Dijital Ürünlerde Duygusal Bağ: İnsanlaştırma, Kişiselleştirme, Öneri Motorları

Bir ürünün kullanıcısıyla bağ kurması sihir değil, tasarım kararlarının toplamı. İnsan zihni cansız şeylere kişilik atfetmeye zaten hazır; mesele bu eğilimi doğru yerde kullanmak. İnsanlaştırma, kişiselleştirme ve öneri motorları bu işin üç ayağı, ve üçü de yanlış kurulduğunda bağ kurmak yerine sinir bozar.

İnsanlaştırma: eğilim zaten orada

Antropomorfizasyon, insan olmayan şeylere insan özellikleri yansıtma eğilimimiz. O kadar güçlü ki iki daire ile bir çizgiyi yan yana koyduğunuzda yüz görürüz. Bir arayüzün kişilikli hissettirmesi için yapay zekâ gerekmiyor, bu eğilime tutunacak birkaç işaret yetiyor: bir isim, tutarlı bir ses tonu, belirli durumlarda tekrar eden karakteristik bir ifade.

Siri, Alexa ve Cortana bu işi isim ve sesle çözüyor. Ama isim vermek tek başına bir şey kazandırmaz. Kişilik, ürün işini yaptığında sevimli olur; başarısız bir ödeme ekranında şakalaşan bir asistan sevimli değil, patavatsızdır. Kural basit: ton, kullanıcının o andaki duygusal durumuna saygı duyduğu sürece işe yarar.

Kişiselleştirme yüzeyde bitmez

Tema rengi seçtirmek, arka plan görseli değiştirtmek kişiselleştirme değil, tercih ayarıdır. İkisi karıştırılıyor. Gerçek kişiselleştirme kullanıcının kendini anlaşılmış hissetmesini sağlar, ekranı süslemez.

Fitbit kullanıcıya hangi isimle çağrılmak istediğini sorar ve sonra o ismi kullanır. LoseIt kurulumda daha iyi bir soru soruyor: kilo verme sürecinde veri ve cihaz kullanmaktan hoşlanıyor musunuz? Evet diyene takip cihazı entegrasyonu açılıyor, hayır diyen manuel girişle ilerliyor. Aradaki fark şu: birincisi bir alanı dolduruyor, ikincisi ürünün şeklini değiştiriyor. Kurulumda sorulacak tek bir soru hakkınız varsa, cevabı sonraki ekranları değiştiren soruyu sorun.

Öneri motorları ve soğuk başlangıç

Öneri motorları iki modelden birine dayanır. Ürün temelli modelde her öğe özelliklerle etiketlenir; bir egzersiz uygulamasında biseps hareketini "kol", "üst kol", "ağırlıklı" diye etiketlersiniz, motor da aynı etiketleri taşıyan triceps hareketini önerir. İnsan temelli modelde ise benzer kullanıcıların seçimleri esas alınır: "sizin gibi kullanıcılar bunu beğendi". Ciddi sistemler ikisini harmanlar. McKinsey'in sık alıntılanan tahminine göre Amazon'da satılan ürünlerin %35'i ve Netflix'te izlenen içeriğin %75'i öneri motorlarından geliyor.

Burada metinlerin çoğunun atladığı bir sınır var. İnsan temelli model, kullanıcı hakkında geçmiş veri ister; yeni kullanıcının geçmişi yoktur. Yani ilk oturumda öneri motorunuz kaçınılmaz olarak "en popüler" listesine düşer, ki bu tam da sahte kişiselleştirme diye eleştirilen şeydir. Popüler listesi başlangıç için kötü değil, bazı şeyler sebepsiz popüler olmuyor. Sorulacak soru şu: kaç etkileşimden sonra bu moddan çıkıyorsunuz, ve çıktığınızı kullanıcı fark ediyor mu? Cevabı olmayan ekipler yıllarca herkese aynı listeyi gösterip kişiselleştirme yaptığını sanıyor.

İkinci klasik hata öneri tekrarı. Kullanıcı yatağı aldıktan sonra ona üç ay boyunca yatak göstermenin anlamı yok, deterjan göstermenin ise var. Çözüm karmaşık değil: kataloğa tekrar satın alma aralığı diye bir alan ekleyin ve satın alma sonrası öneriyi bu alana göre susturun. Sarf malzemesiyle dayanıklı ürünü ayırmayan hiçbir öneri motoru akıllı görünmez.

Yanılma payını arayüze koyun

Veriye dayalı kişiselleştirmenin bedeli beklenti enflasyonu. Kullanıcı hakkında ne kadar çok şey bilirseniz, sizden o kadar isabet bekler; ilk yanlış öneride de o kadar sert hayal kırıklığı yaşar. En iyi sistem bile yanılır, dolayısıyla "bu bana uygun değil" demenin bir yolu arayüzde görünür durmalı. Bu geri bildirim iki iş birden yapar: modeli düzeltir ve kullanıcıya ilişkinin tek yönlü olmadığını gösterir.

Öneriden koçluğa

Davranış değişikliği hedefleyen ürünlerde öneriler bir noktada başka bir şeye dönüşür. "Bunu da beğenebilirsiniz" ile "şu sırayla şunları yapın" arasındaki fark tutarlılıktır; öneriler kişiyi sistematik olarak bir hedefe götürecek şekilde diziliyorsa artık koçluk yapıyorsunuzdur.

Dr. Vic Strecher'ın sigara bırakma çalışmaları, planın kişiselleştirilme derecesi arttıkça bırakma başarısının da arttığını gösteriyor. Ekibin fMRI ile yaptığı takip çalışmasında, kişiselleştirilmiş metinleri okuyan insanların beyninde benlikle ilişkili bölgelerin etkinleştiği görülmüş. İnsanlar kişiselleştirilmiş bilgiyi nörolojik düzeyde kendileriyle ilgili sayıyor, ilgili bulduğu şeyi de daha iyi hatırlıyor ve daha çok uyguluyor.

Bunun sıkıcı ama en işe yarar sonucu uzunlukla ilgili. Kimse uygulama içi metin okumak istemiyor. Kişiselleştirme, gösterilecek içeriği daraltmanıza izin verdiği için okunma ihtimalini yükseltir. Herkese uygun on maddelik listeyi göstermek yerine o kişiye uyan üçünü gösterin, gerisini kesin.

Sırayı doğru kurun

Bu üç ayağı aynı anda kurmaya çalışmak yaygın bir israf. Ucuz olandan başlayın: kullanıcıya nasıl hitap edileceğini sorup selamlamada kullanmak için öneri motoru kurmanız gerekmiyor, bir alan ve bir şablon değişkeni yeter. Sonra kurulumdaki o tek soruyu ekleyin, ürünün akışını gerçekten değiştirsin. Öneri motoru en sona kalsın, çünkü veri birikmeden zaten popüler listesinden başka bir şey üretemez. Ters sırada ilerleyen ekipler aylarca model eğitip, kullanıcının adını bile bilmeyen bir arayüz yayınlıyor.