Несколько лет назад в нашем блоге мы публиковали гайд по методам продуктовых исследований. Его до сих пор читают и сохраняют в закладки — база остается базой (мы проверили, данные в нем все еще актуальны). Но за последние пару лет в арсенале исследователей появились новые подходы и идеи.
ИИ-инструменты, автотранскрибация, моделирование поведения целевой аудитории, ускоренная аналитика — теперь это не будущее, а часть ежедневной рутины. Вместе с Еленой Захаревич, заместителем руководителя направления исследования пользовательского опыта в «Контуре», обсуждаем, что изменилось в подходах к исследованиям, как встроить ИИ в каждый этап процесса и какие навыки нужны новичкам, чтобы не потеряться в новой реальности.
— Как ты считаешь, что изменилось с момента выхода статьи и осталась ли она актуальной?
— Мне кажется, статья очень классная и исчерпывающая. Методы, которые описаны, — это база, поэтому она остается актуальной по сей день и здесь сложно что-то добавить. При этом технологии улучшаются, поэтому хочется поговорить про подходы к автоматизации всех задач исследователя: инструменты для транскрибации, генерации идей и т. д.
— Какие инструменты используешь лично ты в своих рабочих задачах?
— Для проведения интервью мы используем наш сервис для видеозвонков «Контур Толк». Это могут быть и видеовстречи, и просто звонки. Дополнительно у него есть расшифровка записей: оттуда можно скачать транскрипт, вместо того чтобы переслушивать видео и писать его руками. Есть опция следить за разговором: находить в тексте важный момент, переходить обратно в видео и переслушивать его детально — это существенно ускоряет обработку данных.
Естественно, на рынке существуют другие аналоги инструментов для видеозвонков и разные ИИ-ассистенты. При этом выбор в каждой компании обусловлен в том числе и требованиями отдела безопасности, поэтому набор инструментов может сильно отличаться.
Комментарий редакции: в нашем телеграм-канале вы можете найти подборку AI-инструментов, которые используют менеджеры продуктов.
Для работы с данными, которые попадают под коммерческую тайну, мы используем наши внутренние модели ассистентов — например, «Контур GPT», которая закрывает основные потребности. А для тех данных, которые не являются чувствительными, можем использовать внешние инструменты. Для поиска информации и работы с текстами чаще всего используем ChatGPT и DeepSeek. А с анализом данных хорошо справляется Google NotebookLM: анализирует данные из загруженного источника, при анализе ссылается только на ту информацию, которая есть в источнике, ничего не ищет в других источниках и не придумывает. Если мы вернемся к упомянутой в самом начале статье, то использование внешнего источника (например, ChatGPT или DeepSeek) применимо к любому из методов, которые в ней описаны. В формате ассистента при грамотном использовании они помогают ревьюить формулировки, планы и решать проблему «чистого листа».
— Если говорить про то, как изменилась работа с использованием новых инструментов, какие примеры можешь привести?
— Если говорить про обработку количественных данных: раньше их обрабатывали с помощью сравнительных формул в Excel, и это занимало условно один день. Сейчас я могу использовать внутренний инструмент для суммаризации, и анализ займет у меня всего полчаса. Час — если с проверкой данных вручную. Существенное ускорение.
— А что насчет данных не в текстовом формате? Как изменилась работа с ними при подготовке исследований?
— У нас в статье были упомянуты инструменты для немодерируемого юзабилити-тестирования, эти сервисы остались актуальны. К ним прикрутили AI, они могут делать саммари, и обратную связь от респондентов можно проанализировать в этих же сервисах.
— Как вы используете генеративные модели для проведения исследований?
— Одна из задач использования — смоделировать поведение представителя целевой аудитории. То есть с помощью проработанного промпта можно описать, кто является представителем нашей целевой аудитории. Затем даем задание провести исследование — условно фокус-группу. Так мы делаем первичную проверку наших идей и гипотез с помощью искусственного интеллекта. А после отбираем те, которые стоит вынести на реальное исследование.
Важно отметить: это моделирование не заменяет нам основное исследование. Но помогает приоритизировать идеи.
Приложения для создания прототипов (примерно одинаковые инструменты, но в Bolt можно смотреть код):
https://n8n.io/ — инструмент для визуализации сценариев и автоматизаций.
— В интернете было много дискуссий насчет того, на каких данных обучается модель и как это влияет на то, какие ответы она будет выдавать. Замечали ли вы разницу между моделями, обученными на английском, и моделями, обученными на других языках?
— Насчет качества данных сказать не могу, так как не сравнивали. Но недавно мы сравнивали качество ответов внутри одной модели на разных языках, и наши специалисты по data science сказали, что последняя модель ChatGPT одинаково хорошо работает как на русском, так и на английском языках. Здесь важно еще раз подчеркнуть, что искусственный интеллект и предварительные исследования, которые с его помощью можно моделировать, не должны заменять исследования на реальных людях. Но предположить, как представители нашей целевой аудитории мыслят, какие есть конкуренты, какие есть отзывы, — все это можно сделать и на ранних этапах отсеять нерелевантные гипотезы, чтобы не тратить на них ресурсы команд и компании.
— Что делает исследователь помимо работы с гипотезами? Есть ли какой-то обратный цикл после того, как вы внедрили новую фичу? Как исследователь взаимодействует с менеджером продуктов?
— У нас исследователь встроен в команду разработки: он подключается на разных этапах, в том числе не просто отдает результаты исследования заказчику, а помогает внедрить его результаты в работу. То есть участвует в брейнштормах, обсуждениях, принятии решений, может поревьюить макеты. Если говорить про ревью макетов, то для первичного ревью тоже можно использовать ИИ-ассистентов: например, просить проанализировать интерфейсы по определенным параметрам. Примеры параметров описаны у нас в гайдах.
— Автоматизация — это замечательно. Но так вышло, что раньше решение рутинных задач было способом входа в профессию для джунов. Сейчас для этих задач мы используем искусственный интеллект. Как в таком случае входить в профессию и какие навыки и качества нужно развивать начинающему исследователю, чтобы быть конкурентоспособным на рынке?
— В любом исследовании важно правильно сформулировать цель и гипотезы. Если гипотезы сформулированы некорректно, всегда есть большой риск получить не те результаты, которые ты сможешь использовать, или не те результаты, которые ожидает заказчик. Поэтому навык формулирования гипотез и целей исследования остается важным для всех, кто этим занимается. ИИ выдает базу, но принимает решения и формулирует финальный вид исследования и вопросы все-таки человек.
— Каким обязательным условиям должны удовлетворять цель исследования и гипотезы?
Цель и гипотезы — это основа любого исследования. Если цель и гипотезы не сформулированы перед началом исследования, то есть риск получить результаты, которые не будут полезны продукту, и потратить время зря.
Цель должна отражать основной фокус исследования: что именно хотим понять и для чего? На что повлияют результаты исследования?
Гипотеза — это структурированное предположение о различных аспектах жизни пользователей или о продукте, которое можно проверить с помощью исследовательских методов. Гипотеза может быть сформулирована в форме утверждения или в форме вопроса.
Хорошая гипотеза должна быть:
— Однозначной: одна гипотеза — одно предположение.
— Конкретной: гипотезы с обобщениями по типу «все пользователи», «каждый» сложно проверить, как и гипотезы с недостаточно конкретными формулировками — «скорее всего», «любые действия» и т. д.
В наших тестовых заданиях мы эти навыки у кандидатов как раз и проверяем: умение мыслить логически, строить взаимосвязи между целями, гипотезами и дизайном исследования. Бессмысленно проверять само задание: сейчас многие делают их с помощью тех же нейросетей; важно смотреть на ход рассуждений.
Еще одно качество, которое важно развивать исследователю, — это непредвзятость. Если ты сильно веришь в идею, то есть риск найти ей подтверждение, даже если на самом деле у представителей целевой аудитории нет такой проблемы. И важна эмпатия, любовь к людям. Важно уметь прислушиваться к пользователям, ведь они не всегда положительно настроены, и ты как исследователь за этим негативом должен увидеть суть, расположить их к себе.
А вообще, важный навык для джуна — это умение делать базовые задачи без ChatGPT. Только самостоятельно проделав все действия, ты получаешь навык, благодаря которому потом сможешь проверять результат, который тебе выдает искусственный интеллект. И мне кажется, это применимо к любой отрасли. При этом писать вручную транскрипты, потом их анализировать, переносить в таблицу — в современных реалиях уже история, которая сильно замедляет работу команды. Поэтому важно научиться самому, но не пренебрегать имеющимися инструментами в дальнейшем.
— А на что обращать внимание уже опытному исследователю?
Если мы говорим про исследователя, то его задачи отличаются: либо это более комплексные исследования, либо это работа с процессами. В таком случае ИИ не заменит его, но может быть использован как ассистент для генерации решений, для тестирования своих идей, поиска новых вариантов решения задачи, применения шаблонов и фреймворков. У нас есть ожидание, что такой сотрудник сам понимает, какие этапы своей работы он может ускорить с помощью искусственного интеллекта.
