Анализ рынка за пару часов: бизнесу — преимущество, маркетологу — услуга за 500к+

Все говорят: «ИИ делает исследования». Но на деле это либо «текст ради текста», либо подборка фактов с Википедии.

Я попробовал другой подход. И он сработал.

Когда-то я пользовался Perplexity: он делал 8–12 страниц обзора, давал ссылки на источники. Удобно перепроверять, быстро понять периметр темы. Но для серьёзных решений этого мало.

Сегодня я работаю через ChatGPT-5 в режиме «Исследование». Разница принципиальная: правильно поставил задачу — получил структурированный документ на 28–35 страниц: методика, сценарии, юнит-экономика, риски, план тестов. Это уже не справка, а рабочая база для управленческих решений.

Ключевое — не сам инструмент. А то, как вы формулируете задачу и проверяете результат.

Большинство людей делает типичную ошибку: они пишут в ИИ «сделай исследование рынка». ИИ в ответ выдаёт что-то вроде статьи из интернета: общий текст, красивые слова, несколько цифр. Выглядит убедительно, но использовать это в бизнесе невозможно.

Чтобы получить реальный инструмент, нужно сначала задать задачу так, как вы бы брифовали аналитика в консалтинге или в компании. То есть не «дай текст», а «сделай структурированное исследование под конкретную управленческую задачу».

1. Цель исследования:

Что именно нужно решить. Пример: «Оценить ёмкость рынка премиум-подарков в России, выделить 3 сценария роста на 2024–2026 и дать критерии входа для новых игроков».

Комментарий: цель должна быть в формате бизнес-вопроса, а не академического интереса. Иначе модель пишет обзор «для справки».

2. Область применения:

Границы исследования. Пример: «Россия, Москва+МО, период 2020–2026, валюта — ₽, указывать с НДС или без НДС».

Комментарий: если не задать границы (гео, время, валюта, налоги), модель смешает данные из разных рынков и валют. Это типичная ошибка ИИ-аналитики.

3. Что сравнивать:

Ставим рамку для срезов. Пример: «Онлайн vs офлайн, первичка vs вторичка, B2B vs B2C».

Комментарий: сравнения важны, потому что они показывают структуру рынка, а не только итоговый объём.

4. Ограничения:

Прямо указываем, что исключать. Пример: «Брать только первичные и полупервичные источники: ведомства, отраслевые отчёты, заявления компаний. Исключить блоги без ссылок, телеграм-каналы и пересказы в СМИ».

Комментарий: это резко снижает риск «фантазий» и опоры на слухи.

5. Формат:

Определяем выходные данные. Пример: «28–35 страниц, таблицы, диаграммы, список источников с датами доступа».

Комментарий: это переводит задачу из «сделай текст» в «сделай исследование». ИИ начинает раскладывать информацию структурно.

Частая ошибка даже у консалтинга: считать рынок только через «формальные» категории. Но бизнес работает через сценарии потребления.

Важная рамка для подсчётов:

Сценарии потребления

Считать рынок не через название категории, а через поведение клиента. Пример: «Подарочная экономика» ≠ только магазины «подарков». Основная выручка идёт через fashion, beauty, jewelry, lifestyle, электронику — потому что там покупают как для себя (self-use), так и в подарок (gift-use).

В отчёте нужно ОБЯЗАТЕЛЬНО разделить:
· self-use vs gift-use: доли, сезонность, ценовые отличия.
· Например, косметика: 60% покупок self-use, 40% — подарки; средний чек подарочного сегмента выше на 25%.

E-commerce и маркетплейсы: считать «чистую экономику» Не просто «оборот», а разложение по расходам:
· комиссия маркетплейса,
· логистика (до склада, до клиента),
· эквайринг,
· реклама внутри площадки,
· возвраты/повреждения,
· штрафы,
· задержки выплат.

Пример: если маркетплейс берёт 20–30% комиссии + логистика + реклама, то фактическая маржа игрока может падать до 5–8%, а не 20%, как кажется по верхним данным.

Если не задать правила игры, ИИ будет писать убедительные тексты, но половина там окажется «галлюцинацией» или домыслами. Поэтому я ещё до старта задаю метрики качества, под которые модель обязана подстраивать ответ. Это как «рамка» для работы аналитика.

1. Подтверждение каждого тезиса источником

Почему:

ИИ может выдавать «общие знания» без ссылок. Но в управленческих решениях важно знать не только вывод, но и откуда он взят.

Что требую:

– Каждый важный тезис должен иметь ссылку или прямую отсылку к источнику.

– Источник с датой доступа (чтобы понимать свежесть).

– Источник по возможности первичный или полупервичный: ведомства, отраслевые отчёты, заявления компаний, а не перепечатки в СМИ.

Комментарий: Если тезис без источника → он условен. Это как в суде: без доказательства аргумент не работает.

2. Диапазоны вместо «одной цифры»

Почему:

Рынки никогда не дают точной цифры. Всегда есть вилка. Если ИИ пишет «рынок = 257 млрд ₽», это вводит в заблуждение.

Что требую:

– Все оценки в формате интервала: «240–260 млрд ₽».

– Аргументация: откуда нижняя граница, откуда верхняя.

– Если разброс большой — объяснить, почему.

Комментарий: Интервалы учат думать в категориях вероятностей, а не «жёстких цифр». Это снижает риск ошибочных решений.

3. База-рейты (base rates) и отклонения

Почему:

Частая ошибка аналитиков (и ИИ): оценивать событие в вакууме. Например, «рост рынка 20%». Но без сравнения с «средним по отрасли» непонятно, много это или мало.

Что требую:

– Всегда указывать средний фон: что происходит в среднем в отрасли или в смежных рынках.

– Потом указывать: где наш рынок отклоняется.

Комментарий: База-рейты — это «точка отсчёта». Без неё любая цифра теряет контекст.

4. Контрпример на каждое сильное утверждение

Почему:

ИИ склонен писать «утверждения без тени сомнения». Но рынок — это неопределённость.

Что требую:

– К каждому сильному тезису — хотя бы один пример, когда он не сработал.

– Формат: «Обычно рынок X растёт при факторе Y. Но в 2018 в сегменте Z это не сработало из-за Q».

Комментарий: Это сразу убирает «эффект евангелиста» и даёт понимание, где логика может сломаться.

5. Локализация под Россию (право, налоги, логистика)

Почему:

ИИ часто тянет зарубежные примеры и выдает их «как есть». Но то, что работает в США или Китае, не факт что применимо в РФ.

Что требую:

– На каждый блок — пометка: что применимо в России, а что нет.

– Прямое указание: «этот кейс из Европы, но в РФ это ограничено законом/нет инфраструктуры/другая психология клиента».

Комментарий: Это критично, потому что бизнес-решения принимаются в конкретной юрисдикции.

Что даёт такой подход

1. Дисциплина модели — ИИ понимает: его будут проверять по конкретным метрикам. Это убирает соблазн «фантазировать».

2. Прозрачность — видно, откуда цифры и почему именно такие.

3. Снижение риска — благодаря интервалам и контрпримерам выводы становятся более надёжными.

4. Прикладность — отчёт сразу читается как рабочий инструмент, а не как «красивый текст».

Вывод: Принцип 2 — это как система координат. Без неё ИИ пишет художественный текст. С ней — это уже управленческая аналитика, которую можно проверять, критиковать и использовать для решений.

Цель: превратить черновик ИИ из «убедительного текста» в проверенный документ, где ключевые выводы прошли собственный аудит модели и формальную самооценку по рубрике.

Почему это критично:

ИИ по умолчанию стремится «закрыть задачу», а не спорить с собой. Мы сознательно переключаем его из режима «сгенерировал» в режим мета-мыслителя: «обоснуй, разрушь, исправь».

Контур A: «Внутренний аудитор» (self-review)

Просим модель выступить против самой себя: искать слабые места, спорные цифры, логические разрывы.

Микро-промт (вставьте дословно после первого драфта)

Выступи внутренним аудитором своего отчёта.
1. Найди 10 слабых мест: непокрытые риски, зависимость от одного источника, устаревшие данные, неочевидные допущения, конфликт единиц измерения, путаницу НДС/без НДС.

2. Для каждого — напиши: почему это риск, как проверить, что поправить.

3. Дай контрпример к 5 самым сильным утверждениям: когда это не сработает и почему.

4. Отметь, где нужны диапазоны вместо одной точки.

5. Отметь, где нужна локализация под РФ (право, налоги, логистика, спрос).

Что именно должен проверить «аудитор»

· Источники: первичность, дата доступа, триангуляция ≥2 независимых источников на ключевые тезисы.

· Числа: единицы измерения (₽/$/€; с НДС/без), CAGR vs нач/конец (формула совпадает?), суммы подсегментов = итогу.

· Свежесть: факты старше 12–18 мес пометить как устаревшие или подтверждать новыми.

· Логика: нет ли «прыжков» от данных к выводу; присутствуют ли база-рейты (что обычно в отрасли).

· Поведение клиента: разделены ли self-use vs gift-use (если релевантно); сезонность, цикл сделки.

· Локализация: учтены комиссии, логистика, регуляторика в РФ.

· Чувствительность: показано, как меняется юнит-экономика при ±5–10 п.п. комиссий/стоимости трафика.

· Слепые зоны: что не учли (серый импорт, параллельные каналы, прямые продажи производителя и т.д.).

Быстрый чек-лист «красных флагов»

· Один источник на ключевой тезис.
· Точечные цифры без интервалов.
· Мировые средние применены к РФ без поправки.
· Нет явного статуса «с НДС/без НДС».
· Нет unit-economics или чувствительности.
· Нет причин отказа у клиентов / сезонности.

Любой флаг → раздел отправляется на доработку.

Контур B: Самооценка по 1000-балльной шкале (rubric)

Заставляем модель оценить себя по критериям и объяснить снятия/добавления баллов. Без пояснений оценки не принимаем.

Рубрика (распределение баллов)

· 0–160 — Ясность задачи и границ (что считали/исключили, период, валюта, НДС).

· 0–160 — Качество источников/цитирования (первичность, даты доступа, триангуляция).

· 0–160 — Методика и проверяемость расчётов (формулы, CAGR, суммирование сегментов).

· 0–130 — Корректность чисел/единиц/пересчётов (₽↔$, инфляция, единицы).

· 0–130 — Локализация под регион (право, налоги, логистика, потребление).

· 0–130 — Контрпримеры и риски (к сильным тезисам).

· 0–130 — Применимость (сценарии, unit-economics, тест-план, «что делать»).

Итого: 1000.

Микро-промт на самооценку

Оцени отчёт по рубрике (1000 баллов).

По каждому блоку: балл → почему столько → что исправить.

В конце:

– Change-log: список правок (что добавил/исправил)

– Confidence по разделам (низкий/средний/высокий) и почему

– Что ещё купить/собрать (платные отчёты, интервью, панели).

Пороговые решения

· < 820 — переработка (too many рисков/дырок).

· 820–900 — доработка целевых разделов и повторный аудит.

· > 900 — можно выносить на обсуждение с командой/партнёром.

Инструменты точности (что прямо просить сделать в обоих контурах)

· Триангуляция: на 5 самых важных тезисов — минимум 2 независимых подтверждения.

· Формулы: показать расчёт CAGR и чувствительность unit-economics (±5 п.п. комиссий, ±20% CAC).

· Согласованность: таблица «Единицы и предположения» (валюта, НДС, курс, период пересчёта).

· Свежесть: маркировать факты старше 12 мес и предлагать способ обновления.

· Локализация: явно списком: что глобальные данные не покрывают в РФ и как компенсировано.

Мини-пример (как это выглядит на деле)

Ситуация: черновик по премиум-подаркам.

Аудитор находит:

· Нет разделения self-use vs gift-use → искажена ёмкость.

· Нет чувствительности к комиссиям маркетплейсов → маржа завышена.

· Источник по загородке 2022 г. без обновления → устаревание.Правки после самооценки (Change-log):

· Добавлен разрез gift/self по категориям;

· Посчитана чувствительность LTV/CAC к +10 п.п. комиссий;

· Обновлены источники 2024–2025, добавлены даты доступа;

· Вывод «рост 20%» снижен до 12–18% (интервал) с аргументацией.

Итоговый балл: 905/1000, Confidence: высокий по объёму рынка, средний по каналам трафика.

Почему это работает

· Когнитивно: мы заставляем модель занять роль оппонента самой себе, что резко снижает эффект «перепридумывания» и полирует логику.

· Процессно: появляется прозрачный change-log, видны причины правок и точки низкой уверенности.

· Управленчески: у руководителя есть простая шкала «можно принимать решение / рано».

Готовый блок, который можно копировать в конец любого исследования

Внутренний аудит и самооценка (обязательно выполнить):

1. Найди 10 слабых мест, для каждого — почему риск, чем проверить, что исправить.

2. Дай контрпример к 5 сильным тезисам.

3. Отметь, где нужны диапазоны и локализация под РФ.

4. Самооценка по рубрике (1000): баллы + объяснение.

5. Change-log правок, Confidence по разделам, список данных/отчётов, которые нужно докупить.

Я требую чёткую структуру. Почему? Если этого не задать, ИИ выдаёт «эссе» или справку. А задача бизнеса — не читать, а принимать решения. Поэтому отчёт должен быть не текстом ради текста, а пошаговой картой, где видно: цифры, риски, сценарии, действия.

Вот как выглядит каркас:

1. Executive summary (1–2 страницы для быстрых решений)

Это сжатое «о чём всё исследование» и «что делать».Не «рынок растёт», а:– рынок премиум-подарков в РФ = 297 млрд ₽ в 2025, растёт быстрее общего (22% доля против 12% в 2020);– входить можно через сегменты персонализированных решений;

– главные риски: рост маркетплейсов и прямой канал производителей.

Комментарий: Это часть для CEO или инвестора. Прочёл за 5 минут — понял, стоит запускать или нет.

2. Методика и допущения

Что именно считали, какие рамки задали, что исключили.

Пример: «брали рынок РФ (Москва+МО), без серого импорта, цены с НДС».

Комментарий: Если этого нет, цифры могут вводить в заблуждение. Я всегда задаю ИИ вопрос: «Какие твои допущения? Что НЕ учтено?» — иначе решение будет «на песке».

3. Источники с датами доступа

Таблица: источник → дата → ссылка.

Пример: Росстат (апрель 2024), RBC Real Estate (декабрь 2023).

Комментарий: Это убирает «фантазии». Я вижу, откуда цифры, и могу проверить руками.

4. Размер рынка, драйверы/барьеры

Текущий объём, динамика, что толкает вверх/вниз.

Пример: «рост премиум-сегмента в 2020–2025 = +40%/год;

драйверы — рост состоятельных семей, барьер — падение доверия к маркетплейсам».

Комментарий: Это то, на чём держится решение «входить / не входить».

5. Сегментация (география, каналы, чек, профиль клиента)

Пример:

– Москва — 35% рынка, чек 25 тыс. ₽;

– регионы-миллионники — 22%, чек 12 тыс. ₽.

Комментарий: Тут видно, где реально есть деньги. Это подсказка для маркетинга и каналов продаж.

6. Конкурентная карта

Матрица: цена × позиционирование × каналы.

Пример: Player A = luxury, офлайн-шоурумы;

Player B = mid+, маркетплейсы.

Комментарий: Без этого риск повторить чужую стратегию.

7. Поведение клиента (цикл покупки, причины отказа)

Когда покупает, сколько думает, что мешает.

Пример: «для корпоративных клиентов цикл сделки = 30–45 дней, причина отказа — долгие согласования бюджета».

Комментарий: Это инсайты для продажников. Убираешь барьеры = ускоряешь сделки.

8. Регуляторика

Что разрешено / запрещено, что меняется.

Пример: «с 2025 — новые правила маркировки, риск роста издержек на 7–10%».

Комментарий: Многие этим пренебрегают, а потом платят штрафы.

9. Три сценария (консервативный / база / рост)

Пример:

– консервативный — рост рынка 8%/год,

– базовый — 12%/год,

– рост — 20%/год при условии X.

Комментарий: Это готовая модель для планирования: ты понимаешь, к чему готовиться при любом раскладе.

10. Юнит-экономика (чувствительность к комиссиям/логистике)

Формулы: CAC, LTV, точка безубыточности.

Пример: «каждые +5% комиссии маркетплейса съедают 12% маржи».

Комментарий: Это убирает иллюзии «рынок растёт — значит и я вырасту». Нет, важно считать.

11. Риски и сигналы (что мониторить ежемесячно)

Пример: курс рубля, логистика, поведение конкурентов.

Комментарий: Это чек-лист для руководителя: что держать на контроле, чтобы вовремя среагировать.

12. План тестов на 4–6 недель

2–3 гипотезы, бюджет, критерии успеха.

Пример: «запуск рекламы в Х площадке для сегмента X, бюджет 100 тыс., успех = CAC ≤ 15 тыс. ₽».

Комментарий: Это превращает исследование в экшен. Можно проверить быстро, без лишних миллионов.

13. Пробелы: что мы не знаем и какие платные отчёты стоит докупить

Пример: «нет точных данных по серому импорту; стоит купить отчёт Euromonitor за $5 тыс.»

Комментарий: Это экономия бюджета. Ты понимаешь, какие данные реально нужны, а какие можно игнорировать.

Итог: Такой документ — это не «исследование ради исследования».

Это:

· база для управленческих решений,

· карта для команды маркетинга и продаж,

· чек-лист для контроля рисков.

Главное отличие: у тебя на руках не «эссе от ИИ», а план действий, который можно развернуть в стратегию.

ИИ по умолчанию устроен так: он старается «угодить» и выдать законченную картину. Но в бизнесе опасно доверять красивой картинке без проверки. Поэтому я в конце всегда вставляю крючки — вопросы, которые заставляют модель разрушать саму себя.

1. «Назови три идеи или риска, которых нет в документе, но они критичны»

Зачем:

– ИИ часто выдаёт только то, что явно присутствует в источниках; «слепые зоны» остаются за кадром.

– Этот вопрос заставляет его выйти за рамки: «а что могло бы сильно повлиять, но мы не учли?»

Пример:

Исследование рынка премиум-подарков. В документе — динамика, конкуренты, сегментация.

ИИ добавляет как «упущенный риск»:

– рост параллельного импорта,

– смена потребительских привычек в пользу «впечатлений вместо вещей»,

– ограничения на рекламу luxury в digital.

Комментарий: Это то, о чём аналитик вспомнил бы только через неделю. А тут мы сразу получаем подсказку, куда копать глубже.

2. «Разрушь мои выводы: при каких условиях всё развалится»

Зачем:

– Любое исследование строится на допущениях. Если одно из них ломается, выводы обесцениваются.

– Этот вопрос переключает модель из режима «убеждай» в режим «критикуй».

Пример:

Документ показывает рост рынка на 15% в год.

ИИ отвечает: «Прогноз не сработает, если:

– ключевые игроки резко поднимут комиссии;

– рубль ослабнет на 30%;

– появится новый налог на luxury-сегмент».

Комментарий: Это готовая «карта слабых мест». В реальности мы часто ошибаемся не в анализе, а в том, что не думаем «а если…».

3. «Предложи пять улучшений исследования»

Зачем:

– Даже хороший отчёт можно усилить.

– Этот вопрос заставляет ИИ включить режим «редактора»: искать не то, что уже сделано, а что можно докрутить.

Пример:

ИИ может предложить:

– добавить сравнение с зарубежными рынками,

– выделить сезонные пики по месяцам,

– уточнить данные через интервью экспертов,

– просчитать unit-economics в разрезе каналов продаж,

– вынести отдельный блок про поведенческую психологию потребителей.

Комментарий: Это превращает статичный отчёт в «живой» документ, который можно улучшать итерациями.

Почему «крючки» работают психологически

ИИ работает в рамках задачи. Но когда ты задаёшь ему вопросы, которые ломают его собственный результат, он выходит за рамки и начинает проверять самого себя.

Это похоже на то, как если бы аналитик писал отчёт и сам добавлял: «вот где я мог ошибиться, вот чего я не учёл, вот что можно улучшить».

Главный инсайт: самые ценные открытия часто появляются не в основной части исследования, а именно в этих «дополнительных» ответах. Потому что они подсвечивают то, что изначально даже не было в фокусе.

Итог:

Принцип «крючков» делает исследование:

· глубже — добавляются скрытые риски,

· надёжнее — видно, при каких условиях прогноз развалится,

· полезнее — появляются идеи для следующих шагов.

Именно тут рождаются инсайты, за которые консалтинг берёт миллионы: не в основном тексте, а в правильных вопросах в конце.

Вывод: вместо «обзора на 7-10 страниц» вы получаете документ, который можно показать команде/партнёрам/инвестору и сразу перейти к действиям.