Palvelumuotoilu on prosessi, jossa pyritään kehittämään asiakaslähtöisiä palveluja. Palvelujen kehittämiseen tarvitaan usein alussa ymmärrystä palvelun asiakkaista, jolloin erilaiset tutkimusmenetelmät ovat tarpeen. Meillä on ehkäpä kehitteillä kokonainen uusi innovaatio, joka kaipaa validoimista kohderyhmällä, tai jo olemassa oleva palvelu, jonka kehittämiseen tarvitsemme asiakaslähtöistä näkemystä. Kummin vain, törmäät joka tapauksessa jokaisessa tutkimusvaiheessa samankaltaiseen kysymykseen: mitä olemme tekemässä, kenelle ja miksi?
Ajattelun avartamisessa, tutkimuskysymysten määrittelyssä, aineiston keruussa sekä analysoinnissa on usein vaiheita, jotka toistuvat tapauksesta riippumatta. Valitsitpa menetelmäksi laadullisen tai määrällisen otoksen, toistat samankaltaisia vaiheita.
Näihin toistuviin vaiheisiin on mahdollista käyttää erilaisia tekoälyratkaisuja, sillä ne voivat auttaa sekä keräämään että analysoimaan suuria määriä dataa nopeasti ja tehokkaasti. OpenAI:n julkaisema ChatGPT on jo lyhyessä ajassa saavuttanut suuren maineen tietotyön tekijöiden parissa. Tekoälyä käyttävästä teknologiastaan huolimatta ChatGPT ei silti ole älykäs sanan varsinaisessa mielessä, sillä se ei osaa itsenäisesti tehdä mitään. Teknologia pohjautuu koulutettuun kielimalliin, joka kirjaimellisesti arvaa vastauksiaan. Osa vastauksista voi olla häkellyttävän hyviä, osa taas sellaisia, joita kutsutaan hallusinoimiseksi.
Olen itse työssäni asiakastutkijana ja antropologina käyttänyt mm. ChatGPT:tä hyvin eri tavoin. Jaan tässä artikkelissa muutamia hyödyllisiä vinkkejä sekä myös kriittisiä havaintoja.
Palvelumuotoilun tutkimusvaiheessa on tärkeää ensin määritellä mitä kysymystä olemme ratkaisemassa ja vasta sen jälkeen valita menetelmät. Mikäli lähestymme ongelmaa menetelmälähtöisesti, olemme kuin vasara, jolle kaikki näyttää nauloilta. Menetelmälähtöisyys on usein hyvin tavallista, kun tutkimusmenetelmistä tuttuja ovat vain kyselytutkimus tai haastattelu. Tämän vuoksi on tärkeää, että tutkimusvaiheessa osallistetaan tutkimuksen asiantuntijaa, joka osaa määrittää oikean menetelmän tutkimuskysymyksiin vastaamiseksi.
Laadullinen tutkimus pyrkii ymmärtämään asiakkaiden kokemuksia ja tuntemuksia. Se on erityisen hyödyllinen lähestymistapa, kun meillä on paljon miksi-kysymyksiä. Miksi asiakkaamme valitsevat kilpailijan tuotteen? Miksi asiakkaamme valitsevat meidät? Miksi asiakkaamme toimivat ristiriitaisesti? Määrälliset tutkimusmenetelmät on hyvä valita silloin, kun haluamme ymmärtää mittakaavoja. Tällöin saatamme kysyä “kuinka moni asiakkaistamme” tyyppisiä kysymyksiä. Tekoälyä voi käyttää molemmissa lähestymistavoissa monin eri tavoin.
Konsulttityössä korostuu nopea tiedon omaksuminen. Toimialat voivat vaihtua paljonkin ja B2B sekä B2C liiketoiminnassa on usein omat erityispiirteensä. Olen käyttänyt ChatGPT:tä sekä Perplexity-palvelua esimerkiksi tutkimuskysymysten määrittelyssä, jolloin käyn dialogia palvelun kanssa ymmärtääkseni asiakkaan toimialaa, tärkeimpiä kilpailijoita sekä strategista kilpailuetua. Usein nämä näkökulmat käydään asiakkaan kanssa joka tapauksessa läpi, mutta tekoälyn kanssa käydyt dialogit tarjoavat ymmärrystä paljon laadukkaammin ja nopeammin kuin vaikkapa aiemmin käytössä ollut googlettelu. Voin pyytää tekoälyä myös luomaan listan tärkeimmistä tutkimuskysymyksistä, kun tarjoan sille viitekehyksen: hankkeen tavoitteet, aikataulun, toimialan sekä näkökulman (esim. antropologia, palvelu- ja liiketoimintamuotoilu, markkinointi).
Usein ongelmana on kuitenkin palvelun hallusinoiminen. Tieto ei myöskään ole aina ajantasaista, vaan perustuu syyskuuhun 2021. Hallusinoiminen näkyy erityisesti silloin, kun käytetyt kehoitteet eli promptit eivät ole tarpeeksi tarkkoja. Perplexityn tarjoama Co-pilot -ominaisuus on tällöin hyödyllinen, koska se auttaa rajaamaan käyttämääsi kehotetta, jotta vastaus olisi mahdollisimman hyödyllinen. ChatGPT:ssä ei tällaista ominaisuutta (vielä) ole.
Sinun ei välttämättä kuitenkaan tarvitse käyttää suoraan ChatGPT:tä tai muita vastaavia palveluja. Tekoälyyn pohjautuvia ratkaisuja on hiipinyt jo nimittäin olemassa oleviin palveluihin, kuten Teamsiin, Googleen tai vaikkapa jo aiemmin käyttämiisi tutkimustyökaluihin. Esimerkiksi kyselytutkimuspalvelu Surveymonkey on kehittänyt tekoälyyn pohjautuvaa automaatiota, joka säästää paljon aikaa kyselytutkimuksen rakentamisessa. Haastatteluiden muistiinpanoja on mahdollista tehdä automaattisesti mm. Teams-palvelussa sekä erillisissä transkriptio-sovelluksissa. Palvelut voivat tarjota myös sisällönanalyysia automaattisen teemoittelun avulla.
Parhaimmillaan tekoälyratkaisut ovat tekstisisällön analysoimisessa. Tekoäly voi siis analysoida tekstiä ja tunnistaa esimerkiksi tunteita ja mielipiteitä.
Esimerkiksi IBM Watson Natural Language Understanding -palvelun avulla voi tunnistaa asiakkaiden tunteita ja mielipiteitä. Suomalainen Aiwo Digital yrityksen tekoäly auttaa tunnistamaan esimerkiksi suuria määriä asiakaspuheluiden sisältöä, jonka avulla voidaan tehokkaammin analysoida vaikkapa häiriökysyntää. NVivo on laadullinen tutkimustyökalu, jonka uusimpia tekoälytoimintoja ovat automaattinen tekstisisällön koodaus ja teemoittelu.
Kuvitellaan, että palvelumuotoilun tutkimusvaiheessa halutaan ymmärtää, miten asiakkaat käyttävät tiettyä mobiilisovellusta. Tutkimusaineistona käytetään sovelluksen käyttödataa, kuten käyttöaikoja ja eri toimintojen käyttöä. Tekoälypalvelu voi auttaa analysoimaan tätä dataa ja tunnistamaan esimerkiksi käyttötapoja ja käyttötapojen yleisyyttä monipuolisemmin kuin perinteinen analytiikka. Tämä data voi auttaa kehittämään sovellusta vastaamaan paremmin asiakkaiden tarpeita ja odotuksia.
Tekoäly voi siis oppia tunnistamaan tiettyjä kaavoja ja yhteyksiä kerätystä datasta. Tämä voi auttaa esimerkiksi ennustamaan tulevia trendejä tai käyttäytymismalleja niin sovelluskehityksessä kuin muussakin liiketoiminnan kehittämisessä.
Visuaalinen analyysi voi tunnistaa kuvista erilaisia elementtejä, kuten ihmisiä, eläimiä ja esineitä – joskin tässä on usein suurta hajontaa eri palveluissa. Visuaalista analyysia voidaan käyttää esimerkiksi, kun halutaan ymmärtää suuren joukon asiakaskäyttäytymistä kaupan sisällä, jolloin kameroiden tallentamasta datasta voidaan luoda käyttäytymispäätelmiä. Tämä voi auttaa ymmärtämään asiakkaiden käyttäytymistä ja mieltymyksiä samaan tapaan kuin vaikkapa verkkosivuanalytiikassa on käytetty lämpökarttoja (heatmap) käyttäjien toiminnan visualisoimiseksi.
Määrällisessä tutkimuksessa tekoälyn hyöty on erityisesti sen nopeudessa ja tehokkuudessa. Se voi auttaa esimerkiksi löytämään yhteyksiä eri muuttujien välillä ja tekemään tilastollisia analyysejä laadukkaammin ja tehokkaammin kuin aiemmin käytetyillä teknologioilla. Esimerkiksi Tableau-palvelun Einstein Copilot auttaa demokratisoimaan ennakoivan data-analytiikan käyttöä, jolloin palvelun käyttö ei välttämättä vaadi data-analytiikan osaamista.
Vaikka tekoälypalvelut voivat olla hyödyllisiä palvelumuotoilun tutkimusvaiheessa, on tärkeää muistaa, että ne eivät vielä korvaa ihmisen analyysi- tai ongelmanratkaisukykyä (tosin joidenkin arvioiden mukaan tällainen kyky voidaan saavuttaa kuitenkin jo vuoden 2030 tienoilla). Tekoälypalvelut voivat auttaa keräämään ja analysoimaan dataa, mutta ihmisten on edelleen tärkeää tulkita ja ymmärtää tätä dataa. Lisäksi on tärkeää huomioida, että tekoälypalvelut ovat alttiita virheille ja vinoumille – mutta niin on ihminenkin.
Jotta vinoumia voitaisiin välttää, tulee palvelumuotoilijan ymmärtää tekoälyn vinoumien vaikutukset, kuten syrjivät rakenteet ja käytännöt, jotta hän voi kehittää syrjimättömiä tekoälysovelluksia ja arvioida niiden eettistä käyttöä. Esimerkkejä tekoälyn vinoumista ovat esimerkiksi rodullistettuun tai sukupuoleen perustuvaan syrjintään perustuvat algoritmit, jotka voivat johtaa epäoikeudenmukaisiin päätöksiin esimerkiksi rekrytoinnissa, lainan myöntämisessä tai rikollisuuden ennustamisessa.
Vinoumat eivät kuitenkaan ole aina teknologian syytä. Harvassa muotoiluprojektissa nimittäin otetaan huomioon vinoumien vaikutusta lopputulokseen. Tutkimusvaiheessa on huomioitava tarkkaan ketä projektiin osallistetaan, jotta kehitysnäkökulmissa otetaan huomioon erilaisten asiakkaiden kokemukset ja tarpeet. Etenkin julkisen sektorin hankkeissa tulisi otannan koko olla suurempi kuin mihin on vaikkapa kaupallisissa hankkeissa totuttu, sillä tutkimusten mukaan kehittämistyöhön yleensä osallistuu sellaiset kohderyhmät, joilla on samankaltainen tausta kuin projektin suunnittelijoilla.
Palvelumuotoiluhankkeissa ei myöskään usein resursoida aikaa ja rahaa hankkeen vaikutusten arviointiin. Viime vuosina olemme nähneet useita esimerkkejä etenkin teknologiakehittämisen saralla, kun vaikutusten arviointi on jätetty tekemättä ja kehitettyä palvelua on voitu käyttää haitallisesti. Facebookin Cambridge Analytica -katastrofi on hyvä esimerkki tällaisesta haavoittuvuudesta, ja nyt tekoälyn kehittämisen saralla on törmätty usein eettisiin ongelmiin.
Yllä olevista esimerkeistä voi vetää yhden johtopäätöksen: tekoälyratkaisut voivat säästää palvelumuotoilun tutkimusvaiheessa aikaa ja ne voivat vaikuttaa positiivisesti lopputulosten laatuun. Viimeaikaiset tutkimustulokset tukevat tätä havaintoa (ks. esim. MIT:n tutkimus).
Mutta tärkein kysymys tulee kuitenkin tässä: Mitä oikeastaan yrität ulkoistaa koneelle?
Tekoälyn avulla vapautan työssäni aikaa muihin asioihin, mutta mitä nämä muut asiat itseasiassa ovat? Joka kerta, kun olen keskustellut ihmisten kanssa tästä, kysyn: "Mitä tekisit sillä vapautuneella ajalla?" Yleensä ihmiset vastaavat: "Käyttäisin sen oppimiseen." Mutta tekisitkö todella niin?
Vapautunut aika johtaa useimmiten lisääntyneeseen työmäärään. Se on kuin piirakan syöntikisa, jossa palkintona on lisää piirakkaa. Jos käytän vapautuneen ajan ottaakseni yhä enemmän asiakastyötä, se voi johtaa uupumukseen. Luova ajatustyö nimittäin vaatii myös tilaa olla ja ajatella. Kun meillä ei ole aikaa miettiä, pysähtyä, lukea tai ajatella, se johtaa työhön, joka muistuttaa tehdastyötä. Luova tietotyö ei onnistu tehdasmaisessa prosessissa. Joten kun ulkoistat muotoiluprosessissa tehtäviä teknologialle, ole tietoinen siitä, mihin ja miten käytät vapautunutta aikaasi.