıdaki dört görüşme notuna dayanarak iki farklı persona taslağı çıkar. Her persona için: (1) Rol ve sektör, (2) Çözmeye çalıştığı temel iş, (3) En sık yaşadığı engel, (4) Mevcut başa çıkma yöntemi, (5) İdeal çözüm hayali. Görüşme notunda bilgi yoksa o alanı “veri yetersiz” olarak işaretle.
Modelin uydurma persona üretmemesi için her alan için “veri yetersiz” çıkış yolu sunulur.
Verinin temizlenmesi neden önemli?
Görüşme notlarını modele vermeden önce iki temizlik adımı verimliliği belirgin artırır:
- Konuşmacı etiketleri: “[Görüşmeci]” ve “[Müşteri 1]” gibi açık etiketler.
- Bağlam paragrafı: Görüşmenin amacı, müşterinin rolü ve görüşme tarihi — kısa bir başlık paragrafı.
Bu bağlam, modelin çıkarımlarını daha doğru yapmasını sağlar.
Sınır: model yorumcu değildir
Yapay zeka, görüşme verisinden “ne yapmalıyım?” sorusuna cevap vermez. Bunu insan ekip yapar. Modelin gücü, geniş veri içinde örüntü çıkarmaktır; karar değil.
Bu yüzden çıktı her zaman ham içgörü olarak değerlendirilmeli ve ürün ekibi tarafından doğrulanmalıdır.
Sonraki adım
Müşteri araştırmasını ürün kararına bağlamak için ürün yöneticisi yapay zekayı nasıl kullanabilir senaryosu pratiktir. App Store gibi farklı veri kaynaklarından benzer içgörü çıkarımı için App Store yorumlarını Codex ile ürün fikrine dönüştürme rehberi geniş bağlam verir.