Подготовка

На этапе подготовки необходимо определиться с выбором форумов для анализа, которые могут быть как внутренними (принадлежащими вашей компании), так и внешними (форумы конкурентов, отраслевые сообщества). Затем следует сформулировать конкретные исследовательские вопросы, ответы на которые вы планируете найти. Примеры таких вопросов включают:

• Существуют ли доказательства того, что предлагаемый продукт или услуга не решает важнейшие задачи потребителей?
• Имеются ли указания на то, что продукт не устраняет главные проблемы пользователей?
• Наблюдается ли отсутствие ожидаемых выгод для потребителей при использовании продукта?
• Предпринимают ли потребители самостоятельные попытки устранить недостатки или обойти ограничения существующего товара?

Исполнение

На стадии исполнения проводится поиск по форумам фраз и ключевых слов, связанных с поставленными исследовательскими вопросами. Рекомендуется фиксировать результаты в виде скриншотов или экспортировать данные для последующего анализа. Важным аспектом является запись впечатлений об актуальности обсуждаемых тем и общем настроении в дискуссионных ветках, что позволяет оценить эмоциональный фон и степень неудовлетворенности пользователей.

Анализ результатов

Полученные инсайты используются для обновления шаблона ценностного предложения продукта или услуги, отражая новые данные о потребностях и проблемах пользователей. В случае выявления значимых пробелов, целесообразно связаться с наиболее активными участниками форумов для проведения более глубоких интервью или экспериментов, направленных на заполнение выявленных пробелов в понимании или функциональности продукта.

Стоимость проведения анализа дискуссионных форумов относительно невелика. Если анализ проводится на собственном форуме компании, затраты минимальны, так как аналитические инструменты могут быть уже интегрированы в существующее ПО. При анализе внешних форумов (конкурентов или других сообществ) можно использовать недорогие инструменты веб-скрапинга или проводить анализ вручную. Ручная работа сокращает финансовые расходы, но значительно увеличивает временные затраты.

Время подготовки к анализу относительно невелико, поскольку основной задачей является формулирование вопросов и выбор целевых форумов.

Время реализации самого анализа также занимает относительно немного времени. Этот процесс может занять больше времени, если не используются инструменты веб-скрапинга, поэтому рекомендуется по возможности автоматизировать сбор данных для сокращения затрат времени. Основное внимание уделяется поиску закономерностей в нерешенных задачах, проблемах и выгодах.

Типы обходных решений
Поиск закономерностей в обходных решениях (workarounds) или нестандартных способах использования продукта, которые позволяют пользователям достичь желаемого результата, является веским доказательством. Этот феномен, схожий с концепцией "решения, чтобы устранить проблему" (problem-solution fit) Стива Бланка, демонстрирует, что пользователи активно ищут собственные методы для преодоления ограничений продукта, указывая на потенциальные улучшения.

Типы запросов относительно свойств
Поиск закономерностей в наиболее часто запрашиваемых свойствах продукта (например, первые три по частоте упоминания на форумах), а также задач и проблем, которые эти свойства призваны решить, является относительно слабым доказательством. Это объясняется тем, что запросы на новые функции требуют проведения дополнительных экспериментов для подтверждения их необходимости и ценности для решения реальных проблем пользователей.

Требования к специалистам

Необходимые Навыки: Для эффективного проведения анализа требуются навыки исследования и работы с данными. Специалист должен уметь выбирать релевантные дискуссионные форумы, осуществлять сбор данных (в том числе с использованием веб-скрапинга) и проводить их глубокий анализ. Понимание того, какие вопросы являются ключевыми для получения ценных инсайтов, а также опыт в области данных и исследований, значительно повышают качество анализа.

Данные с дискуссионного форума: Наиболее важное требование — наличие действующих форумов с достаточным объемом обсуждений, позволяющих найти ответы на поставленные вопросы. Если вы выявляете нерешенные задачи, связанные с продуктом конкурента, целесообразно взаимодействовать с сообществом и участвовать в дискуссиях. Собственные корпоративные форумы являются особенно богатым источником ценных данных.

1. Сбор данных:

• Источники: Публичные форумы (Reddit, специализированные нишевые форумы, Twitter/X, отзовики), соцсети, внутренние корпоративные порталы, чаты поддержки (анонимизированные).
• Инструменты: Используются парсеры (web scrapers) или API платформ (если разрешено). Важно соблюдать правила платформ и законы о защите данных (GDPR, CCPA и т.д.)!

2. Очистка и предобработка:

• Удаление HTML-тегов, рекламы, дубликатов.
• Нормализация текста (приведение к нижнему регистру, удаление стоп-слов, лемматизация/стемминг).
• Обработка сленга, опечаток (ИИ с этим справляется все лучше).

3. Анализ с помощью ИИ/LLM:

• Тематическое моделирование (Topic Modeling): Автоматическое выявление ключевых тем обсуждений (LDA, BERTopic).
• Анализ тональности (Sentiment Analysis): Определение эмоциональной окраски (позитив, негатив, нейтрал) по отношению к продуктам, функциям, сервисам, бренду.
• Классификация интентов (Intent Classification): Распознавание намерений пользователя (жалоба, вопрос, предложение, похвала).
• Распознавание именованных сущностей (NER): Выявление упоминаний конкретных продуктов, функций, конкурентов, мест, людей.
• Кластеризация: Группировка схожих по смыслу высказываний для выявления паттернов.
• Глубинный качественный анализ (с помощью LLM): Понимание контекста, выявление скрытых "болей", предложений по улучшению, причинно-следственных связей. Это ключевой этап для выявления нюансов.

4. Визуализация и интерпретация:

• Дашборды с облаками слов, графиками тональности по темам/времени, картами тем.
• Выводы: Какие проблемы (pains) самые частые и болезненные? Какие решения (gains) предлагают сами пользователи? Каковы неудовлетворенные потребности? Как меняется настроение? Какие тренды появляются?

1. Промпт для разведки тем (широкий охват):

"Проанализируй предоставленные тексты обсуждений с форума о [Вставь тему, например: 'удаленной работе' или 'облачном хранилище']. Выяви 7-10 ключевых повторяющихся тем. Для каждой темы:
1) Назови ее кратко.
2) Опиши суть проблемы или вопроса, поднимаемого пользователями.
3) Укажи примеры фраз из текста, иллюстрирующие эту тему.
4) Оцени общую тональность обсуждения по теме (позитивная, негативная, смешанная, нейтральная).
Представь результат в виде четкой таблицы."

Промпт для глубинного анализа "болей" и решений:
"Ты - опытный аналитик клиентского опыта. Ниже представлены отрывки из обсуждений пользователей [Вставь продукт/сервис/отрасль, например: 'мобильного банка' или 'беспроводных наушников']. Твоя задача:
Шаг 1: Выяви ключевые 'боли' (frustrations, problems): Сгруппируй схожие жалобы и проблемы. Для каждой группы: а) Кратко сформулируй суть боли. б) Оцени частоту упоминаний (высокая/средняя/низкая). в) Оцени эмоциональную интенсивность (сильная/умеренная/слабая). г) Приведи 2-3 репрезентативные цитаты. д) Предположи возможные коренные причины.
Шаг 2: Выяви предложенные решения/пожелания (gains): Найдите места, где пользователи предлагают способы решения проблем или выражают желаемые улучшения. Сгруппируй их. Для каждой группы: а) Кратко сформулируй суть предложения/желания. б) Оцени частоту. в) Приведи 1-2 репрезентативные цитаты.
Шаг 3: Синтез: На основе анализа, выдели ТОП-3 самых критичных 'боли' и ТОП-3 самых часто предлагаемых или востребованных решений/улучшений. Кратко обоснуй выбор.
Представь ответ структурированно, по шагам."

Промпт для анализа тональности в контексте:
"Проанализируй тональность высказываний в предоставленных текстах, касающихся конкретно [Вставь аспект, например: 'нового обновления интерфейса' или 'службы поддержки']. Не просто классифицируй как 'позитив/негатив', а постарайся уловить нюансы: разочарование, энтузиазм, недоумение, благодарность, скепсис. Выяви основные причины, вызывающие негативную реакцию. Выяви основные причины позитивной реакции. Представь краткий отчет с выводами и подтверждающими цитатами."

Adobe столкнулась с распространённой проблемой: огромный объём обратной связи от пользователей поступал из самых разных источников — форумов поддержки, социальных сетей вроде Twitter и Facebook, отзывов в магазинах приложений и опросов. Ручной анализ такого потока данных был медленным, неэффективным и не позволял масштабировать процесс.
Чтобы решить эту задачу, компания внедрила платформу Qualtrics XM Discover, которая использует технологии искусственного интеллекта (ИИ), включая обработку естественного языка (NLP) и машинное обучение (ML).

Эта система позволила Adobe автоматизировать и углубить анализ обратной связи.

• Сбор и классификация. Отзывы из всех каналов автоматически собирались в единой платформе. ИИ классифицировал их по продуктам (например, Photoshop, Premiere Pro), темам (производительность, ошибки, интерфейс) и тональности (позитивная, негативная, нейтральная).
• Выявление проблем и предложений. ИИ анализировал текст отзывов, чтобы выявить ключевые проблемы пользователей — например, частые сбои при сохранении в определённой версии Photoshop, сложности с отменой подписки или отсутствие нужных функций в Illustrator. Система также находила конкретные предложения по улучшению продукта.
• Приоритизация. Adobe использовала комбинацию факторов для определения наиболее важных проблем: частота упоминания, эмоциональная окраска (насколько негативен отзыв) и потенциальное влияние на бизнес. Это позволяло сфокусироваться на тех задачах, которые требовали немедленного решения.
• Оповещения. Система автоматически отправляла уведомления командам в случае резкого роста негативных отзывов по какой-либо теме, что позволяло проактивно реагировать на потенциальные кризисы.

В результате внедрения ИИ-платформы, Adobe получила значительные преимущества.

• Скорость. Команды стали получать ценные инсайты в разы быстрее, чем при ручном анализе.
• Глубина понимания. ИИ выявлял неочевидные и системные проблемы, которые могли быть упущены при выборочном чтении отзывов.
• Приоритезация разработки. Полученные данные напрямую влияли на список задач продуктовых команд, помогая им сосредоточиться на исправлении наиболее критичных багов и разработке востребованных функций.
• Улучшение поддержки. Понимание самых частых проблем позволило улучшить базу знаний и повысить квалификацию агентов поддержки.

Таким образом, Adobe превратила хаотичный поток обратной связи в структурированный и actionable-инструмент для улучшения продуктов и повышения удовлетворённости клиентов.

Ссылки:
https://softlist.kz/ru/news/adobe-creative-cloud-polnyy-obzor-i-opravdyvaet-li-on-svoyu-cenu