Транскрибация для маркетологов: фокус-группы и интервью

Транскрибация для маркетологов нужна ради одной фразы, которую клиент произносит один раз: на фокус-группе, в глубинном интервью или в звонке менеджеру. Разговорный темп держится около 110–130 слов в минуту, так что часовое интервью это семь-восемь тысяч слов, примерно 25 машинописных страниц по 1800 знаков. В презентацию доедет страница, и почти всегда пересказанная языком брифа.

Расшифровка для маркетинга стоит ровно столько, сколько стоят эти фразы. Текст с тайм-кодами и делением на спикеров ставит секундную метку у каждой цитаты, и проверка формулировки становится поиском по подстроке. Брать надо дословную версию, не литературную: повторы, «ну не знаю» и обрывы фраз показывают, где человек сомневался, а причёсанный транскрипт как источник цитат бесполезен.

Где маркетологу нужна расшифровка

Транскрибация для маркетологов окупается там, где говорит клиент, а не там, где говорит команда. Вебинар на 90 минут полезен последними 15, где идут вопросы зала; остальное это ваш же текст, произнесённый вслух. В планёрке отдела чужих формулировок нет, и расшифровывать её ради инсайтов смысла мало.

Отсюда критерий отбора. Глубинное интервью на 45–90 минут по гайду из 10–15 открытых вопросов берут целиком: жанр восходит к фокусированному интервью Мертона и Кендалл (1946), где ценность размазана по всему разговору. Восьмиминутный звонок ценен двумя фразами, но найти их поиском по тексту быстрее, чем переслушать запись на полуторной скорости.

Почему расшифровка фокус-групп сложнее всего

Расшифровка фокус-групп ломается там, где интервью один на один идёт гладко. Ричард Крюгер, автор руководства по фокус-группам (первое издание 1988 года), советует 5–8 участников на сложных темах и 3–4 группы на сегмент. Диаризация, деление на спикеров, держится, пока реплики идут по очереди, и сшивает двоих в одного на длинном наложении речи. Точность деления мерят показателем DER, и хуже всего он на перебивках.

Качество текста закладывается до записи. Каждое удвоение расстояния до микрофона отнимает около 6 дБ: участник с дальнего конца стола отдаёт распознаванию не голос, а остаток с гулом помещения.

• один всенаправленный микрофон в центр стола, из расчёта на двух-трёх человек: диктофон в кармане модератора уводит половину группы в фон;
• круг знакомства с именами в первую минуту. Реплики придут «Спикером 1» и «Спикером 2», единственный шанс сопоставить метки с людьми;
• новый блок сценария проговаривайте вслух, иначе в двадцати пяти страницах не за что зацепиться; если спор идёт дольше минуты, называйте говорящего по имени;
• моно на 16 кГц, если диктофон даёт выбор: по теореме Котельникова это полоса до 8 кГц, её хватает, а файл впятеро меньше стерео на 44,1 кГц.

Кто промолчал весь час и поставил в анкете низшую оценку, в расшифровке не виден. Подстройка под большинство описана ещё в опытах Соломона Аша 1951 года, и согласие из вежливости в транскрипте выглядит как искреннее. Эта часть материала остаётся за заметками модератора.

Интервью с клиентами и звонки, где лежит язык покупателя

Расшифровка интервью с клиентами даёт голос клиента в исходном порядке слов; сам термин закрепили Гриффин и Хаузер в работе 1993 года. Клиент не говорит «омниканальная платформа». Он говорит «чтобы всё было в одном окне и не надо было переспрашивать». Такие места ищут поиском по подстроке, а транскрибация интервью с диаризацией отделяет реплики респондента от подсказок интервьюера. Роб Фицпатрик в «The Mom Test» (2013) требует спрашивать о прошлом поведении, а не о будущих намерениях, и в тексте эти ответы различает время глагола.

Сколько интервью хватает, посчитано давно. Гест, Банс и Джонсон в работе 2006 года «How Many Interviews Are Enough?» показали: базовые темы проявляются уже к шестому интервью, насыщение наступает примерно к двенадцатому.

Звонки работают иначе: в интервью человек тратит ваше время, в звонке своё, и возражения звучат резче. 30 звонков по 8 минут это 4 часа аудио, на полуторной скорости 2 часа 40 минут прослушивания, а ручная расшифровка идёт 4–6 часов на каждый час записи. Поэтому транскрибация звонков и аудит звонков окупаются в маркетинге быстрее всего.

Телефонная дорожка хуже студийной по устройству канала. Классическая телефония по G.711 несёт 64 кбит/с с дискретизацией 8 кГц и полосой около 300–3400 Гц: всё выше четырёх килогерц отрезано ещё до записи на диск. Там лежит основная энергия свистящих и шипящих, поэтому на звонках путаются «с» и «ш», числа и названия брендов; такой канал мы распознаём с точностью около 90%, и названия сверяйте по тексту глазами. Если АТС умеет писать два канала, оператора в один, клиента в другой, включите это: спикеры разделены аппаратно.

Как из речи получаются инсайты для маркетинга

Сама по себе расшифровка даёт папку с файлами, которая у многих команд лежит с прошлых проектов и не открывается ни разу: текст без маршрута остаётся архивом.

Маршрут давно описан. Тематический анализ у Браун и Кларк (2006) разложен на шесть этапов: от чтения целиком и начальных кодов до проверки тем на всём массиве. На десяти записях это час-полтора, если идти по опорным словам: «дорог», «сравнива», «не понял», имена конкурентов. Цитату выписывают в таблицу вместе с тайм-кодом. Техника лестницы (Рейнолдс и Гутман, 1988) доводит её от свойства к выгоде и дальше к ценности.

Здесь расшифровка для маркетинга превращается в работу с данными. Частотность считают по людям, а не по упоминаниям: один разговорчивый участник даёт восемь упоминаний одной боли и выглядит в сводке большинством. Если коды ставят двое, согласие измеряют каппой Коэна (1960): по шкале Лэндиса и Коха (1977) значения 0,61–0,80 считают существенным согласием, а ниже 0,4 расходятся не цитаты, а определения кодов.

У метода есть пределы. Отсутствие упоминаний не равно нулю: если признак не назвал ни один из 10 собеседников, по правилу трёх верхняя оценка его доли всё равно около 30%. Проценты на малых выборках лучше не писать: на 9 респондентах один голос это 11 процентных пунктов, и «шесть человек из девяти» честнее. Спорную цитату переслушивают до презентации, потому что интонацию текст не переносит.

Как расшифровать свои записи

Технически транскрибация для маркетологов не отличается от расшифровки совещания, вся разница в подготовке файла. Запись сначала выгружают: Zoom кладёт звук отдельной дорожкой в m4a, и там же в настройках есть опция писать отдельный файл на каждого участника, а это готовое деление на спикеров. Телефония чаще отдаёт mp3, диктофон пишет wav; mp3 на 128 кбит/с это около мегабайта в минуту (час примерно 58 МБ), несжатый wav 16 бит 44,1 кГц моно впятеро тяжелее.

Мы принимаем эти форматы плюс ogg и aac, файлом или записью с микрофона; ссылку на облачную запись вставить нельзя, файл выгружают заранее. Обработка идёт за 1–2% длительности: полуторачасовая группа готова за полторы минуты и стоит около 26 ₽ при тарифе от 0,29 ₽/мин. Текст приходит с тайм-кодами, в txt или verbose_json под базу цитат, и на языке записи: группа в Алматы на казахском вернётся казахским текстом. Проверить одну запись можно без оплаты, транскрибация бесплатно работает через Telegram-бот @VoicePalatineBot.

Правовую часть закрывают до старта. Согласие на запись и обработку берут в начале сессии, прямо под запись: голос с именем и должностью это персональные данные по 152-ФЗ. В таблицу цитат имена не переносят, метка вида «P4, женщина, 34 года, малый бизнес» работает не хуже.

Начать проще с одной записи. Возьмите последнюю фокус-группу или три звонка, выпишите десять фраз, которыми клиенты назвали свою проблему, и положите их рядом с заголовком своего лендинга. Совпадения обычно единичны, и список расхождений и есть набор правок для сайта, объявлений и скриптов.