Исследование персон кандидатов

Контекст

Разрабатывая стратегию и планируя задачи, в компании опирались на собственные представления о кандидатах — часто это был личный опыт или профессиональные знания, а не данные.

Нужно было сформировать типологию кандидатов, понять мотивы и проблемы каждой группы, выявить скрытые мотивации и барьеры.

Решение

Этап 1. Выбор метода и скрипт исследования

Опираясь на цель исследования, решили провести серию глубинных интервью с кандидатами. Выделили три блока:

• Знакомство с кандидатом, общие вопросы
• Интервью о поиске работы: как, где и когда ищут вакансии, как откликаются, что происходит дальше
• Поиск работы в getmatch: регистрация в боте, кейсы использования, преимущества и недостатки сервиса

Выдержка из написанного скрипта

Этап 2. Рекрутинг респондентов

Пользователей, которые не ищут работу в данный момент, рекрутировали рассылкой в телеграм-бот. Активных кандидатов приглашали рекрутеры при контакте по открытым вакансиям.

Заранее прописали критерии аудитории:

• A-грейд
• Любой формат работы (но не больше пяти кандидатов, которые смотрят только релокейт)
• Специализации: любые разработчики, продакты, тестировщики, дизайнеры
• Русскоязычные

Совместно с UX-писательницей разработали скрипты для рекрутеров, чтобы прописывать кандидатов быстро и без лишней когнитивной нагрузки.

Кандидаты бронировали время в Calendly — интеграция создавала UX-исследовательнице встречу в календаре со ссылкой на Zoom.

Этап 3. Интервью и итоги

Сессии записывали с согласия респондента и транскрибировали AI-ботом. Полный текст, саммари и выводы UX-исследовательница формировала самостоятельно.

После 22 интервью проанализировали саммари и выявили закономерности. Чётко очертились шесть групп: они отличались способом взаимодействия с продуктом, возрастом, квалификацией, опытом — и уникальными потребностями.

Не могу показать все персоны, но одна из карточек — «Стратег»:

«Стратег» относится к поиску новой компании как ко второй работе. Для полноценного поиска в getmatch такие пользователи используют компьютер — так легче сортировать информацию, сохранять ссылки и вести историю собеседований. Нам казалось, что большинство сидит в телеграм-боте и мобильной веб-версии.

В итоге получили шесть персон и пачку инсайтов — их распилили на дизайн-задачи для ресёрча:

Разбор сообщения, которое смущало кандидатов и вызывало негатив

Дальнейшие шаги

Опираясь на персоны, создали JTBD и CJM для каждой роли и скрестили их с OKR из стратегии. Совпадающие задачи («улучшит UX и даст рост метрик») распределили по трекам и кварталам.

Так появилась задача «Зарплатный калькулятор» — четыре персоны назвали анализ рынка потребностью; чаще всего хотели разбирать зарплатные вилки.

Организовали серию воркшопов про персоны и работу с ними. Теперь метрики и гипотезы опираются на эти знания.

Также скормили ChatGPT данные о персонах, записи, транскрипции, саммари и выводы — получились AI-персоны: можно быстро проверить гипотезу, если на полноценное исследование нет ресурса.

Пример: AI-UX-исследователь проводит интервью с персонами

Результаты

Чему я научился

• В продукте может быть полярно разное поведение пользователей, если цели различаются
• Исследование превращается в пустышку, если сразу не переварить его в OKR и не поставить задачи в квартал