От данных к решениям: итоги Research Meetup Uzbekistan 2026
25 сентября в Ташкенте прошёл Research Meetup Uzbekistan 2026. Тема встречи — «AI или не AI: как сегодня делать исследования с ценностью для бизнеса и продукта». Девять презентаций связывает практический вопрос: как превратить данные о людях и рынке в решение, за которое команда готова отвечать.
Начинать с решения, которое предстоит принять
Диана Фионина предложила смотреть на исследовательскую задачу с четырёх сторон: стратегии руководителя, экономики, потребностей клиента и действий конкурентов. В её кейсе продукта «Ловец слов» интервью выявили потребность в быстром поиске по фразам и сценарии работы, которых не хватало в обзоре аналогов. Практический ориентир из доклада — проверять происхождение данных, искать альтернативные объяснения и заранее понимать, какое действие последует за выводом. Именно эта работа с контекстом делает исследование полезным для руководства.
Руслан Бабашев рассмотрел эту задачу через повседневную работу исследовательской команды. Перед стартом проекта он предлагает определить конкретный выбор, цену ошибки и человека, который возьмёт результат в работу. В презентации разобраны глубинные интервью, ребрендинг и тестирование креативов: на выходе нужны понятные правки и следующий шаг. AI помогает с расшифровками и черновой группировкой материала, а постановка вопроса, проверка интерпретации и ответственность за рекомендацию остаются за исследователем.
Илья Волков показал такой переход на примере ROI Navigator и маркетинг-микс-моделирования. В представленном FMCG-кейсе медиабюджет рассматривается вместе с ценой, доступностью товара и качеством креативов. У рекламных каналов есть пределы отдачи, поэтому увеличение вложений требует проверки сценариев. Модель помогает сравнить варианты распределения бюджета и оценить, что изменится при другом сочетании факторов. В презентации результаты оптимизации показаны как расчётные сценарии для принятия решения.
Проверять AI и сохранять контекст
Римантас Реймонтас представил исследование ОНИН о повседневном использовании AI. В онлайн-опросе участвовали 1 826 активных пользователей AI 18–60 лет из Казахстана, Кыргызстана и Узбекистана. Среди них 80% часто или почти всегда получали нужный ответ, а 13% обычно не находили повода в нём усомниться. Знакомые с темой респонденты чаще сами исправляли ответы и указывали AI на ошибки. Эти результаты описывают опрошенных пользователей AI и показывают, почему удобство инструмента и доверие к его ответам важно оценивать отдельно.
Юрий Шеваров разобрал скрытую работу, которая остаётся после быстрого ответа AI. В кейсе подготовки кабинетного исследования часть источников оказалась устаревшей, а зарубежные примеры — плохо применимыми к местному рынку. Команде пришлось проверять материалы и восстанавливать контекст. Аналогичный риск возникает с брифом, если в него не попали бизнес-ограничения и прошлые исследования. При анализе интервью важно сохранять наблюдения за действиями, эмоциями и затруднениями человека: одной расшифровки слов для этого может быть недостаточно.
Мафтуна Беркимбаева показала, как проблема может потеряться дважды: сначала человек смягчает критику, затем AI принимает вежливые слова за положительную оценку. На юзабилити-тесте респондент может ошибаться и просить помощи, но говорить, что всё понятно. Практический ответ — спрашивать о конкретных действиях, записывать поведение в транскрипт и сверять автоматический анализ с ручной разметкой. Описанные культурные особенности помогают внимательнее читать ответы; сама автор подчёркивает, что они не являются характеристикой каждого респондента.
Учитывать рынок, регион и жизненный сценарий
Юлия Бахмач и Ольга Яковлева предложили проверять локальные условия до запуска продукта: где продаётся категория, кто участвует в выборе, какой язык, формат и цена подходят клиенту. В банковском примере они рассматривают путь целиком — от регистрации до получения продукта. Одинаковая задача может требовать разного числа действий в разных приложениях. Такая диагностика помогает найти точки потери и определить приоритеты улучшений. Регион, семья, традиционная розница и двуязычие в их подходе становятся частью исследовательского дизайна.
Дмитрий Попов представил данные M-Vector о потребителях Узбекистана: телефонный опрос 610 человек из городов и сёл всех регионов страны. Материалы показывают значимость рынков и других офлайн-каналов в повседневном потреблении. Отдельно реальные ответы сопоставлены с синтетическими: в этом сравнении AI-массив переоценивал покупки в супермаркетах и недооценивал покупки на рынках. Это конкретный пример того, как правдоподобный цифровой портрет расходится с полевыми данными. Автор предлагает использовать синтетические ответы для гипотез и проверки инструмента, сохраняя реальные измерения поведения.
Наталья Оспанова рассмотрела зумеров и поколение 40+ через жизненные ориентиры, принятие решений, потребление и отношение к AI. Исследование Alvin Market охватывает городских жителей 16 лет и старше в пяти странах; общая выборка — 2 712 человек. Межстрановые сравнения показывают, насколько неоднородны представления об успешной жизни даже внутри одной возрастной группы. Для работы с аудиторией полезно изучать семейный контекст, способы выбора и мотивы покупки вместе с возрастом. Такой взгляд помогает точнее формулировать гипотезы о продукте и коммуникации.
Из этих материалов складывается последовательность для практики: определить решение и ответственного за него, собрать подходящие данные, проверить интерпретацию и связать выводы с конкретным действием. AI можно включать в этот процесс на разных этапах, сохраняя проверку источников, внимание к реальному поведению и знание местного контекста.
Заметка подготовлена по девяти презентациям спикеров. Ссылки в тексте ведут к исходным PDF; ниже доступны все доклады с кнопками скачивания.
К презентациям всех докладов ↓