• 95% покупательских решений происходит автоматически, но традиционные исследования этого не видят
• AI-персоны предсказывают поведение потребителей с точностью, сравнимой с крупномасштабными опросами, но 80% быстрее и в 2 раза дешевле
• Синтетические данные раскрывают эмоциональные и привычные мотивы выбора, которые люди часто не осознают и не озвучивают
От наблюдений к скрытой логике
Маркетинговые исследования традиционно сталкиваются с фундаментальной проблемой: люди рассказывают, что они думают, но не всегда показывают, что они чувствуют. Опросы и фокус-группы отражают сознательные ответы, а не подсознательные процессы, которые реально определяют выбор.
Сроки проектов сжимаются, бюджеты ограничены, а масштабы требуют новых подходов. Именно здесь появляются AI-персоны и синтетические данные — технология, которая моделирует поведение потребителей на уровне нейробиологии принятия решений.
Компания MDRG провела исследование напитков с использованием синтетических данных и обнаружила, что эта методология может выявить те самые автоматические и привычные факторы, которые управляют 95% решений покупателя. Результат: глубокие инсайты за 80% меньше времени.
Это не вымышленные персонажи, а алгоритмические модели, основанные на реальных данных о поведении потребителей. Синтетические платформы данных смешивают источники: общедоступные тренды рынка, анализ соцсетей, статистику поведения, академические базы. Они используют машинное обучение для обработки огромных наборов реальных данных поведения и психологию для воспроизведения эмоциональных нюансов. Результат — персоны, которые отвечают на открытые вопросы точно так же, как реальные люди, но без предвзятости.
Как это работает на практике
MDRG тестировала эту методологию с конкретной целью: понять, какие автоматические и привычные факторы управляют выбором напитков. Вот её процесс:
Шаг 1. Через платформу синтетических данных они определили исследовательскую задачу и принципы поведенческой экономики для изучения. Параметры аудитории: покупатели напитков в США от 21 до 60 лет.
Шаг 2. Платформа сгенерировала восемь виртуальных персон, каждая представляющая разный сегмент потребителей напитков.
Шаг 3. Исследователи задали персонам целевые вопросы, основанные на шести принципах поведенческой экономики:
- сигнал-триггер тяги (видение продукта рядом)
- сенсорная привлекательность (цвет, текстура упаковки)
- архитектура выбора (расположение на полке)
- социальное влияние (все это пьют)
- лояльность бренду
- дефицит и редкость
Примеры реальных вопросов: «Вы когда-нибудь хотели попробовать напиток только потому, что видели, как его кто-то пьёт? Что произошло дальше?» или «Что привлекает ваше внимание в упаковке или объявлениях? Это делает вас заинтересованными?»
В обычном исследовании потребитель либо не может ответить на такие вопросы честно, либо не осознаёт влияния упаковки на его выбор, либо постесняется признать: «Я пью это, потому что все это пьют». AI-персоны не отражают эту предвзятость — они показывают реальную логику выбора каждого сегмента.
Что показали результаты
Восемь персон раскрыли эмоциональные нюансы в принятии решений о покупке напитков — те самые «почему» за «что». Исследование подтвердило теории поведенческой экономики, добавив глубину интуиции.
Ключевые открытия:
- Скорость и стоимость. Инсайты получены на 80% быстрее и стоили половину от традиционных методов. Синтетические персоны выявляют паттерны, которые помогают спланировать дополнительные исследования — экономя ресурсы перед следующими этапами.
- Научная надёжность. Синтетические данные предсказывают поведение потребителей с точностью, сравнимой с крупномасштабными опросами. Одновременно они снижают предвзятость благодаря моделированию, а не самоотчётам.
- Практическая глубина. Исследование не только дало стратегическую базу, но и позволило вернуться и задать дополнительные вопросы — то, что невозможно в традиционном исследовании, где данные уже собраны.
- Фокус на подсознание. С 95% решений происходящих автоматически, начало с синтетических данных ведёт к более сильным стратегиям, основанным на понимании процессов на уровне System 1 (неосознанное мышление).
AI-персоны — это не замена традиционным методам, а дополнение. Это быстрое, точное начало, которое помогает исследователям сформулировать более острые гипотезы и спроектировать лучшие исследования. Следующий шаг — проверка выводов на реальных потребителях, но уже с целевыми и наточенными вопросами вместо широких разведочных исследований.
Когда это критически важно для бизнеса
Синтетические данные решают три практические задачи:
Задача 1: Сжатые сроки. Когда надо дать рекомендации быстро, синтетические персоны работают на недели быстрее классических фокус-групп. Это критично для брендов с сезонными окнами выпуска продуктов.
Задача 2: Ограниченный бюджет. Исследование обходится в половину от традиционного. Для стартапов и компаний среднего размера это означает возможность запустить несколько итераций анализа вместо одного.
Задача 3: Категории с эмоциональным выбором. Для напитков, моды, косметики — где 95% решений подсознательны — синтетические данные дают доступ к скрытым мотивам, которые опрос не раскроет.
Однако есть важное уточнение: синтетические данные — это начало, не конец исследовательского пути. Результаты требуют валидации на реальных потребителях, но с уже направленными гипотезами.
Что ждёт в ближайшие 2-3 года
Несколько сценариев развития:
Сценарий 1 (оптимистичный): Синтетические данные становятся стандартным инструментом для hypothesis-testing до запуска больших исследований. Это экономит индустрии миллиарды на раннем отсеве неперспективных идей.
Сценарий 2 (реалистичный): Гибридный подход превращается в норму — быстрое сканирование синтетическими данными, подтверждение на реальных потребителях. Это становится новым стандартом качества исследований.
Сценарий 3 (пессимистичный): Некритичное использование синтетических данных без валидации приводит к кампаниям, построенным на неправильных предположениях. Регуляция усилится, требуя прозрачности методологии.
Наиболее вероятно развитие сценария 2: синтетические данные займут своё место как инструмент ускорения и дешевления ранних этапов исследования.
Узнать больше
Первоисточник: Quirks Media, статья Mary Rose Walker (Senior Brand Strategist, MDRG) — полный разбор методологии и результатов исследования напитков. Рекомендуется для специалистов по исследованиям рынка, маркетологов и руководителей продукта.
Смежные инструменты: Платформы синтетических данных (Synthesia, Mostly AI, Gretel). Для внедрения в процессы компании рекомендуется провести POC (Proof of Concept) на вашей категории товаров.
Практические идеи для применения
Если вы работаете с потребительскими категориями, где выбор эмоционален и привычен (напитки, косметика, мода): запустите POC-исследование на одной из ваших линеек продуктов с использованием синтетических данных. Затем валидируйте топовые инсайты на фокус-группах. Это даст вам понимание за неделю вместо месяца, и за половину бюджета.
Источники информации
Материал подготовлен на основе публикаций в Quirks Media, аналитического материала MDRG и исследований в области поведенческой экономики. Данные актуальны на ноябрь 2025 г. Основной источник: "AI meets System 1: Virtual personas and synthetic data" — Mary Rose Walker, MDRG, публикация от 3 ноября 2025 г.
