Как пользователи воспринимают «детальность» в геосервисах

Бизнес-задача. Продуктовая команда 2ГИС обратилась к внутренним исследователям. Нужно было создать инструмент для регулярного измерения результатов своей работы — трекинг, чтобы оценивать восприятие продукта пользователями и сравнивать его с конкурентами.

Одним из параметров для оценки эффективности был атрибут «детальность карты». В регулярных опросах команда заметила, что оценки по нему в начале и в конце анкеты противоречат друг другу.

Возникла гипотеза, что внутри компании и среди пользователей термин «детальность» понимают по-разному, и это вызывает путаницу в результатах. Чтобы улучшить количественную анкету, потребовалось провести качественное исследование и выяснить, что на самом деле люди вкладывают в это понятие.

Исследовательская задача. Мы хотели изучить:

Также нам важно было понять, можем ли применять ИИ для сложных тем.

Изначально мы планировали использовать только ИИ-платформу для проведения интервью. Но у продуктовой команды были опасения, что диалог с ИИ не сможет раскрыть детали восприятия карт. Поэтому мы решили применить гибридный подход:

Когда мы изначально шли в этот замер, мы считали, что «детальность» для наших пользователей — это почти то же самое, что «детальность» для нас: красочная карта, дорожки, деревья, автобусы.

Оказалось, что под «детальностью» аудитория понимает что-то базовое: уверенность в том, что, находясь возле офиса, могу легко найти место, где поесть бизнес-ланч, или припарковать машину.

Детальность карт важна для пользователей. Подробная информация в приложениях помогает им находить нужные места и ориентироваться в незнакомой местности.

Большинство участников исследования (65%) отметили, что они не испытывают необходимости в использовании других сервисов — приложения с картами предоставляют всю необходимую информацию для навигации. Однако некоторые пользователи сталкивались с ситуациями, когда сведений в приложении недостаточно.

Опасения, что ИИ не справится с абстрактными понятиями вроде «детальности», не подтвердились. Интервьюер успешно собрал ассоциации и кейсы, а результаты ИИ-платформы и живых интервью совпали. ИИ подтвердил выводы качественного этапа, но на большем масштабе данных.

Мы пересмотрели метрики замеров, а продуктовая команда — работу над продуктом.

Пересобрали количественную анкету. Мы переформулировали вопросы — использовали в них лексику пользователей. В следующем замере данные по параметру «детальность» стабилизировались.

Насытили бэклог. База из 121 интервью помогла собрать огромное количество пользовательских историй. Сейчас команда использует их для разработки новых функций с помощью поиска по ключевым словам (например, «парковка») внутри отчетов.

Улучшили понимание аудитории. Мы переключили свое внимание с визуальных эффектов на решение реальных пользовательских задач.