К тексту статьи

Результаты

Превращаем наблюдения в отчёт, который помогает команде принять решение.

Результаты

Как написать отчёт, по которому можно действовать

После того как данные обработаны и выводы сформулированы, наступает время применить полученные инсайты на практике:

  1. Зафиксируйте результаты. К выводам стоит возвращаться — чтобы переиспользовать их, пополнять базу знаний о пользователях и помнить, какие решения в продукте на них опирались. Выберите подходящий формат: в зрелых командах обычно есть библиотека отчётов, а для быстрых тестов подойдёт фиксация прямо в проекте Figma. Главное это обеспечить доступ коллегам и хранить всё в общем рабочем пространстве.
  2. Поделитесь выводами с командой. Формат зависит от масштаба исследования и культуры команды: это может быть презентация, короткий пост в мессенджере или апдейт в Confluence. Цель одна — чтобы заинтересованные коллеги и заказчики могли использовать инсайты в работе и понимать, какие данные легли в основу решений.
  3. Определите следующие шаги. Какие решения нужно принять по итогам: изменить интерфейс, выбрать направление, утвердить релиз? Если это небольшой немодерируемый тест, решение можно принять сразу. Если исследование комплексное и стратегическое, соберите команду, чтобы вместе обсудить дальнейшие шаги.
  4. Перейдите к действиям. Когда направление выбрано, начинается ключевой этап это внедрение изменений на основе пользовательских данных. Каждый участник команды берёт ответственность за свой участок работы.
  5. Оцените эффект. После внедрения изменений проанализируйте их влияние на ключевые метрики. Этот шаг показывает реальную ценность исследований и помогает скорректировать подход, если результат оказался ниже ожиданий.

Ниже поговорим о том, как действовать, если вам требуется более глубокая работа с результатами исследования. Так может быть, если:

  • Вы провели масштабное дискавери-исследование, в котором было много гипотез и получено много инсайтов
  • Вы строите базу знаний о пользователях и важно, чтобы выводы из исследований были зафиксированы структурированно
  • Полученные выводы имеют стратегическое значение и на основе их должны быть приняты важные решения для всего продукта
  • Вы работаете в исследовательской команде, чья задача – не только быстро проверять интерфейсные решения, но и в общем помогать продукту развиваться с опорой на пользовательский опыт.

Пишем идеальный отчёт

Самое важное, чтобы артефакт по результатам исследования напрямую отвечал на поставленные в начале гипотезы и вопросы. Чтобы ничего не упустить, откройте записи брифинга или документ с гипотезами и последовательно раскройте каждый пункт в отчёте.

Отчёт можно оформить в любом удобном формате: слайды, страница в Confluence или Notion, онлайн-доска. Главное это придерживаться общих принципов структуры. Самые важные из них:

  • Что сделали: тип исследования, что исследовали – можно отразить и в заголовке
  • Когда: тоже можно отразить в заголовке – поможет понять актуальность исследования
  • Зачем: опишите бизнес-задачу, контекст, цель исследования, гипотезы
  • На каких материалах провели тестирование: ссылки на прототипы, наглядные скриншоты интерфейса при описании проблем
  • Главные выводы и рекомендации: важно поместить в начале, чтобы читатель мог быстро ознакомиться с основными результатами
  • Основной блок с деталями о наблюдениях: можно сгруппировать по гипотезам, которые вы проверяли
  • Каковы дальнейшие шаги: что будет происходить дальше с результатами исследования – этот блок можно и нужно обновлять после презентации результатов

Пример структуры отчёта:

Q2 2025 API… – Дата / Месяц проведения + Название

Context of the study – Контекст исследования

Business Aim – Бизнес-задача

Aims of the study – Задачи исследования

Hypotheses – Гипотезы и исследовательские вопросы

Sample – Выборка

Key outputs (нет на картинке, но сделайте просто как блок чуть больше Aims of the study) – Основные выводы

Detailed information (нет на картинке, но сделайте как cамый большой блок на страничке)

What’s next (нет на картинке, но сделайте как блок чуть больше Aims of the study) – Что дальше или “Дальнейшие шаги”

В правой колонке:

Materials – Материалы, в нём: Презентация исследования, Записи интервью (можно заменить в нашем варианте на “Сырые данные”), Задача в трекере, Запись презентации исследования

Table of contents – Содержание

Пример отчёта с контекстом, бизнес-целями, задачами, гипотезами и оглавлением.
Пример отчёта с контекстом, бизнес-целями, задачами, гипотезами и оглавлением.

Описывая проблемы в интерфейсе, обязательно покажите сам интерфейс, проблемную область и опишите:

  • Что конкретно произошло (суть проблемы)
  • Критичность проблемы
  • Как это проявилось на тесте
  • Почему это проблема

Заголовок раздела (например, Страница оформления заказа)

Суть проблемы кратко (например, “пользователи не понимают, куда нажать, чтобы оформить заказ”)

Критичность проблемы (на скриншоте нет, но напишите кратко типа “Высокая критичность”, можно подкрасить красным)

Блочок с описанием проблемы (например, 8 из 30 пользователей не смогли осуществить целевое действие (нажать на кнопку “Оформить”), и проводили в среднем около двух минут в попытках найти её в интерфейсе, прежде чем сдавались.)

Почему это проблема (например, Эта проблема может приводить к тому, что на продукте упадет конверсия в целевое действие (оформление заказа)).

Слайд отчёта связывает запрос участников на быстрый выбор даты со скриншотами интерфейса.
Слайд отчёта связывает запрос участников на быстрый выбор даты со скриншотами интерфейса.

Как определить критичность проблемы

Критичность юзабилити-проблемы складывается из трёх факторов:

  • Частота: сколько респондентов столкнулись? Сколько раз за один тест?
  • Последствия: смогут ли пользователи легко справиться с ней, или потери будут большими?
  • Где проявляется (устойчивость): пользователи столкнутся с проблемой один раз, или она будет мучать их постоянно?
Пример шкалы критичности: частота проблемы, последствия и место в сценарии.
Пример шкалы критичности: частота проблемы, последствия и место в сценарии.

Отчёт – основной, но не единственный артефакт, который рождается из исследования. В зависимости от ситуации, у вас может получиться около 7-9 единиц полезного материала по проекту:

Схема артефактов исследования: от брифа и сырых данных до отчёта, презентации и задач.
Схема артефактов исследования: от брифа и сырых данных до отчёта, презентации и задач.
  • Бриф на исследование / задача в трекере
  • Сценарий исследования (гайд с вопросами, черновик опроса или список заданий)
  • Материалы для исследования (прототипы, изображения)
  • Оригинальные сырые данные (записи интервью, ответы на опрос или немодерируемое тестирование)
  • Отчёт
  • Краткая презентация (слайды)
  • Видеозапись вашей презентации
  • Пост или письмо с краткими результатами
  • Рабочее пространство для брейнштурма или воркшопа
  • Инициативы по результатам исследования (тикеты, задачи)

Составляя отчёт, уделите внимание тому, чтобы связать эти материалы друг с другом и дать возможность читателю легко ознакомиться с ними. Это будет полезно как для понимания контекста исследования, так и для вас в будущем, чтобы иметь возможность быстро найти и переиспользовать уже имеющиеся артефакты, или сравнить новые данные с ними.

Презентация результатов

В зависимости от временных рамок, презентацию можно провести как до, так и после написания подробного отчёта. Временами презентация с подготовленными слайдами может стать и способом рассказать о результатах, и форматом отчётности.

Следующие шаги помогут сделать так, чтобы презентация выполнила свои задачи и прошла гладко:

Шаг 0 – Подумайте, кто должен присутствовать при обсуждении результатов. Помимо заказчиков, в исследовании могут быть заинтересованы смежные команды и другие коллеги, на которых могут повлиять ваши выводы. Чтобы определить круг участников, можно проконсультироваться с заказчиком исследования.

Шаг 1 – Сначала – главная мысль, потом – все детали. Не томите слушателей ожиданием и сразу озвучьте основные выводы из исследования, а дальше – раскройте их суть. Так участникам встречи будет проще осознавать происходящее и связать результаты в единую картину.

Шаг 2 – Резюмируйте, повторите главные мысли еще раз. Восприятие человека работает таким образом, что лучше всего мы запоминаем то, что услышали в начале и в конце. Поэтому в финале вашего рассказа стоит кратко повторить основные выводы.

Шаг 3 – Заложите и дайте время для вопросов и обсуждения. Живое обсуждение результатов поможет вам получить ценную обратную связь на ваше исследование и сразу прийти к некоторым идеям и инициативам по полученным выводам.

Шаг 4 – Планирование дальнейших шагов. Стоит уделить хотя бы немного времени для фиксации дальнейших шагов, даже если это всего лишь договорённость о том, когда вы встретитесь для следующего обсуждения. Это поможет команде почувствовать ответственность за работу с результатами и фасилитирует процесс имплементации. Не просто послушали и разошлись – а точно знаем, что и когда будем делать дальше.

Шаг 5 – Пришлите follow-up письмо или сообщение. После презентации оставьте коллегам простой и понятный путь до материалов исследования и продублируйте ваши договорённости.

Распространение результатов

Видимость работы исследователя – это важный фактор для развития UX-культуры в компании. Хорошо продумайте, как и где вам стоит подсветить ваши результаты:

  • Выделите основные точки контакта со стейкхолдерами и внутренней аудиторией ваших исследований, и принесите их туда. Это могут быть каналы в корпоративном мессенджере, регулярные синки или демо-встречи. Чем больше и чаще коллеги слышат о ваших проектах, тем больше людей будут иметь доступ к полезным данным в момент важных решений.
  • Опубликуйте результаты так, чтобы ими было удобно делиться. Чем проще распространить выводы, тем дальше они уйдут. Короткий пост со ссылкой на развёрнутый отчёт, карточки с основными инсайтами, и обязательно – в открытых для большинства коллег каналах.
  • Продумайте публикацию так, чтобы на результаты попались на глаза там, где это актуально. Если по проекту, для которого вы сделали исследование, есть корневой документ или задача в трекере, будет полезно добавить ссылку на результаты туда. Если вы провели несколько связанных или последовательных исследований – убедитесь, что из одного можно попасть в другое.

Имплементация результатов

Можно и нужно участвовать во внедрении рекомендаций в продукт и фасилитировать их:

  • Проведите воркшоп по результатам исследования. Для того, чтобы команде было проще декомпозировать, осознать и применить выводы, может пригодиться воркшоп или брейнштурм по подготовленному вами шаблону, целью которого будет очертить следующие шаги или инициативы по улучшению продукта на основе исследовательских данных.
  • Проверяйте статус внедрения рекомендаций. Задайте контрольный срок – для каждого проекта отдельно, или стандартный для всех – после которого вы вернетесь к оунеру проекта за новостями о том, взяты ли ваши рекомендации в работу. Это один из самых трудоемких процессов, который непросто наладить, но он поднимет ваше понимание влияния исследований на продукт на новый уровень. Вы сможете проанализировать, какие типы исследований наиболее применимы на практике, какие – дают существенный выхлоп, а какие – легли в стол. Это понимание станет основой для улучшения результативности вашей работы.

В направлении B2B исследований Островка мы внедрили регулярный процесс оценки влияния исследовательских проектов на продукт. Раз в квартал мы встречаемся и обсуждаем, были ли взяты в работу рекомендации по исследованиям, завершённым в предыдущем квартале. Если узнаем, что рекомендации проработаны и учтены, фиксируем, как конкретно и есть ли прирост в метриках по результатам изменений. Такая оценка позволяет увидеть, как действительно исследования помогают продукту, проанализировать, почему иногда проекты ложатся в стол и повысить практическую применимость наших рекомендаций

Дарья Шаклеева

тимлид B2B исследований в Островке

  • Станьте «центром знаний» о пользователях. Ваши исследования должны достигать коллег не только через тексты и публикации результатов, но и через вашу личную экспертизу. Участвуйте в стратегическом планировании, в работе по направлениям, для которых вы проводили тестирования и интервью. Это поможет уберечь команду от некоторых ошибок и более осознанно двигаться вперед.

AI в исследованиях: как он помогает уже сейчас

Стремительное развитие ИИ открывает новые возможности для оптимизации процессов в профессии UX исследователей. Вот основные этапы работы над исследованием, где способности нейросетей уже экономят рабочие часы рутинной работы:

  • Проверка бизнес-задачи. Быстрый способ понять, насколько хорошо она сформулирована и что ещё можно уточнить у стейкхолдера. GPT-prompt для оценки бизнес-задачи и генерации уточняющих вопросов для стейкхолдеров. Вставьте свою бизнес-задачу в «Бизнес-задача для анализа».
  • Генерация гипотез. Сформулировав основной набор гипотез при брифинге проекта с заказчиком, полезно попросить нейросеть подумать с вами, на что ещё может быть важно обратить внимание в процессе исследования. Полученные предложения дополнят фокус исследования и помогут не пропустить нюансы.
  • Выбор методологии. LLM помогут подобрать набор исследовательских методов для проверки ваших гипотез и определить тип данных, которые лучше всего ответят на исследовательский вопрос.
  • Поиск экспериментальных данных и исследований. Модели с функцией поиска в Сети (например, Perplexity или новые версии GPT) помогут найти научные статьи или другие исследования для аргументации и подкрепления ваших решений.
  • Корректировка формулировок в опросах и сценариях интервью. LLM помогают придумать более изящные способы задать вопрос, проверить грамматику, сократить предложения и подправить tone of voice.
  • Анализ открытых комментариев. При помощи LLM можно анализировать массив открытых комментариев, получая готовые выводы или подсчитывая долю ответов с определенными ключевыми словами. Pathway предлагает такую возможность прямо внутри платформы, при работе с анализом результатов.
  • Перевод ответов с другого языка. Надстройки Microsoft Office, Gemini в Google Spreadsheets и другие инструменты стирают языковой барьер при анализе открытых комментариев. Перевести тексты в целевой язык с помощью AI можно за пару минут прямо в вашем рабочем документе.
  • Обсчёт данных по заданным фреймворкам. Несмотря на то, что нейросети еще не всегда безупречны в анализе данных, при заданном фреймворке расчёта они могут помочь рассчитать результаты количественных исследований или проанализировать связи в массиве данных.

После проведения опроса по промокодным механикам среди пользователей, я использовала ChatGPT для анализа латентных классов (Latent Class Analysis), чтобы выявить скрытые поведенческие характеристики, которые объединяют пользователи в сегменты (классы). Также я попросила ее перечислить метрики, которые могут сделать вывод о точности и надежности модели, чтобы убедиться, что результатам можно доверять. ChatGPT описала найденные сегменты, подсветила, как каждый отличается от другого, и посчитала представленность каждого в выборке. Благодаря этому мы определили сегмент, который лучше всего реагирует на промо и скорректировали наши рассылки, чтобы отправлять промокоды тем, на чье решение его наличие действительно может сильно повлиять

Елизавета Демченко

Senior UX Researcher в Островке

Трёхмерная визуализация трёх кластеров: класс 0 показан чёрным, класс 1 — синим, класс 2 — зелёным.
Трёхмерная визуализация трёх кластеров: класс 0 показан чёрным, класс 1 — синим, класс 2 — зелёным.
  • Формулировка выводов. LLM ускоряют процесс обработки данных, помогая интерпретировать как количественные, так и качественные данные. Например, такие инструменты, как Notebook LM или Breyta помогут вам находить ответы на исследовательские вопросы и формулировать выводы с указанием конкретных цитат из транскриптов интервью.
  • Создание персон на основе собранных данных. Нейросети неплохо справляются с формированием пользовательских персон на основе выводов и результатов, которые уже сформированы вами.
  • Кабинетные исследования и обзор трендов. ИИ может помочь с поиском знаний об актуальных трендах на рынках и открытых данных в вашей предметной области. Особенно хорошо с этим справляется Perplexity и функция GPT “Поиск в Интернете”.
  • Поиск по базе знаний. Возможности современных инструментов для хранения инсайтов (например, Dovetail) или кастомное внедрение AI в локальные базы знаний позволяют сильно облегчить поиск релевантных инсайтов по теме.

Мы постоянно модифицируем базу знаний по исследованиям. С ростом числа исследователей и разделением компании на бизнес-юниты база инсайтов стала слишком громоздкой и трудной для использования. Чтобы облегчить поиск ответов на конкретные вопросы о пользователях, мы начали тестировать подход RAG (Retrieval-Augmented Generation) через сервис Onyx, который подключается к нашему Confluence. Модель не придумывает ничего нового, а извлекает релевантные фрагменты из базы и формирует связанный ответ со ссылкой на источник. Для нас это шаг к тому, чтобы база исследований перестала быть архивом и превратилась в живой инструмент принятия решений

Борис Юзефпольский

Head of UX Research в Островке

Новые возможности исследовательских инструментов

Помимо отдельных известных продуктов, таких, как Chat GPT или Perplexity, многие компании внедряют AI в свои инструменты, чем существенно облегчают жизнь исследователя.

Например, Pathway поможет быстро ознакомиться с кратким обзором на ответы респондентов при помощи AI-summary или задаст дополнительные вопросы участникам исследования на основе введенного ими текста в поле для развернутых комментариев.

СКРИНШОТЫ И/ИЛИ ССЫЛКИ

Пример уточняющего AI-вопроса о непонятных вариантах доставки при оформлении заказа.
Пример уточняющего AI-вопроса о непонятных вариантах доставки при оформлении заказа.

Ограничения AI

Несмотря на широту возможностей, AI-инструменты практичнее воспринимать как коллег-джунов. Они производительны, но их предложения и выводы нужно проверять, а ход мыслей – направлять в нужное русло.

Вот основные проблемы, с которыми вы можете столкнуться и способы их нейтрализации:

ПроблемаРешение
Галлюцинирование Многие AI-инструменты могут придумывать выводы, даже если вы скормили им конкретные транскрипты интервью или открытые комментарии.— Использование инструментов, которые дают ссылки на определенные цитаты / цифры из ваших данных, чтобы быстро проверять основания для вывода (например, Notebook LM, Breyta) — Требование указать конкретные цитаты из транскрипта или ссылки на данные — Промпты, в которых заранее прописаны правила, по которым должна действовать нейросеть (прямое указание ”не придумывай”)
Неверная интерпретация В случае сложной предметной области нейросетевая модель может не понимать нюансы сферы, и некорректно интерпретировать слова и комментарии респондентов— Поделиться с нейросетью материалами по теме и просить интерпретировать с учётом “выученного” — Подробно заданный контекст в промпте, например: “Наш продукт предлагает возможность API-интеграции отельного ассортимента”…
Неправильные расчёты Запрос обсчитать данные по конкретному фреймворку, например, Price Sensitivity Meter, может не сработать – модель использует придуманную формулу расчёта и даст ложные результаты.— Подбирать специальные инструменты для анализа данных (например, определенные плагины в GPT) — Указать верную формулу расчёта и запрашивать работу конкретно по ней
Наверх