Меня зовут Женя и я UX / продуктовый исследователь.

С 2010 года и по сей день я поработал в исследовательских агентствах, консалтинге и корпорациях. В разных ролях: и аналитиком, и менеджером исследовательских проектов в агентствах, и универсальным рисечером инхаус. Портфель отраслей тоже довольно разнообразный: FMCG, Retail, Telecom и Fintech.

В общем, кажется, уже есть что рассказать.

О чем этот канал? В целом, понятное дело, об исследованиях, возможно, немного о жизни.

А вот и первый пост по делу.

Как создавать простые CJM с помощью ChatGPT. Речь пойдет о CJM существующего продукта, вероятно не вашего. Это может быть полезно как дополнение к конкурентному анализу.

Многие боятся открытой карточной сортировки. И кажется у меня есть простой рецепт. Анализируем результаты с помощью ChatGPT без R и SPSS.

Какие методы приходят вам на ум первыми, когда речь идёт о ценовых исследованиях? Лично у меня это PSM. Но недавно я узнал про метод BDM (Becker–DeGroot–Marschak).

Как это работает?
1. Участнику эксперимента предлагается оценить товар или услугу и сообщить, сколько он готов за это заплатить (его максимальная цена, willingness to pay — WTP).
2. Экспериментатор случайным образом выбирает цену из заранее заданного диапазона.
3. Если предложенная участником цена выше или равна случайно выбранной цене, он покупает товар по случайной цене (да, прямо по-настоящему покупает). Если предложенная цена ниже, сделка не совершается, и участник ничего не получает.

Почему это работает?
Метод BDM мотивирует участников назвать свою истинную оценку стоимости, так как попытка занизить или завысить цену может привести к невыгодному исходу.

Есть и свои ограничения.
Метод BDM работает только в условиях реальных покупок. Если люди не верят, что им придется заплатить, они могут искажать свою оценку, что снижает точность исследования.

Помните, как несколько лет назад у всех на смартфонах было приложение для определения расы, пола и возраста по изображению лица? А что если попробовать использовать эти инструменты в исследованиях?

После прочтения я предлагаю вам поиграть в нейромаркетолога и проанализировать выражение лица на видеозаписи. Все, что вам для этого потребуется, – ChatGPT и немножко Python-кода. https://teletype.in/@e.mukushev/deepface

Рубрика "Плохой CX".

Как настроить против себя нового клиента, который сам пришел к вам в банк за уникальным продуктом?

Предположим вы один из последних в России банков, который выпускает карты UnionPay. Сразу после оформления заявки на сайте вам нужно начать долбить лида СПАМ-звонками с предложениями оформить кредит (даже если этот бедолага убрал нужные галочки в заявке). 3 звонка в течение 30 минут самое то.

Но самое главное, когда ваш почти клиент пришел забирать карту, нужно навязывать ему платные уведомления и согласие на обработку перс. данных в целях подбора и предложения новых продуктов (СПАМа). А еще нужно сказать: "Ну че ты выпендриваешься, все подписывают, и ты подпиши, потом отключишь сам, иначе карту не дадим". А еще: "Форма договора стандартная, либо подписывай, либо вали" (несмотря на то, что в самом договоре написано, что услуга подключается только при желании клиента).

Все совпадения случайны, потому что в нормальной реальности такого не может быть😄

В последнее время на досуге я немного интересуюсь тг-ботоводством, сделал бота для расчёта размера выборки по заданным параметрам и поиска значимых различий. Лайки и репосты преветствуются 😉 @ResearchCalc_bot

AI-модератор это не сложно, у меня на это ушло 2 часа vibe-кодинга с ChatGPT и бесплатный API Mistral.

✅ Сам проводит интервью
✅ Задает вопросы по сценарию
✅ Уточняет детали
✅ Сохраняет результаты для анализа
📌Работает конечно не идеально, но можно докрутить

Спустя год прикладного вайбкодинга до меня начала доходить какая-то неправильность происходящего. И в последнее время я активно пытаюсь это исправить. Нашел классный халявный курс по основам Python, решил поделиться.

Зачем вообще рисечеру Python? Ну помимо примеров, которые есть в канале выше, это:
📌В целом для анализа данных в количественных исследованиях
📌 Данные по результатам качественных исследований тоже можно анализировать не только в своей голове😁
📌 А еще подготовка данных, в том числе транскрибация
📌 И самое главное для меня: быть боженькой экселя и уметь в SPSS это отлично, но посредством Python можно делать все тоже самое и еще больше, при этом наличие таких скилов открывает пути в смежные отрасли, связанные с анализом данных.

В NotebookLM появилась новая фича – Mind Map по источникам в один клик. Опробовал на youtube видосике про тренды UX/UI. Красивое. Думаю, должно неплохо работать и с записями интервью.