В последние годы в российских агенствах по маркетинговым исследованиям, среди социологов и политических опросах активно обсуждается и заказывается проекты с применением в таких массовых опросах Графического Ассоциативного Теста Отношений (ГАТО), позиционируемого как функциональный аналог Имплицитного Ассоциативного Теста (IAT), но более технологичный для полевых исследований. В основе ГАТО лежит идея замены цветовых стимулов теста Эткинда набором абстрактных графических фигур К. Маркерта, призванных не иметь прямых ассоциаций.

Однако основа этих подходов намертво прикреплена к цветовому тесту Люшера, который в современной психодиагностике демонстрирует отсутствие приемлемой прогностической ценности и валидности результатов, что было показано ещё в 1970х годах и подтверждено крупными выборочными исследованиями в 2000х. Это ставит под вопрос механический перенос логики тестирования на новые графические материалы, такие как фигуры Маркерта, используемые в ГАТО.

На основе своей многолетней работы по анализу опубликованных материалов проверки тестов Люшера, Эткинда и ГАТО и примеров эмпирических данных я попытался оценить обоснованность заявок на валидность теста ГАТО и оказалось, что в ряде случаев получаемые показатели не превосходят по информативности случайное угадывание результата. Дополнительно рассмотрю новые работы посвящённые проверке надёжности и валидности ГАТО.

Cтатья Питера Йоханссона (Peter Johansson) в PLOS ONE за 2013 год называется: “How the Polls Can Be Both Spot On and Dead Wrong: Using Choice Blindness to Shift Political Attitudes and Voter Intentions”

Авторы (Lars Hall, Thomas Strandberg, Philip Pärnamets, Andreas Lind, Benoît Tärning и Peter Johansson) изучали, насколько жёстко фиксированы политические предпочтения N=162 респондента, от 18 до 88 лет (M = 29.7, SD=14.1), 98 женщин и 64 мужчины, используя «слепоту к выбору». Участников набирали на улице/в общественных местах в городах Мальмё и Лунд (Швеция), приглашая заполнить анкету о политических взглядах.

Манипулированная группа: 113 участников, которым незаметно меняли ответы на политических вопросах, чтобы «перебросить» их в противоположный политический лагерь.

Контрольная группа: 47 участников, проходивших ту же анкету без манипуляции.

В исследование не включали людей, которые не собирались голосовать или уже проголосовали по почте. Исследователи давали участникам анкету по ключевым политическим вопросам, а затем незаметно подменяли их ответы так, чтобы суммарный профиль «закидывал» человека в противоположный политический лагерь, и просили объяснить изменённые позиции.

Оказалось, что большинство участников не заметили подмены, не исправили ни одного подменённого ответа, готовы были рассмотреть смену политического лагеря и отвергали политические взгляды, которые высказали минутами ранее (около 48%).

Манипулировали выбором следующим образом. Участников просили указать свои политические взгляды по ряду ключевых вопросов и предпочтение в паре политических партий. Когда человек заполнял свой бланк, экспериментаторы параллельно заполняли дубликат анкеты с противоположными ответами (переворачивая все выборы с точностью до наоборот), а затем подменяли оригинальный бланк респондентов на «перевёрнутый» под предлогом сверки. Участнику опроса показывали результат как его «настоящий» профиль, лежащий в противоположном политическом лагере, и просили объяснить, почему он так голосует. Фактически сам выбор не менялся — участники не переписывали предпочтения; они просто верили, что «перевёрнутый» бланк с ответами именно их выбор и начинали его объяснять. Респонденты не замечали, что их ответы изменены и принимали навязанный профиль как свой, что и называется «слепотой выбора» (choice blindness).

Новые законы о маркировке бизнес-звонков в России, введенные Федеральным законом № 41-ФЗ с 1 сентября 2025 года, привели к сокращению на 25–30% общего количества спам-звонков в стране, но ключевая цель закона — борьба с мошенничеством — не достигнута. По словам президента Ассоциации малых операторов связи Дмитрия Галушко, более 90% мошеннических и спам-звонков совершаются с мобильных номеров, которые новая система охватывает лишь частично¹. Одновременно законы привели к падению объема телефонных опросов на 78%, что напрямую угрожает и IT-отрасли, с её зависимостью от маркетинговых и социологических данных. Это снижает оперативность сбора пользовательских инсайтов, необходимых для разработки продуктов, и усугубляет кадровые риски для программистов. Статья анализирует влияние на ИТ-сообщество через призму данных и цепочек поставок информации.

Телефонные опросы CATI обеспечивают репрезентативные данные о предпочтениях пользователей в регионах России, где онлайн-доступ ограничен, что критично для тестирования UI и в UX-исследований в IT. IT-компании используют эти данные для валидации продуктов перед релизом, анализа спроса на отечественное ПО и корректировки стратегий локализации. Сокращение звонков на 78% приводит к дефициту свежих данных, замедляя итерации разработки на 20–30% по оценкам аналитиков².

Без телефонных исследований IT-фирмы теряют оперативную обратную связь от B2C-аудитории, что повышает риски неудачных релизов и увеличивает затраты на доработки на 15–25%. Программисты сталкиваются с неполными user stories, основанными на устаревших или искаженных онлайн-данных, снижая качество кода и скорость фичеринга. В ИТ-секторе, где 29% компаний инвестируют в ИИ более 10 млн рублей ежегодно, отсутствие региональных инсайтов тормозит персонализацию моделей ML.

Новые законы о защите от мошенников в России, включая Федеральный закон № 41-ФЗ, вводят обязательную маркировку бизнес-звонков и строгие требования к операторам связи. Эти меры значительно повышают стоимость телефонных исследований, приводя к резкому падению их объема и угрожая существованию отрасли. Социологические и маркетинговые компании сталкиваются с 20–50-кратным ростом расходов на звонки.

Федеральный закон № 41-ФЗ от 1 апреля 2025 года запрещает массовые и автоматические звонки без согласия абонента, обязывает бизнес заключать договоры с операторами и вводит маркировку звонков с 1 сентября 2025 года. Операторы связи теперь отображают название компании, категорию звонка и идентификатор, взимая плату за каждую попытку вызова независимо от соединения. Абоненты могут активировать самозапрет на спам, что усиливает фильтрацию входящих вызовов.

В 2024 году российские социологи провели 5,7 млрд телефонных звонков для опросов общественного мнения, что составляло основу доходов отрасли. После введения маркировки количество звонков колл-центров упало на 78%, а ассоциация «Группа 7/89» (46 компаний из 32 городов) предупреждает о возможном закрытии сотен центров и массовых увольнениях. Телефонные опросы — единственный оперативный способ охвата регионов с высокой репрезентативностью, и их исчезновение снизит качество данных для самого государства и для бизнеса.

Стандартное форматирование анкет маркетингового исследования — это не просто вопрос эстетики или формальности, а ключевой элемент обеспечения качества, достоверности и сопоставимости получаемых данных. Для менеджера, отвечающего за сбор и интерпретацию рыночной информации, знание и применение единых стандартов оформления анкет критически важно по следующим причинам:

Единообразная структура вопросов, логическая последовательность блоков и чёткая формулировка и единообразное форматирование инструкций снижают вероятность недопонимания интервьюерами и программистами. Это минимизирует ошибки при создании скрипта, заполнении анкеты и повышает точность собранных данных.

Нестандартные формулировки, двусмысленные вопросы или хаотичная структура анкеты могут привести к неявным искажениям в собранных данных.

Стандартное форматирование включает проверенные методики построения шкал, формулировок и логики переходов, что снижает когнитивную нагрузку на разработчика, интервьюера и уменьшает время разработки и тестирования анкеты перед началом поля.

Применяя стандарт менеджер не тратит время на "изобретение велосипеда" для каждого нового опроса. Он использует готовый, утвержденный шаблон. Это ускоряет создание анкеты в разы, снижает количество правок и время на их согласование будет потрачено на полевой этап и более качественный анализ результатов.

Данные с чистой, стандартизированной анкеты прописаны в задачах анализа в упорядоченном виде. Аналитику не приходится тратить 80% времени на "очистку" данных, исправление ошибок кодировки и приведение переменных к единому виду и поиску, какой именно вопрос имел ввиду менеджер фразой "Имиджевые высказывания в разрезе на возраст". Аналитик сразу приступает к анализу Q3s с банером Age.

Если у вас имеется собственный контактный центр, задача найти упоминание чего-либо конкретного в большом количестве аудиозаписей возникает регулярно. Недавно я опубликовал статью о том, как настраивать это решение с нуля. Во второй части я хочу показать, какие решения мне пришлось разработать дополнительно для использования речевой аналитики Яндекс SpeechSense, какие дополнительные задачи при этом появились и как их решать.

Задача, которую я решал, формулировалась вот так. Необходимо проанализировать 25000 аудиозаписей разговоров оператора с клиентом по телефону, найти и вывести список всех аудиозаписей, где есть поздравления с праздниками.

Если у вас имеется собственный контактный центр, задача найти упоминание чего-либо конкретного в большом количестве аудиофрагментов возникает регулярно. Недавно нам удовлетворили заявку на доступ к prewiev режиму сервиса Яндекса SpeechSense и я решил попробовать одну из таких задач решить при помощи этого сервиса.

Все трудности, тонкие моменты и полный путь от начала настройки и до победы описаны в этой статье.

В принципе в документации описан функционал, который мало отличается от других систем речевой аналитики, и это только на первый взгляд. Сюрпризом стало полное отсутствие собственных средств загрузки аудиофрагментов в систему. Всю загрузку необходимо реализовать самостоятельно. В документации описан только один способ, при помощи bash и Python под unix. Поэтому в этой статье я еще и опишу, как такие инструкции адаптировать под Windows и PowerShell.

Сама инструкция довольно короткая https://yandex.cloud/ru/docs/speechsense/operations/data/upload-data я рассчитывал справиться за пару часов, это мне не удалось. Так что Ваша выгода от прочтения статьи может составлять 2-3 рабочих дня. Или больше.

Когда проводится один статистический тест на значимость различий, всегда есть шанс (ошибка первого рода = 5%, на уровне значимости p=0.05) получить ложный положительный результат случайно. Эта ошибка означает, что мы можем ложно утверждать, что значимое различие существует, притом, что в реальности этой значимости нет.

Когда проводится несколько однотипных тестов подряд, каждый из них имеет 5% шанс на ложный положительный результат. Если коррекция отсутствует, то вероятность, что хотя бы один из этих тестов даст ложный положительный результат, быстро возрастает.

Предположим, что делается 20 однотипных тестов. Вероятность того, что получится ложный положительный результат равна 1 - (1 - 0.05)^20 ≈ 64%.

Возьмем пример: Как создать бота в Telegram

Если вы когда нибудь читали документацию Яндекс облака, вы в курсе. Для остальных могу пояснить. Возьмите лапидарный текст, удалите из него ясность и чёткость и вы получите документацию Яндекс облака.

В статье я хочу поделиться теми моментами которые всплыли при разработке бота в телеграм, но не описаны в документации.

С 12.07.2019 по 22.07.2019 я тщательно собирал и заносил в таблицу статистику своих побед и поражений в игре в War Thunder, с целью убедится в наличии или отсутствии РПУ, при помощи тестирования статистических гипотез о равенстве средних. Спустя 2 года я наконец-то набрался сил и смелости, чтобы написать данную статью, опубликовать полученных данные и представить результаты их анализа для публичного обсуждения.

Полученные данные позволяют сделать вывод о гипотезе наличия/отсутствия РПУ в игре, приводят к очень необычным выводам относительно изучаемого объекта, обладают научной новизной и за 2 года так и не были высказаны в других публикациях. Также в статье я постараюсь сделать некоторые обоснованные выводы о характеристиках и свойствах изучаемого объекта.

В этой стать хочу рассказать о том, что оценивать мнение аудитории о происходящем на видео можно, и даже нужно, не только качественными, но и количественным методом, получая результаты сразу без каких-либо задержек.

К плюсам количественного способа оценки я бы отнес следующее: