n=1000 Artık 1000 İnsan Demek Olmayabilir

Pazar araştırmasında bazı ifadeler o kadar uzun süredir hayatımızda ki ne anlama geldiklerini artık sorgulamıyoruz.

“Türkiye temsili n=1.000.”

“18-34 yaş grubunda n=250.”

“Bu segmentin bazı kırılımlarında baz düşük.”

Bir araştırmacı için n, yalnızca teknik bir gösterge değildir. Örneklemin büyüklüğünü, hangi analizleri yapabileceğimizi, hangi kırılımlara güvenebileceğimizi ve sonuçların arkasında ne kadar sağlam durabileceğimizi anlatır.

Fakat önümüzde oldukça temel bir değişim var.

Yakın gelecekte bir araştırma raporunda gördüğümüz n=1.000, mutlaka 1.000 gerçek insanla görüşüldüğü anlamına gelmeyebilir.

Bu sayı;

500 gerçek katılımcı ve sentetik olarak genişletilmiş bir örneklemi,

200 gerçek katılımcıyla kalibre edilmiş 1.000 kişilik bir sentetik popülasyonu,

tamamen gerçek katılımcılardan oluşan klasik bir araştırmayı

veya gerçek ile sentetik verinin birlikte kullanıldığı çok daha karmaşık bir hibrit yapıyı ifade edebilir.

Bu nedenle sentetik araştırma tartışmasını “Yapay zekâ gerçek katılımcıların yerini alacak mı?” sorusuna indirgemek bana giderek yanlış geliyor.

Araştırmacı açısından çok daha önemli bir soru var:

Bir araştırmada güvenilir bir karar verebilmek için gerçekte kaç insana ihtiyacımız var?

Sentetik verinin pazar araştırmasında yaratacağı asıl değişim belki de burada başlayacak.

Önce aynı şeyden bahsettiğimizden emin olalım

Sentetik veri etrafındaki tartışmanın ilk problemi terminoloji.

Synthetic data, synthetic respondent, synthetic sample, digital twin ve augmented sample ifadeleri zaman zaman birbirinin yerine kullanılıyor.

Oysa metodolojik olarak aynı şey değiller.

Sentetik veri, gerçek dünyadaki verilerin istatistiksel özelliklerini ve ilişkilerini taklit etmek amacıyla model tarafından oluşturulan yapay veridir.

Sentetik katılımcı, belirli özelliklere sahip gerçek bir insanın veya insan grubunun araştırma sorularına nasıl yanıt verebileceğini tahmin etmeye çalışan yapay profildir.

Sentetik örneklem, bu yapay katılımcılardan oluşturulan ve bir hedef popülasyonu temsil etmesi amaçlanan örneklemdir.

Augmented sample ise gerçek örneklemin sentetik gözlemlerle genişletilmesidir.

Sonuncusu özellikle önemli.

Çünkü sentetik araştırmanın yakın gelecekteki en güçlü kullanım alanının gerçek katılımcıyı tamamen ortadan kaldırmak değil, elde ettiğimiz gerçek insan verisinin analitik kapasitesini artırmak olacağını düşünüyorum.

Bunların arasındaki fark yalnızca teknik değil.

Bir araştırmanın metodolojik olarak ne söylediğini değiştiriyor.

Aslında sentetik veri tamamen yeni değil

Burada küçük bir tarihsel düzeltme yapmak gerekiyor.

Araştırmacılar yıllardır eksik veriyi tahmin ediyor, ağırlıklandırma yapıyor, modelleme kullanıyor, bootstrap örnekleri oluşturuyor, small area estimation uyguluyor ve Hierarchical Bayes gibi yöntemlerle doğrudan gözlemlemediğimiz değerleri tahmin ediyor.

Dolayısıyla:

“Gözlemlemediğimiz bir şeyi model yardımıyla tahmin etmek” araştırmaya yapay zekâyla girmiş bir fikir değil.

Yeni olan, bunun ölçeği ve biçimi.

Generative AI ve büyük dil modelleri sayesinde artık yalnızca birkaç eksik hücreyi tahmin etmekten değil, araştırma sorularına cevap veren yapay katılımcılar, segmentler ve hatta popülasyonlar üretmekten söz ediyoruz.

Üstelik bunlarla doğal dil kullanarak konuşabiliyoruz.

Bu da istatistiksel modellemeyi araştırmacının arka planında çalışan teknik bir araç olmaktan çıkarıp doğrudan araştırma deneyiminin içine getiriyor.

Greenbook'un sentetik veri çalışmalarında da bu değişim açık biçimde görülüyor. Sentetik sistemler düşük incidence gruplarını güçlendirmek, privacy nedeniyle erişilemeyen veriler üzerinde çalışmak, hızlı kalitatif keşif yapmak ve mevcut örneklemin analitik gücünü artırmak için kullanılmaya başlanmış durumda.

Artık tartıştığımız şey teorik bir gelecek senaryosu değil.

Araştırma operasyonunun içine girmeye başlayan yeni bir yöntem ailesi.

Sentetik katılımcı aslında kim?

Burada çok önemli bir zihinsel ayrım yapmamız gerekiyor.

Bir sentetik katılımcı insan değildir.

Bunu söylemek fazlasıyla açık görünebilir ama kullandığımız dil zaman zaman bunu unutturuyor.

“35 yaşında, İstanbul'da yaşayan, evli, iki çocuklu, orta gelir grubundaki kadın tüketici” şeklinde oluşturduğumuz bir persona konuşmaya başladığında zihnimiz doğal olarak karşımızda böyle bir insan varmış gibi davranıyor.

Oysa sistemin yaptığı şey daha farklı.

Model, kendisine sağlanan gerçek insan verileri, geçmiş araştırmalar, demografik bilgiler, davranışsal veriler, görüşme kayıtları veya diğer kaynaklardan öğrendiği ilişkileri kullanarak:

“Bu özelliklere sahip bir insan bu soruya muhtemelen nasıl cevap verirdi?”

sorusunu tahmin ediyor.

Bu ayrım kritik.

Çünkü gerçek katılımcı bize yaşadığı deneyimi anlatır.

Sentetik katılımcı ise modelin o deneyim hakkında bildiklerinden hareketle bir tahmin üretir.

Biri gözlemdir.

Diğeri modeldir.

Araştırmacı açısından ikisini aynı epistemolojik seviyede değerlendiremeyiz.

Ama modeller sandığımızdan daha başarılı olabilir

Burada sentetik araştırmayı kolayca reddetmek de mümkün değil.

Stanford Üniversitesi araştırmacılarının çalışması bunun nedenini gösteriyor.

Araştırmacılar ABD nüfusunu yaş, cinsiyet, ırk, bölge, eğitim ve politik görüş açısından temsil edecek şekilde 1.052 gerçek katılımcıyla yaklaşık iki saatlik derinlemesine görüşmeler gerçekleştirdi.

Daha sonra bu görüşmeler kullanılarak her katılımcının generative agent modeli oluşturuldu.

Sonuç dikkat çekiciydi.

Bu yapay ajanlar General Social Survey sorularında gerçek katılımcıların cevaplarını, katılımcıların iki hafta sonra kendi cevaplarını tekrar edebilme düzeylerinin yaklaşık %85'i kadar yeniden üretebildi.

Kişilik ölçümlerinde yaklaşık %80, ekonomik oyunlarda ise yaklaşık %66 düzeyinde performans bildirildi.

Daha da önemlisi, yalnızca demografik bilgiler verilen ajanlara göre derinlemesine görüşmelerle beslenen ajanlar daha başarılı ve bazı gruplar açısından daha az yanlıydı.

Burada benim için önemli olan yalnızca accuracy oranı değil.

Başka bir şey görüyoruz:

Sentetik sistemlerin kalitesi, onları insan verisinden ne kadar uzaklaştırdığımızla değil, ne kadar güçlü insan verisiyle temellendirdiğimizle artıyor.

Bu oldukça önemli bir paradoks.

Sentetik araştırma geliştikçe gerçek insan araştırmasının değeri azalmak zorunda değil.

Tam tersine, yüksek kaliteli human data daha stratejik hale gelebilir.

Çünkü ortalamayı doğru tahmin etmek insanı doğru tahmin etmek değildir

Sentetik araştırmayla ilgili en tehlikeli yanılgılardan biri burada ortaya çıkıyor.

Bir modelin toplam sonuçlarda gerçek araştırmaya yakın değerler üretmesi, gerçek insan davranışını doğru temsil ettiği anlamına gelmeyebilir.

Aher, Arriaga ve Kalai'nin ICML'de yayımlanan çalışması bunun erken örneklerinden birini gösterdi.

Büyük dil modelleri Ultimatum Game, Garden Path Sentences ve Milgram deneyleri gibi bazı klasik insan çalışmalarındaki sonuçları yeniden üretebildi.

Fakat Wisdom of Crowds deneyinde araştırmacılar modellerde insanların göstermediği bir “hyper-accuracy distortion” tespit etti.

Model fazla iyiydi.

İlk bakışta bunun neden problem olduğunu sormak mümkün.

Araştırmacı açısından cevap basit:

Çünkü amacımız doğru cevabı üreten makine yaratmak değil, insan davranışını ölçmek.

İnsanlar bazen tutarsızdır.

Yanlış hatırlar.

Soruyu yanlış anlar.

Sosyal çevresinden etkilenir.

Bir ürünü sevdiğini söyleyip satın almaz.

Dün savunduğu görüşü bugün değiştirebilir.

Mantıksız kararlar verir.

Bazen neden öyle davrandığını kendisi de bilmez.

Bunların hiçbiri araştırmada temizlenmesi gereken birer sistem hatası değildir.

Bunlar araştırdığımız şeyin kendisidir:

İnsan.

Ortalamalar doğru görünürken segmentler yanlış olabilir

Sentetik araştırmanın ikinci büyük riski aggregate accuracy.

Bir sentetik örneklem toplam seviyede gerçek örnekleme oldukça yakın sonuçlar verebilir.

Fakat araştırmacının asıl işi çoğu zaman toplam ortalamayı bulmak değildir.

Kadınlar ne düşünüyor?

Gençlerde durum farklı mı?

Marka kullanıcısı ile kullanmayan arasında ne oluyor?

İstanbul ile Anadolu aynı mı?

Yeni müşteriler neden farklı davranıyor?

Araştırmanın ticari değeri çoğu zaman tam olarak bu farklılıkların içinde ortaya çıkar.

Dolayısıyla sentetik örneklem toplam seviyede %90 benzerlik gösterse bile kritik bir segmentte sistematik olarak yanılıyorsa, araştırma business decision açısından başarısızdır.

Bu nedenle vendor tarafından sunulan:

“Synthetic ve human sonuçlarımız %90 eşleşiyor.”

ifadesi tek başına metodolojik kanıt değildir.

Araştırmacının sorması gerekenler çok daha ayrıntılıdır:

Hangi sorularda?

Hangi segmentlerde?

Hangi kategorilerde?

Hangi ülkelerde?

Hangi zaman döneminde?

Hangi veriyle kalibre edildi?

Holdout sample kullanıldı mı?

Model hangi gruplarda sistematik sapma gösteriyor?

Ve belki en önemlisi:

Modelin başarısız olduğu yerler açıkça raporlanıyor mu?

Araştırma kalitesi yalnızca ortalama doğruluk oranıyla ölçülemez.

Sentetik araştırmanın en büyük problemi geçmiş olabilir

Bir model geçmiş insan verilerinden öğreniyorsa doğal olarak geçmişte gözlemlenmiş örüntüleri üretmekte güçlüdür.

Bu özellik birçok araştırma problemi için son derece değerlidir.

Ama pazar araştırmasının en değerli çıktılarından biri zaten geçmişte bilmediğimiz şeyi keşfetmek değil midir?

Yeni bir tüketim davranışı ortaya çıktığında ne olacak?

Ekonomik kriz insanların önceliklerini değiştirdiğinde?

Yeni bir sosyal norm oluştuğunda?

Yeni bir teknoloji bir kategorinin kullanım biçimini değiştirdiğinde?

Bir marka beklenmedik biçimde kültürel anlam kazandığında?

Model bunu nereden bilecek?

Bu nedenle sentetik araştırmanın sınırını şöyle tanımlamak bana daha doğru geliyor:

Sentetik sistemler bildiğimiz dünyanın olası davranışlarını simüle etmekte güçlüdür. Araştırmanın görevi ise bazen henüz bilmediğimiz dünyayı keşfetmektir.

Bu ikisi aynı şey değildir.

İnsanların “hataları” araştırmanın verisidir

Phil Sutcliffe'in Greenbook'ta sentetik veriyi “ultra-processed data” metaforuyla eleştirdiği yazının en önemli tarafı da bence burada.

Sorun sentetik verinin kötü olması değil.

Sorun, hızlı ve ucuz olduğu için metodolojik sınırlarının zamanla unutulması ihtimali.

Gerçek respondent pahalıdır.

Recruitment zordur.

Low-incidence gruplara ulaşmak sinir bozucudur.

İnsanlar ankette saçma cevaplar verir.

Speed eder.

Straight-line yapar.

Panel fraud vardır.

Bot vardır.

Anketi yarıda bırakırlar.

Araştırma operasyonu açısından bakınca sentetik respondent neredeyse ideal katılımcıdır.

Gece üçte de müsaittir.

Teşvik istemez.

Anketten sıkılmaz.

Sample quota bekletmez.

Açık uçlu soruya cevap verir.

Ama tam da burada araştırmacının şüphelenmesi gerekir.

Kusursuz respondent diye bir insan yoktur.

Çünkü insan davranışındaki sürtünme, çelişki ve bağlam çoğu zaman araştırmanın öğrenmeye çalıştığı şeydir.

Peki sentetik araştırmayı nerede kullanmalıyız?

Buraya kadar anlattıklarımızdan “sentetik katılımcı kullanılmamalı” sonucu çıkmamalı.

Tam tersine.

Doğru yerde kullanıldığında araştırmacının elindeki son derece güçlü bir araç olabilir.

Ben kullanım alanlarını dört seviyede değerlendirmeyi daha doğru buluyorum.

1. Keşif ve hazırlık: Güçlü kullanım alanı

Hipotez üretmek,

anket sorularını test etmek,

cevap seçeneklerini geliştirmek,

çok sayıdaki konsepti ön elemeden geçirmek,

mesaj alternatiflerini değerlendirmek,

olası segment reaksiyonlarını simüle etmek,

araştırma tasarımındaki kör noktaları aramak.

Buradaki amaç nihai gerçeği ölçmek değil, gerçek araştırmayı daha akıllı tasarlamak.

Sentetik katılımcı burada son derece değerli olabilir.

2. Augmentation: Belki de en önemli kullanım alanı

Diyelim elimizde Türkiye temsili n=2.000 araştırma var.

Fakat belirli bir bölgede veya küçük bir segmentte yalnızca n=60 gözlem bulunuyor.

Klasik yaklaşımda iki seçeneğimiz var:

Baza güvenmemek veya ek saha yapmak.

Sentetik augmentation üçüncü bir seçenek getiriyor.

Gerçek gözlemlerden öğrenerek bu hücrenin analitik tabanını model yardımıyla genişletmek.

Greenbook'un aktardığı Big Village örneğinde Fairgen kullanılarak yıllık yaklaşık 50.000 kişilik ABD temsili veri setinin yaklaşık 100.000 kişilik analitik büyüklüğe çıkarılması bunun ticari ölçekte uygulanmaya başladığını gösteriyor.

Ama burada kritik kelime augmentation.

Gerçek verinin yerine sentetik veri koymuyoruz.

Gerçek veriden başlayan bir modeli kullanarak analitik kapasiteyi artırıyoruz.

Bu ayrım korunursa sentetik veri araştırmanın çok değerli bir parçası olabilir.

3. Synthetic-first, human validation: Çok güçlü hibrit model

Bence araştırma operasyonunun en fazla değişeceği alanlardan biri bu olacak.

Bugünkü süreç:

30 konsept → human research → sonuç → 5 finalist

Yeni süreç:

30 konsept → synthetic screening → 5 finalist → human validation

Böyle bir modelde yapay zekâ insanın yerini almıyor.

İnsan araştırmasının nerede kullanılacağını optimize ediyor.

Gerçek respondent'i 30 zayıf fikri değerlendirmek için harcamak yerine, insan verisini gerçekten karar vermemiz gereken beş alternatif üzerinde yoğunlaştırıyoruz.

Bu hem maliyet hem hız hem de respondent deneyimi açısından daha mantıklı olabilir.

4. Human replacement: En yüksek riskli alan

Burada çok daha dikkatli olunması gerektiğini düşünüyorum.

Özellikle:

yeni davranışların keşfi,

kültürel değişim,

hassas konular,

duygusal kararlar,

yüksek riskli stratejik kararlar,

yeni kategori ve pazarlar,

deneyimin kendisinin önemli olduğu araştırmalar

ve final business validation aşamasında gerçek insan verisinin tamamen çıkarılması ciddi metodolojik risk yaratır.

Çünkü burada artık modelin bildiği dünyayı araştırmıyoruz.

Gerçek dünyanın modele rağmen ne yaptığını anlamaya çalışıyoruz.

Geleceğin araştırma modeli: Human → Synthetic → Human

Bu nedenle araştırmanın geleceğini “human versus synthetic” şeklinde görmüyorum.

Daha güçlü model şu olabilir:

HUMAN

Gerçek insanlardan yüksek kaliteli veri topluyoruz.

Derinlemesine görüşmeler, davranışsal veriler, surveyler, transaction data, community research ve diğer kaynaklarla gerçek dünyayı anlamaya devam ediyoruz.

SYNTHETIC

Bu veriyi kullanarak senaryolar oluşturuyor, düşük bazları güçlendiriyor, alternatifleri test ediyor, simülasyonlar yapıyor ve araştırma alanını genişletiyoruz.

HUMAN

Kritik bulguları yeniden gerçek dünyada doğruluyoruz.

Bu döngü tekrar ediyor.

Human → Synthetic → Human → Synthetic → Human

Bence araştırmanın geleceği insanın sistemden çıkarılması değil, insan verisinin araştırma sürecinin daha değerli noktalarında kullanılması olacak.

Bu değişim araştırma ekonomisini de değiştirecek

Burada konu yalnızca metodoloji değil.

Sektörün iş modeli de etkilenebilir.

Bugün araştırmanın maliyetinin önemli bir kısmı respondent erişiminden geliyor.

Panel.

Recruitment.

CATI.

Fieldwork.

Incentive.

Sample.

Low-incidence audience.

Sentetik sistemler olgunlaştıkça maliyetin örneklem büyüklüğüyle doğrusal ilişkisi zayıflayabilir.

Bugün n=10.000 gerçek respondent gerekiyorsa gelecekte aynı business decision için belki:

n=2.000 human + validated synthetic augmentation

yeterli olacak.

Bunun mümkün olduğu kategorilerde araştırma şirketlerinin sattığı değer de değişmek zorunda.

Sample size → Validation quality

Fieldwork capacity → Modeling capability

Respondent access → Proprietary human data

Data collection → Evidence engineering

Bu dönüşüm panel ve sample şirketleri açısından özellikle önemli.

Çünkü gelecekte rekabet avantajı yalnızca milyonlarca respondente erişmek olmayabilir.

Asıl değer:

Ne kadar kaliteli, güncel, çeşitli ve doğrulanmış insan verisine sahipsiniz?

sorusuna kayabilir.

Gerçek insan verisi daha az değil, daha değerli olabilir

Burada sentetik araştırmanın en ilginç paradoksuna ulaşıyoruz.

Eğer herkes aynı veya benzer foundation modellere erişebiliyorsa modelin kendisi zamanla commodity haline gelir.

Farkı ne yaratacak?

Modeli gerçek dünyaya bağlayan veri.

Ve özellikle:

yüksek kaliteli proprietary human data.

Yani sentetik araştırma büyüdükçe gerçek araştırma ortadan kalkmak yerine başka bir role geçebilir.

Human research artık yalnızca müşteriye rapor üretmek için yapılmayabilir.

Aynı zamanda şirketin gelecekte kullanacağı sentetik araştırma sistemlerini besleyen stratejik veri altyapısına dönüşebilir.

Bu durumda yıllardır arşivlerde duran tracker'lar, segmentation çalışmaları, qualitative transcript'ler, brand health araştırmaları ve davranışsal veri setleri tamamen farklı bir değer kazanır.

Araştırma arşivi geçmiş çalışmaların deposu olmaktan çıkar.

Kurumsal bir human evidence layer haline gelir.

Araştırmacının yeni görevi: Daha fazla veri toplamak değil, kanıtı yönetmek

Bu dönüşüm araştırmacının rolünü de değiştiriyor.

Bugün iyi araştırmacının temel becerileri arasında doğru metodolojiyi seçmek, örneklemi tasarlamak, questionnaire hazırlamak, sahayı yönetmek, analiz yapmak ve insight üretmek bulunuyor.

Bunların hiçbiri ortadan kalkmayacak.

Ama yanlarına yeni bir sorumluluk geliyor:

Hangi kanıtın hangi kararı desteklemek için yeterli olduğunu belirlemek.

Ray Poynter'ın araştırma kalitesi tartışmasında vurguladığı gibi quality yalnızca respondent'in gerçek olup olmadığıyla ilgili değil.

Araştırmanın nasıl tasarlandığı,

verilerin nasıl birleştirildiği,

sonuçların nasıl kullanıldığı

ve karar sistemine nasıl aktarıldığı da kalite probleminin parçası.

Synthetic research bunu daha görünür hale getiriyor.

Çünkü artık araştırmacının yalnızca:

“Sample doğru mu?”

diye sorması yetmeyecek.

Şunları da bilmesi gerekecek:

Model hangi veriden üretildi?

Veri ne kadar güncel?

Hangi popülasyonu temsil ediyor?

Hangi segmentlerde hata yükseliyor?

Human holdout var mı?

Synthetic-human equivalence nasıl ölçüldü?

Drift izleniyor mu?

Model değiştiğinde sonuç değişiyor mu?

Prompt değiştiğinde sonuç değişiyor mu?

Synthetic gözlemler raporda açıkça işaretleniyor mu?

Bu sorular geleceğin araştırma kalite kontrolünün parçası olacak.

MRS'nin 2026'da sentetik veri konusunda özel eğitimler düzenlemesi ve Royal Statistical Society ile birlikte uygulama, risk ve limitlere odaklanan çalışmalar yürütmesi de sektörün tartışmayı “AI kullanmalı mıyız?” aşamasından metodolojik standartlara taşımaya başladığını gösteriyor.

Araştırıyorum Synthetic Research Decision Framework

Peki yarın önümüze bir proje geldiğinde ne yapacağız?

Ben sentetik araştırma kullanım kararını beş soruyla vermeyi öneriyorum.

1. Ölçmeye mi çalışıyorum, keşfetmeye mi?

Bilinen bir davranışın büyüklüğünü veya olası sonucunu modellemek istiyorsam sentetik yaklaşım güçlü olabilir.

Henüz bilmediğim davranışı keşfetmeye çalışıyorsam gerçek insan ağırlığını artırmalıyım.

2. Modelin beslendiği gerçek insan verisi bu problemi temsil ediyor mu?

Modelin geçmişinde yeterli veri yoksa synthetic sample'ın büyüklüğü anlamsızlaşır.

n=1.000.000 sentetik gözlem, yanlış temel üzerinde oluşturulduysa n=0 kadar faydalı olabilir.

3. Hata yapmanın maliyeti nedir?

Erken aşama konsept elemesinde hata toleransı yüksek olabilir.

Milyonlarca dolarlık ürün lansmanı, fiyatlandırma kararı veya marka stratejisinde aynı tolerans kabul edilemez.

Kararın riski arttıkça human validation da artmalıdır.

4. Sentetik sonuç bağımsız insan verisiyle doğrulandı mı?

Model kendi eğitim verisine karşı test edilmemeli.

Gerçek ve bağımsız bir holdout sample kullanılmalı.

Ve validation yalnızca total seviyede yapılmamalı.

Kritik segmentler ve KPI'lar ayrı ayrı değerlendirilmelidir.

5. Araştırma raporunda neyin sentetik olduğunu açıkça söyleyebiliyor muyum?

Eğer müşteriye veya karar vericiye:

“Bu sonuçların şu bölümü gerçek respondentlerden, şu bölümü modelden geliyor.”

demekten rahatsız oluyorsak metodolojik bir problemimiz olabilir.

Şeffaflık sentetik araştırmanın opsiyonel etik süsü değil, güvenilirliğinin temel koşuludur.

Bundan sonra n=1000 gördüğümüzde başka bir soru soracağız

Pazar araştırması uzun yıllar boyunca örneklem büyüklüğünü araştırma güveninin en görünür sembollerinden biri olarak kullandı.

Ama sentetik veri çağında yalnızca:

“n kaç?”

sorusunun yeterli olmayacağı açık.

Yeni sorularımız olacak:

Kaçı gerçek?

Kaçı sentetik?

Sentetik olanlar nasıl üretildi?

Hangi gerçek veriyle kalibre edildi?

Ne zaman valide edildi?

Hangi segmentlerde hata yapıyor?

Bu modelin belirsizlik sınırı nedir?

Ve en önemlisi:

Bu kanıt, vermeye çalıştığımız karar için yeterli mi?

Bence araştırmacılığın geleceğini belirleyecek soru tam olarak bu.

İnsan araştırmadan çıkmıyor, yeri değişiyor

Sentetik katılımcılar pazar araştırmasını değiştirecek.

Bundan artık pek şüphem yok.

Araştırmaları hızlandıracaklar.

Düşük baz problemlerini azaltabilecekler.

Daha fazla senaryo test etmemizi sağlayacaklar.

Araştırma maliyetlerini düşürebilecekler.

Mevcut veri setlerinden bugün çıkaramadığımız analizleri yapmamıza yardımcı olacaklar.

Ve bazı araştırmalarda ihtiyaç duyduğumuz gerçek respondent sayısını azaltacaklar.

Bunların hepsi önemli.

Fakat sentetik araştırmanın başarısını kaç insanı araştırmadan çıkardığımızla ölçersek yanlış hedef belirlemiş oluruz.

Asıl başarı şurada:

Gerçek insan verisini, yalnızca gerçekten gerekli olduğu yerde kullanabilmek.

Belki gelecekte bir projede n=10.000 yerine n=2.000 gerçek katılımcıyla çalışacağız.

Belki kalan analitik gücü sentetik augmentation sağlayacak.

Belki 50 konsepti önce sentetik katılımcılarla test edip yalnızca en güçlü beşini gerçek insanlara soracağız.

Belki yıllardır topladığımız araştırma verilerinden yaşayan sentetik segmentler oluşturacağız.

Bunların hiçbiri araştırmacıyı gereksiz hale getirmiyor.

Tam tersine araştırmacıya çok daha zor bir görev veriyor.

Eskiden araştırmacının sorusu:

“Kaç kişiyle görüşmeliyiz?”

idi.

Şimdi buna başka bir soru ekleniyor:

“Bu kararı verebilmek için hangi kısmı gerçekten insanlardan öğrenmek zorundayız?”

İşte sentetik araştırmanın asıl kırılma noktası burada.

Çünkü n=1000 artık 1000 insan demek olmayabilir.

Ama iyi araştırma hâlâ aynı şeyi yapmak zorunda:

Gerçek dünyayı, karar vermeye yetecek kadar doğru anlamak.