Меня зовут Александр Демидов, я бизнес-аналитик в X5 Tech. В этой статье я постараюсь по существу рассказать, как я полюбил создавать карты клиентского пути (CJM), что помогло мне делать их в 4 раза быстрее и почему искусственный интеллект – настоящая палочка-выручалочка при верном подходе.

Их боялись даже управленцы

Вообще, Customer Journey Map или карта клиентского пути — особый пункт в работе аналитика. Они часто нужны позарез. Сделать их нужно было ещё вчера. А вот на чьи плечи ляжет столь почётная миссия — непонятно. 

Добровольцев-камикадзе, как правило, набирается совсем немного. Да и те присоединяются к рабочей группе по наивности, полагая, что с какой-то там пустячной картой можно разобраться минут за 15, набросав пару графиков по готовому шаблону.

Когда же обрисовывается фронт предстоящей работы, инициативная группа начинает потихоньку терять задор и распадаться. Появляются неотложные квартальные отчёты, тренинги “по повышению повышаемости”,  митапы, стартапы, ватсаппы…

И, в принципе, такая ситуация – рядовая. Я это говорю как человек с 7 годами опыта разработки CJM в полевых условиях. Те, кто тащат процесс на себе и доводят рабочий цикл до конца — единицы. Я их называю “марафонцами”. Иногда к ним примешиваются “заложники” — люди, нечаянно вписавшиеся в задачу, и с тех пор проклинающие всё на свете.

Из условной десятки храбрецов в конце останутся двое. А иногда бывает, что и один бизнес-аналитик с психологом на телефоне. Спасибо ДМС, который позволяет записаться к нему бесплатно:)

Но в какой-то момент всё развернулось на 180 градусов: с зарёй генеративного ИИ разработка CJM из наказания превратилась в увлекательный квест. 

А теперь к подробностям.

CJM изначальный: долго, трудно, мучительно

Как правило, карта клиентского пути была продуктом коллективным.  Цикл строился на трёх китах:

• Согласование. Здесь определялась основная проблема и цели для исследования, а также составлялся и утверждался список вопросов для респондентов. В теории всё звучит легко: собрались, провели мозговой штурм, утвердили. На практике на это могло уходить до одной недели — у всех работы, отчёты и творческие кризисы или даже переизбыток идей.

• Интервью. Обычно на них уходит около двух недель, и то при хорошем раскладе, если респонденты не особо заняты.

• Распаковка. Пожалуй, самый неприятный этап — прослушивание часовых записей со своим же голосом, чтобы добыть крупицы ценных инсайтов по типу “Вот здесь эта фигня не нравится”.

Но я скажу честно: лично мне всегда нравилось работать над составлением CJM. Это творческая задача, в которой есть что-то от Сократа: через наводящие вопросы мы приходим к истине. Да такой истине, что у заказчика могут округляться глаза и он приходит к просветлению: “«Как?! У нас вот это вот так работает?!”

Но радость работы серьезно омрачали две проблемы. 

Проблема первая — это составление и утверждение вопросов. Во-первых, это “формулировка очевидного через агонию согласований”. Во-вторых, рабочий коллектив — стихия непредсказуемая и едва управляемая в данном случае. Пока мозговой центр соберётся и наконец-то будет готов, мы рискуем потерять много времени.

Проблема вторая — это распаковка, когда ты слушаешь себя снова и снова, тихо умирая внутри. 

Но с появлением GPT меня осенило — мытарствам конец! Он не знает усталости, не требует кофебрейков и способен переработать лавину голой информации за какие-то полчаса. А ещё он достаточно умён, чтобы взять на себя задачи, которые я ненавижу.

CJM современный: вкалывает робот, а не человек

Итак, учимся применять GPT для составления наших карт.

Промт — всему голова

Автоматизацию я начал с фундамента — составление списка вопросов для интервью. И сразу же угодил в ловушку. На первый взгляд, ничего сложного нет: пишем стандартный промт «подготовь вопросы для CJM», GPT думает, все счастливы.

Но не тут-то было: дьявол, по обычаю, кроется в мелочах. И мелочи эти определяют, какой результат мы в итоге получим от модели. Принцип “какой вопрос, такой ответ” подходит как нельзя лучше.

Мой восторг длился недолго, когда я получил первую десятку вопросов за авторством GPT — передо мной была натуральная каша. Вопросы прыгали по темам, звучали обобщённо или же просто содержали нонсенс по типу: “Вы пользуетесь кассой?” Ни чёткой логики, ни структуры, ни хронологии.

Как же с GPT сварить кашу? Поразмыслив, я пришёл к выводу, что моему нейро-ассистенту не хватало контекста ситуации. И чтобы получить пригодный для работы результат, мне нужно было основательно поменять структуру запроса.

Вот что мне предстояло исправить и получить в ответах модели:

• Вопросы поэтапно.

• Логика внутри блока.

• Минимум воды, максимум пользы.

• Исключить вводные для «новичков». 

За помощью я обратился к дежурной инструкции от OpenAI — авторов ChapGPT. Её безукоризненная чёткость гласит:

• Цель. Может, звучит банально, но это неизбежность. GPT должен понять, что мы хотим от него добиться. А если я сам не понимаю, что мне нужно, то даже самый умный робот только разведёт сервоприводами. Желательно начинать с цели простой и чётко сформулированной.

• Формат ответа. Список? Таблица? Вопросы по шагам? К сожалению, GPT не умеет читать мысли — ему нужно объяснить, какой формат конечного ответа мы желаем увидеть.

• Инструкции и ограничения. Затем нужно уточнить, какие вопросы использовать нельзя. Например, такие как: “Что вы чувствуете?”. Иначе он может подумать, что мы составляем психологический опросник.

• Исчерпывающий контекст. Сценарий, роль, боли, структура процесса, цели исследования — GPT должен знать абсолютно всё о рабочей ситуации. А если это премиальная версия, которой можно дать почитать наши файлы, то совсем здорово.

Ура! Проведя работу над ошибками, я был в восторге от исправившегося GPT. Теперь составленные им вопросы больше не скакали с одной темы на другую. Он стал уточнять конкретные действия пользователя. И, что самое главное, начал вскрывать актуальные проблемы на каждом этапе, вместо обобщенных “Что вам не нравится в целом?” 

Распаковка на турбо-ускорении

Об распаковку разбивались сердца многих бизнес-аналитиков. Но я решил, что раз GPT эффективно справляется с вопросами, то и эту задачу осилит.

Здесь его миссия заключалась в транскрипте и резюмировании, чтобы извлечь из текста действия, боли, впечатления и барьеры. 

Сейчас есть масса сервисов, дающих транскрипт из видео и аудио, не буду их перечислять. Выжимку можно получить буквально нажав одну кнопку, а это минус часы кропотливого ручного труда.

Теперь полученное резюме можно также отдать GPT на анализ, или одним файлом, или через копипейст. Вся соль опять же в промте, главное – следовать логическому триумвирату: Больше контекста —> Больше конкретики —> Меньше надежд на «угадай сам» .

Например, когда я первый раз отдал текст с интервью ему на анализ, он перепутал шаги и этапы, а также позволил себе некоторые вольности с фидбэком от респондентов. Что сделал я? Переписал промт. Ещё могу порекомендовать напоминать ИИ, чтобы он работал в режиме “аналитика”, а не “романиста” и не придумывал цитаты, якобы сказанные опрошенными участниками.

Сборка CJM: почти как Лего

Итак, у нас на руках основа:

• Шаги.

• Действия.

• Барьеры.

• Впечатления.

Теперь CJM собирается легко, как конструктор. Что радует ещё больше, GPT может сам упаковать данные в формате таблицы в CSV-файл. Но чтобы наше Лего не рассыпалось, нам нужно, опять же, скорректировать его логику, объяснив, что мы хотим:

• Уточняем формат.

• Где должны находиться блоки и шаги.

• Как правильно распределять данные по строкам.

Иначе выданный им файл в Miro отобразится как один огромный и нечитаемый стикер — примерно так же выглядят слипшиеся в один комок пельмени.

А в качестве финального аккорда я вручную переношу всё в Miro, чтобы добавить к данным визуализацию — это ключевой компонент, который поможет понять, что именно и как болит у пациента. И уже на основе такого анамнеза можно будет принимать управленческие решения.

Takeaways:

• С помощью GPT делать CJM можно в 4 раза быстрее.

• Чёткий, логичный и структурированный промт решает всё.

• GPT нужно дать исчерпывающий контекст поставленной задачи.

• Вместо команды из 10 человек может справиться один специалист.

Спасибо, что дочитали до конца! Я буду рад услышать в комментариях о вашем опыте создания CJM или о том, как AI-инструменты отразились на вашей работе.