Когда отзывы обманывают: как когнитивные искажения меняют восприятие пользовательского фидбека

История, о которой хочется рассказать, случилась давно. Я управляла сервисом по продаже билетов в кино, и основные продажи происходили в мобилке. Тогда мы только начали внедрять JTBD (Jobs-To-Be-Done). Это был первый большой релиз, основанный на глубинных интервью и гипотезах. Мы кардинально переделали UX главного экрана приложения — хотели закрыть несколько дополнительных сценариев, убрать боли отсутствия хороших билетов на премьерные фильмы, мешающие конверсии, и наконец показать всей компании, что JTBD — это не «какие-то схемки», а реальный инструмент роста.

Релиз был критически важен. Давление было колоссальным. И вот — релиз. Через несколько часов в саппорт начинают поступать жалобы: «Фильмов нет!», «Куда всё делось?!». А затем появляются первые негативные отзывы в AppStore. Зная их скорость апрува отзывов, мы были в ужасе, что будет дальше. Экстренно собрались командой тестировать фичу повторно — баг не воспроизводился. Но разговоры об откате до предыдущей версии уже начались. Мы бы и откатили, если бы не технические сложности с самой предыдущей версией. В общем, казалось, что это катастрофа.

А на следующий день метрики показали абсолютно другую картину. Конверсия в покупку выросла. И не просто немного, а прямо в разы. Как оказалось позже, все негативные отзывы пришли из одного небольшого города, где в прокате шло всего 2–3 фильма. А новый UX в условиях малочисленного контента действительно выглядел пустым — визуально это напоминало баг. Мы быстро доработали этот кейс, добавили сценарии для низкоконтентных регионов. Но ведь всё могло закончиться отменой релиза из-за когнитивных искажений.

Кстати, спустя месяц мы увидели, что и ретеншн 30-го дня по этой когорте тоже вырос. Мораль? Нужно уметь распознавать ловушки восприятия и не принимать решения, опираясь только на яркие сигналы.

Ниже представлены когнитивные искажения, которые, я считаю, должны учитывать все продакты массовых consumer-продуктов. Для нишевых и b2b-решений они тоже работают, но имеют ряд отдельных нюансов в применении.

Эффект подтверждения (Confirmation Bias)

В 2012 году Дэвид Гал и Дерек Рук решили проверить, как люди воспринимают противоречивую информацию. Участникам с разными взглядами на смертную казнь дали аргументы «за» и «против». Несмотря на одинаковое качество материалов, люди находили убедительными только те аргументы, которые совпадали с их исходной позицией. Всё остальное — игнорировали. Так и в продакт-работе: если вы уже верите, что фича не зашла, вы начнёте искать подтверждения этому в каждом негативном отзыве

Что помогает:

• Начинайте анализ с количественных данных: прежде чем читать отзывы, посмотрите на метрики — конверсию, ретеншн, глубину взаимодействия. Важно понимать, достаточно ли у вас данных и статзначимы ли изменения. Если выборка слишком мала, количественный анализ (конверсия, ретеншн) может быть непоказателен. В таком случае метрики могут ошибочно подтвердить уже сложившиеся убеждения команды.

• Используйте «слепую» сортировку: скройте источник, город, платформу или рейтинг при первом разборе фидбека — это позволяет снизить влияние предварительных ожиданий.

• Привлекайте независимых аналитиков: взгляд со стороны помогает избежать предвзятости внутри команды.

• Используйте AI-кластеризацию тем: алгоритмы вроде BERTopic, GPT-based summarization или тематических моделей могут сгруппировать фидбек без влияния ваших предположений, выявляя скрытые тренды и поведенческие паттерны. Но учтите, что не помогут, если входные данные изначально сильно искажены (например, отзывы написаны специфичной группой пользователей — только недовольными или, наоборот, только лояльными).

Негативное искажение (Negativity Bias)

В 2014 году Джон Качиоппо показал участникам позитивные, нейтральные и негативные изображения. Мозг сильнее и дольше реагировал именно на негатив. Это встроенный механизм выживания — мы не просто помним плохое, мы преувеличиваем его важность. Это эволюционно обусловленная склонность мозга уделять больше внимания негативным стимулам, поскольку они могут представлять угрозу. Ну а в продукте один злобный отзыв часто перекрывает десятки нормальных и приводит к появлению фичей для одного человека.

Что помогает:

• Структурируйте отзывы по категориям: выносите в отдельные кластеры негатив, позитив и нейтраль. Это помогает оценить баланс восприятия, а не фокусироваться только на эмоциональных крайностях. Отдельно выносите отзывы о временных ярко негативных/позитивных событиях. Если сервис лежал несколько часов, у вас будет море негатива, но это не про продукт, а про стабильность системы.

• Считайте, а не ощущайте: анализируйте частотность негативных сигналов — сколько пользователей действительно пишут о проблеме, насколько она повторяется.

• Используйте AI-анализ тональности: инструменты вроде RoBERTa или BERT-based моделей позволяют детектировать тон высказывания, а также соотносить его с контекстом и сегментами пользователей.

• Визуализируйте доли негатива/позитива на дашбордах — это помогает команде не утонуть в громких единичных случаях.

Важное исключение: когда негативный отзыв распространяется быстро (например, негативный пост от инфлюенсера), структурированная визуализация негатива может, наоборот, подвести команду, недооценив серьёзность PR-проблемы.

Эвристика доступности (Availability Heuristic)

В 2013 году Норберт Шварц провёл эксперимент: участники, которым нужно было вспомнить 12 примеров ассертивности, оценивали себя как менее ассертивных, чем те, кто вспоминал всего 6. Просто потому, что 12 — сложно. Наш мозг путает «легко вспомнить» с «часто происходит». Ограниченные ресурсы мозга для обработки информации приводят к использованию упрощённых стратегий, основанных на легко вспоминаемых примерах. Люди оценивают вероятность событий на основе лёгкости, с которой они могут вспомнить подобные случаи, что может привести к искажённому восприятию реальности. Один яркий случай в саппорте — и кажется, что проблема повсеместная.

Что помогает:

• Систематизируйте фидбек по сценариям, а не по кейсам: работайте с типовыми путями пользователей, а не единичными историями. Но если вы выпустили абсолютно новый продукт или сценарий использования, старых типовых паттернов и сценариев просто не существует. Систематизировать отзывы по сценариям не получится — их придётся исследовать индивидуально, и яркие единичные случаи могут быть единственным источником правдивых инсайтов.

• Используйте тематическое моделирование: алгоритмы вроде LDA, BERTopic и GPT-топики позволяют выделять повторяющиеся темы, которые представляют реальные паттерны поведения, а не всплески внимания.

• Обновляйте базу типичных пользовательских сценариев на основе собранного фидбека: это даст контекст, в который можно вписать каждый отдельный отзыв.

• Применяйте AI-инструменты для выявления типичных болей в разных сегментах, чтобы не считать редкое типичным. Учтите, что если у вас специфический региональный или нишевый рынок с недостаточной базой типичных сценариев, тематические модели (LDA, BERTopic) работают хуже. Использовать можно, но доверия к ним должно быть меньше.

Кстати, отдельная ловушка для дизайнеров — дизайн-приёмы, которые запомнились по последнему проекту или которые кто-то сильно похвалил, применяются чаще, даже если они не являются оптимальными в конкретной ситуации. А аналитики, которые нашли яркую взаимосвязь между двумя показателями (например, связь ретеншна и частоты уведомлений), могут начинать искать её в каждом новом случае, игнорируя другие возможные объяснения.

Эффект авторитета (Authority Bias)

В 2011 году психолог Джерри Бёргер повторил классический эксперимент Милгрэма с некоторыми этическими изменениями. Участники должны были давать электрические разряды другому человеку при ошибочном ответе по указанию экспериментатора в белом халате. Несмотря на этические ограничения, результаты показали, что многие участники продолжали подчиняться авторитету даже когда испытывали дискомфорт, подтверждая влияние эффекта авторитета на поведение людей. Так и в digital — если «опытный рецензент» пишет, что фича провалилась, команда склонна ему верить больше, чем сотне обычных отзывов. А что, если это просто шум?

Что помогает:

• Сегментируйте отзывы по источнику: отделяйте мнения «экспертов», инфлюенсеров, новичков и обычных пользователей. Если у вас продукт для узкого профиля, например, репетиторов, финаналитиков, то отзывы экспертов для вас критически важны. Для массовых же продуктов, как было у нас с покупкой билетов в кино, мнение авторитетов часто отражало узкую потребность с низким потенциалом монетизации.

• Уравнивайте значимость отзывов: агрегируйте фидбек без указания на статус автора — это снижает эффект предвзятого восприятия.

• Используйте AI для оценки репрезентативности: инструменты могут определить, насколько мнение «авторитета» отражает тренды среди основной массы пользователей.

• Отслеживайте корреляцию между фидбеком и метриками по каждому сегменту — это позволяет понять, кто действительно влияет на продукт.

Эффект Даннинга — Крюгера (Dunning–Kruger Effect)

Мне очень нравится история, с которой всё началось, так что опишу её полностью. В 1995 году в Питтсбурге (США) произошёл необычный случай. Грабитель по имени Макартур Уилер решился на дерзкое ограбление банков. Накануне преступления Макартур был уверен, что открыл гениальный способ остаться неузнанным. Он тщательно обмазал своё лицо лимонным соком, искренне веря, что это сделает его невидимым для камер наблюдения. Уилер знал, что лимонный сок используют как «невидимые чернила»: текст, написанный соком, проявляется только под воздействием тепла. Недолго думая, он решил, что его лицо, покрытое лимонным соком, не отразится на видеозаписях. Думаю, вы понимаете, чем всё закончилось.

Это нелепое ограбление привлекло внимание психологов Дэвида Даннинга и Джастина Крюгера из Корнеллского университета. Они провели исследование среди студентов, попросив их пройти серию тестов, оценивающих логику, грамматику и чувство юмора. После выполнения заданий студентов попросили оценить, насколько успешно, по их мнению, они справились в сравнении с другими участниками. Результаты были неожиданными. Студенты, которые показали худшие результаты, уверенно заявляли, что их ответы выше среднего, переоценивая свои способности. Напротив, участники с высокими результатами сомневались и, наоборот, недооценивали свои успехи, предполагая, что другие могли справиться ничуть не хуже.

В 2010-е годы серия дополнительных исследований показала, что люди с низкими знаниями в предметной области не только не осознают свою некомпетентность, но и активно транслируют уверенность в своих выводах. В продуктовых командах это искажение проявляется в том, что громкие, эмоционально уверенные отзывы, где написано, что именно должно быть в продукте и как это должно работать, могут восприниматься как более ценные и как готовое решение. В то же время сдержанные отзывы игнорируются.

Что помогает:

• Отделяйте в отзыве потребность или боль пользователя от предлагаемых решений.

• Снижайте влияние уверенного тона на интерпретацию: создайте привычку внутри команды читать отзывы без эмоциональных акцентов — это помогает не попадаться на манипулятивный стиль высказываний.

• Подтверждайте выводы цифрами: если отзыв звучит «уверенно и экспертно», но идёт вразрез с данными — ищите подтверждение не в стиле, а в цифрах. Уверенность ≠ точность.

Финальные советы:

• Сначала считайте — потом читайте.

• Не верьте первому впечатлению, смотрите, прежде чем принимать решения.

• Интегрируйте AI-инструменты: GPT-кластеры, тематический анализ, объективные саммари.