AI-метод клиентских исследований — выступление Aakash Gupta

О чём видео

Caitlin Sullivan, один из ведущих практиков в области AI-ассистированных пользовательских исследований, приходит в подкаст Product Growth Aakash Gupta, чтобы продемонстрировать, как использовать Claude для строгого анализа клиентских исследований. Эпизод включает живые демонстрации рабочих процессов для анализа опросов и интервью с пошаговыми стратегиями промптинга и фокусом на предотвращении проблем галлюцинаций, которые вызвали скептицизм у многих исследователей в отношении AI-инструментов.

Для кого

Продакт-менеджеры и UX-исследователи, которые проводят клиентские интервью, опросы или любую форму качественного анализа и хотят внедрить AI без потери строгости. Рабочий процесс практичен и применим сразу — Sullivan показывает точные промпты и объясняет логику каждого шага.

Ключевые выводы

Воспроизводите человеческий процесс, а не сокращайте его. Основной принцип: хороший AI-анализ повторяет то, как работают опытные исследователи — прочитать все данные, построить кодовую книгу, проанализировать каждого участника отдельно, затем синтезировать по всем участникам. Sullivan утверждает, что исследователи, получающие плохие результаты от AI, пропускают шаги — просят модель «суммировать все интервью» одним промптом вместо прохождения структурированного процесса.
Анализ по каждому участнику обязателен. Вместо того чтобы загружать все транскрипты интервью в модель одновременно, рабочий процесс Sullivan анализирует каждого участника отдельно, извлекая темы, цитаты и противоречия. Это не позволяет модели усреднять по всем участникам и терять конкретные находки, которые делают качественное исследование ценным. Она демонстрирует это с точными промптами в веб-интерфейсе Claude.
Проверка через поиск противоречий меняет качество результата. После первого прохода анализа Sullivan запускает отдельный этап верификации, где модель целенаправленно ищет противоречия между словами и действиями участников, между разными участниками и между данными и допущениями. Этот шаг стабильно выявляет находки, которые одноразовый анализ пропустил бы.
Для опросов: сначала кодируйте — потом отдавайте AI. Sullivan настаивает, что открытые ответы в опросах нуждаются в человеческом кодировании до AI-анализа. Она демонстрирует, как построить кодовую книгу на выборке ответов, последовательно её применить, а затем использовать AI для выявления паттернов в закодированных данных. Если пропустить кодирование, AI создаёт собственные категории, которые могут не совпадать с исследовательскими вопросами.
Claude — предпочтительная модель для аналитической работы. Sullivan объясняет свой выбор: Claude по умолчанию выдаёт более тщательный и детальный анализ по сравнению с другими моделями. Это не вопрос лояльности к бренду — она оценила несколько моделей и обнаружила, что Claude требует меньше корректирующих промптов для достижения нужного уровня аналитической глубины.

Стоит смотреть, если…

Вы регулярно проводите клиентские интервью или опросы и ищете конкретный, проверенный рабочий процесс для использования AI, который сокращает время анализа без риска попадания галлюцинированных находок в ваши продуктовые решения.