Почему компании начинают исследовать покупателей как ученые?
Если еще недавно для изучения потребительских предпочтений бизнес использовал опросы, фокус-группы, анализ продаж и отзывы, то сегодня к ним добавились еще и огромные массивы цифровых данных. Сайты фиксируют клики и переходы, приложения следят за продолжительностью сессий и последовательностью действий, а интернет-магазины хранят историю покупок… Казалось бы, никогда прежде компании не имели столько данных, позволяющих прогнозировать будет ли очередной проект успешным или неудачным.
В маркетинге часто пересказывают историю об эксперименте Sony с фокус-группой перед выпуском нового плеера: участникам показывали устройства разных цветов и спрашивали, какой вариант они предпочитают. Большинство называло яркие цвета, но когда после исследования людям предложили забрать один из плееров – почти все они выбрали черный. Эта история считается корпоративной легендой, но она хорошо иллюстрирует одну из фундаментальных проблем в исследовании действий потребителей: результат опроса и реальное действие – это не одно и то же. Поэтому сегодня бизнес все чаще пытается проверить, как их потенциальные клиенты будут вести себя в том или ином случае.
От наблюдения к эксперименту
Сегодня все чаще компании стремятся проверять свои гипотезы, создавать контрольные группы и проводить настоящие эксперименты. Это особенно распространено в сфере ИТ, где стоимость отдельного эксперимента относительно невелика – разработчик может показать двум группам пользователей разные версии интерфейса, функции или рекомендации, измерить конверсии и определить, действительно ли новая версия работает лучше.
Принципиальное отличие такого подхода от обычного анализа данных заключается в постановке вопроса. Компания не ищет подтверждения тому, что придуманное ею решение хорошее – она просто проверяет так ли это и предполагает, что гипотеза может оказаться в том числе и неверной.
Именно поэтому A/B-тестирование постепенно превратилось из отдельного маркетингового инструмента в часть продуктовой инфраструктуры крупных технологических компаний. Spotify, Booking.com и другие цифровые сервисы проводят тысячи экспериментов, прежде чем изменения становятся частью продукта. В результате внутри бизнеса появляется своеобразная лаборатория. Только вместо лабораторного оборудования используются системы аналитики и feature flags, а вместо физиологических показателей измеряются конверсия, retention, продолжительность сессии или другие продуктовые метрики.
Цель при этом остается очень похожей на цель научного эксперимента: отделить реальный эффект от случайного совпадения и получить достаточно надежные данные, чтобы на их основании принять решение.
Как действуют компании ИТ-сферы?
Для крупных цифровых сервисов такие эксперименты давно перестали быть разовыми исследованиями перед запуском нового продукта. Они уже стали частью самого процесса разработки.
Spotify использует A/B-тестирование в мобильных и десктопных приложениях, backend-сервисах, пользовательских коммуникациях и системах персонализации. Для отдельных направлений компания создает собственные инструменты, позволяющие продуктовым командам быстрее настраивать эксперименты, распределять пользователей между разными вариантами продукта и анализировать результаты. При этом большая часть проверяемых идей вовсе не успешная – по данным Spotify, опубликованным в 2026 году, только около 12% A/B-тестов приводят к положительному результату, после которого изменение можно запускать в продукт. Однако около 64% экспериментов все равно дают компании полезную информацию: помогают обнаружить негативный эффект, отказаться от неудачного решения или сформулировать новую гипотезу.
На первый взгляд такая статистика может показаться неудачной, но с точки зрения культуры экспериментов все наоборот – если компания заранее знает результат большинства своих тестов, вероятно, она проверяет только те решения, в которых и без эксперимента почти уверена. Отрицательный результат здесь тоже результат. Команда потратила ресурсы на эксперимент, но не потратила их на масштабирование функции, которая не будет пользоваться успехом.
Похожий подход использует Booking.com, где эксперименты встроены непосредственно в продуктовую разработку. Вместо того чтобы спорить о том, какой вариант интерфейса, механики или пользовательского сценария окажется лучше, команда может проверить предположение на реальном поведении пользователей. Цифровая среда создает для этого почти идеальные условия. Одну аудиторию можно автоматически разделить на экспериментальную и контрольную группы, показать им разные версии продукта и собрать данные без необходимости физически взаимодействовать с каждым участником исследования. Если эксперимент не подтвердил гипотезу, изменение можно не выпускать или быстро откатить.
Именно поэтому ИТ-компании получили возможность проводить эксперименты в масштабах, которые еще недавно были доступны преимущественно исследовательским организациям. Миллионы пользователей одновременно становятся источником данных о том, как работает продукт, а разработка превращается в последовательность небольших проверок: гипотеза, изменение, измерение, решение.
Но у этой модели есть важное ограничение: проще всего она работает там, где сам продукт цифровой. С физическим товаром каждый эксперимент требует прототипа, производства, времени и зачастую специального оборудования… Именно здесь становится особенно интересно посмотреть, можно ли перенести экспериментальную логику ИТ в разработку обычных потребительских товаров.
Как действуют производственные компании?
Перенести эту же логику в мир физических товаров оказалось значительно сложнее. Здесь нельзя за несколько минут переключить часть аудитории на новую версию продукта, а после неудачного эксперимента – просто вернуть предыдущую, поэтому важно создавать сразу рабочие продукты.
Например, производитель товаров для сна – компания Askona – при разработке подушки против храпа решили начать с проведения настоящего исследования. Совместно с Самарским государственным медицинским университетом команда провела исследование с использованием компьютерной томографии, где сравнивали состояние верхних дыхательных путей сравнивали в обычном положении лежа и при приподнятом положении головы и верхнего плечевого пояса. Исследование
показало увеличение просвета практически на всех изучаемых уровнях, а на участках с наиболее выраженным исходным сужением прирост достигал 84%.
Здесь важен не только результат, но и последовательность действий. R&D-директор Askona Мария Гуржова отмечает, что если бы КТ не показала значимых изменений, дальнейшую работу над продуктом можно было бы остановить еще до полноценной разработки. А после разработки подушки компания провела еще и продуктовое исследование с участием 100 добровольцев: 50 непосредственных участников и 50 участников из СамГМУ. Для оценки использовались кардиореспираторный мониторинг, данные смарт-часов и анализ продолжительности эпизодов храпа, что важно – расшифровка записей полисомнографии проводилась для первой группы, а для второй группы специалисты СамГМУ передали нам обезличенные протоколы, которые расшифровывал наш сомнолог.
Так возникла последовательность, очень похожая на серию экспериментов при разработке цифрового продукта – сначала проверяется исходная гипотеза и только после этого измеряется конечный эффект.
После завершения испытаний наблюдение продолжили уже дома. Необычная конструкция требовала периода адаптации, однако большинство участников после привыкания продолжили пользоваться изделием. В результате к цепочке «гипотеза → механизм → измеряемый эффект» добавилось еще одно звено – реальное поведение пользователя. И это очень важно: технология может работать в контролируемых условиях, но это еще не означает, что она станет частью повседневной жизни человека.
Почему одной метрики недостаточно
Экспериментальный подход не означает, что интервью, опросы и другие классические методы исследования потребителей становятся ненужными. Скорее меняется их роль. Разные инструменты отвечают на разные вопросы и попытка свести исследование пользователя к одному источнику данных способна привести к ошибочным выводам.
Качественно проведенный эксперимент позволяет проверить, связано ли изменение поведения с конкретным решением компании, но не всегда объясняет мотив человека.
Поэтому даже компании, располагающие развитой инфраструктурой A/B-тестирования, продолжают проводить интервью, usability-тесты, дневниковые исследования и наблюдения. Цифровые данные позволяют увидеть поведение в большом масштабе, а качественные методы – разобраться в его причинах.
Можно ли заменить реального пользователя искусственным?
Развитие генеративного ИИ добавило к этой системе еще один потенциальный инструмент. Большие языковые модели уже используются для обработки массивов обратной связи, классификации пользовательских комментариев, поиска повторяющихся проблем и ускорения отдельных этапов исследований. Следующий логичный шаг выглядит особенно заманчиво: если модель способна достаточно убедительно имитировать ответы человека, можно ли использовать синтетических пользователей вместо части реальных участников эксперимента?
Для бизнеса преимущества очевидны. Исследование можно проводить быстрее, проверять больше гипотез и сокращать затраты на привлечение респондентов. Вместо нескольких десятков или тысяч реальных пользователей потенциально можно создать множество виртуальных профилей и протестировать на них разные варианты продукта еще до запуска.
Но здесь экспериментальная культура сталкивается с той же проблемой, которую сама пытается решить: предположение о том, что ИИ способен достоверно моделировать поведение человека, тоже необходимо проверить.
Та же Spotify в 2026 году исследовала возможность использовать LLM для прогнозирования результатов A/B-тестов заголовков. Модели предлагали оценить варианты так, как это могли бы сделать реальные пользователи, после чего результаты сравнивались с фактическим поведением аудитории. Выяснилось, что сырые прогнозы LLM воспроизводят лишь часть эффекта, наблюдаемого в реальных экспериментах, и демонстрируют систематическое смещение.
Получается любопытный парадокс. ИИ способен значительно ускорить работу с результатами пользовательских исследований, помочь сформулировать гипотезы и обработать объем информации, который человеку пришлось бы анализировать неделями. Но убедительная симуляция поведения пока не равнозначна самому поведению.
А значит, появление нового инструмента не отменяет основной принцип экспериментальной разработки. Любое предположение – в том числе предположение о возможностях самого искусственного интеллекта – остается гипотезой до тех пор, пока его не проверили на реальных данных.
Эксперимент дешевле ошибки
Несмотря на разницу между цифровыми сервисами и физическими товарами, логика экспериментальной разработки в обоих случаях оказывается похожей. Компания старается получить ответ на главный вопрос как можно раньше – до того, как вложит значительные ресурсы в производство, разработку и масштабирование решения.
При традиционном подходе идея проходит длинный путь от концепции до готового продукта, а главным экспериментом в конечном итоге становится сам рынок. Компания выпускает новую функцию или товар, инвестирует в производство и продвижение и только после запуска узнает, действительно ли решение оказалось востребованным.
Экспериментальная модель предлагает разбить один большой и дорогой эксперимент на серию небольших. Сначала проверить исходную гипотезу, затем механизм, прототип и измеримый результат, а после – реальное поведение пользователя. Если на каком-то этапе предположение не подтверждается, от идеи можно отказаться или изменить ее до того, как стоимость ошибки существенно вырастет.
В цифровой среде такие проверки могут занимать дни или недели. Spotify может протестировать новую функцию на части аудитории и отказаться от нее, если метрики не показывают ожидаемого эффекта. Для производителя физического продукта процесс занимает больше времени: в случае Askona потребовались анализ исследований, компьютерная томография, создание изделия, клинические испытания и наблюдение за тем, как люди используют его дома. Но экономический смысл этих процессов одинаков. Компания фактически покупает информацию раньше, чем купит дорогостоящую ошибку.
Именно поэтому способность проводить эксперименты постепенно становится самостоятельной компетенцией бизнеса. Поэтому, возможно, главным результатом развития корпоративных исследовательских систем станет не способность быстрее создавать новые продукты. Гораздо ценнее может оказаться другое умение – раньше понимать, какие продукты создавать вообще не нужно.
Опубликовано 15.09.2026
