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.

Несколько библиотек Python, которые точно пригодятся исследователю vibe-кодеру:

📊 Pandas — для работы с таблицами и анкетными данными, openpyxl для того чтобы вытаскивать их из excel

📈 Matplotlib и Seaborn — для визуализации результатов: графики, тепловые карты.

🧠 Scikit-learn — для статистического анализа, например кластеризации пользователей.

🗣 NLTK / spaCy — анализ открытых текстов, кодирование ответов.

📹 OpenCV / DeepFace — анализ поведения и эмоций на видео.

Если интересно, в следующих постах я разберу функционал отдельных инструментов подробнее 🧪

В продолжение предыдущего поста, с чего начать? Вот гайд для самых первых шагов в vibe-кодинге:

1. Установи Python и pip
— Перейди на python.org/downloads
— Скачай версию для своей ОС (Windows или Mac)
— При установке поставь галочку "Add Python to PATH"
— После установки открой терминал:
для Windows: нажми Win + R → введи cmd → Enter
для Mac: открой Программы → Утилиты → Terminal

В терминале проверь, что всё работает:

python --version  
pip --version

2. Где писать код?
Два самых удобных варианта:

Вариант 1: Jupyter Notebook (работает локально):
Чтобы установить, открой терминал и введи:

pip install notebook  

Чтобы запустить:

jupyter notebook

Вариант 2: Google Colab (онлайн, ничего устанавливать не нужно):
Перейди на colab.research.google.com и создай новый блокнот.

3. Где взять код, если не умеешь программировать?
Спроси ChatGPT либо Deepseek, например:

Напиши Python код для анализа результатов опроса из excel файла: хочу посчитать частоту ответов по каждому вопросу и построить графики.

Полученный код вставляй в Jupyter или Colab и запускай 🚀

Новая рубрика: "Сколько-то советов в прошлое себе — джуну рисёрчеру"

Тема №1: О работе в агентствах 😏

Начинать карьеру в агентстве — это хороший (а иногда и неизбежный) вариант. Но надолго там лучше не задерживаться: год, максимум два.
Дорасти до лида в агентстве, а потом уйти мидлом в инхаус — жиза 😐

В агентствах, особенно зрелых и крупных, где все роли, процессы и исследования уже отшлифованы и стандартизированы, расти сложно и больно.
Твоя зона ответственности и компетенций будет строго ограничена процессами агентского конвейера.

Проработав там несколько лет, ты можешь стать сильным рекрутером, интервьюером, аналитиком, менеджером, но при этом почти ничего не узнаешь о продукте. А значит, тебе будет сложнее конкурировать с теми, кто умеет по чуть-чуть всего.

Если ты всё же работаешь в агентстве, то:
🔴 лучше всего, если агентство будет небольшое, в идеале: тебя аутстафят в продуктовую команду
🔴 твоя программа минимум: формальный опыт и строчка в резюме, остальное — по возможности
🔴 не принимай неудачи на свой счёт: скорее всего, с тобой всё в порядке, просто от тебя мало что зависит
🔴 не увлекайся переработками
🔴 не задерживайся надолго — при первой же возможности уходи в инхаус

Лично я в этом вопросе прошёлся почти по всем граблям ☺️

Согласны — ставьте ❤️ или 👍
Не согласны — пишите, что думаете 👇

🧠 UX-исследователь 2015 vs 2025

Если в 2015 мы получали бриф и тестили прототипы, то сейчас... мы занимаемся фасилитацией, дискавери и планируем фичи вместе с продактами.

За последние годы роль UX-исследователя изменилась кардинально:

🔸 Исследователь стал драйвером изменений
Мы больше не приемка интерфейсов. Мы влияем на стратегию, помогаем формировать гипотезы, а не только проверять их.
Плюсы: меньше работы «в стол», больше находок доходят до релиза.
Минусы: больше ответственности, выше риск выгореть или раствориться в продуктовом хаосе.

🔸 Рост междисциплинарности
UX теперь — не только про пользователей, но и про бизнес, аналитику и метрики. Исследователь говорит на языке продактов, дизайнеров и разработчиков и часто становится связующим звеном.

🔸 Демократизация (и её теневая сторона)
Сегодня исследуют все, и это нормальный тренд. Мы растим культуру. Но вместе с этим растёт и токсичность DIY-фреймворков: JTBD, custdev, «а мы сами накидали опрос в google sheet». Результат: псевдоинсайты.

🔸 Исследователь как мини-продакт
Многие исследователи всё чаще становятся «мини-продактами» с инициативами, ответственностью и… мини-зарплатой и мини-ресурсами. Многие уйдут в продуктовую роль целиком. Остальных может ждать строгая специализация вроде той, что есть в продуктовом маркетинге.

🔸 И все же мы разные
В компетенциях исследователя из агентства/лабы и исследователя в продуктовой команде растёт пропасть. Аутстаф будет набирать обороты.

Что думаете? Похоже на правду?

Не в первый раз обращаю внимание на активность рекрутеров, которые ищут рисечеров на аутстаф в Альфу. За неделю могут написать 3 или 5 раз из разных агенств и вендоров. Продолжается это уже несколько лет. Что там происходит вообще, кто-то знает?😃

🚀 Что такое Mock-интервью и зачем оно нужно?

Mock-интервью — это тренировочное собеседование, идентичное реальному. Тебе задают вопросы, похожие на те, что будут на настоящем интервью, а потом дают развернутую обратную связь.

Зачем это нужно?
✔️ Прокачать уверенность
✔️ Найти слабые места в ответах
✔️ Потренироваться перед реальным собеседованием

❗️Собственно у меня есть такое предложение: если среди вас сыщется до 5 добровольцев, можем попробовать, это будет бесплатно. С меня развернутая обратная связь и рекомендации. На моей стороне около 15 лет работы в исследованиях, десятки (а может и за сотню) лично пройденных собеседований, некоторый опыт в найме. С вас развернутая обратная связь, которую я возможно позже опубликую у себя в канале. Если ты junior/middle UX исследователь и хочешь поучаствовать, пиши мне в личку: @machete_d0nt_text.

Так же буду очень рад репостам и мнениям в комментариях!

☝🏻Все добровольцы найдены, спасибо! По завершении всех моков расскажу как оно в отдельном посте.