Курсы UX исследователя

Figma в программах этого направления используется не для создания макетов, а как среда для подготовки прототипов к юзабилити-тестированию и совместной работы с дизайнерами. Базовый фокус обучения — прикладные методы сбора данных: глубинные интервью, CustDev, количественные опросы. Навыки графического дизайна и вёрстки в программу не входят.

Достаточно уметь открыть чужой макет, скопировать ссылку на прототип и показать его респонденту во время теста. Если вы раньше не работали в Figma, на освоение нужного минимума уходит пара вечеров.

UX-исследователь работает преимущественно с качественными методами: проводит глубинные интервью, юзабилити-тестирования, строит Customer Journey Map и карты Jobs to be Done. Его задача — понять мотивацию пользователей и найти неочевидные барьеры в продукте.

UX-аналитик опирается на количественные данные: настраивает воронки в Google Analytics 4 и Яндекс.Метрике, анализирует тепловые карты в Hotjar, пишет запросы на SQL, проектирует A/B-эксперименты. На курсах этого направления оба блока присутствуют, но упор делается на исследовательскую методологию и работу с гипотезами, а не на системное программирование или продвинутую статистику.

Программы требуют базовой компьютерной грамотности: умение работать с таблицами, устанавливать расширения для браузера, пользоваться облачными сервисами вроде Notion и Miro. Специальное техническое образование не нужно — системное программирование и написание кода в курсах не рассматриваются.

Легче всего стартовать специалистам из маркетинга или дизайна, которые уже сталкивались с продуктовыми метриками и хотят перейти от интуитивных решений к доказательному подходу. Если вашего опыта хватает, чтобы сформулировать гипотезу о поведении пользователей, вы готовы к обучению.

На практических заданиях вы будете собирать и структурировать данные из нескольких источников. Качественные данные — это записи глубинных интервью, транскрипции юзабилити-тестов, результаты CustDev-сессий. Их обрабатывают в Miro и Notion, выделяя паттерны и инсайты.

Количественные данные приходят из веб-аналитики: показатели конверсии воронок в Google Analytics 4 и Яндекс.Метрике, карты скроллинга и кликов из Hotjar, результаты опросов. Для работы с выгрузками используется SQL на базовом уровне — достаточно простых SELECT-запросов. Продвинутая статистика и машинное обучение в программу не входят.

Начинайте с качественных методов — они дают понимание контекста. Сначала освойте CustDev и глубинные интервью: научитесь составлять гайд, проводить сессии и кодировать ответы. Затем переходите к юзабилити-тестированию — это самый наглядный метод, где вы сразу видите реакцию пользователя на прототип.

После этого подключайте количественные инструменты. Сначала настройте базовые отчёты в Google Analytics 4 и Яндекс.Метрике, разберитесь с анализом воронки. Потом освойте проектирование экспериментов и A/B-тестов. Финальный этап — синтез: объединение качественных инсайтов с количественными данными в Customer Journey Map и CX-стратегию.

Первая ошибка — подмена исследования подтверждением своей точки зрения. Новички формулируют вопросы в интервью так, что респондент невольно соглашается с гипотезой исследователя. На курсах этому уделяют внимание в блоке про методологию и работу с гипотезами.

Вторая ошибка — игнорирование количественных данных. Исследователь проводит десять интервью и делает вывод о поведении всей аудитории, не проверяя его через аналитику. Третья — попытка сразу браться за сложные инструменты вроде SQL и Hotjar без понимания, какую бизнес-задачу они решают. Инструмент подбирается под задачу, а не наоборот.

Ключевой критерий — привязка выводов к конкретным метрикам и действиям. Если после исследования команда получает список «пользователям неудобно» без указания, какой шаг воронки проседает и какую гипотезу проверить, работа проделана зря.

Правильный результат исследования содержит три элемента: выявленный барьер в пользовательском сценарии, подтверждение через количественные данные из Google Analytics 4 или Яндекс.Метрики и приоритизированные рекомендации. Например: «на третьем шаге оформления заказа 40% пользователей уходят из-за непонятного поля промокода — рекомендуем переместить его ниже и провести A/B-тест». Именно такой уровень детализации ожидают продакт-менеджеры и дизайнеры.