Валя Самсонова: как работает ресерч в компании, которая верит в данные

Себя Валя описывает как стопроцентного количественника — ее всегда больше интересовали статистика и закономерности в больших числах, чем что-либо еще, и этот интерес она несет через всю свою карьеру. 

Мы поговорили с Валей о том, как устроены будни research-команды день за днем — от синков до того, кто и как готовит отчеты. А еще, как искусственный интеллект стал забирать на себя то, что раньше неделями делало агентство (и стал ли на самом деле).

Классе в девятом или десятом в школу принесли журнал — кажется, его распространяла Вышка (НИУ ВШЭ) или какой-то другой вуз. Там рассказывали про гуманитарные профессии, и одна статья была про социологию. Я прочитала ее и решила: вот, что я хочу изучать.

После школы я поступила в университет при Российской Академии Наук — мы учились прямо в здании Института социологии РАН, и среда была действительно академическая — можно было подняться на этаж выше и оказаться в рабочих кабинетах института, где кипела самая настоящая исследовательская жизнь. После университета захотелось найти этим знаниям прикладное применение, и я начала работать ассистентом в Комкон.

Название компании — отсылка к книге братьев Стругацких — там была «Комиссия по контактам». Я тогда была человеком романтическим и обожала Стругацких,  мне показалось, что это знак — работать в компании с таким названием. Так я и продолжила развиваться в исследованиях.

Появляется больше рационализации. В юности мне казалось, что общественное мнение может быть неожиданным, необычным. Но в количественных исследованиях, по закону больших чисел, мы всегда получаем усредненное, популярное мнение. И в какой-то момент ожиданий становится меньше.

Я всегда была количественником — и остаюсь им. Даже когда меня брали в Комкон, на собеседовании спросили, почему именно количественные методы? Я ответила, что они более достоверны. 

Есть обычный командный синк, где обсуждаем загрузку и планы, а заодно рассказываем друг другу, кто чем занимается, если проект вышел необычным или интересным. Команда небольшая, взаимодействие ежедневное — отдельный формальный процесс обмена экспертизой в такой обстановке оказался попросту не нужен.

Путь от задачи до результата устроен по-разному. Часть работы — поток: трекинги и другие исследования, поставленные на регулярную основу, которые идут сами, без отдельного запроса от заказчика. Когда приходит новая задача, ее сначала обсуждаем: проговариваем бизнес-потребность, челленджим, синхронизируемся по методологии — что именно будем делать и что получим на выходе. 

После сбора данных мы сперва формулируем next steps внутри, а дальше защищаем результаты — либо коротко на общей встрече, либо, если тема важная, отдельной презентацией. Затем совместно с заказчиками презентуем эти данные руководству, чтобы объяснить, почему было принято то или иное решение.

Иногда инициатива идет и в обратную сторону: если у нас появляется доступ к полезным для бизнеса данным, например, к агрегированной внешней аналитике или данным в рамках каких-то коллабораций с другими подразделениями, — мы сами приходит с этим к заказчикам.

Наша команда находится внутри маркетинга, то есть физически близко к тем, кто принимает решения, и это меняет саму роль исследователя. Когда приходит новая задача, первым делом ее челленджим мы, исследователи: «А зачем это бизнесу? Какую общую задачу мы решаем? Как собираетесь использовать данные? А вы уверены?». Это часть более широкой культуры Яндекса, где задать острый вопрос можно любому сотруднику независимо от грейда, и наша команда этим правом пользуется. 

При этом, когда дело доходит до выбора метода — что и как исследовать, — последнее слово остается за исследователям: мы старается копать глубже, чем было изначально сформулировано в задаче, потому что данные почти всегда дают чуть больше или чуть иное, чем ожидалось.

Мы не исполнители, а консультанты — так говорят коллеги.

Сейчас ИИ встроен почти во все повседневные задачи: выгрузка таблиц и расчет значимостей, сборка дашбордов и html-отчетов вместо ручной отрисовки, неплохо справляется с написанием количественных анкет, особенно если дать ему хороший пример уже проведенного качественного исследования. Отдельно могу выделить кодировку открытых вопросов — это та рутина, которая раньше отнимала часы, а теперь делается сильно быстрее, не теряя в качестве. 

Ещё очень классная вещь — оптимизация процессов: мы собрали скиллы для проведения рутинных исследований типа тестов креативов буквально одной кнопкой. Такая возможность появилась благодаря фокусу на применение ИИ в компании. 

Еще мы открыты к различным  инструментам. Например, готовим очередной тест, который проведем с помощью платформы для автоматизации интервью ИнсайтЧат.

Также сейчас наша команда занимается тем, о чем давно мечтала: мы собираем единую базу всех проведенных исследований, проиндексированную не по названию отчета или тикета, а по содержанию самого исследования — раньше это было слишком долго и дорого делать руками. Теперь с ИИ этот процесс стал возможен.

Когда своими силами задачу не поднять. Это большие двухэтапные исследования, где нужны и качественный, и количественный этапы, и объем, с которым мы физически не справимся — например, тридцать пять глубинных интервью или пятнадцать фокус-групп. 

Или сложные для рекрута аудитории — B2B, нишевые сегменты, где без агентской базы или специфичных методов поиска респондентов не обойтись. 

Основное — найти сильного исследователя. Люди без опыта проведения исследований склонны к типичным когнитивным искажениям: в качественных исследованиях они свои, в количественных — свои. Задавать вопрос, не наводя человека на ответ, или держать баланс во время интервью — навык, который действительно приходит только с опытом. 

В идеале это человек  с опытом, полученным в исследовательском агентстве. Агентство — суровая школа, через которую стоит пройти, чтобы узнать «настоящую жизнь» исследований.

Сама Валя перешла на позицию руководителя в Вертикали, где до нее исследований вообще не было — она была там первым исследователем, а потом команда постепенно выросла. Строить функцию с нуля, по ее словам, оказалось невероятно развивающим опытом — хотя это далеко не обязательный путь: в команде есть коллеги, которые прекрасно чувствуют себя, погружаясь в бизнес и контекст, но без амбиции руководить.

Больше всего меня удивляет не то, что говорят респонденты, а то, как коллеги относятся к самим исследователям — иногда почти как к волшебникам, которые могут разгадать что угодно. Это трогательно, но требует и обратной работы: иногда приходится мягко разубеждать и предлагать решение задачи без исследования вовсе — «встать в ботинки этого человека» и понять, что ему на самом деле нужно.

Яндекс устроен так, что верит в исследования и понимает их ценность для бизнеса. Потому что компания, которая всерьез думает о счастье пользователя, рано или поздно приходит к идее, что оцифровывать нужно не только продажи и клики, но и это самое эфемерное счастье тоже.

А то, что держит на плаву в самой работе, — прямая обратная связь. Не столько цифры в презентации, сколько момент, когда коллега говорит: это исследование правда было полезно. 

У функции исследований часто нет постоянного потока подтверждения своей пользы в отличие от продукта или продаж (которые видят результат напрямую), поэтому обратную связь приходится запрашивать самим, проактивно.

А ещё, то, что заряжает по-настоящему — когда твое внутреннее ощущение ценности данных находит отклик в другом человеке. Условно можно представить это так: ты находишь в данных алмаз в твоём понимании, даришь его человеку, и видишь, как у него тоже загораются глаза.