Anna 34 éves, AB státuszú, két gyereke van és nem létezik: buyer perszóna az AI korában, 2757 keresésből és 351 vásárlói véleményből

Kipróbáltuk, mi történik, ha a feltevések helyére nyilvános adat kerül. Egyetlen kategóriát választottunk, a jógát, és összegyűjtöttünk hozzá 2757 magyar keresési kifejezést, valamint 351 szöveges Google-véleményt tizenkét budapesti stúdióról. A feldolgozásban AI segített. A végére hat és fél Anna állt össze, mindegyikhez csatornával, megszólítással és formátummal.

Honnan jött Anna, és miért maradt velünk?

A perszóna eredetileg szoftvertervezési eszköz volt. Alan Cooper 1999-ben, a The Inmates Are Running the Asylum című könyvében mutatta be, és az volt a célja, hogy a fejlesztők egy konkrét emberre gondoljanak tervezés közben, ne egy arctalan felhasználóra. A marketing átvette az ötletet, tett mellé fotót, életkort és jövedelmet. Így született meg Anna. Egy arcot könnyebb megjegyezni, mint egy táblázatot.

A buyer perszónát a legtöbb helyen workshopon rakják össze, ahol a csapat elmondja, szerinte ki a vevő. Aki a leghangosabb, annak a véleménye kerül a diára. Vevő ritkán ül a teremben. Az elkészült anyagot senki nem veti össze a valósággal, a fájl pedig évekig változatlan marad. Anna ma is 34 éves, pedig öt éve rajzolták meg.

A második gond az, hogy az életkor nem viselkedés. Két 34 éves nő egészen más okból mehet el ugyanarra a jógaórára: az egyik a derekát kímélné, a másik oktató szeretne lenni. A hirdetési rendszerekben sincs Anna nevű gomb. Célozni keresésekre, érdeklődésre és ügyféllistákra lehet, vagyis arra, amit az emberek tesznek. A kutatók ezt régóta tudják: viselkedési adatból a 2000-es évek közepe óta készülnek perszónák, Bernard Jansen és Joni Salminen könyvet is írt a módszerről. Ehhez korábban adattudós csapat kellett. A nyelvi modellek ezt egyszerűsítették le.

Nézzük a gyakorlatban!

Két nyilvános forrásból dolgoztunk. A keresések azt mutatják meg, mit ír be valaki, amikor még nem ismer minket. A vélemények azt, mit mond, miután vásárolt. A kettő között ott van a teljes vásárlási út. A jógát azért választottuk, mert a kitalált Anna hobbijai között szinte mindig szerepel. Ha valahol igazolódnia kell a klasszikus vevőképnek, akkor itt.

A keresési oldalon lekértük az összes olyan magyarországi kifejezést, amelyben szerepel a jóga szó, a Google Ads havi átlagos adataival. Ez 2757 kifejezés, együtt havi 90 120 keresés, a puszta jóga szó nélkül. A vélemények tizenkét budapesti stúdió Google-profiljáról származnak: 351 szöveges értékelés, ebből 309 magyar és 39 angol nyelvű. A minta torzít. Az értékelések 91 százaléka ötcsillagos, és a szövegek harmada egyetlen stúdióhoz tartozik, ezért az elégedett, visszajáró vendégek hangja erősebb a valóságosnál.

Az AI minden kifejezést és minden véleményt előre rögzített kódkönyv szerint címkézett, a lépéseket lentebb részletezzük, hogy bárki megismételhesse őket. Az elemzés egy délutánt vett igénybe. Egy cég a saját adataival ennél messzebb juthat: az ügyfélszolgálati levelek, az értékesítési hívások leiratai és a vásárlási adatok ugyanígy feldolgozhatók, a nevek kitakarása után.

Mit árulnak el a keresések a vevőről?

A legnagyobb csoport a márkás keresés. A havi keresések 29 százalékában egy stúdió vagy egy oktató neve szerepel, és ez alsó becslés, mert a besorolatlan kifejezések között további kisebb nevek lapulnak. Ezek az emberek már döntöttek, mire a keresőbe írtak. Valaki ajánlotta nekik a helyet. Az ő esetükben a vásárlási út nagyobbik része olyan beszélgetésekben zajlik, amelyeket egyetlen mérőeszköz sem lát.

A helyi keresés 13,4 százalékot tesz ki, az irányzatok 11,9-et, az eszközök és ruhák 8,2-t. A meglepetés a lista alján van. A fogyással és alakformálással kapcsolatos keresések aránya fél százalék körül mozog. A székjóga, a senior jóga és az ötven felettieknek szóló gyakorlatok viszont együtt havi 1900 keresést adnak, közel négyszer annyit. Januárban ez a szám 5360-ra ugrik, áprilisra 930-ra esik vissza. Egy stúdió, amely Annának hirdet, erről a közönségről semmit nem tud.

A jógaoktató-képzésre havonta 880-an keresnek, pontosan annyian, mint a jógamatracra. A kismama jógára 390-en. A teljes piac januárban a legerősebb, havi 111 ezer kereséssel, nyárra 72 ezerre csökken, szeptemberben újra 100 ezer fölé emelkedik. Az időzítés a vevőkép része. Aki januárban érkezik, fogadalmat tett, aki szeptemberben, új munkarendet kezd.

Hogyan lesz 651 Google-értékelésből vevőkép?

A véleményekhez bárki hozzáfér, mégis kevesen olvassák végig őket, és még kevesebben számolnak belőlük. A feldolgozás hét lépésből áll. Mindegyiknél megmutatjuk, miből mi lesz, és mit árul el a vevőről.

Szűrés: mennyi marad belőle?

A tizenkét stúdió profilján 651 értékelés áll. Háromszázhoz nem tartozik szöveg, csak csillag. A maradék 351-ből 53 üres dicséret, átlagosan öt és fél szóval, amilyen a „Szuper hely!”. A tartalmas vélemény 298, átlagosan harminc szó. Ezek közül 140-ből derül ki, milyen helyzetben van, aki írta. Ez az összes értékelés 22 százaléka. Tíz csillagozásból kettő árul el valamit a vevőről, ezért egyetlen stúdió véleményei ritkán elegek, egy egész kategóriáé viszont igen.

Kódkönyv: hat kérdés minden értékeléshez

Az AI előtt el kell dönteni, mit kérdezünk. A társadalomkutatás ezt kódkönyvnek hívja: olyan címkézési útmutató, amely minden kérdéshez megadja a lehetséges válaszokat, és leírja, melyik mikor jár. Hat kérdést tettünk fel minden szövegnek, zárt válaszlistával. A kódkönyv egy oldal. Ezen múlik minden, mert ugyanazt a szöveget két különböző kérdéssorral két különböző vevőképpé lehet címkézni.

Három szabály tette használhatóvá. Az első, hogy csak az számít, ami le van írva: életkorra, nemre, szándékra következtetni tilos. A második, hogy minden kérdésnél választható a nem derül ki válasz, mert enélkül a modell találgat, és a találgatás ugyanúgy néz ki a táblázatban, mint a tény. A harmadik az elsőbbségi sorrend. Ha egy vélemény két helyzetre is utal, például egy kismama az első órájáról ír, a ritkább és többet eláruló helyzet nyer.

Mit csinál pontosan a modell?

A címkézést a Claude Sonnet nyelvi modell végezte. A 351 véleményt négy adagra osztottuk, és mindegyik adag ugyanazt kapta: a kódkönyvet, a véleményeket és egy rövid utasítást. Az utasítás lényege négy mondat. Olvasd el a teljes szöveget. Te döntsd el a választ, kulcsszókeresés nélkül. Csak azt címkézd, ami le van írva. Másold ki szó szerint a legjellemzőbb részletet, legfeljebb tizenkét szóban. A kimenet véleményenként egy sor, kötött szerkezetben, így táblázatként számolható.

A különbség a kulcsszókereséshez képest mérhető. Az első szóra keresve 33 véleményt találtunk, a modell viszont 20 első alkalmas vendéget azonosított, mert a szó sokszor mást jelent, például azt, hogy valaki az első pillanattól jól érezte magát. Az oktatónál fordított a helyzet. A szó 126 véleményben szerepel, a modell 186-ban talált dicséretet, mert a vendégek gyakran csak keresztnéven említik, akihez járnak. A kulcsszó a szót számolja, a modell a jelentést.

Honnan tudjuk, hogy jó a címke?

Három ellenőrzés futott. Az első formai: program nézi meg, hogy minden vélemény megkapta-e a címkéit, érvényes-e minden kód, és megtalálható-e betűre az idézet az eredeti szövegben. Egy idézet egyetlen kisbetű miatt akadt fenn, és visszament javításra. A második a modell saját jelzése: 46 véleményt, a szövegek 13 százalékát bizonytalannak jelölte, leginkább a helyzet megítélésénél. Ezeket és a rossz értékeléseket embernek kell átnéznie.

A harmadik a megismétlés. A teljes címkézést újra lefuttattuk, az első eredmény ismerete nélkül. A helyzet megítélése a vélemények 97 százalékánál egyezett, a látogatás típusa 97, a tartalmasság 96 százaléknál. A dicséretek teljes listája 87 százalékban volt azonos. Ez stabilitást bizonyít, igazságot nem, hiszen a két futás ugyanúgy is tévedhet. A kis számok pedig mozognak: az első futásban 20 első alkalmasból 4 adott rossz értékelést, a másodikban 19-ből 3. Az irány ugyanaz, a pontos arány bizonytalan.

Mit dicsérnek, és mit kifogásolnak?

Az oktatót 186 vélemény dicséri, ez a szövegek 53 százaléka, és 98 név szerint említi. Kifogás öt akad rá. A környezetet 175 dicséri, hat kifogásolja. A fogadtatásnál és a szervezésnél megfordul az arány: a fogadtatást 35 dicséri és 12 kifogásolja, a foglalást, a bérletet és a fizetést 10 dicséri és 8 kifogásolja. A 24 rossz értékelésből 20 nem az oktatóról szól. A csalódás a bejáratnál, a telefonban és a foglalási rendszerben keletkezik.

Szegmentálás: ki írta, és miért jött?

Három bontás adott használható képet. Az első a látogatás típusa. A 20 első alkalmas vendég közül 4 adott rossz értékelést, az 55 visszajáró közül senki. Ez részben magától értetődik, hiszen aki csalódott, nem jár vissza, és éppen ezért az első alkalom a legkockázatosabb pont. A második a motiváció: a feltöltődés 80 véleményben szerepel, a test 33-ban, a közösség 27-ben, a tanulás 22-ben, az élethelyzet 18-ban. Fogyás egyben sem. A harmadik a nyelv: a nem magyarul írók közel negyede elégedetlen, a magyarul íróknál ez öt százalék.

Mit lát másképp a két forrás?

A keresésekben a legnagyobb csoport az ajánlásra érkező, havi 26 170 kereséssel. A véleményekben nyolc ilyen szöveg van, mert aki ajánlásra jött, ritkán írja le. Az ötven felettiekre havi 1900 keresés jut és három vélemény: ők otthon gyakorolnak, vagy nem írnak. A feltöltődést keresőnél fordított a helyzet, a keresésekben szétszóródik, a véleményekben ő a leghangosabb. Egyik forrás sem elég egyedül. A legnagyobb stúdió nélkül számolva a kismamák száma 18-ról 5-re, a feltöltődést keresőké 47-ről 21-re csökken, a minta torzítását tehát ebben a lépésben kell ellenőrizni.

Hol tévedhet az AI?

Az AI Annát enélkül is meg tudja írni, tíz másodperc alatt, szebben, mint bármelyik workshop. Ha adat nélkül kérsz tőle vevőképet, a tanítóanyagában lévő sztereotípiát adja vissza magabiztos hangon. A Nielsen Norman Group kutatói a szintetikus felhasználókról azt találták, hogy mindenre lelkesen rábólintanak, minden igényt egyformán fontosnak tartanak, és a válaszaikat ezért csak ellenőrizendő feltevésként érdemes kezelni. A kitalált vevő udvarias. A valódi nem az, és éppen ettől hasznos.

A másik irányból is van bizonyíték. A Stanford kutatói 1052 emberrel készítettek kétórás interjút, majd ezekből építettek AI-ügynököket. Az interjúból épített ügynökök 83 százalékos pontossággal adták vissza az alanyok kérdőíves válaszait ahhoz mérve, ahogyan az emberek két héttel később megismételték a sajátjaikat. A csak demográfiai adatból építettek 74 százalékot értek el. Anna tehát a gépnek is kevés. A modell annyit ér, amennyi valódi anyagot kap, ezért a következő vevőképekben minden állítás mellett szám vagy idézet áll.

A mi Annáink: hat és fél vevő, aki kirajzolódik az adatokból

Az alábbi vevőképekben életkor és jövedelem nem szerepel, mert az adat nem ezek mentén válik szét. Mindegyik egy helyzetet ír le, és ugyanaz az ember az évek során többe is belekerülhet. Ami számmal vagy idézettel szerepel, azt mértük. A csatornára, a megszólításra és a formátumra tett javaslat ebből levezetett feltevés, amelyet kampányban kell kipróbálni.

Mit lehet kezdeni egy ilyen buyer perszónával?

Az első következmény az, hogy egy stúdiónak hat nyitóoldal kell. Ugyanaz a terem és ugyanaz az órarend más első mondattal fogadja azt, aki fél, azt, aki fáradt, és azt, aki tanítani szeretne. A hirdetés címsora a vevő mondata lesz, szinte szó szerint. Ez a legolcsóbb szövegírás, mert a mondatok már megvannak a véleményekben. A buyer perszónák így közvetlenül hirdetésszöveggé, tárgysorrá és videó nyitómondatává válnak.

A második a naptár. December végén a székjógás és a kezdő kampánynak készen kell állnia, mert januárban jön a hullám, és áprilisra elfogy. A képzés iránt érdeklődőt hónapokkal az indulás előtt kell megszólítani. A kismama egész évben érkezik. Egy éves marketingterv, amely minden hónapban ugyanazt mondja mindenkinek, a hat helyzetből legfeljebb egyet talál el, és azt is csak véletlenül.

A harmadik a sorrend. A hirdetés új vendéget hoz, az új vendég pedig pontosan oda érkezik, ahol a legtöbb rossz élmény keletkezik: a bejárathoz, a recepcióhoz, a foglalási rendszerhez. Előbb ezt kell rendbe tenni. Utána jöhet a költés. A vevőkép itt túlmutat a marketingen, mert megmondja, mit tanuljon meg a recepciós, és mi kerüljön a visszaigazoló levélbe.

A negyedik a mérés. Minden Annához tartozik egy keresési csoport, egy oldal és egy cél, így negyedévente látszik, melyik feltevés igazolódott. Amelyik nem, azt át kell írni. A workshopon született Annát soha senki nem tudta megcáfolni. Ezeket lehet.

Anna mégis létezik?

A fotón lévő nő bármelyik lehet a hat közül. Lehet, hogy a kolléganője küldte, lehet, hogy este hétkor csukta le a laptopot, és az is lehet, hogy jövőre ő tartja az órát. Az életkorából ez nem derül ki. A kereséséből és abból, amit óra után leír, igen. Anna, a 34 éves marketingmenedzser továbbra sem létezik. A helyzetek léteznek, amelyekbe valódi emberek kerülnek.

Módszertan és források

Keresési adatok: Google Ads havi átlagos keresési volumen a DataForSEO adatbázisán keresztül, Magyarország, magyar nyelv, 2026. szeptember. Vélemények: 12 budapesti jógastúdió nyilvános Google-értékelései, 651 értékelés, ebből 351 szöveges. A véleményeket a Claude Sonnet nyelvi modell címkézte előre rögzített kódkönyv (címkézési útmutató) szerint, négy adagban, kulcsszókeresés nélkül. Az idézetek szó szerinti egyezését program ellenőrizte, a teljes címkézést egy második, független futás ismételte meg; a két futás a helyzet megítélésében a vélemények 97 százalékánál egyezett. Emberi ellenőrzés szúrópróbaszerűen történt. A fotó illusztráció, a rajta szereplő személy nem azonos a cikkben leírt kitalált figurával.

• Alan Cooper: The Inmates Are Running the Asylum (1999)
• Jansen, Salminen, Jung, Guan: Data-Driven Personas (2021)
• Salminen és mtsai: A Survey of 15 Years of Data-Driven Persona Development (2021)
• Park és mtsai: LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals (2024, 2026-os változat)
• Rosala és Moran: Synthetic Users, Nielsen Norman Group (2024)