オープンサーベイは合成パネルをどうつくったのか

オープンサーベイは合成パネルをどうつくったのか

最近、AIが消費者に代わってアンケートに答えてくれる、という話を一度は耳にされたことがあるかもしれません。海外ではすでに合成回答者(synthetic respondent)や合成パネルといった名前でいくつものサービスが登場しており、学術分野でもLLMで世論調査をシミュレーションする研究が盛んです。

ところが、同じ「合成パネル」という言葉で呼ばれていても、どうつくったのかによって、その成果物の性格はまったく変わってきます。本稿では、市場で一般的な方式とオープンサーベイの方式を並べて示し、オープンサーベイのチームがなぜ今の方式を選んだのかをご説明します。

市場の方式:もっともらしい仮想人物から出発する

現在、市場でもっとも広く使われている方式は次のようなものです。

LLMに「あなたは30代前半でソウルに住む働く女性で、健康への関心が高い人です」といったように、人口統計といくつかの性向情報をプロンプトとして与えます。そして、その仮想人物にコンセプトを見せ、反応を尋ねます。学術分野では、これを「シリコンサンプリング(silicon sampling)」と呼ぶこともあります。速く、安く、どんなテーマでもすぐに聞ける、という利点がはっきりした方式です。

もちろん、市場もこの方式の限界を認識しています。そこで最近では、実際のアンケートデータや取引先企業が保有するデータを組み合わせ、仮想人物に根拠を加えようとする試みが続いています。明らかな前進です。ただ、このとき組み合わされるデータの形をよく見ると、その多くは「30代の健康志向の消費者層はこうした傾向を示す」といったように、集団単位で要約された情報をプロンプトに載せる方式に近いものです。

そのため、プロンプトだけを使っても、集団の要約データを加えても、ひとつの問いが浮かびます。

この仮想人物は、いったい「誰」なのでしょうか。

プロンプトのなかの「30代でソウルに住む働く女性」について、LLMが知っているのは、インターネットが学習させたその集団についての平均的な通念です。ここに集団の要約データを加えても、通念が実際のデータの平均へと補正されるだけで、依然として平均であるという事実は変わりません。健康を大切だと語りながら、実際にはマーラータンやドーナツを楽しむ、という実際の消費者の複雑さは、平均のなかで消えてしまいます。

さらに、個人のデータは合わせて平均を出すことができますが、平均からつくり出した人物を、ふたたび個人へと分解することはできません。平均から出発した仮想人物を100人つくっても、それは100人の個人ではなく、同じ平均の100通りのバリエーションにすぎません。

オープンサーベイの方式:つくり出すのではなく、描写する

オープンサーベイは、問題を別の形で定義しました。もっともらしい仮想人物をつくり出す問題としてではなく、実在する回答者一人ひとりを正確に描写する問題として、です。

オープンサーベイの合成パネルは、実際の回答者一人ひとりのデータにもとづき、その人に対応するよう構成されたAIの仮想回答者です。この定義の違いが決定的なのは、似せるべき対象が実在するからです。平均からつくり出した人物に対しては、もっともらしいかどうかまでしか問えません。しかし、実在する人から出発した合成パネルは、「その人にどれだけ似ているか」を問いながらつくられ、磨かれていきます。実際、オープンサーベイの合成パネルは、つくる際に使わなかった実際の回答項目を別に残しておき、その答えをどれだけ再現できるかを確認する過程を経ています。

そして、このアプローチを可能にした背景には、オープンサーベイならではのデータ資産があります。

① 材料の違い:言葉(アンケート)と行動(フードダイアリー)をともに

オープンサーベイは、長年にわたってフードダイアリーで、消費者が実際に何を、いつ、どのように食べたのかを記録してきました。そこに、同じ回答者のプロフィールと、食品・購買態度に関するアンケートが加わります。

この組み合わせが重要なのは、意図せずとも、消費者の言葉と行動はしばしば食い違うからです。

実際の事例をひとつご紹介します。アンケートで健康を重視すると答えた、30代後半の男性回答者がいます。態度アンケートだけを見れば、典型的な「健康志向型」の消費者に分類される人です。ところが、この方のフードダイアリーを開いてみると、玄米ごはんやプロテインバーの隣に、激辛インスタント麺やドーナツ、ハンバーガーが並んでいます。

オープンサーベイの合成パネルは、この言葉と行動のずれまで写し取ります。この回答者から生成されたペルソナには、「健康を意識しつつも節制はしない」という矛盾がそのまま残ります。そのため、「この人には、節制を求めるメッセージよりも、罪悪感をやわらげるメッセージのほうが効くだろう」という、手触りのある解釈が可能になります。人口統計のプロンプトだけでつくり出した仮想人物からは得にくい立体感です。

このすべての過程で、氏名や連絡先といった個人を特定できる情報は使われず、ペルソナにも特定の個人を見分けられる情報は含まれません。合成パネルのペルソナは、特定の個人の複製ではなく、一人の実際の回答者が示した食習慣のパターンについての描写です。

② つくり方の違い:核心となる設計原則

ひとつは、統計モデルとLLMが役割を分担することです。実は、はじめからこの構造だったわけではありません。LLMだけに任せてみたこともあれば、逆に統計モデルだけで直接予測してみたこともあります。LLMだけに任せると、先に述べた平均的な通念へと戻ってしまい、統計モデルだけでは、正確な数値は得られても、対話できる「人」は得られませんでした。それぞれの失敗が、今の構造の根拠になりました。統計モデルが「この人の回答を実際に動かしている信号」だけを定量的に選び出し、LLMがその信号を、矛盾や好き嫌いの生きた「人」へと統合します。回答者のデータで巨大なモデルを新たに訓練するのではなく、検証された信号を材料に、一人ひとりのペルソナを組み上げる方式です。

もうひとつは、回答者一人ひとりの単位でつくることです。セグメントの平均的な代表ではなく、回答者一人ひとりに対応するペルソナをつくります。そうすることで、全体の平均だけでなく、性別や年齢などの細かな集団ごとの反応まで見ていく分析が可能になります。

たとえば「アニマルウェルフェア卵サンドイッチ」というコンセプトがあるとします。同じコンセプトに肯定的に答えた二人でも、一人は「アニマルウェルフェア」という価値に、もう一人は「手軽に食べられる」という点に反応したのかもしれません。セグメントの平均で捉えると、こうした異なる理由はひとつの数値にまとめられてしまいますが、回答者単位で捉えると、一人ひとりがなぜそう判断したのかまで見ることができます。そして、その「理由」こそが、コンセプトをどう発展させるかのヒントになります。

一目で見る、市場とオープンサーベイの合成パネルの違い

オープンサーベイの合成パネルは、どこまでつくれて、何に注意すべきか

正直に申し上げると、合成パネルがすべてのアンケートにすぐ答えられるわけではありません。原理上はどんなアンケートにも答えられる構造ですが、すべてを一度にうまくこなすのは難しいことです。そこで私たちは、うまくやれて、価値のはっきりした問題から始めました。食品・飲料ドメインにおける新製品アイデアの選好度テスト(スクリーニング)です。

食品・飲料を最初のドメインに選んだ理由は二つあります。アイデアを十分に多くつくり、有望なものを選ぶことが食品メーカーの明確なボトルネックであること、そして、フードダイアリーという行動データ資産がこれを支えていることです。このドメインで方法論を検証したうえで、ほかのカテゴリーへ広げていく計画です。

はっきりさせておきたいこともあります。合成パネルは、ヒューマンパネルとは別の問題を解きます。実際の消費者に聞くべき質問は、依然として実際の消費者に聞かなければなりません。合成パネルは、その前の段階、つまり何を聞くのかを絞り込み、ふるいにかける段階の意思決定を、素早くするための道具です。

こうしてお使いいただけます

オープンサーベイの合成消費者は、二つの形で出会っていただけます。今は、Dataspace AIのなかで合成ペルソナと対話しながら、消費者理解を広げていただけます。また、新製品アイデアを生成し、合成パネルで選好度をスクリーニングするConcept Studioがあります。Concept Studioにおいて合成パネルは、数百の候補アイデアのうち、どれをコンセプトにして実際の消費者に検証するかをシミュレーションする役割を担っています。