Synthetic Research + ODI: 2 Weeks of User Research in 30 MinutesSynthetic Research + ODI: 2 недели пользовательских исследований за 30 минут

A founder came to me with 15 feature ideas and zero clarity on which one to build. Normally that’s a 2-week research project. We figured it out in 30 minutes for $0.

Here’s what happened.

I was consulting for a product team. Tiny dev resources, lots of ideas, no data. The usual answer would be: recruit a panel, run surveys, wait for responses, clean data, analyze. Two weeks if you’re fast, a few thousand dollars for a decent sample.

I learned about synthetic research from Bayram Annakov, who’s been sharing great work on LLM-based consumer research. The idea: LLM-generated personas answer open-text questions about your product, then Semantic Similarity Rating maps their responses to a Likert scale. PyMC Labs validated this against 57 real surveys (9,300 actual humans) - 90% correlation.

But here’s what got me excited. I combined this with Tony Ulwick’s Opportunity Scoring (ODI). You measure two things for each job-to-be-done: how important is it, and how satisfied are users with current solutions. The gap = your opportunity.

30 minutes later I had a ranked feature list. Three features scored above 15 (strong opportunity - build now). Two scored below 5 (already well-served, skip). The founder’s personal favorite? Scored 7. Not terrible, not urgent.

We made the call with data instead of opinions. One coffee break instead of two weeks.

I still do real user interviews. But when you need directional confidence before committing eng resources, this is something else.

The tool is open-source. I forked Bayram’s original repo and added ODI scoring: github.com/tolmachevmaxim/synthetic-market-research

How do you decide what to build first - gut, stakeholder loudness, or something more structured?

Фаундер пришёл ко мне с 15 идеями фич и нулевой ясностью, какую из них строить. Обычно это двухнедельный исследовательский проект. Мы разобрались за 30 минут и за $0.

Вот что произошло.

Я консультировал продуктовую команду. Крошечные ресурсы разработки, куча идей, никаких данных. Обычный ответ был бы таким: набрать панель, провести опросы, дождаться ответов, очистить данные, проанализировать. Две недели, если вы быстры, несколько тысяч долларов за приличную выборку.

Про synthetic research я узнал от Bayram Annakov, который делится отличными наработками по LLM-based consumer research. Идея: LLM-сгенерированные персоны отвечают на открытые текстовые вопросы о вашем продукте, а затем Semantic Similarity Rating проецирует их ответы на шкалу Likert. PyMC Labs провалидировали это на 57 реальных опросах (9 300 настоящих людей) — корреляция 90%.

Но вот что меня зацепило. Я скомбинировал это с Opportunity Scoring (ODI) Тони Ульвика. Вы измеряете две вещи для каждого job-to-be-done: насколько он важен и насколько пользователи удовлетворены текущими решениями. Разрыв = ваша возможность.

Через 30 минут у меня был ранжированный список фич. Три фичи набрали выше 15 (сильная возможность — строить сейчас). Две набрали ниже 5 (уже хорошо закрыты, пропускаем). Любимая фича самого фаундера? Набрала 7. Не ужасно, но и не срочно.

Мы приняли решение на данных, а не на мнениях. Один перерыв на кофе вместо двух недель.

Я по-прежнему провожу настоящие пользовательские интервью. Но когда нужна направленная уверенность до того, как вкладывать инженерные ресурсы, это нечто иное.

Инструмент open-source. Я сделал форк оригинального репозитория Bayram и добавил ODI scoring: github.com/tolmachevmaxim/synthetic-market-research

А как вы решаете, что строить первым — на интуиции, по громкости стейкхолдеров или чем-то более структурированном?