Как провести кабинетное исследование: практическое руководство для продуктовых и UX-команд

Что такое кабинетное исследование?

Кабинетное исследование (desk research, оно же secondary research) — это практика сбора инсайтов из существующих источников: академические работы, индустриальные отчёты, государственные датасеты, публикации конкурентов, внутренние документы компании, новостные архивы и онлайн-сообщества. Метод работает так: формулируем исследовательский вопрос, ищем достоверные источники, извлекаем информацию с разных точек зрения и синтезируем находки в структурированную сводку, которая ориентирует команду в новой теме, рынке или аудитории. Кабинетное исследование — стандартный первый шаг перед любым primary-исследованием, потому что показывает, что уже известно, поднимает существующие ответы и направляет полевую работу на пробелы, которые ещё имеют значение.

На какой вопрос отвечает метод?

Что уже известно по теме и какие пробелы должно закрыть primary-исследование?
Кто основные конкуренты в этом пространстве и как они позиционируют свои продукты?
Какие задокументированы поведения, болевые точки и тренды пользователей в этой категории?
Какой регуляторный, демографический и рыночный контекст формирует решения пользователей в этой области?
Какие бенчмарки (конверсия, retention, NPS) типичны для индустрии?
Какой язык используют пользователи и конкуренты, говоря об этой проблеме, и какие термины стоит принять команде?

Когда использовать кабинетное исследование

В начале любого проекта, где команда не знакома с доменом, рынком или пользователем.
Перед рекрутингом интервью, чтобы уточнить вопросы и не задавать то, что уже задокументировано.
Когда бюджет или сроки не позволяют primary-исследование, а команде нужно лучшее доступное доказательство прямо сейчас.
При входе на новый рынок, когда команде нужно сначала картировать конкурентов, регуляторный контекст и ожидания пользователей.
Когда стейкхолдеры спорят о размере возможности или зрелости конкурента — опубликованные данные решают спор быстрее мнений.
При уточнении плана primary-исследования после кикоффа, чтобы фокусировать вопросы на неизвестном.

Не подходит, когда вопрос специфичен для собственных пользователей команды в её собственном продуктовом контексте — secondary-данные покрывают средние и широкие паттерны, а не конкретных пользователей. Кабинетное исследование также плохая замена, когда нужны свежие текущие поведенческие данные — публикации отстают на месяцы и годы. Наконец, кабинетное исследование может превратиться в бесконечную «кроличью нору», если команда не задаст scope и дедлайн заранее.

Что вы получаете (артефакты)

Аннотированный список источников: 20–40 достоверных с автором, изданием, датой и пометкой релевантности.
Карта тем: визуальная или письменная разбивка подтем, всплывших в литературе.
Сводный бриф: 3–10 страниц с ключевыми находками, организованными по исследовательскому вопросу, а не по источнику.
Карта конкурентов (если применимо): сравнение конкурентов по измерениям, важным для проекта.
SWOT-анализ (если применимо): сильные стороны, слабости, возможности и угрозы для собственного продукта команды.
Список открытых вопросов и пробелов — то, на что desk research не ответил, становится входом для plana primary-исследования.

Участники и сроки

Участники: нет — это безреспондентный метод.
Источники: 20–40 для типичного UX/продуктового проекта; 50+ для глубокого market entry.
Подготовка: 1–2 часа на формулировку вопроса и карту тем.
Исполнение: 2–10 дней в зависимости от scope.
Синтез и написание: 1–3 дня.

Как провести кабинетное исследование (по шагам)

1. Сформулируйте вопрос и scope

Запишите конкретный вопрос — «Чего ждут родители дошкольников от приложения по планированию питания?», а не «Расскажи мне про приложения планирования питания». Поставьте дедлайн заранее (обычно 3–10 дней) и целевое число источников (20–40 для большинства проектов). Без scope и дедлайна desk research расширяется до того момента, когда команда сдаётся.

2. Поговорите со стейкхолдерами до поиска

Потратьте 30–60 минут на каждого стейкхолдера. Спросите, что они уже знают, какие отчёты видели, что подозревают и что изменило бы их мнение. Эти разговоры раскрывают внутренние данные, о которых команда забыла, и поднимают допущения для проверки.

3. Картируйте подтемы и типы источников

Постройте быструю mind map от основного вопроса. Какие подтемы влияют на ответ? Какие типы источников покрывают каждую подтему — академические работы, индустриальные отчёты, государственные данные, блоги конкурентов, онлайн-сообщества, внутренние документы? Решите, какие типы будете использовать, до того как начнёте искать.

4. Ищите системно, не оппортунистически

Идите по типам источников по порядку. Для академики — Google Scholar, Semantic Scholar. Для индустриальных отчётов — Nielsen Norman Group, Baymard, Gartner, Forrester, Statista. Для конкурентов — их блог, пресс-релизы, кейсы напрямую. Для голосов пользователей — Reddit, Quora, обзоры продуктов. Сохраняйте каждый релевантный источник с автором, датой и URL.

5. Оценивайте достоверность источников

Проверяйте квалификацию автора, дату публикации, источник финансирования (white paper вендора имеет сильный мотив поддержать свой продукт) и цитирует ли источник primary-данные или только другие secondary. Используйте быструю рубрику (CRAAP, 5W, своя). Отбрасывайте всё старше 2–3 лет для быстро меняющихся тем.

6. Извлекайте находки, а не саммари

Для каждого оставленного источника извлекайте конкретные находки, относящиеся к вашему вопросу. Цитируйте числа, даты и прямые утверждения, а не пересказывайте. Помечайте, кто финансировал, размер выборки, географию. Цель — структурированная база находок, привязанных к источникам, а не стопка саммари статей.

7. Синтезируйте по источникам

Группируйте находки по подтемам и ищите паттерны. Где несколько источников согласны? Где противоречат? Где пробел, который ни один источник не покрывает? Синтез — это и есть ценность desk research: любой может перечислить 30 статей, но только аналитик скажет «пять источников согласны с X, два противоречат, а вопрос Y совсем не задокументирован».

8. Запустите SWOT или конкурентное сравнение, если уместно

Для проектов входа на рынок или сравнения конкурентов структурируйте часть синтеза как SWOT или таблицу сравнения фич. Эти структурированные выходы делают находки удобнее для действия.

9. Напишите бриф и список открытых вопросов

Создайте бриф 3–10 страниц, организованный по исходному вопросу: синтез впереди, список источников в конце. Завершите явным списком вопросов, на которые desk research не ответил, — это вход для плана primary-исследования.

Как AI меняет этот метод

AI compatibility: full — Кабинетное исследование — метод, наиболее радикально преобразуемый AI. Perplexity Deep Research, Elicit, Claude с веб-поиском, ChatGPT Deep Research, Semantic Scholar умеют искать, доставать, суммаризировать и цитировать источники со скоростью, недостижимой для человека. Роль человека сдвигается с «найти и прочитать всё» к «сформулировать вопрос, оценить достоверность и синтезировать по источникам».

Что может AI

Поиск и доставка источников в масштабе: Perplexity Deep Research, Elicit, ChatGPT Deep Research, Claude с поиском способны достать 20–50 цитированных источников за минуты.
Саммари и извлечение находок: LLM прочитает 30-страничный отчёт и выдаст структурированную сводку с ключевыми утверждениями, выборкой, методами и ограничениями за 5 минут на источник.
Кластеризация по темам: Atlas, Elicit, кастомные Claude-промпты могут взять список из 30 источников и сгруппировать их по теме, находке или методу.
Кросс-проверка и противоречия: AI сравнивает утверждения по источникам и поднимает где они согласны, где противоречат и где находка одного противоречит другому.
Перевод иноязычных источников: для мультирыночного desk research AI справляется с первичным переводом достаточно хорошо для извлечения находок.
Драфт сводного брифа: LLM может выдать первый драфт брифа, организованного по вопросу, который аналитик потом редактирует.

Что требует исследователя-человека

Формулировка вопроса: AI охотно ответит на размытый вопрос размытым результатом. Выбор точного вопроса, scope и дедлайна — человеческая работа.
Оценка достоверности источников: LLM цитируют источники, но не различают надёжно peer-reviewed работу от вендорского white paper или Reddit-поста. Человек должен проверить каждую ссылку.
Ловля галлюцинаций: AI-инструменты иногда придумывают цитаты или искажают реальные источники. Каждое утверждение в финальном брифе должно быть сверено с оригиналом. Это главная причина, почему «AI desk research» идёт не так.
Интерпретация культурного и рыночного контекста: находка из американского исследования может не обобщаться на Европу или Азию. Понимать, когда обобщать, а когда отложить — человеческое суждение.
Управление стейкхолдерами: разговоры со стейкхолдерами до и после, антиципация возражений и привязка находок к бизнес-решениям — человеческая работа.

AI-усиленный workflow

До AI кабинетное исследование для UX или продуктовой команды занимало 1–2 недели: ручной Google Scholar, ручное чтение 20–40 статей, ручное извлечение в таблицу и написание брифа. Аналитик тратил 70% времени на сборку и 30% на инсайт.

С AI workflow инвертируется. Аналитик тратит час на формулировку вопроса, потом запускает Perplexity Deep Research или ChatGPT Deep Research и получает 20–30 цитированных источников за 10–15 минут. Использует Claude или ChatGPT для извлечения структурированных находок за час суммарно, потом просит модель кластеризовать и кросс-сверить. Дальше аналитик тратит большую часть времени на то, чего AI не умеет: верификация ссылок, оценка достоверности, интерпретация в бизнес-контексте и написание брифа в голосе, которому стейкхолдер поверит. Проект на 1–2 недели сжимается до 2–3 дней.

Подвох — галлюцинации. Каждый AI-workflow кабинетного исследования требует прохода верификации, где аналитик открывает каждый цитированный источник и подтверждает утверждение. Пропуск этого шага ведёт к уверенно неправильным брифам, которые необратимо разрушают доверие стейкхолдеров.

Инструменты

AI deep research: Perplexity Deep Research, ChatGPT Deep Research, Claude с веб-поиском, Elicit, Consensus, Semantic Scholar AI, Atlas Workspace, Kompas AI, AnswerThis.

Академические базы: Google Scholar, Semantic Scholar, JSTOR, ACM Digital Library, PubMed, ResearchGate.

Индустриальные исследования: Nielsen Norman Group, Baymard Institute, Forrester, Gartner, Statista, Pew Research.

Государственные данные: data.gov, Eurostat, World Bank Open Data, OECD Data, национальные статистические агентства.

Конкурентная разведка: SimilarWeb, SEMrush, Crunchbase, BuiltWith, отзывы G2 и Capterra.

Управление источниками: Zotero, Mendeley, Notion, Obsidian, Roam Research.

Хорошо сочетается с

In-depth Interview (Di): Desk research ориентирует команду и уточняет вопросы интервью; интервью закрывают пробелы, на которые desk research не ответил.
Benchmarking (Bm): desk research часто выдаёт карту конкурентов как один из выходов, а Benchmarking берёт эту карту дальше через структурированное сравнение с собственным продуктом.
Survey (Sv): desk research раскрывает язык, которым пользователи говорят о теме, и survey использует этот язык для лучших вопросов и вариантов.
Persona Building (Ps): desk research предоставляет демографические, поведенческие и контекстные данные для драфта персон до того, как primary-исследование их валидирует.
Literature Review (Lr): Literature Review — более строгий, систематический вариант desk research, сфокусированный на академических источниках; методы сильно перекрываются.

Пример из практики

B2B SaaS-компания рассматривала выход на европейский рынок со своим инструментом онбординга сотрудников, уже устоявшимся в Северной Америке. Топ-команда не была уверена, нужна ли крупная адаптация продукта или его можно продавать как есть. До следующего стратегического собрания было две недели и не было бюджета на primary-исследование с европейскими клиентами.

Лид-PM запустила desk research спринт. Сформулировала вопрос как «Какие HR-регуляторные нормы и культурные ожидания вокруг онбординга различаются между Северной Америкой и ключевыми европейскими рынками (UK, Германия, Франция, Нидерланды)?» и поставила 7-дневный дедлайн. Использовала Perplexity Deep Research, чтобы собрать 35 источников, покрывающих GDPR, страновое трудовое законодательство о испытательном сроке, темпы внедрения HR-технологий из Eurostat и Statista и позиционирование конкурентов из европейских HR tech-блогов. Извлекла находки в структурированную таблицу и использовала Claude для кластеризации по странам.

Синтез показал три неожиданных вещи: GDPR требовал значительных изменений в хранении данных сотрудников и регионах серверов; немецкое законодательство о соучастии в управлении (co-determination) требовало участия рабочих советов в любом внедрении HR-технологий; доминирующие европейские конкуренты уже имели сильный паритет по базовым фичам — дифференциация должна была идти через интеграции с европейскими HRIS-платформами, которые US-продукт ещё не поддерживал. Команда отложила европейский запуск на шесть месяцев, чтобы сначала закрыть GDPR и интеграции, избежав дорогостоящего фальстарта. Кабинетное исследование стоило ноль в primary-рекруте и сэкономило, по оценке, $400K потенциально потерянных go-to-market расходов.