现代数据驱动的市场营销依赖于大量消费者数据，但收集这些数据往往成本高昂、耗时且难以扩展。本研究探讨了大型语言模型（LLMs）是否可以用于生成合成消费者数据，以支持投射技术，这是一组旨在引导消费者联想、情感、需求和欲望的方法。我们测试了LLM生成的响应，在多个投射任务、LLM类型、提示策略和温度设置下进行比较，并将其与来自一项关于城市旅游目的地感知的主要研究中的人类响应进行对比。
通过语言学度量、多样性和集中度指标、主题模型及顶级术语分析，我们分析了人类和LLM的响应。结果显示，人类和LLM在广泛主题和联想上有显著重叠，但在风格、语言结构以及多样性生成方式上也存在重要差异。研究还提供了关于如何最佳利用LLMs生成合成消费者数据的建议，包括模型和提示选择如何影响响应质量，以及如何识别LLM合成消费者数据生成的局限性。
博主点评： 本研究揭示了大型语言模型在市场营销中的潜力，尤其是在合成消费者数据生成方面。尽管LLMs可以在主题和联想上与人类相似，但风格和语言结构的差异提示我们在应用时需谨慎，以确保数据质量和准确性。通过优化模型和提示策略，可以更有效地利用这些技术。