Personas sintéticas da Galaxies são criadas em cinco etapas: validação dos dados de entrada, clusterização com Machine Learning, geração com LLM, validação estatística pós-modelo e ativação na plataforma. O processo usa exclusivamente dados reais fornecidos pelo cliente, nunca dados da internet, e inclui dupla certificação de qualidade.

A pergunta que todo cliente faz primeiro

Quando alguém ouve pela primeira vez que é possível gerar centenas de perfis de consumidores com Inteligência Artificial, a reação natural é ceticismo. "Isso não é só o ChatGPT inventando respostas?" "Como essa persona pode representar meu cliente de verdade se não é um cliente de verdade?"

São boas perguntas. E merecem respostas específicas, não genéricas.

A diferença entre uma Persona Sintética de qualidade e uma IA gerando respostas aleatórias está exatamente na metodologia de criação. A Galaxies desenvolveu um processo de cinco etapas com controles de qualidade em cada fase, e este artigo abre esse processo para que você entenda exatamente o que acontece desde o momento em que os dados entram na plataforma até o momento em que a persona está pronta para responder.

O princípio fundamental: dado real como ponto de partida

Personas Sintéticas da Galaxies nunca partem do zero. Elas sempre partem de dados reais de pesquisa.

Por que isso importa? Porque é a diferença entre uma persona que representa seu consumidor real e uma persona que representa o consumidor médio imaginado por um modelo de linguagem treinado com dados da internet.

A plataforma aceita três tipos de dados como entrada:

• Dados do cliente: pesquisas quantitativas anteriores (planilhas, CSV), transcrições de entrevistas qualitativas, dados de CRM, resultados de NPS

• Dados coletados pela Galaxies: questionários aplicados pela plataforma para o projeto específico

• Dados de parceiros autorizados: informações de empresas parceiras do cliente, com consentimento formal

O que não é aceito e/ou recomendado: dados retirados da internet, dados comprados de listas, dados sem procedência clara. Essa restrição é uma escolha técnica e ética, e tem impacto direto na qualidade e na conformidade LGPD do resultado.

As cinco etapas de criação de uma persona sintética

Antes de qualquer processamento, a plataforma realiza uma auditoria completa dos dados de entrada. O objetivo é garantir que a base tem qualidade suficiente para gerar personas confiáveis.

Essa etapa verifica: distribuição das variáveis, consistência das respostas, presença de outliers, volume mínimo de respondentes por segmento e integridade dos dados categóricos e numéricos.

Se a base apresenta problemas, amostra insuficiente, viés de seleção evidente, inconsistências internas, o sistema sinaliza os problemas antes de continuar. Isso evita o que os cientistas de dados chamam de "garbage in, garbage out": se o dado de entrada é ruim, o resultado da IA também será.

Só após aprovação na validação pré-modelo os dados avançam para a próxima etapa.

Com os dados validados, algoritmos de Machine Learning agrupam os respondentes reais em clusters homogêneos. Cada cluster representa um segmento distinto de consumidores com características similares.

As variáveis de clusterização incluem dados demográficos (idade, renda, região, escolaridade), dados atitudinais (valores, crenças, preferências), dados comportamentais (hábitos de compra, frequência de uso, canais preferidos) e dados de lifestyle (estilo de vida, rotinas, contexto de consumo).

O ponto crítico aqui é a representatividade. O modelo é calibrado para garantir que grupos minoritários sejam representados proporcionalmente, não apenas os perfis mais frequentes. Uma pesquisa que representa apenas o consumidor médio não serve para decisões estratégicas em mercados segmentados.

O resultado desta etapa são grupos bem definidos, com fronteiras claras, que servirão como base para a geração das personas na próxima etapa.

Aqui entra o modelo de linguagem de grande escala (LLM). Para cada cluster gerado na etapa anterior, o LLM cria personas usando dados reais de clientes como âncora comportamentla como âncora comportamental.

Isso é fundamentalmente diferente de pedir ao ChatGPT que invente um perfil de consumidor. O LLM não está imaginando, está sintetizando. As respostas das personas são ancoradas nos padrões estatísticos reais do grupo que elas representam.

O resultado é uma persona com identidade coerente: ela fala sobre suas preferências, objeções, hábitos e necessidades de forma consistente com o que o grupo real demonstrou nas pesquisas. Quando um usuário da plataforma faz uma pergunta à persona, a resposta parte desse conjunto de padrões validados, não de uma suposição criativa do modelo.

Após essa etapa, a persona já pode responder perguntas em linguagem natural. Mas ainda não está liberada para uso, falta a etapa de validação.

Esta é a etapa que diferencia a metodologia Galaxies de qualquer solução genérica de IA para personas. Antes de disponibilizar as personas para o cliente, a plataforma submete os resultados a uma bateria de testes com o framework DeepEval.

Esse framework é customizado para a Galaxies e avalia os resultados em 5 dimensões:

• Relevância: às respostas da persona abordam de fato o que foi perguntado? (76,5% de aprovação, a dimensão mais exigente pelo design do framework)

• Viés: há viés ou tratamento diferencial nas respostas com base em características demográficas? (91,3% de aprovação)

• Alucinação: o modelo inventou informações que não estão nos dados originais? (97,8% de aprovação, métrica crítica)

• Fidelidade: as respostas são consistentes com os dados da persona? (95,1% de aprovação)

• Toxicidade: há linguagem inadequada, hostil ou ofensiva nas respostas? (100% de aprovação)

Apenas personas que passam por esses testes com resultados dentro dos parâmetros aceitáveis são liberadas. Personas fora do resultado esperado, são submetidas à calibragem e refinamentos para atingirem os níveis mínimos aceitáveis antes de serem liberadas.

Como funciona o processo de análise de assertividade?

A Galaxies realiza novas perguntas, diferentes das perguntas originais do treinamento, porém no mesmo segmento, para respondentes orgânicos e Personas Sintéticas, e faz um comparativo de quantas vezes as respostas são iguais ou apresentam o mesmo direcional.

Esse processo faz com que o índice de assertividade das Personas Sintéticas geradas pela ferramenta, passe dos 85%.

Com a validação concluída, as personas estão disponíveis no Nexus: Galaxies Lab. A partir deste momento, o usuário pode:

• Conversar com as personas em linguagem natural, como faria em uma entrevista

• Fazer perguntas abertas e receber respostas contextualizadas com o perfil de cada persona

• Simular cenários hipotéticos: mudança de preço, reformulação de produto, nova campanha

• Comparar respostas entre clusters: como o perfil A reage diferente do perfil B à mesma mensagem

• Testar criativos submetendo texto, conceito ou copy e recebendo avaliação da persona

• Acessar as personas a qualquer hora, sem agendamento, sem recrutamento, sem custo adicional

O que torna a metodologia Galaxies diferente das alternativas?

Existem outras ferramentas no mercado que se propõem a gerar personas com IA. A diferença está em quatro pontos específicos:

1. Dados proprietários, não dados da internet

A maioria das soluções alternativas usa dados da internet, redes sociais, fóruns, reviews, para treinar ou alimentar as personas. Isso cria perfis genéricos, baseados em comportamentos públicos que podem não ter nada a ver com o consumidor do cliente. A Galaxies usa apenas dados fornecidos pelo cliente ou coletados para o projeto específico.

2. Dupla validação estatística (pré e pós)

A maioria das soluções não valida a qualidade dos dados de entrada nem testa os resultados depois. A Galaxies faz as duas coisas, o que reduz drasticamente o risco de entregar personas com viés, inconsistências ou alucinações.

3. Transparência metodológica

A metodologia da Galaxies é explícita e documentada. O cliente tem acesso aos detalhes de como os dados foram tratados, como os clusters foram gerados e quais foram os resultados dos testes de validação. Isso é incomum no mercado, e é fundamental para quem precisa justificar o uso de IA em processos de pesquisa para stakeholders internos.

4. Parceria com Google Cloud e Nvidia

A infraestrutura tecnológica da plataforma é desenvolvida com suporte do programa de aceleração do Google Cloud e do Nvidia Inception Program. Isso garante escalabilidade, segurança e acesso às mais avançadas capacidades de processamento disponíveis no mercado.

Quanto tempo leva para criar Personas Sintéticas?

O tempo total depende principalmente da etapa de coleta e validação dos dados de entrada. Se o cliente já tem dados de pesquisas anteriores disponíveis, o processo é mais rápido. Se a base precisa ser coletada do zero, a etapa de campo adiciona tempo.

Perguntas frequentes

Que dados são usados para criar personas sintéticas?

Dados de pesquisa quantitativa e qualitativa fornecidos pelo cliente, coletados pela Galaxies ou de parceiros autorizados. A plataforma nunca usa dados da internet, garantindo personalização e conformidade com a LGPD.

Quanto tempo leva para criar personas sintéticas?

Se o cliente já tem dados de pesquisas anteriores, as personas ficam prontas em 48 a 72 horas. Com coleta de dados do zero, o processo leva de 5 dias a 3 semanas, ainda assim, significativamente mais rápido que qualquer metodologia tradicional equivalente.

Como a Galaxies garante a precisão das personas sintéticas?

Por meio de dupla validação estatística: Validação Pré-Modelo (integridade dos dados de entrada) e Validação Pós-Modelo com validação do modelo e grupo controle com análise de assertividade. A assertividade média é de 91% comparada a respondentes reais.

Qualidade não é um acidente

A confiança em Personas Sintéticas não vem de uma promessa de marketing. Ela vem de um processo com controles de qualidade em cada etapa, dados de entrada auditados e resultados testados antes de chegar às mãos do cliente.

Entender esse processo é o que transforma ceticismo legítimo em confiança justificada. E confiança justificada é o que permite que uma empresa tome decisões de milhões de reais baseada em dados gerados por IA.

A metodologia existe. Os resultados são documentados. Os cases são verificáveis. O próximo passo é ver tudo isso funcionando para o seu caso de uso específico.

Agende uma sessão técnica com o time Galaxies para ver o processo ao vivo