Beyond chatbots — AI for media and marketing. ما بعد بوت الدردشة — الذكاء الاصطناعي للإعلام والتسويق.

Researching a topic outside your expertise — AI & copyright law البحث في موضوع خارج اختصاصك — الذكاء الاصطناعي وقوانين حقوق الملكية الفكرية

A practical demo of a different NotebookLM workflow: when you need to come up to speed on a domain you don't know. Here, the goal is to understand legislative trends in IP rights as they relate to AI — across many countries, multiple legal traditions, and several stakeholder perspectives. عرض عملي لسير عمل مختلف على NotebookLM: حين تحتاج إلى استيعاب مجال لا تعرفه. هنا، الهدف هو فهم الاتجاهات التشريعية في حقوق الملكية الفكرية وعلاقتها بالذكاء الاصطناعي — عبر دول عديدة، تقاليد قانونية متعدّدة، ووجهات نظر مختلفة لأصحاب المصلحة.

Step 1 — A first-draft prompt, written in Arabic الخطوة 1 — مسوّدة أولى للموجِّه، مكتوبة بالعربية

A subject-matter human starts with what they want — broad coverage of legislative trends, court cases, public-opinion debates, and the cultural/economic dimensions — but the draft is a single dense paragraph, not yet shaped for an AI research tool. يبدأ المختصّ بما يريده — تغطية واسعة للاتجاهات التشريعية، القضايا أمام المحاكم، نقاشات الرأي العام، والأبعاد الثقافية والاقتصادية — لكن المسوّدة فقرة كثيفة واحدة، لم تُهيَّأ بعد لأداة بحث بالذكاء الاصطناعي.

مصادر أوّلية ورئيسية عن اتجاهات تشريعية وقوانين مستحدثة وأفكار جديدة
ومقترحات في مجال حقوق الملكية الفكرية وعلاقتها بالذكاء الاصطناعي،
وتناول تعلّم الذكاء الاصطناعي، منتجات الذكاء الاصطناعي التوليدي، وكافة
القضايا المستحدثة في حقوق الملكية الفكرية والناتجة عن مستحدثات الذكاء
الاصطناعي.

نوع المصادر ليشمل فيديوهات يوتيوب عن محاضرات ومؤتمرات متخصّصة
وأكاديمية، ومواقع ومستندات عن دراسات وتشريعات واتجاهات فكرية تغطّي
دولاً مختلفة من أنحاء العالم. كما يجب عليك توفير مصادر إضافية تغطّي
قضايا أمام المحاكم أو تمّ الحكم فيها في هذا الشأن في دول مختلفة، وقضايا
رأي عام، مع عدم إهمال البُعد الاقتصادي والإنساني والثقافي والهوية.

Step 2 — Hand the draft to an LLM and ask it to optimize for NotebookLM الخطوة 2 — سلّم المسوّدة إلى نموذج لغوي واطلب منه تحسينها لتناسب NotebookLM

Instead of guessing how to structure a Deep Research brief, hand the rough English translation back to a general-purpose LLM with one explicit ask: "look up best-practice prompting for NotebookLM Deep Research, then rewrite my prompt accordingly". بدلاً من التخمين في كيفية هيكلة موجّه بحث عميق، أعِد الترجمة الأولية بالإنجليزية إلى نموذج لغوي عام مع طلب صريح: "ابحث عن أفضل ممارسات صياغة الموجّهات لـ NotebookLM Deep Research، ثم أعِد كتابة موجّهي وفقاً لها".

this is a prompt I will provide to notebooklm deep research to
help me research a topic. familiarise yourself online with best
way to prompt "notebooklm adding sources through deep research"
before optimizing my prompt:

Primary and main sources about legislative trends, new laws,
new ideas and proposals in the field of intellectual property
rights and their relationship with artificial intelligence and
addressing the learning of artificial intelligence, generative
artificial intelligence products, and all new cases in
intellectual property rights resulting from artificial
intelligence developments, the type of sources to include
YouTube videos about specialized and academic lectures and
conferences, sites and documents on studies, legislation and
intellectual trends covering different countries from around
the world. You must also provide additional sources covering
cases before the courts or have been judged in this regard in
different countries and public opinion issues without
neglecting the economic, humanitarian, cultural and identity
dimension.

Step 3 — The LLM's optimised prompt for NotebookLM Deep Research الخطوة 3 — الموجِّه المُحسَّن من النموذج اللغوي لـ NotebookLM Deep Research

The LLM returns a structured brief organised around the elements NotebookLM's Deep Research mode expects: a clear research topic, geographic scope, dimensions to cover, source types to prioritise, and explicit output goals — including instructions to surface non-Western and Global South materials. يُعيد النموذج إحاطة منظَّمة حول العناصر التي يتوقّعها وضع البحث العميق في NotebookLM: موضوع بحث واضح، نطاق جغرافي، أبعاد للتغطية، أنواع مصادر يُفضَّل التركيز عليها، وأهداف مخرجات صريحة — مع تعليمات لإبراز المواد غير الغربية ومن الجنوب العالمي.

Research topic
Legislative trends, new laws, legal proposals, and emerging
legal doctrines on intellectual property rights in relation
to artificial intelligence — with a focus on (a) AI training
and the use of copyrighted material, (b) generative AI outputs
and authorship/ownership, and (c) novel IP cases arising from
recent AI developments. Cover developments from roughly 2022
to the present.

Geographic scope
Global and comparative. Include the United States, European
Union (especially the AI Act and CDSM Directive), United
Kingdom, China, Japan, South Korea, India, Canada, Australia,
Brazil, and the Gulf/MENA region (UAE, Saudi Arabia, Egypt).
Where possible, include emerging-market and Global South
perspectives, not only Western jurisdictions.

Dimensions to cover
  - Legislation and regulation — enacted laws, draft bills,
    regulatory guidance, official consultations on AI and IP
    (copyright, patents, trademarks, trade secrets, database
    rights, sui generis rights for AI outputs, TDM exceptions).
  - Policy proposals and intellectual trends — white papers
    and reports from WIPO, OECD, UNESCO, U.S. Copyright Office,
    European Commission, UK IPO, CNIPA, JPO, etc.; academic
    proposals for new legal frameworks.
  - Court cases and litigation — pending and decided cases on
    AI training, output infringement, and authorship (e.g.
    NYT v. OpenAI, Getty v. Stability AI, Andersen v. Stability
    AI, Thaler / DABUS, Bartz v. Anthropic, Chinese AIGC
    rulings, Japanese guidance cases).
  - Public opinion and civil society — surveys, artist and
    creator coalitions, open letters, position statements.
  - Economic dimension — impact on creative industries,
    licensing markets, the music/publishing/visual-arts
    economy, labour displacement, competition concerns.
  - Humanitarian, cultural, and identity dimensions — effects
    on indigenous knowledge, traditional cultural expressions,
    minority languages, cultural heritage, moral rights, and
    voice/likeness/right-of-publicity issues (incl. deepfakes).

Source types to prioritise (a balanced mix)
  - Primary legal sources: statutes, draft bills, court
    opinions, regulatory guidance, official consultations.
  - Institutional reports: WIPO, OECD, UNESCO, national
    copyright/patent offices, parliamentary research services.
  - Academic sources: peer-reviewed law reviews, SSRN papers,
    university research centres (Stanford CIS, Oxford OII,
    Max Planck).
  - YouTube videos: recorded lectures, university symposia,
    bar association panels, WIPO/Berkman Klein/CREATe talks,
    parliamentary or congressional hearings.
  - Quality journalism: legal industry publications (IPKat,
    JIPLP, Kluwer Copyright Blog, Lexology, Law360) and
    major-outlet investigative reporting.
  - Civil society and industry: position papers from creator
    unions, publisher and record-label associations, AI labs,
    EFF/Creative Commons-style organisations.

Output goals
  - A comprehensive, diverse source library spanning all six
    dimensions and the geographies above.
  - Avoid over-concentration on US/EU sources; deliberately
    surface non-English and Global South materials.
  - Prefer primary and authoritative sources over secondary
    commentary when both exist.
  - Include sources representing competing viewpoints
    (rights-holders, AI developers, users, governments,
    academics).

Step 4 — What NotebookLM produced from those sources الخطوة 4 — ما أنتجه NotebookLM من تلك المصادر

Step 5 — Take the notebook into Gemini and write الخطوة 5 — انقل الدفتر إلى Gemini وابدأ الكتابة

From here, the same NotebookLM notebook becomes a grounded knowledge base inside Gemini — every claim in the article you draft can be traced back to a source you've already curated. The model writes; you supervise. من هذه النقطة، يصبح دفتر NotebookLM نفسه قاعدة معرفة موثّقة داخل Gemini — كل ادّعاء في المقال الذي تكتبه يمكن تتبّعه إلى مصدر اخترته بنفسك مسبقاً. النموذج يكتب، وأنت تُشرف.

The shift: you stopped guessing the right prompt and started composing with the AI — one model to write better prompts, another to research, a third to draft. Each used for what it does best. التحوّل: توقّفتَ عن التخمين في الموجِّه المناسب وبدأت في التأليف مع الذكاء الاصطناعي — نموذج لكتابة موجّهات أفضل، آخر للبحث، وثالث للصياغة. كل واحد مُستخدَم في ما يجيده.

What is a message house? ما هو بيت الرسالة؟

A message house is a strategic communication framework that organizes everything a brand says into one coherent, consistent structure. It ensures that no matter who speaks, what channel is used, or what audience is addressed — the brand always sounds like itself. بيت الرسالة هو إطار استراتيجي للتواصل يُنظّم كل ما تقوله العلامة في بنية واحدة متماسكة ومتسقة. يضمن أنه بغض النظر عن من يتحدث، أو القناة المستخدمة، أو الجمهور المُخاطَب — تبدو العلامة دائمًا كما هي.

Think of it as the blueprint of your brand's voice. فكّر فيه كـ مخطط صوت علامتك التجارية.

The structure الهيكل

Each part explained شرح كل جزء

How to build your message house كيف تبني بيت رسالتك؟

Message house in action — example بيت الرسالة في التطبيق — مثال

The AI connection صلة الذكاء الاصطناعي

When you give AI your message house, it can: عندما تزود الذكاء الاصطناعي ببيت رسالتك، يستطيع:

• Generate on-brand content across all formats.إنتاج محتوى يعكس هويتك عبر جميع الصيغ.
• Maintain consistent tone across 100 posts.الحفاظ على نبرة متسقة عبر 100 منشور.
• Flag content that contradicts your messaging.تحديد المحتوى الذي يتعارض مع رسائلك.
• Build entire content calendars aligned to your pillars.بناء تقويمات محتوى كاملة مرتبطة بركائزك.

What surveys can and cannot do ما تستطيع الاستبيانات فعله وما لا تستطيعه

A survey is a blunt instrument with precision potential — only if you design it right. Most marketers expect too much from a single instrument, or design surveys that answer the wrong questions entirely. الاستبيان هو أداة غير دقيقة بإمكانية دقة عالية — لكن فقط إذا صممته بشكل صحيح. معظم المسوّقين يتوقعون الكثير من أداة واحدة، أو يصممون استبيانات تجيب على أسئلة خاطئة تمامًا.

The attention economy problem مشكلة اقتصاد الانتباه

The rule: design for the respondent's patience, not your curiosity. القاعدة: صمم بناءً على صبر المستجيب، لا فضولك.

The best question mix for persona + behavior research أفضل مزيج من الأسئلة لبحث الشخصية والسلوك

For a 10-question persona/behavior survey, this is the proven mix: لاستبيان شخصية/سلوك من 10 أسئلة، هذا هو المزيج المُثبت:

Never lead with open-ended questions — put them at question 8 or 9. لا تبدأ أبدًا بأسئلة مفتوحة — ضعها في السؤال 8 أو 9.

Tradeoffs every marketer must understand المقايضات التي يجب على كل مسوّق فهمها

Do's and don'ts افعل ولا تفعل

Designing for persona & behavior extraction التصميم لاستخلاص الشخصية والسلوك

The most common mistake: designing a survey to confirm what you already believe, rather than to discover what you don't know. الخطأ الأكثر شيوعًا: تصميم استبيان لتأكيد ما تؤمن به بالفعل، بدلاً من اكتشاف ما لا تعرفه.

Question architecture for persona extraction هندسة الأسئلة لاستخلاص الشخصية

The segmentation question — your most valuable سؤال التجزئة — أثمن أسئلتك

Always include one question whose sole purpose is to split your respondents into groups. دائمًا ضمّن سؤالاً واحدًا هدفه الوحيد تقسيم المستجيبين إلى مجموعات.

• "How long have you been in your current role?" → splits by seniority."كم من الوقت أمضيت في دورك الحالي؟" ← يُقسّم حسب الأقدمية.
• "What is the primary size of your organization?" → splits by context."ما هو الحجم الأساسي لمنظمتك؟" ← يُقسّم حسب السياق.
• "How would you describe your current use of AI tools?" → splits by adoption stage."كيف تصف استخدامك الحالي لأدوات الذكاء الاصطناعي؟" ← يُقسّم حسب مرحلة التبنّي.

Once you have segments, every other answer becomes 4× more useful. بمجرد حصولك على شرائح، كل إجابة أخرى تصبح أكثر فائدة بـ 4 مرات.

Behavioral questions: the underused gold mine الأسئلة السلوكية: المنجم الذهبي غير المستغل

From results to persona profiles من النتائج إلى ملفات الشخصية

Getting 300 responses back is not a persona — it is a dataset. The gap between the two is where most marketers stop, and where AI now gives you an enormous advantage. الحصول على 300 إجابة ليس شخصية — إنه مجموعة بيانات. الفجوة بين الاثنين هي حيث يتوقف معظم المسوّقين، وحيث يمنحك الذكاء الاصطناعي الآن ميزة هائلة.

The classic manual flow (and why it breaks) التدفق اليدوي الكلاسيكي (ولماذا يفشل)

No real human is average. Averages flatten the exact differences that make personas useful. لا يوجد إنسان حقيقي متوسط. المتوسطات تُسطّح الاختلافات التي تجعل الشخصيات مفيدة.

What you actually need: cluster-based personas ما تحتاجه فعلاً: شخصيات قائمة على التجميع

When 3 or more of these overlap in the same group — you have found a real persona. عندما تتداخل 3 أو أكثر من هذه في نفس المجموعة — لقد وجدت شخصية حقيقية.

Reading the gaps: what surveys can't tell you قراءة الفجوات: ما لا يستطيع الاستبيان إخبارك به

The intelligence stack مجموعة الاستخبارات

One survey is a snapshot. A stack is a story. Each new layer sharpens and challenges what came before. استبيان واحد هو لقطة. المجموعة هي قصة. كل طبقة جديدة تُصقل وتُتحدى ما قبلها.

1. L1
   Survey (scale)الاستبيان (الحجم)

   Broad patterns, segmentation, behavioral baselines. 100–500+ respondents · low depth · high confidence in patterns.أنماط واسعة، تجزئة، خطوط أساسية سلوكية. 100–500+ مستجيب · عمق منخفض · ثقة عالية في الأنماط.

2. L2
   Targeted follow-up survey (focus)استبيان مستهدف للمتابعة (التركيز)

   Sent only to specific segments from L1. 20–50 respondents · medium depth · validates or challenges L1.يُرسل فقط لشرائح محددة من L1. 20–50 مستجيب · عمق متوسط · يتحقق أو يتحدى L1.

3. L3
   Focus groups (depth)مجموعات التركيز (العمق)

   3–6 people from your most important persona segment. Explore the WHY behind L1 and L2.3–6 أشخاص من شريحة شخصيتك الأهم. استكشف "لماذا" وراء L1 و L2.

4. L4
   Customer journey touchpoint dataبيانات نقاط تماس رحلة العميل

   Real behavior — analytics, email opens, purchases, support tickets, social engagement.السلوك الحقيقي — التحليلات، فتح البريد، المشتريات، تذاكر الدعم، التفاعل الاجتماعي.

5. L5
   Continuous listeningالاستماع المستمر

   Social listening, comment analysis, DM patterns, community conversations — ongoing, not periodic.الاستماع الاجتماعي، تحليل التعليقات، أنماط الرسائل المباشرة، محادثات المجتمع — مستمر، لا دوري.

When to use each layer متى تستخدم كل طبقة

AI transforms survey analysis الذكاء الاصطناعي يحوّل تحليل الاستبيانات

For years, open-ended survey questions were a trap. You included them because you wanted real human insight; then 400 people answered and you had no scalable way to process the responses. لسنوات، كانت أسئلة الاستبيان المفتوحة فخًا. أدرجتها لأنك أردت رؤى إنسانية حقيقية؛ ثم أجاب عليها 400 شخص ولم تكن لديك طريقة قابلة للتطوير لمعالجة الإجابات.

AI eliminates this problem entirely. الذكاء الاصطناعي يلغي هذه المشكلة تمامًا.

What AI does with open-ended responses ما يفعله الذكاء الاصطناعي بالإجابات المفتوحة

AI flagging: immediate action items تنبيهات الذكاء الاصطناعي: عناصر عمل فورية

A practical AI workflow for survey analysis سير عمل عملي للذكاء الاصطناعي لتحليل الاستبيان

Export raw survey responses (CSV or paste).
        ↓
Feed into Claude or Gemini with this prompt:
  "Here are [N] open-ended survey responses.
   1. Identify the main themes without me defining them.
   2. Group responses under each theme.
   3. Count responses per theme and give me a percentage.
   4. Flag any responses requiring immediate action.
   5. Identify which persona segment each theme belongs to."
        ↓
Review AI output — validate, adjust, challenge.
        ↓
Feed confirmed themes back into AI for
persona mapping and content strategy.

AI-powered persona detection اكتشاف الشخصية بالذكاء الاصطناعي

The traditional approach built personas after weeks of manual analysis. AI compresses this to hours — and produces more nuanced results because it processes the full dataset rather than a human-readable sample. النهج التقليدي بنى الشخصيات بعد أسابيع من التحليل اليدوي. الذكاء الاصطناعي يضغط هذا إلى ساعات — ويُنتج نتائج أكثر دقة لأنه يعالج مجموعة البيانات الكاملة.

What you feed AI ما تُقدّمه للذكاء الاصطناعي

What AI returns ما يعيده الذكاء الاصطناعي

Behavioral pattern detection اكتشاف الأنماط السلوكية

• Respondents who use Tool A also consistently report Pain Point B.المستجيبون الذين يستخدمون الأداة A يُبلّغون باستمرار عن نقطة الألم B.
• Respondents in Segment X make decisions differently than Segment Y, even when they share the same goal.المستجيبون في الشريحة X يتخذون قرارات بشكل مختلف عن الشريحة Y، حتى عندما يشتركون في نفس الهدف.
• A specific combination of demographics + behavior predicts a specific channel preference.مزيج محدد من الديموغرافيا والسلوك يتنبأ بتفضيل قناة محدد.

These are connections a human analyst would miss in a 300-row spreadsheet. هذه روابط سيفوتها المحلل البشري في جدول بيانات من 300 صف.

The living persona الشخصية الحية

A persona built once and never updated is a liability, not an asset. الشخصية المبنية مرة واحدة ولا تُحدَّث أبدًا هي عبء لا أصل.

End-to-end with AI — a startup mini-market in a residential tower من الفكرة إلى لوحة المعلومات — سوبر ماركت ناشئ داخل برج سكني

A short walk-through of the full loop we covered in this block: prompt the AI to draft a survey, collect responses, then prompt the AI again to turn the responses into a dashboard the owner can actually use. جولة قصيرة في الحلقة الكاملة التي غطّيناها في هذا المحور: نطلب من الذكاء الاصطناعي صياغة استبيان، نجمع الردود، ثم نطلب منه مجدداً تحويل الردود إلى لوحة معلومات يستطيع المالك استخدامها فعلاً.

Step 1 — Prompt used to draft the survey الخطوة 1 — الموجِّه المستخدم لصياغة الاستبيان

You are helping a startup mini-market inside a residential
tower design a customer survey. The owner wants to use the
responses to (a) identify customer personas and (b) understand
their key needs.

Draft a short survey (under 5 minutes to complete) with a mix
of multiple-choice and a couple of open-ended questions.
Group questions into clear sections.

Before you draft, ask me any questions that would meaningfully
change the survey.

أنت تساعد سوبر ماركت صغير ناشئ داخل برج سكني في تصميم استبيان للعملاء.
يرغب المالك في استخدام الردود من أجل (أ) تحديد شخصيات العملاء و(ب) فهم
احتياجاتهم الرئيسية.

قم بصياغة استبيان قصير (يستغرق إكماله أقل من ٥ دقائق) يتضمن مزيجاً من
أسئلة الاختيار من متعدد وعدد قليل من الأسئلة المفتوحة. قم بتجميع الأسئلة
في أقسام واضحة.

قبل أن تبدأ الصياغة، اطرح عليّ أي أسئلة من شأنها أن تؤثر بشكل جوهري
على الاستبيان.

Step 2 — The generated survey الخطوة 2 — الاستبيان الناتج

The model returned a clean, sectioned survey that was ready to send. Open it in a new tab and try it as if you were a resident of the tower. أعاد النموذج استبياناً نظيفاً مُقسَّماً إلى أقسام وجاهزاً للإرسال. افتحه في علامة تبويب جديدة وجرّبه كأنك أحد سكان البرج.

Open the survey ↗ افتح الاستبيان ↗ Open the survey results ↗ افتح نتائج الاستبيان ↗

Step 3 — Prompt used to analyze the responses الخطوة 3 — الموجِّه المستخدم لتحليل الردود

# Context
A survey was run for a startup mini-market inside a residential
tower. Its purpose was to help the store owner identify customer
personas and understand the key needs of potential buyers.

# Mission
Using the attached responses file, build an interactive dashboard
for me (the store owner) that surfaces insights into the potential
buyer personas and their motivations. The dashboard should also
give me access to the full raw responses for deeper exploration.

Before you start, ask me any questions that would meaningfully
change the dashboard — for example, about the file structure,
which personas I already suspect exist, or which decisions I'm
trying to make from the results.

# السياق
تم إجراء استبيان لسوبر ماركت صغير ناشئ داخل برج سكني. كان الهدف منه
مساعدة مالك المتجر على تحديد شخصيات العملاء وفهم الاحتياجات الرئيسية
للمشترين المحتملين.

# المهمة
باستخدام ملف الردود المرفق، قم ببناء لوحة معلومات تفاعلية لي (مالك
المتجر) تُبرز رؤى حول شخصيات المشترين المحتملين ودوافعهم. يجب أن
تتيح لي لوحة المعلومات أيضاً الوصول إلى الردود الكاملة لاستكشاف أعمق.

قبل أن تبدأ، اطرح عليّ أي أسئلة من شأنها أن تؤثر بشكل جوهري على لوحة
المعلومات — على سبيل المثال، حول بنية الملف، أو الشخصيات التي أتوقع
وجودها بالفعل، أو القرارات التي أحاول اتخاذها بناءً على النتائج.

Step 4 — The resulting dashboard الخطوة 4 — لوحة المعلومات الناتجة

The model returned an interactive dashboard with persona clusters, headline metrics, and a drill-through to the raw responses. This is the deliverable the owner uses to decide what to stock and who to talk to. أعاد النموذج لوحة معلومات تفاعلية تتضمن تجمّعات الشخصيات، مؤشرات رئيسية، وإمكانية التعمّق في الردود الخام. هذه هي المخرجات التي يستخدمها المالك ليقرر ماذا يخزّن ومع مَن يتحدث.

Open the persona discovery dashboard ↗ افتح لوحة اكتشاف الشخصيات ↗

Step 5 — Going deeper: analysing one open-ended question (Q14) الخطوة 5 — التعمّق: تحليل سؤال مفتوح واحد (السؤال 14)

Open-ended responses used to be expensive to read at scale — this is exactly where AI's classification and synthesis change the economics. Below is the prompt the owner used to focus the model on a single open-ended question and surface the themes inside it, including the long-tail signals a quick read would miss. كانت قراءة الردود المفتوحة على نطاق واسع مكلفة في السابق — وهنا تحديداً يُغيّر الذكاء الاصطناعي الاقتصاد عبر التصنيف والتوليف. أدناه الموجِّه الذي استخدمه المالك لتركيز النموذج على سؤال مفتوح واحد واستخراج المواضيع داخله، بما فيها الإشارات الهامشية التي قد تفوت القراءة السريعة.

# Context
A startup supermarket inside a residential tower ran a survey
to better understand its potential customers. I want to focus
exclusively on Question 14: "Imagine the store is open and
you're walking in. What's the ONE thing you'd want to find
that would make you a regular?"

# Mission
Build a dashboard that analyses the responses to Question 14
only. It should:

  - Group and categorise the responses into clear themes,
    with frequency counts for each theme.
  - Surface standout insights, including ones mentioned by
    only a few respondents if they reveal something the owner
    would otherwise miss.
  - Highlight any other interesting patterns — for example,
    recurring language, unexpected combinations, or signals
    that point to specific customer types.
  - Give me access to the underlying responses within each
    theme so I can read the raw quotes.

# Constraints
Focus only on Question 14. Ignore all other questions in the file.

Before you start, ask me any questions that would meaningfully
change the dashboard — for example, about the file structure,
the language(s) of the responses, or the decisions I'm trying
to make from these answers.

# السياق
أجرى سوبر ماركت ناشئ داخل برج سكني استبياناً لفهم عملائه المحتملين بشكل
أفضل. أرغب في التركيز حصرياً على السؤال رقم 14: "تخيّل أن المتجر مفتوح
وأنك تدخل إليه. ما هو الشيء الوحيد الذي تودّ أن تجده ويجعلك زبوناً دائماً؟"

# المهمة
قم ببناء لوحة معلومات تحلّل ردود السؤال 14 فقط. يجب أن:

  - تجمّع الردود وتصنّفها ضمن مواضيع واضحة، مع ذكر عدد التكرارات لكل
    موضوع.
  - تُبرز الرؤى اللافتة، بما في ذلك تلك التي ذكرها عدد قليل من المشاركين
    إذا كانت تكشف شيئاً قد يفوت المالك ملاحظته.
  - تُسلّط الضوء على أي أنماط مثيرة للاهتمام — مثل العبارات المتكررة،
    أو التركيبات غير المتوقعة، أو الإشارات التي تدل على أنواع معيّنة من
    العملاء.
  - تتيح لي الوصول إلى الردود الأصلية ضمن كل موضوع حتى أتمكّن من قراءة
    الاقتباسات الخام.

# القيود
ركّز على السؤال 14 فقط. تجاهل جميع الأسئلة الأخرى في الملف.

قبل أن تبدأ، اطرح عليّ أي أسئلة من شأنها أن تؤثر بشكل جوهري على لوحة
المعلومات — على سبيل المثال، حول بنية الملف، أو لغة (لغات) الردود،
أو القرارات التي أحاول اتخاذها بناءً على هذه الإجابات.

Notice the shape of the prompt: a tight scope (one question only), explicit asks for both frequency-ranked themes and long-tail signals, plus a requirement to keep the raw quotes accessible so the owner can verify any theme by reading the underlying responses. The same pattern works for any single open-ended question in any survey. لاحظ شكل الموجِّه: نطاق ضيّق (سؤال واحد فقط)، طلبات صريحة لكلٍّ من المواضيع المُرتَّبة بالتكرار والإشارات الهامشية، إضافةً إلى اشتراط إبقاء الاقتباسات الخام في المتناول حتى يستطيع المالك التحقّق من أي موضوع بقراءة الردود الأصلية. نفس النمط يعمل مع أي سؤال مفتوح واحد في أي استبيان.

The point: the owner asked AI to design the survey, write the analysis approach, and build the dashboard — three jobs that previously needed three different professionals. الفكرة: طلب المالك من الذكاء الاصطناعي تصميم الاستبيان، وكتابة منهجية التحليل، وبناء لوحة المعلومات — ثلاث مهام كانت تتطلب سابقاً ثلاثة مهنيين مختلفين.