Хороший маркетинговый анализ — основа практически любого нового проекта. Пока не понимаешь, кто твоя аудитория, кто конкуренты, какие у них предложения и цены, двигаться дальше просто некуда. Раньше на такой анализ уходило недели две-три, а иногда и целый месяц ручной работы. Сейчас этот процесс можно ускорить в разы благодаря нейросетям.
Привет! Меня зовут Дмитрий Сатаров, я руководитель агентства «Эй, Стартапер!» и наставник курса «Нейросети для маркетинга» в Яндекс Практикуме. Когда в 2022–2023 годах появились неплохие нейросети, я начал выстраивать процесс, который позволял бы выполнять маркетинговые исследования значительно быстрее. Поделюсь им в этой статье.
С годами алгоритм менялся: приходилось учитывать ограничения моделей, перестраивать отдельные этапы и адаптироваться к новым возможностям, которые появлялись с каждым обновлением. К 2025 году подход устоялся, и уже больше года каркас остается неизменным — я лишь периодически дорабатываю отдельные детали. Ниже я пошагово рассказываю, в чем его суть.
Шаг 1. Заводим проект в нейросети
Любую работу начинаю с создания отдельного проекта в Claude, ChatGPT или Gemini — такая функция есть во всех трех сервисах. Проект позволяет хранить весь контекст конкретной задачи в одном месте. Все загруженные документы остаются в памяти нейросети, и она может обращаться к ним в любой момент.
При этом внутри проекта удобно создавать отдельные чаты под разные задачи. Так контекст не разрастается до бесконечности, а модель не начинает тормозить из-за слишком длинного диалога.
Раньше бы в такой статье был большой типовой блок с объяснением, как правильно составлять промпты для нейросетей. Сейчас убрал его, потому что нейросети уже сами прекрасно пишут промпты под себя, и объяснять это отдельно смысла нет.
Системный промпт для проекта я больше не пишу руками. Я просто загружаю в проект все материалы, которые есть по клиенту: бриф после первого созвона, расшифровку разговора, сайт, конкурентов, которых назвал сам клиент, и любые дополнительные материалы.
Пишу нейросети (у меня по умолчанию Claude, у вас может другая) обычным языком, без промпт-инжиниринга, что-то вроде: «Проанализируй файлы и напиши системный промпт для этого проекта, мне нужен маркетолог».
В ответ нейросеть создает Markdown-файл с ролью, кратким описанием и всем остальным. Показывать его целиком смысла нет, потому что у каждого будет свой, под конкретного клиента.
Шаг 2. Готовимся к созвону и разбираем бриф
Если впереди встреча с клиентом, сначала прошу нейросеть составить бриф — список вопросов, которые стоит задать во время разговора.
Она предлагает свой вариант, после чего я быстро просматриваю его глазами. Если вижу, что какие-то вопросы уже неактуальны или, наоборот, чего-то не хватает, вношу небольшие правки. Именно с этим вариантом потом и иду на созвон.
После разговора начинается следующий этап — работа с расшифровкой. Обычно я созваниваюсь через Zoom. Он автоматически создает расшифровку в формате VTT, который современные нейросети читают без проблем. Кроме того, качество распознавания русской речи у Zoom вполне достойное.
Затем загружаю в проект саму расшифровку, дорожную карту проекта, ссылки на сайт и социальные сети клиента и прошу нейросеть проанализировать все материалы вместе.
Шаг 3. Ставим задачи на исследование
Следующий этап — самый важный. Нужно четко определить, что именно предстоит исследовать. Для начала я спрашиваю саму нейросеть, как она выстроила бы исследование с учетом всех материалов проекта. Иногда она предлагает неочевидные идеи, которые потом действительно оказываются полезными.
После этого ставлю три основные задачи:
-
Анализ рынка. Нужно понять объем рынка, оценить, есть ли вообще смысл заходить в эту нишу сейчас, и собрать максимум информации из открытых источников.
-
Анализ конкурентов, Причем не только тех, кого назвал клиент. Меня интересуют их оферы, ценовая политика, позиционирование, способы отстройки друг от друга, каналы продвижения и отзывы на различных площадках.
-
Анализ целевой аудитории. Здесь важно понять, как аудитория сама описывает свои проблемы и потребности. Какие существуют сегменты, в каких телеграм-чатах и сообществах общаются потенциальные клиенты, что пишут в комментариях и отзывах.
Все три исследования запускаю одновременно в режиме глубокого исследования сразу в трех нейросетях. В Claude эта функция называется Research, в ChatGPT и Gemini — Deep Research, но по сути речь идет об одном и том же режиме.
Задание для каждой нейросети, как и системный промпт в первом шаге, тоже пишу не сам: прошу саму нейросеть сформулировать, что и как ей исследовать, с учетом ее собственных сильных сторон.
В итоге обычно получаю три документа:
-
промпты для каждого исследования;
-
список телеграм-чатов и рекомендации, что именно в них искать;
-
дополнительные направления исследования, которые сама нейросеть сочла важными именно для этого проекта.
Шаг 4. Три нейросети дают три разных результата
После подготовки промптов запускаю исследование сразу во всех трех нейросетях и затем сравниваю результаты. Бывает, одна нейросеть находит конкурента, которого не нашла другая, и они дополняют друг друга.
Заодно так проще ловить ошибки. Если по данным одной сети объем рынка один, а по данным другой — другой, это повод перепроверить цифру, а не слепо ей верить.
По качеству и скорости они ощутимо разные:
Claude. Для исследований всегда использую Opus с максимальным уровнем размышлений и именно режим Research, а не обычный поиск по интернету. Обычно исследование занимает около десяти минут. Больше всего мне нравится, что Claude пишет достаточно лаконично: меньше воды, больше конкретики и выводов.
Кстати, Anthropic недавно временно ограничила доступ к только что вышедшей Fable 5, но на Opus и Sonnet это никак не повлияло.
Главный недостаток Claude — ограничения по количеству запросов. На подписке Pro за $20 обычно получается провести примерно полтора полноценных исследования за одну сессию, после чего приходится ждать около четырех часов до обновления лимита. Я решил эту проблему просто: оплачиваю два аккаунта Pro. Даже так это значительно дешевле, чем подписка Max за $200.
ChatGPT. Deep Research на GPT-5.5 в режиме размышлений работает заметно дольше — примерно час вместо десяти минут у Claude. Но результат вполне достойный.
Gemini. С ним ситуация немного сложнее. Он любит писать длинные документы канцелярским языком страниц на тридцать пять, из которых полезных всего пять. Но есть причина, по которой я все равно оставляю его в процессе. Gemini действительно активно использует поиск Google, а в индексе Google банально больше сайтов, особенно русскоязычных, которые ChatGPT и Claude в своем поиске могут просто не увидеть.
Шаг 5. Объединяем, проверяем и вычитываем
Когда исследования готовы, загружаю все три отчета обратно в Claude и прошу собрать их в единый документ. Claude сравнивает результаты, ищет совпадения и расхождения, отмечает противоречивые места, предлагает, что стоит перепроверить, а затем формирует общий итоговый отчет.
Перед тем как показать документ клиенту или использовать его в работе, я обязательно вычитываю файл. Не потому что не доверяю нейросетям, а потому что ошибки, устаревшие данные или нелепости все равно проскакивают.
Черновые прогоны нейросеть делает сама, но финальную версию, то есть то, что реально пойдет в работу или к клиенту, я обязательно проверяю лично. И советую так делать всем.
Шаг 6. Социальное прослушивание через NotebookLM
Это, пожалуй, единственная часть моего процесса, которую я редко встречаю у других специалистов. Многие ограничиваются анализом открытых источников. Я стараюсь пойти дальше и посмотреть, что сама аудитория говорит о своих проблемах.
На мой взгляд, лучший способ понять клиентов — читать не исследования о них, а их собственные сообщения. В основном это Telegram, группы по интересам, чаты конкурентов, комментарии под их публикациями (по сути тот же чат), плюс отзывы на агрегаторах вроде Яндекс Карт.
Все эти источники обрабатываю одинаково: собираю материалы и загружаю их в NotebookLM. Это инструмент от Google, который не просто резюмирует файл, а индексирует его и умеет отвечать на вопросы со ссылками на конкретные сообщения, из которых был сделан вывод. Благодаря этому можно сразу перейти к первоисточнику, проверить цитату и посмотреть, насколько часто подобные сообщения встречаются.
Например, я прошу NotebookLM построить репутационную карту каждого конкурента. В ответ получаю что-то вроде: «У конкурента X нейтральная репутация: примерно 50 на 50. На Яндекс Картах рейтинг 4,9 из 5. Чаще всего хвалят за…». Рядом с каждым выводом стоит ссылка на конкретный отзыв. Нажимаешь — и сразу видишь первоисточник.
Однажды именно таким способом удалось обнаружить жалобы пользователей на подписку, которую оформляли без согласия клиента, после чего ежедневно списывали по 199 рублей с банковской карты.
С телеграм-чатами использую немного другую схему. Я экспортирую историю чата без медиафайлов в формате JSON, обычно за последний год. Полностью выгружать большие чаты не вижу смысла.
Однако есть нюанс: NotebookLM плохо индексирует сырой JSON. Поэтому сначала преобразую его в Markdown-документы, разбитые на небольшие фрагменты. Чем меньше текста в каждом файле, тем точнее потом работает поиск. Для небольших чатов обычно ставлю ограничение около пятидесяти слов на файл. Для этой конвертации сделал себе отдельный инструмент в браузере, он работает быстро и без обработки на сервере.
Шаг 7. Медиаплан делаем своими силами
На этом этапе нейросети уже не справляются. Они с радостью посчитают бюджеты по каналам, но цифры возьмут из головы, потому что реальных данных у них нет. Поэтому медиаплан я рассчитываю самостоятельно или вместе с командой.
Мы используем прогнозатор бюджета Яндекса и накопленный опыт: определяем, сколько стоит заложить на рекламу во «ВКонтакте», сколько — на «Авито», какие бюджеты потребуются для остальных каналов. И только после того как реальные цифры готовы, загружаем их обратно в проект. На их основе нейросеть уже может собрать полноценную маркетинговую стратегию.
Шаг 8. Собираем маркетинговую стратегию
Перед тем как просить нейросеть написать готовую стратегию, всегда задаю ей один простой вопрос: хватает ли имеющихся данных. Если информации недостаточно, модель обычно сама указывает, чего именно не хватает. После этого можно либо собрать недостающие данные, либо осознанно принять решение работать с тем, что уже есть.
Саму стратегию, как и исследование, я снова делаю сразу в трех нейросетях. В Claude уже находится весь проект: документы, исследования, системный промпт и накопленный контекст. В ChatGPT и Gemini загружаю уже собранные материалы вместе с промптом, который предварительно подготовил Claude.
Когда все три стратегии готовы, снова возвращаюсь в Claude. Прошу его проанализировать остальные варианты и дополнить собственную версию удачными идеями от «коллег». В результате получаются два документа: подробная стратегия для внутренней работы и короткая презентация для клиента.
Несмотря на то что современные модели стали значительно лучше, полностью доверять им все еще нельзя. Есть несколько типичных ошибок, которые встречаются регулярно:
-
Придуманные цифры. Если нужно спрогнозировать что-то, связанное с рекламой, например количество запросов в месяц, а нейросеть не подключена напрямую к источнику вроде Wordstat через MCP-сервер, она просто сгенерирует правдоподобные числа. Верить ей нельзя.
-
Советы не по контексту. Даже если явно написать, что рынок российский и часть сервисов заблокирована, модель все равно может посоветовать поставить Google Analytics 4, просто потому что для нее это стандартный ответ.
-
Путаница похожих терминов. Иногда нейросети недостаточно хорошо различают близкие понятия. Например, могут написать про коллтрекинг и Calltouch как про два разных инструмента, хотя Calltouch — это один из сервисов коллтрекинга.
В остальном критических ошибок встречается не так много. Большинство из них обнаруживаются во время финальной вычитки. Иногда достаточно задать уточняющий вопрос, иногда — перепроверить спорные цифры или источник информации. Но ситуаций, когда исследование приходилось полностью переделывать, у меня давно не было.
Шаг 9. Проект становится помощником
После того как стратегия готова и передана клиенту, проект я не закрываю. Наоборот, он превращается в постоянного помощника маркетолога. К этому моменту внутри проекта уже собран весь контекст: документы, исследования, стратегия, системные инструкции и история работы. Благодаря этому нейросеть хорошо понимает, о каком бизнесе идет речь, и не требует каждый раз заново объяснять ситуацию.
Примерно раз в месяц я загружаю туда актуальные показатели рекламных кампаний, данные по выручке, обратную связь клиента и прошу проанализировать результаты.
Например, пишу что-то вроде: «Сайт готов. Лендинг уже неделю работает в Директе. Заявок мало. Из каналов лучше всего показывает себя аутрич, но база для рассылок заканчивается. От участия в выставках клиент отказался. Что еще можно попробовать?»
Нейросеть смотрит на вводные и предлагает конкретные варианты. По сути, я использую ее как дополнительного участника команды. Не вместо собственной экспертизы и не вместо сотрудников, которые ведут проект, а как еще один источник идей и взглядов со стороны.
Шаг 10. От прототипа до рабочего сайта
В рамках того же проекта можно быстро собрать и прототип будущего лендинга. За последнее время качество дизайна у нейросетей заметно выросло. При необходимости можно сразу добавить сгенерированные изображения или видео и получить вполне убедительный прототип.
Но это HTML-прототип, а не готовый сайт. Как не программист, я в свое время был по-настоящему удивлен, что такой прототип нельзя просто загрузить на хостинг и считать готовым продуктом — там банально нет рабочих форм.
Поэтому, если нужен сайт, который действительно можно запускать, нужно идти в Claude Code, Codex или аналог от Gemini и ставить конкретную задачу, куда входят прототип, требования хостинга и то, какие формы должны работать. Тогда на выходе будет файл, готовый к загрузке.
Что этот подход не решает
Одной кнопки, которая выдает готовую стратегию, не существует. Каждый шаг запускается вручную, и на каждом нужен контроль качества, именно он и дает нормальный результат.
Если прогнать все то же самое через API без ручного участия, стратегия получится посредственной. Выглядит красиво, но полно воды, очевидных банальностей и нелепых ошибок вроде совета продвигаться в соцсети, которая в России не работает. В работе с клиентом я бы такую использовать не стал.
Главное преимущество ИИ не в том, что он (якобы) может полностью заменить специалиста. Просто нейросети для маркетинга позволяют сделать ту же самую работу в несколько раз быстрее.
Там, где раньше уходил месяц, сегодня можно уложиться в один день. А иногда — даже в несколько часов, если все делать последовательно и без переключения между задачами.
Почему этот подход работает только в руках специалиста
Когда-то я решил попробовать вайбкодинг. Очень быстро стало понятно, что я просто не понимаю, что происходит. Нейросеть генерировала код, но я не мог разобраться, почему он не работает и как исправить ошибки.
В итоге я нанял программиста, и вот он уже оказался хорош в вайбкодинге: сразу видел, где ошиблась модель, понимал, почему это произошло, и мог быстро исправить результат.
С маркетингом происходит ровно то же самое. Нейросети пишут уверенно. Они свободно используют профессиональные термины вроде CTR, ROI и CAC, поэтому текст выглядит убедительно, особенно для предпринимателя, который сам глубоко в маркетинге не разбирается.
Но если человек не понимает, как должна работать реклама, он просто не заметит, что стратегия содержит ошибки. С вайбкодингом ошибку хотя бы видно сразу: если не работает, значит не работает. В маркетинге все гораздо коварнее. Неправильная стратегия может выглядеть идеально, а ошибки обнаружатся только спустя месяц, когда рекламный бюджет уже будет потрачен.
Частые вопросы
Claude просит номер телефона при регистрации. Что делать?
Обычно помогает регистрация через Google-аккаунт, которому больше полугода и который уже использовался в обычной работе. В таком случае проблем, как правило, не возникает.
Gemini не открывается даже через VPN.
Google отдельно банит российские IP-адреса, поэтому обычного VPN бывает недостаточно. В таких случаях обычно используют антидетект-браузер вместе с прокси.
Хватает ли лимитов?
Для Gemini и ChatGPT — почти всегда. Для Claude — нет. Поэтому я использую два аккаунта Pro. Об этом уже рассказывал выше.
А что с российскими нейросетями?
С Яндексом я сотрудничаю, поэтому не считаю корректным давать оценку. Про Сбер скажу прямо: стало лучше, чем на старте, но для практических задач все еще слабо.
По моим наблюдениям, наши модели пока не дотягивают даже до китайских, не говоря уже об американских. Из бесплатных китайских вариантов пробовал DeepSeek и Qwen, сам не пользуюсь, потому что качество ответов ниже и приходится больше плясать с бубном, чтобы получить что-то нормальное.
Клиенты не переживают из-за NDA?
Мы всегда заранее предупреждаем, что в работе используются нейросети.
Если клиент против, есть два варианта: либо полностью отказаться от использования ИИ в конкретном проекте, либо отказаться от самого проекта.
На практике подобные ситуации встречаются редко. Обычно такие требования предъявляют только крупные компании с жесткими ограничениями по безопасности данных.
Подытожу
Инструменты у всех одинаковые. Claude, ChatGPT, Gemini и NotebookLM доступны любому маркетологу и стоят не так дорого. Разницу в результате дает не подписка, а то, кто ставит задачу, проверяет вывод и берет на себя ответственность за финальный файл. Писал об этом же в статье «Зачем вам маркетолог, если есть ИИ?». Эта статья — продолжение той мысли, только уже на примере реального рабочего процесса.
Автор: Lastman
