Выступление Ольги Сгибневой, экс-директора по развитию бизнеса HeadHunter, в рамках V Всероссийского форума по сбору и анализу данных в маркетинге «MARKETING DATA ANALYTICS 2025», прошедшего 24-26 сентября 2025 года в Москве.
Зачем нам исследования, ML, BIG DATA, AI?
Любой бизнес требует увеличения прибыли, роста доли рынка, повышения среднего чека и LTV-клиента. Для помощи в решении этих задач применяются классические исследования (социология, маркетинг) и новые технологии (Big Data, ML, AI). Но при этом необходимо помнить, что ни один из этих инструментов сам по себе не способен решить все задачи – нужен микс методов.
Например, классические социологические или маркетинговые исследования имеют особую ценность, когда ситуация непонятна, целевая аудитория не определена, а продукт еще не сформирован. В таких случаях традиционные методы помогают выявить скрытые слои восприятия информации и сформировать гипотезы. Это тот первоначальный фундамент, на котором строится понимание. Без этого любые данные и алгоритмы будут лишь набором цифр без смысла.
Другой тип исследований – мониторинговый – позволяет отслеживать динамику. Видеть изменения во времени и сравнивать себя с конкурентами. Такие исследования помогают понять, куда двигаться дальше и какие гипотезы проверять.
С другой стороны, Big Data и машинное обучение дают возможность работать с огромными объемами информации, выявлять закономерности и тренды, которые не возможно определить при традиционных подходах. Но при этом нельзя забывать, данные – это не абсолютная истина. В них всегда есть ошибки, пробелы и искажения, которые требуют распознавания и корректировки. Для этого проводится сверка данных с реальной ситуацией через проведение полевых, классических исследований.
Почему при любых исследованиях происходят когнитивные искажения и что с этим делать?
Каждый из нас живет в своем «пузыре» восприятия. Это приводит к тому, что люди в первую очередь склонны искать подтверждение своим личным гипотезам и ожиданиям. В итоге, они могут воспринимать информацию выборочно и трактовать ее в свою пользу. Это особенно опасно в бизнесе, где решения часто принимаются на основе неполных или искаженных данных.
Задача исследователя максимально расширить зону восприятия, выйти за пределы собственных убеждений и предвзятостей. Для этого рекомендуется использовать внешние источники информации – привлекать экспертов и клиентов, применять инструменты, которые помогают взглянуть на проблему с разных сторон. В этом контексте хорошим вспомогательным инструментом может служить ИИ.
Также, чтобы снизить влияние таких искажений, в компании необходимо выстраивать культуру, в которой ошибки и неподтвержденные гипотезы воспринимаются не как провал, а как ценный результат, который позволяет избежать ненужных затрат и направить усилия в более перспективные области.
Как правильно выстроить процесс исследований для получения реального результата
Ольга Сгибнева: «Вообще, любимая моя задача – это когда требуется взять какой-то сегмент людей, правильно все прикинуть и посмотреть, как с ними повзаимодействовать. Понять, какие у них есть неосознаваемые проблемы и потребности на каком-то их пути вокруг нашего продукта. В этом случае, нам нужен не первый слой ассоциаций, но тот, который даст нам возможность завтра продавать этим людям. Продавать тот продукт, про который они сегодня еще даже не понимают, что они будут готовы его купить.
Наверное, поисковые и социологические исследования именно про это. Более того, когда мы ищем то, не знаем что и там не зная где, то можем так технологически все выстроить, что оно будет работать».
Как следует строить процесс исследования, чтобы получать реальные результаты и минимизировать возможные ошибки:
- Необходимо использовать комплексный подход – Big Data, машинное обучение, классические социологические и маркетинговые исследования и другие методы.
- Нельзя принимать данные из Big Data «как есть». Необходимо сверять их с реальностью, проводя полевые исследования для выявления ошибок, пробелов и несоответствий.
- Следует учитывать ограничения и уровень качества существующих баз данных.
- При сотрудничестве с дата-аналитиками не стоит забывать о бизнес-логике. Часто инженеры и аналитики думают иначе, чем маркетологи и коммерсанты. Необходимо корректировать логику моделей под реальные бизнес-задачи.
- Полезно регулярно обогащать данные и корректировать модели. А также проверять и корректировать ошибки в данных.
- Нельзя ограничиваться одной методологией. Следует использовать разные инструменты для разных задач.
- Необходимо вести постоянный мониторинг соответствия получаемых данных и реальности.
- Следует помнить – ни один ИИ или ассистент не заменит живое общение с реальными людьми и экспертами. Поэтому их всегда следует привлекать для глубокого анализа.
- Для сбора в ограниченное время большого количества данных следует использовать ИИ-ассистентов и панели для масштабных интервью.
- Требуется развивать навыки по постановке очередной задачи и определению следующего шага после каждого исследования.
- Полезно учиться использовать коллективный разум для анализа полученных результатов. Обсуждение и совместный разбор данных помогают выявить инсайты и отсеять шум.
- Не следует бояться корректировать курс и менять гипотезы по мере получения новых данных. Гибкость и адаптивность – ключевые качества успешного исследователя.
Ольга Сгибнева: «Если вы зашли в новую тему и вообще ничего не понимаете, то сначала не надо ничего исследовать. В этом случае берем ИИ и задаем ему вопросы, как если бы мы задавали вопросы другу. Таким образом разобраться на обывательском уровне получается довольно быстро, и для начала этого нам бывает достаточно. При этом не стоит строить иллюзии, что мы разобрались на большем уровне. Для глубокого погружения нам всегда нужны эксперты и клиенты. Никакой обученный, даже классный ассистент с этой задачей не справится. Он принесет вам те результаты, которые кто-то решил, что вам нужно их принести. Если вы идете во что-то новое и хотите найти то, чего не нашли конкуренты, искать это нужно самим. И все надо проверять».
На нашем сайте доступны программы ближайших форумов, списки спикеров и другая информация о наших проектах.
#mda #marketing #анализданных #dataanaytics #interforum #interforums #интерфорум
7 дней
HR-руководителю сегодня приходится работать в максимально хаотичных условиях, когда рост бизнеса или организации может опережать горизонты планирования.…
7 дней
Как сделать вашу систему вознаграждения лучшей и создать благоприятную среду для мотивации и развития персонала? Как разработать программы мотивации,…
