Como as Personas Sintéticas são criadas: de dados reais a um perfil de IA

As Personas Sintéticas da Galaxies são criadas em cinco etapas: validação dos dados de entrada, agrupamento por Machine Learning, geração por LLM, validação estatística pós-modelo e ativação na plataforma. O processo utiliza apenas dados reais fornecidos pelo cliente, coletados pela Galaxies ou obtidos de parceiros autorizados.

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 o ceticismo. “Isso não é apenas o ChatGPT inventando respostas?” “Como essa persona pode representar meu cliente real se ela é sintética?”

Essas são boas perguntas. E elas merecem respostas específicas, não genéricas.

A diferença entre uma Persona Sintética de qualidade e uma IA que gera respostas aleatórias é justamente a metodologia de criação. A Galaxies desenvolveu um processo de cinco etapas com controles de qualidade em cada fase, e este artigo abre esse processo passo a passo.

O princípio fundamental: dados reais como ponto de partida

As Personas Sintéticas da Galaxies nunca começam do zero. Elas sempre começam a partir de dados de pesquisas reais.

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 de entrada:

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

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

• Dados de parceiros autorizados: conjuntos de dados com origem documentada, consentimento e governança apropriada.

O que não é aceito ou recomendado: dados coletados por raspagem de dados na internet, dados de listas compradas e dados sem procedência clara. Essa restrição é uma escolha técnica e ética, e afeta diretamente a qualidade e a conformidade com a LGPD do resultado.

As cinco etapas de criação de uma persona sintética

Antes de qualquer processamento, a plataforma realiza uma auditoria completa nos dados de entrada. O objetivo é garantir que o conjunto de dados tenha qualidade suficiente para gerar personas confiáveis.

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

Se o conjunto de dados apresentar problemas — amostra insuficiente, viés de seleção evidente, inconsistências internas — o sistema os sinaliza antes de continuar. Isso evita o que os cientistas de dados chamam de “lixo entra, lixo sai”: se os dados de entrada forem ruins, o resultado gerado também será ruim.

Somente após a 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 semelhantes.

As variáveis de agrupamento incluem dados demográficos, atitudinais, comportamentais e de estilo de vida: idade, renda, região, escolaridade, valores, crenças, preferências, hábitos de compra, frequência de uso, canais preferidos e contexto de vida.

O ponto crítico aqui é a representatividade. O modelo é calibrado para garantir que os grupos minoritários sejam representados proporcionalmente, não apenas os perfis mais frequentes. Pesquisas que apenas representam o consumidor médio não são suficientes para decisões estratégicas.

O resultado desta etapa é um conjunto de grupos bem definidos, com limites claros, que servirão de base para a geração das personas na etapa seguinte.

É aqui que entra o grande modelo de linguagem. Para cada cluster gerado na etapa anterior, o LLM cria personas usando dados reais dos clientes como âncora comportamental.

Isso é fundamentalmente diferente de pedir ao ChatGPT para inventar um perfil de consumidor. O LLM não está imaginando; ele está sintetizando. As respostas das personas estão ancoradas nos padrões estatísticos reais do grupo que representam.

O resultado é uma persona com identidade coerente: ela fala sobre preferências, objeções, hábitos e necessidades de forma consistente com o que o grupo real demonstrou na pesquisa. Quando um usuário da plataforma faz uma pergunta à persona, a resposta segue essa âncora comportamental.

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

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

Essa estrutura é personalizada para a Galaxies e avalia os resultados em cinco dimensões:

• Relevância: as respostas da persona realmente abordam o que foi perguntado? (76,5% de aprovação, a dimensão mais exigente por design).

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

• Controle de alucinação: a resposta permanece fundamentada na persona e nos dados de entrada? (97,8% de aprovação).

• Fidelidade da persona: a resposta permanece consistente com o perfil da persona? (95,1% de aprovação).

• Toxicidade: o modelo evita respostas tóxicas ou inseguras? (100% de aprovação).

Apenas as personas que passam nesses testes dentro dos parâmetros aceitáveis são liberadas. Personas fora do resultado esperado são submetidas à calibração e refinamentos até atingirem os níveis mínimos aceitáveis antes de serem liberadas.

Como funciona o processo de análise de precisão?

A Galaxies faz novas perguntas — diferentes das perguntas originais de treinamento, mas dentro do mesmo segmento — a respondentes orgânicos e às Personas Sintéticas, e depois compara com que frequência as respostas são idênticas ou apontam na mesma direção.

Esse processo faz com que o índice de precisão das Personas Sintéticas geradas pela ferramenta ultrapasse 85%.

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

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

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

• Simular cenários: mudanças de preço, reformulação de produtos, novas campanhas ou mudanças estratégicas.

• Comparar clusters: entender como diferentes segmentos reagem ao mesmo estímulo.

• Analisar respostas por cluster e identificar padrões que não seriam visíveis em um único perfil de consumidor médio.

• Exportar insights para equipes de marketing, produto, inovação e estratégia.

O que diferencia a metodologia Galaxies das alternativas?

Existem outras ferramentas no mercado que propõem 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 e avaliações para treinar ou alimentar personas. Isso cria perfis genéricos baseados em comportamentos públicos que podem não ter nada a ver com o consumidor real do cliente. A Galaxies começa a partir de dados reais do projeto.

2. Dupla validação estatística, pré e pós

A maioria das soluções não valida a qualidade dos dados de entrada e não testa os resultados posteriormente. A Galaxies faz ambos, 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 a detalhes sobre como os dados foram tratados, como os clusters foram gerados e o que os resultados dos testes de validação mostraram. Isso é incomum no mercado e essencial para equipes que precisam de governança.

4. Parceria com Google Cloud e Nvidia

A infraestrutura tecnológica da plataforma é desenvolvida com o apoio do programa de aceleração do Google Cloud e do Nvidia Inception Program. Isso garante escalabilidade, segurança e acesso às capacidades avançadas 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 possuir dados de pesquisas anteriores disponíveis, o processo é mais rápido. Se o conjunto de dados precisar ser coletado do zero, o trabalho de campo adiciona tempo.

Perguntas frequentes

Quais dados são usados para criar personas sintéticas?

Dados de pesquisas quantitativas e qualitativas fornecidos pelo cliente, coletados pela Galaxies ou obtidos de parceiros autorizados. A plataforma nunca utiliza dados da internet, garantindo personalização e conformidade com a LGPD.

Quanto tempo leva para criar personas sintéticas?

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

Como a Galaxies garante a precisão das personas sintéticas?

Através de dupla validação estatística: Validação Pré-Modelo para integridade dos dados de entrada e Validação Pós-Modelo com validação de modelo e análise de precisão de grupo de controle. A precisão média é de 91% em comparação com respondentes reais.

Qualidade não é um acidente

A confiança nas 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 chegarem ao cliente.

Compreender esse processo é o que transforma o ceticismo legítimo em confiança justificada. E a confiança justificada é o que permite a uma empresa tomar decisões de milhões de reais baseadas em dados gerados por IA.

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

Agende uma sessão técnica com a equipe da Galaxies para ver o processo ao vivo