Просчитался, но где? Разбираем ошибки совмещения качественных и количественных методов в процессе Discovery
Спикер: Александр Кацуро
Методы исследования продукта делятся на две большие группы: качественные (отвечают на вопросы «что?» и «почему?») и количественные (отвечают на вопрос «сколько?»).
Для принятия взвешенного решения о продукте мы обращаемся к триангуляции — использованию нескольких источников данных и инструментов. В этом подходе каждый инструмент отвечает за свою часть в процессе принятия решения, предоставляет уникальные знания и помогает рассмотреть проблему с разных сторон. Это позволяет избежать зависимости от единственного, пусть даже излюбленного, источника данных.
Существуют две стратегии комбинирования методов, зависящие от степени независимости источников данных:
1. Независимая стратегия, позволяет оценивать ситуацию с разных сторон, не учитывая влияние результатов одного этапа на другой. Она применяется, например, при тестировании концепций продуктов.
2. Последовательная стратегия используется для сложных задач без очевидных решений. Она предполагает деление задачи на этапы, где каждый предыдущий этап дает входные данные для последующего, позволяя всесторонне проработать проблему.
Почему на практике мы избегаем комбинированного подхода?
1. Объективно, это дольше. При каких-то комбинациях — сильно дольше, при каких-то — не очень, но все-таки риски времени есть.
2. Дорого и требует больших ресурсов, и это не всегда про финансы, но и про менеджерский ресурс.
Если долго, дорого, сложно, что может помочь? Искусственный интеллект!
Часть процессов исследования можно оптимизировать внедрением ИИ. Например, построить модель респондента, создать цифрового двойника и предсказывать то, как он (пользователь) будет вести себя внутри наших интерфейсов.
ИИ — это также история про производительность и автоматизацию базовых интеллектуальных процессов. Мы получаем возможность работать с любыми массивами данных — качественных или количественных — в смешанной парадигме, не делая между ними разницы.
Таким образом, для нас теперь доступна новая возможность, которая позволяет не бояться комбинировать качественные и количественные методы. Тем не менее искусственный интеллект пока далек от того, чтобы полностью взять на себя работу исследователя. В ближайшее время это будет, скорее, инструмент, расширяющий наши возможности и позволяющий нам добиваться большего.
Спикер: Александр Кацуро
Методы исследования продукта делятся на две большие группы: качественные (отвечают на вопросы «что?» и «почему?») и количественные (отвечают на вопрос «сколько?»).
Для принятия взвешенного решения о продукте мы обращаемся к триангуляции — использованию нескольких источников данных и инструментов. В этом подходе каждый инструмент отвечает за свою часть в процессе принятия решения, предоставляет уникальные знания и помогает рассмотреть проблему с разных сторон. Это позволяет избежать зависимости от единственного, пусть даже излюбленного, источника данных.
Существуют две стратегии комбинирования методов, зависящие от степени независимости источников данных:
1. Независимая стратегия, позволяет оценивать ситуацию с разных сторон, не учитывая влияние результатов одного этапа на другой. Она применяется, например, при тестировании концепций продуктов.
2. Последовательная стратегия используется для сложных задач без очевидных решений. Она предполагает деление задачи на этапы, где каждый предыдущий этап дает входные данные для последующего, позволяя всесторонне проработать проблему.
Почему на практике мы избегаем комбинированного подхода?
1. Объективно, это дольше. При каких-то комбинациях — сильно дольше, при каких-то — не очень, но все-таки риски времени есть.
2. Дорого и требует больших ресурсов, и это не всегда про финансы, но и про менеджерский ресурс.
Если долго, дорого, сложно, что может помочь? Искусственный интеллект!
Часть процессов исследования можно оптимизировать внедрением ИИ. Например, построить модель респондента, создать цифрового двойника и предсказывать то, как он (пользователь) будет вести себя внутри наших интерфейсов.
ИИ — это также история про производительность и автоматизацию базовых интеллектуальных процессов. Мы получаем возможность работать с любыми массивами данных — качественных или количественных — в смешанной парадигме, не делая между ними разницы.
Таким образом, для нас теперь доступна новая возможность, которая позволяет не бояться комбинировать качественные и количественные методы. Тем не менее искусственный интеллект пока далек от того, чтобы полностью взять на себя работу исследователя. В ближайшее время это будет, скорее, инструмент, расширяющий наши возможности и позволяющий нам добиваться большего.
tg-me.com/productsense/2610
Create:
Last Update:
Last Update:
Просчитался, но где? Разбираем ошибки совмещения качественных и количественных методов в процессе Discovery
Спикер: Александр Кацуро
Методы исследования продукта делятся на две большие группы: качественные (отвечают на вопросы «что?» и «почему?») и количественные (отвечают на вопрос «сколько?»).
Для принятия взвешенного решения о продукте мы обращаемся к триангуляции — использованию нескольких источников данных и инструментов. В этом подходе каждый инструмент отвечает за свою часть в процессе принятия решения, предоставляет уникальные знания и помогает рассмотреть проблему с разных сторон. Это позволяет избежать зависимости от единственного, пусть даже излюбленного, источника данных.
Существуют две стратегии комбинирования методов, зависящие от степени независимости источников данных:
1. Независимая стратегия, позволяет оценивать ситуацию с разных сторон, не учитывая влияние результатов одного этапа на другой. Она применяется, например, при тестировании концепций продуктов.
2. Последовательная стратегия используется для сложных задач без очевидных решений. Она предполагает деление задачи на этапы, где каждый предыдущий этап дает входные данные для последующего, позволяя всесторонне проработать проблему.
Почему на практике мы избегаем комбинированного подхода?
1. Объективно, это дольше. При каких-то комбинациях — сильно дольше, при каких-то — не очень, но все-таки риски времени есть.
2. Дорого и требует больших ресурсов, и это не всегда про финансы, но и про менеджерский ресурс.
Если долго, дорого, сложно, что может помочь? Искусственный интеллект!
Часть процессов исследования можно оптимизировать внедрением ИИ. Например, построить модель респондента, создать цифрового двойника и предсказывать то, как он (пользователь) будет вести себя внутри наших интерфейсов.
ИИ — это также история про производительность и автоматизацию базовых интеллектуальных процессов. Мы получаем возможность работать с любыми массивами данных — качественных или количественных — в смешанной парадигме, не делая между ними разницы.
Таким образом, для нас теперь доступна новая возможность, которая позволяет не бояться комбинировать качественные и количественные методы. Тем не менее искусственный интеллект пока далек от того, чтобы полностью взять на себя работу исследователя. В ближайшее время это будет, скорее, инструмент, расширяющий наши возможности и позволяющий нам добиваться большего.
Спикер: Александр Кацуро
Методы исследования продукта делятся на две большие группы: качественные (отвечают на вопросы «что?» и «почему?») и количественные (отвечают на вопрос «сколько?»).
Для принятия взвешенного решения о продукте мы обращаемся к триангуляции — использованию нескольких источников данных и инструментов. В этом подходе каждый инструмент отвечает за свою часть в процессе принятия решения, предоставляет уникальные знания и помогает рассмотреть проблему с разных сторон. Это позволяет избежать зависимости от единственного, пусть даже излюбленного, источника данных.
Существуют две стратегии комбинирования методов, зависящие от степени независимости источников данных:
1. Независимая стратегия, позволяет оценивать ситуацию с разных сторон, не учитывая влияние результатов одного этапа на другой. Она применяется, например, при тестировании концепций продуктов.
2. Последовательная стратегия используется для сложных задач без очевидных решений. Она предполагает деление задачи на этапы, где каждый предыдущий этап дает входные данные для последующего, позволяя всесторонне проработать проблему.
Почему на практике мы избегаем комбинированного подхода?
1. Объективно, это дольше. При каких-то комбинациях — сильно дольше, при каких-то — не очень, но все-таки риски времени есть.
2. Дорого и требует больших ресурсов, и это не всегда про финансы, но и про менеджерский ресурс.
Если долго, дорого, сложно, что может помочь? Искусственный интеллект!
Часть процессов исследования можно оптимизировать внедрением ИИ. Например, построить модель респондента, создать цифрового двойника и предсказывать то, как он (пользователь) будет вести себя внутри наших интерфейсов.
ИИ — это также история про производительность и автоматизацию базовых интеллектуальных процессов. Мы получаем возможность работать с любыми массивами данных — качественных или количественных — в смешанной парадигме, не делая между ними разницы.
Таким образом, для нас теперь доступна новая возможность, которая позволяет не бояться комбинировать качественные и количественные методы. Тем не менее искусственный интеллект пока далек от того, чтобы полностью взять на себя работу исследователя. В ближайшее время это будет, скорее, инструмент, расширяющий наши возможности и позволяющий нам добиваться большего.
BY ProductSense
Share with your friend now:
tg-me.com/productsense/2610