День из жизни
представляет собой качественное полевое исследование, направленное на глубокое понимание повседневной деятельности, задач, проблем и преимуществ потребителей в их естественной среде. Цель этого метода — не просто собрать данные, а погрузиться в контекст жизни пользователя, чтобы выявить неочевидные инсайты, которые невозможно получить при помощи опросов или лабораторных исследований. Этот подход позволяет сформировать более точное представление о потребностях и мотивации целевой аудитории.
Этапы проведения эксперимента
Подготовка
Определение целей, выбор участника, разработка форм наблюдения/опросников, инструктаж.
Применение ИИ:
  • Генерация шаблонов и чек-листов: LLM могут быстро создать структурированные шаблоны для записи наблюдений, адаптированные под конкретную роль или процесс, на основе описания цели исследования.
  • Подготовка инструкций: автоматическая генерация понятных инструкций для наблюдателя и наблюдаемого сотрудника.
  • Предварительный анализ контекста: анализ LLM существующей документации (процедур, регламентов) для фокусировки наблюдения на потенциально проблемных областях.

Наблюдение и сбор данных (ключевая область для автоматизации):
Непосредственное наблюдение за работой сотрудника, фиксация действий, времени, проблем, эмоций, используемых инструментов и т.д. Традиционно ведется вручную на бумаге или в электронных таблицах.
Применение ИИ:
Автоматическая транскрипция и анализ аудио/видео: Запись рабочего дня (с обязательного согласия сотрудника!).
  • Транскрипция: инструменты на основе ИИ (Whisper от OpenAI и аналоги) преобразуют речь в текст.
  • Анализ действий и контекста: LLM анализируют транскрипцию:
  1. Классификация действий: автоматическое определение типа активности (например, "работа с почтой", "звонок клиенту", "ожидание ответа от коллеги", "поиск информации в системе X", "ручная обработка документа", "устранение ошибки").
  2. Извлечение сущностей: выявление ключевых объектов (имена систем, документов, коллег, клиентов, названия задач).
  3. Определение проблем и эмоций: выявление фраз, указывающих на трудности ("система зависла", "не могу найти...", "это занимает слишком много времени", "я не уверен..."), фрустрацию или стресс.
  4. Таймстампинг: привязка действий и событий ко времени (если в транскрипции есть временные метки или видео синхронизировано).
Анализ активности на компьютере (с согласия):
  • Логи приложений/веб-браузера: ИИ может обрабатывать логи для определения времени, проведенного в разных программах, сайтах, частоты переключений, активности ввода. LLM могут помочь интерпретировать эти данные в контексте задач.
Интеграция данных из разных источников: объединение данных аудио/видео, логов компьютера, данных из бизнес-систем (CRM, ERP) для построения полной картины.
Чат-боты для самоотчета: вместо (или вместе с) наблюдателя сотрудник может периодически кратко описывать текущую задачу и возникающие сложности в чате с LLM, который структурирует эти данные.

Обработка и анализ результатов:
Систематизация сырых данных наблюдений, расчет времени по категориям, выявление паттернов, основных потерь (ожидание, переделка, лишние движения и т.д.), рутинное составление сводных таблиц и диаграмм.
Применение ИИ:
  • Автоматическая категоризация и тайминг: на основе анализа транскрипции/логов LLM могут автоматически распределять действия по заранее заданным или выявляемым категориям (ценная работа, ожидание, перемещение, переделка и т.д.) и подсчитывать время по ним.
  • Выявление паттернов и трендов: анализ данных за один или несколько дней для выявления повторяющихся проблем, "узких мест", неэффективных рутин, частых отвлечений.
  • Кластеризация проблем: группировка схожих проблем, выявленных в данных (например, все случаи ожидания ответа от одного отдела, все проблемы с конкретной системой).
  • Генерация первичных сводок и визуализаций: автоматическое создание таблиц с распределением времени, диаграмм (круговых, гистограмм), списков основных выявленных проблем и их частоты. LLM могут написать краткий аналитический отчет на основе структурированных данных.
  • Ранжирование проблем: помощь в определении приоритетности проблем на основе частоты возникновения, затрат времени, потенциального влияния.

Формулировка выводов и рекомендаций:
Интерпретация результатов анализа, определение коренных причин проблем, разработка предложений по улучшениям.
Применение ИИ:
  • Генерация гипотез улучшений: на основе выявленных проблем и паттернов LLM могут предложить предварительные идеи для оптимизации (например, "Автоматизировать отчет X", "Упростить процесс согласования Y", "Предоставить доступ к базе знаний Z", "Оптимизировать интерфейс системы А").
  • Структурирование отчета: автоматизация создания хорошо структурированного финального отчета с разделами: методология, основные наблюдения, распределение времени, ключевые проблемы, рекомендуемые улучшения.
  • Помощь в анализе "5 почему": LLM могут помогать исследовать цепочку причинно-следственных связей для выявленных проблем, задавая "уточняющие" вопросы на основе данных или помогая формулировать ответы.
Примеры взаимодействия ИИ с экспериментом "День из Жизни"
Сценарий 1:
"Проанализируй предоставленную транскрипцию рабочего дня менеджера по продажам. Классифицируй каждую значимую активность по категориям: ['Работа с лидом/клиентом', 'Ввод данных в CRM', 'Поиск информации', 'Согласования/ожидание', 'Административные задачи', 'Технические проблемы', 'Прочее']. Подсчитай общее время и процентное соотношение по каждой категории. Выдели и перечисли все упомянутые проблемы и трудности, сгруппируй их по типу. Предложи 3-5 предварительных гипотез для улучшения процесса на основе выявленных потерь".
Сценарий 2:
"Сопоставь данные логов активности (файл logs.csv) с транскрипцией рабочего дня (файл transcript.txt). Для каждого сегмента транскрипции определи, какое приложение было активно, и сопоставь описанное действие с активностью в логе. Выяви случаи, когда сотрудник описывал проблему (например, 'не могу найти информацию о клиенте'), и покажи, какие действия он предпринимал в логах (например, переключение между CRM и почтой, поиск в файловой системе). Подсчитай время, потраченное на подобные проблемные поиски информации".

Ресурсы и Эффективность
Метод "День из жизни" является относительно недорогим с финансовой точки зрения. Основные затраты связаны с компенсацией времени участников, если наблюдение проводится длительно или предполагает глубокое погружение в их повседневность.

Время подготовки к применению метода занимает немного времени, преимущественно связанное с получением согласия участников и логистикой.

Время реализации метода является более затратным, поскольку требует многочасового наблюдения за каждым участником. В зависимости от количества исследуемых лиц, это может занять от нескольких дней до нескольких недель.
Способ подтверждения гипотезы
Выполнение задач
Данные, полученные в результате фиксации задач, проблем и выгод потребителей в течение дня, служат слабым доказательством. Несмотря на то что наблюдение происходит в реальной жизни (что делает его более надежным по сравнению с лабораторными условиями), интерпретация этих данных всё равно требует дальнейшей проверки. Распределение по группам и ранжирование результатов этого эксперимента являются предварительными выводами, требующими дополнительной валидации.
Отзывы потребителей
Любые дополнительные высказывания потребителей, записанные в ходе исследования, но не связанные напрямую с их задачами, проблемами или выгодами, также считаются слабым доказательством. Однако эти высказывания чрезвычайно полезны для формирования контекстного понимания и получения качественных инсайтов, которые могут быть использованы для разработки гипотез в последующих экспериментах.
Требования к проекту и специалистам
Для успешного применения метода "День из жизни" требуются следующие навыки:
  • Исследовательские навыки: способность к систематическому наблюдению, фиксации данных и выявлению закономерностей.
  • Внимательность к деталям: умение замечать мелочи, которые могут оказаться ключевыми для понимания поведения потребителей.
  • Объективность: способность фиксировать факты без предвзятости и собственных интерпретаций.
Рекомендуется проводить исследование в командах из двух человек, чтобы иметь возможность сравнивать заметки и обеспечивать более полный и объективный сбор данных.
Идея цифрового продукта
В контексте разработки цифрового продукта, метод "День из жизни" незаменим для:
  • Выявления реальных пользовательских сценариев: понимание того, как продукт будет интегрироваться в повседневную жизнь пользователя.
  • Обнаружения "болевых точек": идентификация проблем, которые могут быть решены с помощью цифрового продукта.
  • Валидации функционала: проверка, насколько предлагаемые функции соответствуют реальным потребностям и привычкам пользователей.
  • Формирования пользовательских историй: создание более точных и релевантных историй на основе реального опыта.
Кейс-пример:
«HeadHunter»
HeadHunter постоянно работает над улучшением своего пользовательского опыта для соискателей и работодателей. В рамках исследования по улучшению мобильного приложения для соискателей, возникла потребность глубже понять, как именно пользователи ищут работу в течение дня, какие рутинные действия они выполняют, с какими трудностями сталкиваются и в какие моменты времени они наиболее активно взаимодействуют с платформой.

Применение эксперимента "День из жизни":
Команда HeadHunter провела полевое исследование, используя метод "День из жизни". Они получили согласие от нескольких активных соискателей и наблюдали за их поведением в течение рабочего дня или дня поиска работы.

Наблюдатели фиксировали:
  1. Моменты, когда соискатель заходит в приложение: утром перед работой, в обеденный перерыв, вечером после работы, в общественном транспорте.
  2. Типы выполняемых действий: просмотр новых вакансий, отклики, редактирование резюме, просмотр откликов от работодателей.
  3. Возникающие проблемы: медленная загрузка, неудобный поиск, сложности с форматированием резюме, отвлекающие факторы.
  4. Потребности и желания: получение уведомлений о новых вакансиях, персонализированные рекомендации, быстрый доступ к информации.

В результате эксперимента были выявлены следующие ключевые инсайты:
  • Соискатели часто просматривают вакансии в "короткие" промежутки времени (например, в транспорте или очереди), что требовало оптимизации интерфейса для быстрого сканирования информации.
  • Существовали неочевидные "болевые точки" при редактировании резюме на мобильных устройствах, что приводило к отказу от заполнения.
  • Пользователи высоко ценили мгновенные уведомления о новых вакансиях, но их количество должно было быть сбалансировано, чтобы не вызывать раздражения.
Эти наблюдения позволили команде HeadHunter внести целенаправленные изменения в дизайн и функционал мобильного приложения, улучшив навигацию, оптимизировав процесс отклика и предоставив более релевантные уведомления. Это привело к росту вовлеченности пользователей и увеличению количества откликов на вакансии через мобильное приложение.


Ссылки:
HeadHunter -
https://hh.ru/
Видео по теме
How to Make User Behavior Analytics Work for You
UX-исследования | Что люди говорят vs что люди делают