Skip to content
Новость Greenbook нояб. 2026 г.

Greenbook: не все синтетические данные одинаковы

Синтетические данные в маркетинговых исследованиях: ML против LLM

Ажиотаж опередил объяснения

Синтетические данные превратились в одно из тех понятий, которые фигурируют в каждой вендорской презентации и конференционной программе — как правило, без чёткого определения. Если вы хотите уверенно решать, когда и как применять этот инструмент, это руководство на обычном языке охватывает три вопроса: что такое синтетические данные, почему выбор метода их генерации имеет принципиальное значение и где они реально вписываются в серьёзный количественный инструментарий.

Что такое синтетические данные?

В самом общем виде синтетические данные — это информация, сгенерированная вычислительной моделью, а не собранная непосредственно от реальных людей. В количественных маркетинговых исследованиях это, как правило, означает одно из двух: полностью синтетический датасет симулированных ответов на опросы без участия реальных респондентов либо дополненный датасет, в котором реальные ответы расширяются синтетическими — чтобы заполнить пробелы, охватить труднодоступные аудитории или увеличить объём ограниченной выборки.

Данные в таком датасете исходят не от людей, которые отвечали на вопросы. Они исходят от модели, обученной предсказывать, что эти люди могли бы сказать. Именно здесь сосредоточены и обещания, и риски.

Почему синтетические данные набирают популярность?

Несколько факторов делают синтетические данные привлекательными. Скорость: полноценное количественное исследование требует времени, тогда как синтетические данные можно сгенерировать за долю этого срока. Стоимость: расходы на полевую работу и рекрутинг респондентов накапливаются, а синтетические подходы обещают их сократить или полностью устранить. Труднодоступные аудитории: некоторые группы сложно и дорого рекрутировать, и синтетические данные предлагают способ их моделирования. Конфиденциальность: синтетические данные обходят многие требования GDPR и CCPA, поскольку не имеют прямой привязки к конкретным людям.

Вопрос не в том, решают ли синтетические данные реальные проблемы — они действительно это делают. Вопрос в том, как именно они производятся.

Метод имеет принципиальное значение

Это та часть разговора о синтетических данных, которую большинство вендорских дискуссий обходит стороной. Существуют два принципиально разных подхода к генерации синтетических данных для опросов, и у каждого принципиально разные последствия для качества исследования.

ML-подходы

Методы машинного обучения — в том числе Generative Adversarial Networks и Variational Autoencoders — обучаются на реальных исследовательских данных. Они усваивают статистическую структуру подлинных человеческих ответов: взаимосвязи между переменными, распределение установок по демографическим группам, различия между разными типами респондентов. Когда хорошо обученная ML-модель генерирует синтетические данные, она экстраполирует на основе известной, эмпирически обоснованной базы. Распределения выглядят правдоподобно. Корреляции сохраняются. Вариативность воспроизводится, потому что модель научилась ей у реальных респондентов.

Словосочетание «хорошо обученная» в этой фразе несёт большую нагрузку. Качество ML-сгенерированных синтетических данных зависит от репрезентативности и качества обучающих данных, от того, насколько строго результаты были верифицированы на реальных респондентах до использования, и от того, насколько предполагаемое применение совпадает с тем, что модель умеет делать надёжно. Модель, обученная на узкой, устаревшей или предвзятой выборке, воспроизведёт эту узость в масштабе. Синтетические результаты, не прошедшие бенчмаркинг на отложенных реальных данных, — это непроверенная гипотеза, а не верифицированный результат.

Именно здесь синтетические данные занимают законное место в серьёзных количественных исследованиях.

Большие языковые модели

Использование LLM — ChatGPT, Claude, Gemini — для генерации синтетических ответов на опросы представляет собой принципиально иное предложение, и для количественных маркетинговых исследований — крайне проблематичное.

LLM обучаются на текстах интернета, а не на человеческом поведении. Когда LLM генерирует симулированный ответ на опрос, она опирается на паттерны из статей, постов на форумах и публикаций в социальных сетях — текстов, которые смещены в сторону выраженных, публичных, социально приемлемых мнений. Это не отражает ни подлинного частного поведения, ни всего спектра человеческой вариативности.

Последствия реальны и задокументированы. В одном из примеров, описанных Merrill Research, AI-симулированные инженеры-конструкторы стабильно называли устойчивое развитие своим главным приоритетом. Когда реальных инженеров-конструкторов спрашивали подробнее, обнаруживался другой приоритет: доступность комплектующих и запчастей, причём один из инженеров заметил, что «устойчивое развитие важно… но не когда мы не можем получить нужные детали месяцами». В условиях реальных дефицитов поставок настоящие инженеры снижали приоритет устойчивости в пользу доступности — так, как синтетические респонденты не делали. Подобное расхождение ведёт к неверным бизнес-решениям, принятым на основе недостоверных данных.

Рецензируемое исследование Cambridge University Press задокументировало, что AI-сгенерированные ответы на опросы стремятся к среднему значению, создавая искусственный консенсус и сглаживая естественные разногласия, которые характеризуют подлинное человеческое мнение. Результаты также зависят от модели и не воспроизводимы: один и тот же вопрос, заданный разным LLM, даёт принципиально разные ответы.

Использование LLM для генерации количественных данных опросов производит правдоподобно выглядящие данные, которые могут материально расходиться с реальностью.

Где синтетические данные уместны

ML-сгенерированные синтетические данные имеют законное применение в количественных исследованиях: дополнение выборок для труднодоступных аудиторий, заполнение пробелов в лонгитюдных исследованиях, снижение затрат на трекинговые исследования за счёт дополнения реальной выборки верифицированными синтетическими респондентами.

То, чего синтетические данные не могут — через LLM — это заменить реальный человеческий сигнал, который лежит в основе brand tracking, тестирования рекламы или любого исследования, где подлинная реакция потребителя является самой сутью работы.

Рамка для принятия решений

Когда синтетические данные возникают в обсуждении исследования, два вопроса помогают разрезать шум.

Первый: на чём была обучена модель? ML-методы, обученные на реальных верифицированных исследовательских данных, сохраняют статистическую достоверность. LLM, обученные на текстах интернета, — нет.

Второй: для чего используются синтетические данные? Это не строго бинарный выбор. Дополнение и замена находятся на противоположных концах спектра, и требуемая верификация должна масштабироваться в зависимости от того, где на этом спектре находится конкретное применение. Заполнение нескольких труднодоступных ячеек в иначе реальной выборке несёт принципиально иной профиль риска, чем генерация целой волны трекингового исследования. Даже законное дополнение и заполнение пробелов нуждается в верификации на реальных бенчмарках, и эта верификация должна становиться строже по мере роста синтетической доли данных. Полная замена реальных респондентов без реальной точки отсчёта — это не то место, куда количественные исследования должны заходить при нынешних методах.

Ажиотаж вокруг синтетических данных будет только нарастать. Исследователи, которые понимают разницу между типами методов, — это те, кто будет принимать взвешенные решения о том, когда и как применять эти инструменты.