Практическое руководство
Типичная ситуация: у вас есть данные (или доступ к ним) и смутное понимание, что вы хотите из них вытащить. «Проанализировать диалоги клиентов и найти jobs-to-be-done». Или «понять, почему отваливаются после триала». Или «найти закономерности в продажах по регионам».
Цель вроде бы понятна, но как только вы садитесь за Claude — непонятно, что писать. «Проанализируй» — слишком размыто. А что конкретно просить — неясно, потому что вы сами пока не знаете, какие именно вопросы задавать данным.
Это нормально. И именно здесь большинство людей делают ошибку: пропускают проектирование и сразу лезут в файлы. В результате получают кучу цифр и графиков, которые не складываются в ответ на исходный вопрос. Или ещё хуже — запрашивают данные у аналитика, получают не то, уточняют, переделывают, теряют неделю.
Правильный путь — шесть шагов: спроектировать → получить данные → проверить качество → очистить → проанализировать → интерпретировать. Каждый шаг опирается на предыдущий. Пропуск любого — источник ошибок, которые вы, скорее всего, не заметите.
Это пока про мышление. Вы ещё не открыли ни одного файла — вы проектируете логику: что ищете, как будете это искать, что будет считаться результатом. Claude здесь работает как методолог — помогает превратить размытое «хочу понять» в конкретный план.
Что просить у Claude:
Я хочу провести исследование. Вот моя ситуация:
Контекст: [кто вы, в какой компании, какой продукт]
Данные, которые у меня есть или которые могу получить: [описание — что за источники, что в них, за какой период, сколько записей примерно]
Моя цель: [что хочу понять / какое решение хочу принять по итогам]
Помоги мне спроектировать исследование. Не анализируй данные — мы до них ещё не дошли. Мне нужно:
1. Уточнение цели: переформулируй мою размытую цель в 2-3 конкретных исследовательских вопроса, на которые можно дать однозначный ответ по данным.
2. Гипотезы: для каждого вопроса предложи 2-3 гипотезы, которые мы будем проверять.
3. Метрики: что конкретно нужно посчитать или выявить, чтобы подтвердить или опровергнуть каждую гипотезу.
4. Метод: каким аналитическим подходом проверять (частотный анализ, кластеризация, сравнение групп, тематический анализ текстов и т.д.)
5. Критерии успеха: как мы поймём, что результат надёжный, а не случайный шум.
6. Ограничения: чего мы НЕ сможем узнать из этих данных, даже при идеальном анализе.
Задавай мне уточняющие вопросы, если информации недостаточно.
Почему это работает: вы заставляете себя (и Claude) пройти путь от «хочу понять» до «буду проверять конкретную гипотезу конкретным методом с конкретным критерием успеха». Без этого шага вы будете бродить по данным наугад и находить «интересные» паттерны, которые ничего не значат.
Пример трансформации:
Размытая цель: «проанализировать диалоги клиентов и найти jobs-to-be-done»
После проработки с Claude:
Исследовательский вопрос 1: какие задачи клиенты пытаются решить, когда обращаются в поддержку в первые 7 дней после регистрации?
Гипотеза: большинство обращений связаны не с багами, а с непониманием, как настроить продукт под свой процесс.
Метрика: распределение обращений по категориям задач, топ-10 задач по частоте.
Метод: тематический анализ текстов диалогов — кластеризация по смыслу, затем ручная валидация категорий.