Рисерч по открытым источникам: отзывы в сторах, Reddit, Хабр, Telegram

Цены на 10 октября 2026 года.

Правовая оговорка: коммерческое использование данных Reddit требует договора с Reddit. Выгрузка для личного анализа и коммерческий продукт на этих данных — разные случаи.

Команды, которые делают это регулярно, сходятся на одном порядке. Собрать → убрать шум → разметить каждый отзыв по фиксированному списку категорий с сентиментом и серьёзностью → посчитать → приложить дословные цитаты со ссылками → проверить выборочно руками.

Слово «фиксированному» здесь главное. Microsoft ISE разбирал десятки тысяч комментариев в день и обнаружил, что без заданного списка модель между прогонами называла одну тему тремя словами — Cleanliness, Neatness, Tidiness. Графики трендов после этого стали невозможны.

Команда AUTODOC на своих отзывах получила высокое совпадение по сентименту, но категория «другое» и нейтральный класс работали заметно хуже остальных. Их «тихий сбой»: таксономия повторяла бриф, и повторяющиеся темы, для которых не было поля, терялись.

Исследования дают ещё два правила. На отзывах из сторов грубая схема (баг / запрос функции / прочее) размечается точнее мелкой, а один-два примера в промпте точность не повышают. Когда несколько разных моделей согласны в метке, точность доходит до 93,8%; у одной модели она заметно ниже и сильно колеблется. Отсюда второй проход в промптах ниже.

Самоотбор. Средний рейтинг в сторе — смещённая оценка: пишут те, кому очень понравилось, и те, кого разозлило, поэтому распределение J-образное, с горбами на единице и пятёрке. Это описано в исследовании Ху, Павлоу и Чжана. Модель этого не знает и будет считать среднее.

Фейки. Платные отзывы отличаются распределением оценок и поведением авторов; в исследовании Мартенса и Маалея их доля в тестовом наборе оценивалась примерно в 10%. На Reddit детектор Originality.ai пометил заметную долю постов 2025 года как «вероятно ИИ». Выборка маленькая и детектор закрытый, но это повод помечать подозрительное.

Громкое меньшинство. Нормировать на базу: 50 жалоб из 500 и 50 из 50 000 — разный масштаб проблемы. Считать авторов, а не комментарии. Смотреть форму тренда: всплеск с затуханием после обновления или ровный поток.

Чаще всего модель ошибается в подсчётах, и такую ошибку трудно заметить. В сравнении на сотне отзывов одна модель выдавала точные числа, другая — диапазоны вроде «31–36 упоминаний», и обе могли ошибаться. Рабочий путь: модель размечает, а считает по размеченной таблице код — Claude с анализом данных, ChatGPT с выполнением кода или простой скрипт. Вторая модель или человек заново размечает 30 случайных строк и сравнивает; категории с совпадением ниже 80% объединяются.

Тот же код рисует графики. Таблицу категорий, распределение оценок по звёздам или тренд жалоб по месяцам проще показать команде картинкой, чем читать вслух. Просить это у модели нужно в том же сообщении, где она считает.

Для графиков есть готовые библиотеки, которые держат один стиль на всех диаграммах проекта. Chart.js — простая, для столбцов, линий и круговых. Apache ECharts — для тепловых карт, воронок и больших наборов данных. Обе бесплатные, обе модель знает наизусть, и обе встраиваются в вайбкодинг-проект из темы «Вайбкодинг: интерфейсы» как одна строка подключения. Правило то же, что для текста: подпись, единицы и источник данных на самом графике, одна тема — один цвет во всём отчёте.

«Сплит» — вымышленное приложение из темы «Процесс с ИИ: Double Diamond и Design Sprint». Дизайнер «Сплита» выгрузил через Apify 500 последних отзывов на одно из похожих приложений в App Store и прогнал первый промпт из раздела ниже. Таблица, которую вернула модель после подсчёта кодом, выглядела так (цифры и цитаты условные):

Второй проход на 30 случайных строках совпал с первым на 84%. Хуже всего совпадали «расчёт долгов непонятен» и «другое», и дизайнер объединил часть «другого» в новую категорию «уведомления». Столбчатый график категорий на Chart.js ушёл в канал команды вместе с таблицей.

Дальше началась интерпретация. «Цена и подписка» — та категория, где самоотбор сильнее всего: её пишут после платёжной стены, а не после сценария. «Ввод трат вручную» встречается и в отзывах на три-четыре звезды, то есть на неё жалуются люди, которые приложением пользуются. Так появилась гипотеза про распознавание чека для спринта из темы «Процесс с ИИ».

NN/g советует сравнивать два-четыре конкурента, включая тех, кто лучше тебя, формулировать вопросы до сбора и смотреть на наблюдаемое поведение, а не на заявленные предпочтения: «вы хотите обойти конкурентов, а не скопировать их». Формат вывода бери у хороших ИИ-сводок отзывов на маркетплейсах: тема, число упоминаний, сколько положительных и отрицательных, ссылка на исходные отзывы.

По опыту практиков, отзывы на 3–4 звезды содержательнее крайних: в них чаще описан сценарий, а не эмоция. Скриншоты потоков конкурентов можно найти в Mobbin и Page Flows.

ИИ вредит в четырёх случаях. Категории не заданы заранее и меняются от прогона к прогону. Проценты «пользователей» посчитаны по самоотобранным отзывам. Числа взяты из ответа модели, а не из кода. Отзывы конкурента читаются как список функций, которые надо повторить.

Из этой темы выходят гипотезы, а не решения. Что с ними делать дальше — тема «Проверка гипотез и тест прототипа с ИИ». Первый шаг к ним — интервью в теме «Синтез интервью и качественных данных».

Вот CSV с отзывами: id, дата, оценка, версия, страна, текст. Шаг 1. Пометь шум: строки короче 4 слов, не отзывы, явные дубли. Выдай только их id. Шаг 2. Каждую оставшуюся строку отнеси ровно к одной категории: баг, скорость, онбординг, навигация и интерфейс, цена и оплата, аккаунт и вход, запрос функции, похвала, другое. Добавь сентимент (негатив / нейтрально / позитив) и серьёзность (блокирует / раздражает / мелочь) по словам отзыва, а не по звёздам. Шаг 3. Таблица: категория, число строк, доля, две дословные цитаты с id и датой. Правила: цитаты только дословно; если строка подходит под две категории, выбирай ту, что описывает цель пользователя; если не уверен — "другое" и id в отдельный список. Числа считай кодом по размеченной таблице. Если не обработал все строки, напиши, сколько пропустил

По размеченной таблице построй два графика кодом на Chart.js в одном HTML-файле: столбцы "число отзывов по категориям" по убыванию и столбцы "число отзывов по оценке 1–5". Один цвет на одну категорию, подпись осей, заголовок с названием приложения, периодом и числом отзывов, под графиком строка "источник: выгрузка App Store через Apify, [дата]". Данные бери только из таблицы, ничего не округляй в большую сторону

Это [число] отзывов на [конкурент] из [стор, страна, период]. Я проектирую [мой продукт]. Выдай: а) восемь главных тем жалоб по числу отзывов, к каждой — число, доля, средняя оценка этих отзывов, две дословные цитаты с id; б) для каждой темы — этап пути пользователя: установка, онбординг, основная задача, оплата, поддержка; в) темы, которые есть только в отзывах на 1–2 звезды, и темы, которые есть и в отзывах на 3–4 звезды. Про мой продукт ничего не предполагай. Темы с числом отзывов меньше 5 помечай "слабый сигнал". В конце напомни ограничения набора: период, стор и способ выгрузки [указать], и чего в нём точно нет

Ниже [число] тредов с комментариями из r/[сабреддит]. 1. Перечисли повторяющиеся проблемы: название, число разных авторов, которые её упоминают (не число комментариев), две цитаты с постоянной ссылкой. 2. Пометь треды старше 12 месяцев, комментарии, похожие на рекламу вендора, и случаи, когда один автор повторяет одно и то же. 3. Раздели "что люди говорят, что хотят" и "что они описывают как обходной путь". 4. Напиши пять строк оговорок: кто здесь пишет (самоотбор, англоязычные, опытные пользователи), чего не видно (молчаливое большинство, другие рынки), какие утверждения нужно проверить интервью или аналитикой. Проценты "пользователей" не давай — только число авторов

Приложен [экспорт Telegram-чата result.json / треды комментариев с Хабра] про [продукт или тема]. Цитаты оставляй на языке оригинала. 1. Убери служебные сообщения, стикеры и сообщения короче 4 слов. 2. Сгруппируй сообщения по темам; для каждой темы — число сообщений, число разных отправителей, период, две дословные цитаты с id отправителя и датой. 3. Пометь темы, где один отправитель даёт больше 40% сообщений. 4. Отдельно выпиши вопросы, на которые в чате никто не ответил, — это незакрытые потребности. 5. Закончи разделом "чего нет в этих данных": выборка, модерация, кто ушёл из чата

Сравни [A], [B], [C] по тарифам и лимитам, объёму бесплатного плана, числу шагов онбординга до первой пользы и сценарию отмены подписки. Правила: для каждой ячейки — ссылка на страницу, которую ты открыл, и дата на странице. Сначала страница цен или помощи самого вендора; всё с чужих страниц помечай [сторонний источник]. Если значения нет на открытой странице, пиши "не найдено", не оценивай. Пометь ячейки, где два источника расходятся. В конце — список страниц, которые не открылись, и пять строк о том, чего таблица не показывает: реальное поведение, причины ухода

Вот список тем жалоб с цитатами [вставить]. Для каждой темы напиши: гипотезу по шаблону "Пользователи, которые [контекст], не могут / с трудом [задача], потому что [причина в дизайне]"; какие доказательства уже есть (цитаты) и чего они не доказывают (самоотбор, нет наблюдения); самый дешёвый тест — задание для 5 человек, проверка воронки в аналитике или вопрос в опросе, выбери один и напиши его; критерий отказа — какой результат заставит отбросить гипотезу. Решения не предлагай. Две темы в одну гипотезу не объединяй