Как спроектировать UX-опрос: практическое руководство с AI-промптами

Что такое UX-опрос?

Опрос (Survey) — структурированный метод исследования, который собирает данные о самоотчётах большого числа респондентов через стандартизированный набор вопросов: закрытых (выбор одного варианта, шкалы Ликерта, ранжирование) и открытых (свободный текст). Опросы входят в число наиболее доступных методов UX-исследований, потому что хорошо масштабируются, обходятся сравнительно недорого на один ответ и позволяют охватить пользователей, которые никогда не придут на интервью или лабораторную сессию. Главная ценность метода — в том, что он позволяет количественно измерить установки, предпочтения, уровень удовлетворённости и поведенческие самоотчёты широкой аудитории, получая данные, пригодные для статистического анализа, сегментации и отслеживания трендов во времени.

На какой вопрос отвечает метод?

Насколько пользователи довольны продуктом в целом и конкретными функциями или рабочими процессами?
Какие функции пользователи считают наиболее важными, а какие используют редко или понимают плохо?
Какие болевые точки встречаются чаще всего и как часто пользователи с ними сталкиваются?
Как различаются установки, удовлетворённость или использование функций в разных сегментах (роль, стаж, устройство, география)?
Какие причины ухода, перехода на более дешёвый тариф или отказа от функции называют сами пользователи?
Как изменились удовлетворённость или восприятие продукта с момента последнего замера или релиза?

Когда использовать

Когда команде нужно измерить установки или удовлетворённость пользователей на большой выборке: опросы собирают данные от сотен и тысяч человек за долю стоимости интервью.
Когда предшествующее качественное исследование (интервью, юзабилити-тесты) выявило темы, и команде нужно понять, насколько они распространены среди всей аудитории.
Когда продуктовая команда хочет расставить приоритеты в бэклоге функций, опираясь на то, что пользователи считают наиболее важным, — используя данные репрезентативной выборки, а не мнения нескольких активных пользователей.
Когда нужно измерить эффект изменения во времени: одинаковый опрос до и после редизайна даёт сопоставимые точки данных, отражающие прогресс.
Когда нужно сегментировать пользователей по демографии, поведению или установкам, чтобы выделить группы с разными потребностями.
Когда нужно собрать обратную связь в конкретный момент пользовательского пути — после онбординга, покупки, обращения в поддержку — пока впечатления ещё свежи.

Метод не подходит, когда команде нужно глубоко понять, почему пользователи ведут себя именно так: опросы фиксируют то, что люди говорят, а не то, что они делают, и самоотчётные данные подвержены предвзятости воспоминания, социальной желательности и удовлетворённости минимумом. Чтобы разобраться в первопричинах, сочетайте опросы с качественными методами — интервью или контекстуальным исследованием. Опрос также плохо работает, когда команда ещё не знает, какие вопросы задавать: если пространство проблем только изучается, начните с интервью, чтобы усвоить словарь и заботы пользователей, а затем измеряйте эти находки опросом. Наконец, опросы теряют смысл, когда целевая аудитория слишком мала (менее 50–100 респондентов) для полноценного статистического анализа.

Что вы получаете (результаты)

Количественный датасет с распределением ответов по каждому закрытому вопросу — готов к статистическому анализу, кросс-табуляции и визуализации.
Показатели удовлетворённости, рассчитанные по стандартизированным инструментам (NPS, CSAT, SUS, UMUX-Lite, CES), которые можно сравнивать с отраслевыми бенчмарками или отслеживать в динамике.
Сегментированный анализ, разбивающий ответы по типу пользователя, демографии, частоте использования или любой другой переменной, собранной в опросе.
Кодированные открытые ответы, сгруппированные по темам, с частотами, показывающими, сколько респондентов упомянули каждую тему.
Приоритетный рейтинг функций, болевых точек или зон улучшения на основе важности и разрывов в удовлетворённости по версии пользователей.
Итоговый отчёт с ключевыми находками, различиями между сегментами, сравнением с предыдущими замерами (при повторных опросах) и конкретными рекомендациями для продуктовой команды.

Участники и сроки

Респонденты: минимум 100 заполненных анкет для базовой статистической надёжности. Для сравнения сегментов — не менее 30 ответов на сегмент. Конверсия встроенных опросов составляет 10–30%, email-рассылок — обычно 5–15%.
Длина опроса: 5–10 минут (15–25 вопросов). После 10 минут процент завершений резко падает.
Время на дизайн: 3–7 дней на составление анкеты, внутренний отзыв, пилотное тестирование с 5–10 людьми и правки.
Время сбора данных: 5–14 дней.
Время на анализ: 2–5 дней на очистку данных, статистический анализ, кодирование открытых ответов, визуализацию и написание отчёта.
Общий срок: 2–4 недели от формулировки исследовательского вопроса до финального отчёта.

Как спроектировать и провести UX-опрос (пошагово)

1. Определите исследовательские вопросы и то, как данные будут использоваться

Запишите конкретные решения, которые должен поддержать этот опрос, прежде чем написать хоть один вопрос анкеты. «Хотим получить обратную связь» — не исследовательский вопрос. «Какой из трёх вариантов онбординга даёт более высокую уверенность по самоотчётам?» — исследовательский вопрос. Для каждого вопроса отметьте, какое решение он поддерживает, и что команда сделает при том или ином ответе. Если вопрос не связан ни с каким решением — уберите его.

2. Выберите типы вопросов и сформулируйте их

Стройте анкету вокруг четырёх типов вопросов: закрытые с одним вариантом ответа (для демографии и категориальных данных), шкалы Ликерта (для установок и удовлетворённости), вопросы с множественным выбором (для поведения и использования функций) и открытые (умеренно, для контекста и пояснений). Следуйте пяти принципам из исследований дизайна опросов: нейтральность (без подталкивающих формулировок), конкретность (точные временные рамки и поведение вместо размытых формулировок), единственность (один концепт на вопрос — никогда двойных), возможность ответить (каждый респондент может честно ответить, с вариантом «Не применимо» там, где нужно) и ясность (уровень шестого класса, без жаргона). Там, где существуют стандартизированные инструменты (SUS, NPS, CSAT, CES, SEQ), используйте их, а не придумывайте собственные.

3. Спроектируйте структуру опроса и логику

Группируйте связанные вопросы вместе, чтобы снизить переключение контекста. Помещайте наиболее важные вопросы в начало. Используйте разветвляющую логику для пропуска нерелевантных вопросов. Рандомизируйте порядок вариантов ответа в вопросах с множественным выбором, чтобы противодействовать предвзятости первичности, но не рандомизируйте шкалы. Добавьте индикатор прогресса. Удерживайте общее количество в пределах 25 вопросов и 10 минут.

4. Проведите пилотное тестирование

Запустите пилот с 5–10 людьми, похожими на целевую аудиторию. Попросите их заполнять опрос, думая вслух (техника когнитивного интервью): «Было ли что-то непонятным? Как вы пришли к своему ответу? Что означает этот вопрос для вас?» Проверьте опрос также на мобильном. Исправьте все проблемы, выявленные пилотом: запутанные формулировки, отсутствующие варианты ответа, сломанные логические пути, вопросы, на которые уходит слишком много времени.

5. Распространите опрос

Выбирайте канал распространения исходя из того, кого нужно охватить. Встроенные в продукт перехваты дают наибольшую релевантность, потому что респонденты находятся в контексте. Email-рассылки охватывают пользователей, которые сейчас неактивны. Провайдеры панелей позволяют достучаться до непользователей или потенциальных клиентов. Включите чёткое вступление: кто проводит опрос, зачем, сколько времени он займёт и как будут использоваться ответы.

6. Следите за сбором данных и закройте опрос

Ежедневно отслеживайте количество ответов и процент завершений. Если процент завершений ниже 50% — разберитесь в причинах. Не анализируйте частичные данные и не делайте выводов, пока целевая выборка не набрана. Закройте опрос в запланированный срок или когда целевая выборка достигнута.

7. Очистите данные

Удалите ответы «строчников» (одинаковый ответ на все вопросы Ликерта), «скороходов» (завершивших менее чем за треть медианного времени) и тех, кто провалил вопросы-проверки внимания. Из открытых ответов удалите спам, бессмыслицу и офтопик.

8. Проанализируйте и визуализируйте

Для закрытых вопросов рассчитайте распределения ответов, средние значения, медианы и стандартные отклонения. Сделайте кросс-табуляцию по сегментам и проведите статистические тесты (хи-квадрат для категориальных сравнений, t-тест или ANOVA для шкальных). Для открытых вопросов закодируйте ответы по темам — вручную или с помощью AI-инструментов — и подсчитайте частоты.

9. Представьте находки и дайте рекомендации

Структурируйте отчёт вокруг исследовательских вопросов. Для каждого вопроса представьте данные (что), объясните, почему это важно (и что с того), и предложите действие (что теперь делать). Выделите различия между сегментами. Включите раздел об ограничениях. Завершите приоритетным списком рекомендуемых действий.

Как AI меняет этот метод

Совместимость с AI: частичная — AI значительно ускоряет анализ открытых ответов и может помочь с проверкой дизайна вопросов, но не может заменить исследователя в определении исследовательских вопросов, выборе того, что измерять, или интерпретации результатов в бизнес-контексте.

Что умеет AI

Кодировать открытые ответы в масштабе: AI-инструменты могут прочитать тысячи текстовых ответов, сгенерировать кодбук с темами, присвоить каждому ответу коды и посчитать частоты — работа, которая вручную занимает дни, делается за часы.
Проверять дизайн вопросов на предвзятость: LLM может просмотреть черновые вопросы и отметить подталкивающие формулировки, двойные вопросы, нагруженные допущения и жаргон.
Генерировать черновики вопросов: получив исследовательские вопросы и контекст, LLM составит первый вариант анкеты в правильном формате, который исследователь затем доработает.
Суммировать и кластеризовать открытые ответы: помимо кодирования, AI умеет создавать нарративные сводки того, что говорили респонденты, группируя ответы по тональности, теме или предложенному действию.
Переводить опросы: LLM создаёт качественные черновики переводов для многоязычных опросов, которые затем проверяет носитель языка.
Выявлять аномалии в данных: AI может пометить «строчников», «скороходов» и противоречивые паттерны ответов при очистке данных.

Что требует исследователя

Определение, что и зачем измерять: решение о том, какие конструкты включить и какие бизнес-решения будут опираться на данные, требует понимания продуктовой стратегии и потребностей стейкхолдеров.
Оценка валидности вопросов: LLM может выявить проблемы на поверхностном уровне, но только исследователь способен оценить, действительно ли вопрос измеряет нужный конструкт.
Интерпретация результатов в контексте: удовлетворённость 65% означает разное в зависимости от отрасли, конкурентной среды и истории компании.
Этика и приватность: решения о том, что допустимо спрашивать, обеспечение информированного согласия и соблюдение требований GDPR, CCPA и других регуляторных актов требуют человеческого суждения.

AI-усиленный воркфлоу

До появления AI анализ открытых ответов был самым трудозатратным этапом. Исследователь выгружал сотни или тысячи текстовых ответов, читал каждый, разрабатывал кодбук, размечал все ответы, подсчитывал частоты и писал сводку. Для опроса с 500 открытыми ответами только этот этап мог занимать 2–3 полных рабочих дня.

С AI-инструментами кодирования в воркфлоу исследователь загружает сырые ответы, инструмент генерирует начальный кодбук и присваивает коды, а исследователь просматривает и корректирует результат. То, что занимало дни, теперь делается за часы, и освободившееся время исследователь тратит на интерпретацию и рекомендации, а не на разметку.

Второй важный выигрыш — в проверке дизайна вопросов. Вместо того чтобы ждать пилота и обнаруживать двойной вопрос или подталкивающую формулировку, исследователь вставляет черновик в LLM и получает обратную связь за секунды. Это не заменяет пилот — реакция живых пользователей по-прежнему необходима, — но позволяет устранить самые очевидные проблемы до начала пилота.

Инструменты

Платформы для опросов: Qualtrics, SurveyMonkey, Typeform, Google Forms, Survicate, Alchemer, Lensym.

Встроенные опросы в продукте: Hotjar Surveys, Pendo, Userpilot, Sprig (Userleap).

AI-анализ открытых ответов: BTInsights, Fathom, Qualz.ai, ChatGPT / Claude.

Анализ данных: Excel / Google Sheets, R, Python (pandas, scipy), SPSS, JASP.

Распространение и панели: Prolific, UserTesting, Respondent.io.

Хорошо сочетается с

Глубинное интервью (Di): опросы показывают, насколько распространён паттерн; интервью объясняют, почему он существует. Сначала проводите интервью, чтобы обнаружить темы, затем — опрос, чтобы измерить их частоту.
Юзабилити-тестирование модерируемое (Ut): опросы измеряют удовлетворённость и субъективный опыт; юзабилити-тестирование показывает, что на самом деле происходит, когда пользователи взаимодействуют с продуктом.
A/B-тестирование (Ab): опрос помогает выявить функции, которые пользователи хотят улучшить; A/B-тестирование затем проверяет, действительно ли конкретное изменение влияет на поведение.
NPS / CSAT / SUS (Np): стандартизированные инструменты измерения удовлетворённости часто встраиваются в опросы. Опрос создаёт контекст, который делает оценку интерпретируемой.
Построение персон (Ps): данные опроса о целях, разочарованиях, поведении и демографии напрямую питают создание персон, основывая их на количественных свидетельствах.

Пример из практики

B2B SaaS-компания, предлагающая программное обеспечение для управления проектами, заметила, что конверсия из триала в платный план упала с 12% до 8% за два квартала. Продуктовая команда предполагала, что проблема в онбординге, но не имела данных о том, что именно раздражает триальных пользователей. Провести интервью с 50+ бывшими пользователями триала было нереально в отведённые сроки, поэтому команда разработала опрос, ориентированный на тех, кто зарегистрировался на триал, но не конвертировался.

Опрос из 18 вопросов, рассчитанный примерно на 7 минут, включал шкалы Ликерта для оценки удовлетворённости конкретными шагами онбординга, вопрос с множественным выбором о главной причине неконверсии и два открытых вопроса. Команда разослала его по email 2400 бывшим триальным пользователям и получила 312 заполненных анкет (конверсия 13%).

Анализ выявил три находки, которых команда не ожидала. Во-первых, 41% респондентов выбрали «Я не мог разобраться, как создать первый проект» в качестве главной причины неконверсии — шаг, который команда считала очевидным. Во-вторых, данные Ликерта показали, что удовлетворённость шагом «Пригласить коллег» была значительно ниже всех остальных шагов (среднее 2,8 против 4,1 по пятибалльной шкале). В-третьих, открытые ответы раз за разом упоминали, что продукт казался «пустым» при одиночном триале, потому что функции совместной работы работают только с командой. Продуктовая команда переделала онбординг: добавила мастер настройки первого проекта, режим «попробовать с образцовыми данными» и упрощённый поток приглашения команды. В следующем квартале конверсия из триала в платный план восстановилась до 11,5%.

Типичные ошибки новичков

Написание вопросов до определения исследовательских вопросов

Самая распространённая ошибка — сразу приступать к написанию вопросов, не формулируя, какие решения должны поддержать данные. Перед написанием хоть одного вопроса запишите исследовательские вопросы и связанные с ними решения. Если вопрос анкеты не соответствует ни одному решению — не включайте его.

Использование подталкивающих или двойных вопросов

«Насколько вы довольны нашей отличной новой функцией?» — подталкивающий вопрос. «Насколько вы довольны скоростью и надёжностью?» — двойной. Оба распространены, потому что автор их не замечает. Способ исправления — пилотный тест с когнитивными интервью.

Слишком длинный опрос

Каждый дополнительный вопрос снижает процент завершений. После 10 минут отток ускоряется. Опрос из 10 вопросов с 70% завершений даёт больше полезных данных, чем опрос из 40 вопросов с 20% завершений.

Слишком много открытых вопросов

Открытые вопросы часто пропускают, на мобильном дают скудные ответы и занимают значительно больше времени на анализ. Если в вашем опросе более 2–3 открытых вопросов, подумайте, не подойдут ли интервью лучше.

Пропуск пилотного тестирования

Пилот с пятью людьми выявляет запутанные формулировки, отсутствующие варианты ответа, сломанную логику и проблемы с отображением на мобильных — до того как они испортят реальные данные. Пропуск ради экономии одного дня нередко обесценивает весь датасет.

AI-промпты для этого метода

4 готовых AI-промптов с placeholder’ами — скопируйте и подставьте свой контекст. Все промпты для «UX-опросов» →.