🎯 О чём этот конспект: Пошаговая методология проведения глубокого маркетингового исследования любой ниши без галлюцинаций нейросетей с помощью связки Perplexity, Google NotebookLM и AI-кодинга (Claude Code / Antigravity). Автор показывает, как собрать реальный голос рынка из отзывов и форумов, прогнать через проверенные фреймворки консалтинга уровня McKinsey и автоматически сгенерировать интерактивный дашборд с калькулятором юнит-экономики и конверсионными офферами.
👤 Кому будет полезно: Вайбкодерам, AI-интеграторам, маркетологам, продуктологам и предпринимателям, которые хотят продавать маркетинговую аналитику за 300 000–1 000 000+ рублей или находить скрытые точки роста маржинальности в собственных проектах.
✨ Что получите: Готовый воспроизводимый пайплайн сбора сырых данных рынка, шаблоны промптов под консалтинговые фреймворки (Jobs To Be Done, «Четыре силы», «Дерево проблем») и инструкцию по автоматической генерации клиентского HTML-отчета с калькулятором сценариев на базе чистого контекста.
1. Сбор голоса рынка и первоисточников без галлюцинаций нейросетей
Контекст: Большинство маркетологов и предпринимателей при работе с ChatGPT или Claude заходят в тупик: языковые модели склонны льстить пользователю, одобрять любые гипотезы и генерировать усредненный контент из обучающей выборки. Чтобы получить реальные данные, необходимо исключить додумывание и загрузить в модель только первоисточники: дословные отзывы пациентов или клиентов, ветки форумов и дискуссии в соцсетях. Люди редко высказывают недовольство руководству в лицо — они уходят молча, но в интернете пишут максимально честно и эмоционально. Именно негативные отзывы и сомнения клиентов содержат точки роста для отстройки от конкурентов. Сбор этих данных формирует фундамент доказательной аналитики.
Тайминг: , , ,
Выгода: Экономия сотен тысяч рублей на заказных полевых исследованиях; получение точного лексикона и скрытых возражений целевой аудитории.
Как применить:
- Шаг 1: Сбор ссылок на отзывы через карты — Яндекс Карты / 2ГИС — Откройте профили клиник или компаний вашей ниши. Скопируйте прямые ссылки на разделы с отзывами (особенно низкие и средние оценки).
- Шаг 2: Поиск живых дискуссий через Perplexity — Perplexity AI — Перейдите в Perplexity, выберите режим Deep Research (глубокий поиск) с веб-коннекторами и запустите промпт для сбора чистых ссылок на обсуждения:
Найди в русскоязычном интернете, где реальные люди обсуждают выбор стоматологической клиники. Мне нужны страницы, где есть развернутые высказывания. Верни ответ одним списком чистых URL без лишнего текста.- Шаг 3: Поиск скрытых причин отказов — Perplexity AI — Создайте новый чат в Perplexity и соберите форумы, где люди делятся причинами ухода из клиник после составления плана лечения:
Собери все, что известно о причинах, по которым пациенты отказываются от имплантации зубов уже после консультации, когда озвучен план лечения и его стоимость. Верни список прямых URL с живыми обсуждениями.- Шаг 4: Ручной захват контента при блокировке парсинга — Буфер обмена / NotebookLM — Если URL подсвечивается красным и не подтягивается в систему, перейдите на страницу вручную, выделите весь текст (
Cmd + A/Ctrl + A), скопируйте (Cmd + C) и добавьте в систему как сырой текст («Скопированный текст»).
Результат: База из 20–50 ссылок и текстовых выжимок с реальными формулировками, болями и скрытыми мотивами целевой аудитории.
2. Структурирование базы знаний и работа с NotebookLM как с «пианино»
Контекст: Google NotebookLM кардинально отличается от стандартных чатов тем, что модель строго заземлена на предоставленные источники (Grounding) и не добавляет внешние выдумки. Чтобы аналитика была чистой, базу знаний необходимо правильно сегментировать. Если смешать отзывы пациентов с сайтами конкурентов, модель начнет воспринимать рекламные слоганы компаний как правду клиентов. Автор предлагает концепцию работы с источниками «как с пианино»: раскладывать сырье по изолированным ярлыкам и включать/выключать галочки нужных источников под конкретные задачи исследования.
Тайминг: , , , ,
Выгода: Абсолютная чистота аналитики: каждый вывод системы подкрепляется точной цитатой из реального источника без галлюцинаций.
Как применить:
- Шаг 1: Создание блокнота и загрузка ссылок — Google NotebookLM — Создайте новый блокнот. Через меню «Добавить источники» загрузите спарсенные ссылки с отзывов, тексты обсуждений и сайты конкурентов.
- Шаг 2: Кластеризация и тегирование ярлыками — Google NotebookLM — Нажмите кнопку автоматической сортировки источников либо вручную создайте папки/ярлыки:
Отзывы о клиниках(голос рынка, боли, негатив)Люди отказываются(причины срыва сделок после консультаций)Конкуренты(офферы, сайты, прайс-листы других игроков)Наша компания(текущий сайт и услуги анализируемого бизнеса)
- Шаг 3: Перекрестный выбор источников для изоляции контекста — Google NotebookLM — Перед отправкой любого запроса снимайте галочки с ненужных источников. Если анализируете боли — отключайте сайты конкурентов. Если сравниваете свой оффер с рынком — выбирайте только ярлыки «Наша компания», «Конкуренты» и выжимки предыдущего анализа.
Результат: Изолированная, структурированная аналитическая система, готовая к многоуровневому стресс-тестированию без риска искажения данных.
3. Обработка данных через фреймворки консалтинга: «Четыре силы» и группы ЦА
Контекст: Собрать данные недостаточно — их нужно обработать по бизнес-методологиям, которые десятилетиями применяют консалтинговые гиганты вроде McKinsey. Простые запросы вроде «сделай выжимку» выдают очевидные банальности («люди боятся боли»). Для получения глубоких инсайтов используются фреймворки Jobs To Be Done (JTBD): методология «Четыре силы» (Push, Pull, Anxiety, Habit), сегментация по скрытым мотивам и дерево проблем. Это позволяет разложить поведение клиента на физические и психологические факторы: что его выталкивает из текущей ситуации, что притягивает к новому решению, какие страхи останавливают в момент сделки.
Тайминг: , , , ,
Выгода: Понимание точных барьеров конверсии и формулировок, которые пробивают баннерную слепоту и вызывают моментальный эмоциональный отклик у клиентов.
Как применить:
- Шаг 1: Выявление причин ухода без цензуры — Google NotebookLM — Выберите только источники с реальными отзывами и отправьте системный промпт:
Найди во всех загруженных источниках места, где человек объясняет, почему он не стал лечиться (или покупать услугу) и ушел подумать. Приведи точные дословные цитаты пациентов/клиентов.- Шаг 2: Раскладка по фреймворку «Четыре силы» — Google NotebookLM — Передайте полученные цитаты в следующий промпт:
Возьми собранные цитаты об отказе от покупки и разложи их строго по фреймворку «Четыре силы»:
1. Сила выталкивания (Push) — что делает текущую ситуацию невыносимой и заставляет искать решение?
2. Сила притяжения (Pull) — какие конкретные обещания и условия привлекают в новом решении?
3. Тревоги и страхи (Anxiety) — что пугает прямо перед сделкой (боль, непрозрачные цены, сюрпризы)?
4. Привычка/Инерция (Habit) — что удерживает человека от принятия решения здесь и сейчас?
По каждой силе приведи реальные паттерны и формулировки людей.- Шаг 3: Сегментация целевой аудитории на 5 психотипов — Google NotebookLM — Выделите группы клиентов не по полу и возрасту, а по их жизненной ситуации:
Раздели аудиторию из источников на 5 групп. Для каждой группы опиши:
1. Жизненная ситуация
2. Чего на самом деле хочет клиент?
3. Что останавливает от сделки?
4. Приведи 2-3 дословные цитаты из источников, характерные для этой группы.- Шаг 4: Построение Дерева проблем и поиск белых пятен — Google NotebookLM — Найдите корневые причины низкой конверсии и темы, о которых конкуренты молчат:
Построй «Дерево проблем» на основе источников:
- Центральная проблема: низкий средний показатель принятия планов лечения.
- Корни: глубинные причины (поведение врачей/менеджеров, терминология, ценообразование).
- Ветви: прямые последствия для клиента и бизнеса.
Дополнительно найди противоречия в источниках и вопросы, на которые клиенты не могут найти ответов ни у одной клиники.- Шаг 5: Сохранение артефактов в заметки блокнота — Google NotebookLM — Сохраняйте каждый сгенерированный блок в панель «Заметки» (Studio) внутри NotebookLM, чтобы они стали отдельными источниками знаний для финального этапа.
Результат: Полная матрица принятия решений клиентом: выявлены ключевые триггеры (страх удаления зуба, страх непрозрачной сметы, высокомерие врачей) и сформированы 5 четких портретов целевой аудитории с дословными цитатами.
4. GAP-анализ и поиск «разрыва ценности» между рынком и конкурентами
Контекст: Большинство компаний конкурируют по цене, делая скидки, потому что не понимают, в чем заключается реальный разрыв (GAP) между ожиданиями людей и предложением рынка. Подключив к исследованию сайты прямых конкурентов и собственный сайт, можно поручить модели провести сопоставительный аудит. Модель выявляет критические маркетинговые ошибки: сухие описания вместо эмоциональных кейсов, статичные формы захвата вместо интерактивных квизов, отсутствие гарантий фиксации цен в договоре. На этом стыке рождается внеконкурентная стратегия позиционирования.
Тайминг: , , ,
Выгода: Отказ от ценового демпинга; формирование стратегии клиники «последней надежды», где средний чек и маржинальность растут за счет снятия главных страхов клиентов.
Как применить:
- Шаг 1: Подключение сайтов конкурентов — Google NotebookLM — Активируйте галочками ярлыки «Конкуренты» и выжимки предыдущего анализа болей аудитории.
- Шаг 2: Запуск GAP-анализа — Google NotebookLM — Выполните запрос на поиск рыночного разрыва:
Проанализируй все отзывы людей (что они хотят на самом деле) и сравни с тем, что предлагают клиники-конкуренты на своих сайтах. Найди критический разрыв (GAP): где клиники теряют пациентов, чего людям критически не хватает, и какие услуги/сервисные элементы нужно добавить в нашу клинику, чтобы кардинально повысить конверсию и маржинальность без снижения цен.- Шаг 3: Аудит собственного сайта на фоне конкурентов — Google NotebookLM — Отметьте галочками ваш сайт, сайты конкурентов и выжимки болей:
Проанализируй сайт нашей клиники (источник: Наша клиника), сравни его с сайтами конкурентов и выжимками потребностей аудитории. Назови слабые стороны нашего сайта, упущенные механики захвата лидов и дай конкретный чек-лист доработок для веб-разработчика: какие блоки, офферы и виджеты добавить на главный экран.Результат: Готовая стратегия переупаковки бизнеса: внедрение модели фиксации сметы до лечения, сервиса «антистресс», видеокейсов спасения зубов вместо скидочных баннеров и конкретного чек-листа правок лендинга.
5. Генерация нейромаркетинговых офферов и сборка интерактивного дашборда
Контекст: Финальный этап методологии — упаковка собранных аналитических данных в конкретные продающие артефакты и презентационный дашборд для заказчика или команды. Вместо многостраничных отчетов в PDF, которые никто не читает, результат собирается в интерактивную HTML-страницу по принципу пирамиды Минто (Minto Pyramid Principle: сначала главное решение, затем обоснование и факты). Для этой задачи все текстовые выжимки из NotebookLM экспортируются в локальную папку, к которой подключается агент разработки (Claude Code, Antigravity или ChatGPT Codex). Агент генерирует нейромаркетинговые офферы с гарантией закрытия страхов и собирает веб-калькулятор финансового эффекта.
Тайминг: , , , , ,
Выгода: Упаковка исследования в готовый продукт стоимостью от 300 000 до 1 000 000 рублей, наглядно показывающий клиенту упущенную выгоду (например, +1 680 000 руб./год) с доказательной базой из первоисточников.
Как применить:
- Шаг 1: Экспорт документов из NotebookLM — Google NotebookLM — Экспортируйте все сформированные аналитические заметки в документы и сохраните их в отдельную локальную папку проекта (например,
market-research-data). - Шаг 2: Подключение AI-агента к рабочей директории — Cursor / Claude Code / Antigravity — Откройте папку с файлами в вашем редакторе кода с поддержкой AI-агентов. Убедитесь, что агент индексирует загруженные текстовые файлы.
- Шаг 3: Генерация офферов методом нейромаркетинга — Claude Code / Antigravity — Отправьте промпт на базе файлов исследования:
Используй навыки нейромаркетинга, опираясь строго на загруженные материалы анализа рынка. Предложи 10 сильных офферов для размещения на сайте, которые закрывают главные страхи клиентов и кардинально повышают конверсию в заявку. Укажи обоснование для каждого оффера на основе найденных проблем (например: страх подмены импланта -> оффер с паспортом изделия).- Шаг 4: Сборка интерактивного HTML-отчета по принципу Минто — Claude Code / Antigravity — Запустите генерацию автономного клиентского дашборда:
Собери единую самодостаточную HTML-страницу (Single Page HTML с inline CSS и JS) для владельца клиники по принципу Минто:
1. Главный вывод на первом экране: «Пациенты уходят не из-за цены, а из-за первой консультации».
2. 5 ключевых шагов трансформации первого приема (фиксация сметы в договоре, сохранение зуба, визуализация результата, рассрочка, куратор).
3. Интерактивный калькулятор «Было / Стало»: ползунки среднего чека и процента принятия планов лечения с расчетом годового прироста чистой прибыли.
4. Доказательная база: кликабельные аккордеоны с прямыми цитатами и фактами из загруженных источников по каждому пункту.
Дизайн современный, адаптивный, чистая типографика.- Шаг 5: Проверка и сдача результатов — Браузер — Откройте полученный HTML-файл в браузере. Проверьте работоспособность калькулятора и соответствие каждой цифры доказательной базе первоисточников.
Результат: Готовый интерактивный дашборд с калькулятором юнит-экономики и 10 прорывных офферов («Второе мнение перед удалением», «Паспорт импланта с серийным номером», «Фиксация сметы в договоре до начала лечения»), готовых к внедрению в отдел продаж и на сайт.
Глубокий анализ рынка через AI: ответы на частые вопросы
В: Почему нельзя просто закинуть ссылку на сайт в ChatGPT и попросить сделать маркетинговый анализ?
О: Стандартные интерфейсы LLM не имеют прямого глубокого доступа ко всей структуре сайта, а главное — они склонны соглашаться с пользователем и генерировать шаблонные галлюцинации из своей обучающей базы. Google NotebookLM жестко заземляет модель только на загруженные первоисточники (отзывы, цитаты, сайты конкурентов), исключая вымысел и выдавая проверяемые ссылки на конкретные строки документов.
В: Сколько источников нужно загружать в NotebookLM для репрезентативного анализа ниши?
О: Оптимально собрать от 20 до 50 качественных источников: 15–20 прямых ссылок на отзывы с негативом и подробным описанием проблем, 5–10 веток форумов и обсуждений с отказами клиентов, 5–10 сайтов прямых конкурентов и материалы вашего бизнеса. Чем больше живых и эмоциональных высказываний людей вы загрузите, тем точнее будут инсайты.
В: Что делать, если NotebookLM выдает ошибку при добавлении ссылки на форум или сайт конкурента?
О: Некоторые сайты блокируют парсинг автоматическими ботами. В этом случае откройте страницу в браузере вручную, нажмите сочетание клавиш Ctrl + A (или Cmd + A), скопируйте весь контент и добавьте его в NotebookLM через функцию «Скопированный текст». Инструмент обработает текст так же эффективно, как и прямую веб-страницу.
В: Для чего распределять источники по ярлыкам внутри NotebookLM?
О: Это принцип «пианино»: если отправить запрос одновременно по сайтам конкурентов и отзывам клиентов, модель смешает рекламные лозунги компаний с реальным клиентским опытом. Разделение по ярлыкам («Отзывы», «Конкуренты», «Отказы») позволяет изолировать контекст: вы можете исследовать боли исключительно по словам клиентов, а затем сопоставлять полученную выжимку с сайтами конкурентов.
В: В чем главное преимущество интерактивного HTML-отчета перед стандартным PDF-документом?
О: Отчет по методу Минто с калькулятором сразу показывает собственнику бизнеса итоговый финансовый результат (сколько денег теряется ежегодно из-за текущих скриптов консультаций). Наличие интерактивных ползунков «Было / Стало» позволяет клиенту в реальном времени увидеть окупаемость предложенных решений, а скрытые цитаты подтверждают, что выводы сделаны не на интуиции, а на анализе сотен реальных людей.
В: Можно ли применять эту методологию для других ниш (B2B, e-commerce, автоуслуги)?
О: Методология универсальна для любого рынка с высокой конкуренцией. В видео автор приводит пример автосервиса, владельцы которого через анализ форумов выявили острый неудовлетворенный спрос на детейлинг в своем городе, внедрили услугу и выросли по чистой прибыли в 4 раза. Механика одинакова: собираем отзывы -> ищем разрыв спроса и предложения -> формируем оффер.
Глубокий анализ рынка через AI: инструменты и ссылки из видео
- Google NotebookLM — сервис для создания заземленных баз знаний и аналитики на основе пользовательских источников —
https://notebooklm.google.com - Perplexity AI — поисковая нейросеть для глубокого верифицированного поиска первоисточников и форумов —
https://www.perplexity.ai - Claude Code — агентный инструмент Anthropic для генерации кода и веб-интерфейсов из локального контекста — упомянут в видео
- Antigravity — среда для запуска AI-агентов и интеграции плагинов (Codex, Claude, Grok) — упомянут в видео
- Яндекс Карты — картографический сервис для сбора реальных отзывов клиентов и поиска прямых конкурентов —
https://yandex.ru/maps
Конспект создан на основе видео «Как видеть бриллианты на рынке: методология глубокого маркетингового анализа через AI» канала Дмитрий Попов. Все права на оригинальный материал принадлежат авторам. Источник: https://www.youtube.com/watch?v=rmLMgBWVmks
