Исследование рынка перед запуском чат-бота
Меня дико бесит, когда “исследование рынка” превращают в шаманство с красивыми презентациями и нулём правды. Ты платишь за “инсайты”, а потом выходишь в продажи — и внезапно выясняется, что твой оффер никого не заводит. Загорелся зад? У меня — да. Поэтому я подсел на метод, который возвращает маркетинг на землю: берём живые разговоры людей в Telegram и заставляем нейронки вытащить из них смысл, как рентген.
Суть простая: если твой продукт кому-то нужен, люди уже обсуждают похожие штуки. Ругаются, сравнивают, спрашивают “а как сделать”, “почему не работает”, “где нормальные подрядчики”. Это и есть золото. Не абстрактные “боли аудитории”, а конкретные фразы, формулировки, триггеры, страхи и хотелки. И да — я специально говорю “Telegram канал” отдельно, потому что канал — это витрина, а исследование чаще всего лежит в чатах и группах, где народ пишет без галстука.
Где брать “сырьё” для анализа
Я начинаю с поиска профильных чатов и групп по теме продукта. Не надо пытаться охватить весь интернет: лучше взять 5–10 живых сообществ, где реально задают вопросы и спорят.
Пример, чтобы было не в вакууме. Допустим, клиент продаёт сервис для автоматизации складского учёта в небольших магазинах и кофейнях. Мне нужны чаты владельцев точек, управленцев, кассиров, франчайзи, иногда — интеграторов. Если продукт про b2b-маркетинг — иду в чаты маркетологов, таргетологов, владельцев агентств. Если продукт про онлайн-образование — ищу чаты кураторов, продюсеров, авторов курсов.
Важный момент: я не охочусь за “самыми большими” чатами. Мне нужны “самые разговорчивые”. Там, где люди не стесняются писать: “помогите, я туплю”, “как меня достало”, “что выбрать”. Вот там начинается управленческий оргазм аналитика.
Как выгружать историю, чтобы нейронка не подавилась
Дальше включаем скучную, но решающую часть: выгрузка истории. В Telegram есть экспорт чата/группы — https://krotovroman.ru/kak-skachat-vsyu-istoriyu-lyubogo-gruppovogo-chata-telegram-i-id-polzovatelej, чтобы получить текстовую базу: вопросы, ответы, повторяющиеся темы, реакции.
Потом я делаю лёгкую уборку: убираю мусор вроде системных сообщений, приветственных “я тут новенький”, если их слишком много. Но не вылизываю до стерильности — живой язык нужен, иначе нейронка потеряет оттенки.
NotebookLM: быстрый “сканер” смыслов
Первым обычно запускаю NotebookLM. Он хорошо переваривает большой массив текста и помогает вытащить структуру: кто о чём говорит, какие темы всплывают чаще, какие формулировки повторяются.
Что я прошу у него:
•портрет аудитории: роли, контекст, уровень опыта
•топ проблем: что болит чаще всего и как это называют словами “с улицы”
•возражения: “дорого”, “сложно”, “не верю”, “пробовал — не взлетело”
•критерии выбора: что люди считают важным при покупке
•лидеры мнений: кого цитируют, чьи советы вызывают доверие
•темы для контент-плана: вопросы, на которые люди реально хотят ответы
И вот тут магия: ты перестаёшь гадать. Ты видишь, как люди сами формулируют потребность. А это напрямую влияет на тексты, посадочные, скрипты и даже продуктовые фичи.
Claude или ChatGPT: интервью “среднестатистического участника”
Дальше я люблю упражнение, которое звучит странно, но работает: загружаю историю в Claude или ChatGPT и прошу модель сыграть роль “типичного участника чата”. Потом провожу интервью.
Я задаю вопросы в стиле:
•“Почему ты вообще пришёл в этот чат?”
•“Что тебя больше всего бесит в текущих решениях?”
•“В какой момент ты готов платить?”
•“Какая последняя капля заставит тебя сменить сервис/подрядчика?”
•“Что для тебя будет доказательством, что решение норм?”
Ключевое: прошу отвечать, ссылаясь на формулировки из истории.
Тогда получается не фантазия нейронки, а сжатый пересказ коллективного голоса. Это ускоряет понимание аудитории в разы.
