О текущем месте работы

Большинство коллег работает фуллтайм.

Каждый второй из нас обсуждал возможность повышения с руководством, а 17% хотели бы, но до разговора не дошло.

Больше половины коллег (57%) получили в этом году повышение — наши поздравления! Среди коллег, которые обсуждали повышение с руководством этот показатель выше и составляет 75%, а среди тех, кто не обсуждал — 39%.

Процесс поиска новой работы

Более половины из нас активно искали новую работу и ходили на собеседования.

В 2025 году поиски работы в исследованиях чаще всего занимали до 3 месяцев. Неплохой результат, учитывая ситуацию на рынке труда.

При поиске работы исследователи чаще всего рассматривали вакансии на позицию мидла. 35% (26 из 75 человек) коллег одновременно участвовали в отборе на несколько вакансий разных грейдов.

Для большинства из нас поиски увенчались успехом. Однако каждый третий из тех, кто нашел новую работу снова подумывает ее смене.

В целом о рынке труда в 2025

Половина из нас считает, что в 2025 году обстановка на рынке труда была неблагоприятной.

ТОП-3 сложностей, с которыми сталкивались исследователи при поиске работы:

1. Мало привлекательных/релевантных вакансий, особенно для стажеров и джунов. Мы находимся в «рынке работодателя» с высокой конкуренцией среди соискателей, поэтому в вакансиях сейчас часто встречаются завышенные требования или непривлекательные условия (нет удаленки, низкая з/п).
2. Сложно пройти скрининг и дойти до собеседования с нанимающим, даже если нужные навыки есть. Отмечают, что отклики на hh не очень продуктивно работают: часто могут приходить отказы без объяснения причин или игнор. Приходится искать контакты эйчаров и вакансии в ТГ каналах или по знакомству
3. Долгий отбор, в частности большое количество этапов, долгие перерывы между этапами, трудозатратные тестовые и отсутствие ОС.

Также упоминали следующие сложности: надменное отношение нанимающих во время собеседования; непрозрачность условий ("в конце собеса узнаешь, что лида ищут за 100к", "сложно понять вилки и сколько нужно называть"), а также субъективные сложности поиска работы ("страх, что не найду", "сложно разобраться, чего сама хочу").

Несколько коллег отметили, что не испытали трудностей при поиске работы ("нашел с первой вакансии", "меня нашли сами", "я искала весной работу и было явно больше вакансий, чем осенью и они были интереснее, много удаленки, сейчас на рынке нет ничего").

О выборке

• Всего было собрано 719 анкет

При построении некоторых диаграмм учитывалась не вся выборка, например — боксплоты по отраслям или направлениям исследований. Это делалось из соображений лучшего понимания уровня зарплат у специалистов определенного профиля. Например, ответы респондентов, которые занимаются всеми типами исследований, не учитывались при расчете медиан для UX-исследователей. Объем и критерии подвыборок указаны в легенде диаграмм.

Наибольшее количество анкет набралось в маркетинговых исследованиях, UX и исследованиях клиентского опыта.

Зарплаты по сферам

Сравним значения зарплат по самым объемным сферам. Зарплата в сферах UX/CX традиционно самая высокая, а в академических исследованиях самая низкая.

Зарплаты по грейдам

Далее сравним зарплаты по грейдам в разных сферах:

UX/CX исследования

Маркетинговые исследования

Зарплаты по типу компании

Здесь мы наблюдаем, что медианная зарплата в агентствах по-прежнему ниже, чем in-house. Помимо IT-компаний и банков, в ТОП выходят компании из сферы услуг.

Зарплаты по статусу

Следующая диаграмма отражает разницу в медианных зарплатах исследователей разного уровня.

О формате работы

Если брать всю выборку, то медианная зарплата офисных сотрудников по-прежнему самая низкая — 104 000 рублей, далее идут удалёнщики — 160 000 рублей, самая высокая медиана у тех, кто работает в гибридном режиме — 185 000 рублей.

Сравним ситуацию в UX/CX и маркетинге. В обеих подгруппах медианная зарплата офисных сотрудников самая низкая.

Бонус

Для тех, кто дочитал до конца, вот сравнение зарплат по грейдам с предыдущей волной. Ниже есть интересные различия в медианных зарплатах в периодах Q2 и Q4, однако связанно ли это с реальным ростом либо падением зарплат по разным грейдам, либо со смещением выборки, пока непонятно.

UX/CX исследования

Маркетинговые исследования

Fishbone diagram, или диаграмма Исикавы (также известна как диаграмма причин и следствий) – это визуальный инструмент для анализа причин определённой проблемы. Она получила своё название из-за формы, напоминающей скелет рыбы: проблема размещается в «голове», а возможные причины – на рёбрах.

Диаграмма была разработана японским профессором и экспертом в области управления качеством Каору Исикавой в 1960-х годах для нужд промышленного производства. Первоначально её использовали на предприятиях, включая Toyota, как часть системы управления качеством. Однако со временем метод распространился далеко за пределы производства и стал применяться в самых разных сферах.

Основное предназначение Fishbone diagram – найти глубинные причины проблемы, а не только зафиксировать её проявления. Вместо того чтобы сосредотачиваться на симптомах (например: пользователи не завершают регистрацию), диаграмма помогает разобрать все возможные факторы, влияющие на проблему, и стимулирует команду к выдвижению и обсуждению гипотез.

Примеры из реальной жизни

Быстренько погуглив на тему прикладного применения инструмента в UXR, нашел такие кейсы:

Процесс оформления заказа на Amazon:
Представим, что Amazon фиксирует резкий рост числа отказов от оформления заказа. Используя диаграмму Исикавы, команда выявляет различные факторы, способствующие этой проблеме, такие как запутанные варианты оплаты, слишком длинные формы или скрытая стоимость доставки. Устранив корневые причины, Amazon упрощает процесс оформления заказа, что приводит к более высокому уровню удовлетворённости клиентов и росту конверсии.

Алгоритм рекомендаций Netflix:
Netflix постоянно совершенствует свой алгоритм рекомендаций, чтобы удерживать пользователей. Когда возникает снижение точности персональных рекомендаций, команда прибегает к построению диаграммы Исикавы. В результате выявляются такие причины, как устаревшие пользовательские предпочтения, неполная история просмотров или алгоритмические смещения. Благодаря этим инсайтам Netflix улучшает алгоритм, чтобы предлагать более релевантный контент, удерживая пользователей на платформе.

А давайте попробуем сами

Чтобы на практике поработать с диаграммой Исикавы, я решил взять живую холиварную тему, вызывающую бурные обсуждения: iPhone vs Android.

Для сбора данных я использовал четыре популярных видео на YouTube с критикой iPhone (поиск по запросу "Why iPhone sucks"). Эти видео содержат субъективные, но при этом очень конкретные жалобы, которые отлично подходят для построения карты причин.

Далее я:

1. Добавил ссылки на видео в NotebookLM как источники.
2. Попросил его сделать конспект.
3. Отправил этот конспект в ChatGPT и попросил его построить fishbone diagram на основе конспекта из NotebookLM.

Результат – наглядная диаграмма, которая показывает, насколько многослойным может быть пользовательское разочарование. Такой подход хорошо демонстрирует, как исследователь может использовать открытую качественную информацию для анализа и визуализации проблем реальных пользователей.

Как ещё можно использовать Fishbone diagram в исследованиях?

Диаграмма Исикавы – это не только способ «разобрать по косточкам» проблему, но и универсальный инструмент для разных этапов UX и продуктовых исследований.

Вот несколько сценариев, где она особенно полезна:

• Качественные исследования:
  После глубинных интервью или юзабилити-тестов Fishbone помогает структурировать основные барьеры и боли пользователей. Вместо списка разрозненных инсайтов вы получаете системную картину – с категориями причин, их уточнениями и взаимосвязями.
• Формулирование гипотез:
  Диаграмма отлично работает как база для дальнейшего количественного исследования: гипотезы, выдвинутые в ходе построения Fishbone, могут лечь в основу опроса или A/B-теста.
• Фасилитация командной работы:
  Построение диаграммы – это не только аналитика, но и способ выровнять понимание проблемы внутри команды. Особенно полезно на стратегических сессиях, когда нужно вовлечь дизайнеров, аналитиков, продукт-менеджеров и разработчиков.
• Разбор фидбэка от пользователей:
  Если у вас есть массив отзывов, комментариев или жалоб – Fishbone поможет не утонуть в деталях, а системно разложить всё по категориям.
• Документация и презентации:
  Диаграмма выглядит просто и понятно, даже для людей без исследовательского бэкграунда. Это делает её отличным инструментом для объяснения сложных проблем стейкхолдерам.

Евгений Мукушев

Для канала ProUX(R)

• Чат Рисечеров
• Богатый рисёчер, бедный рисёчер

Как читать ящик с усами

По традиции, небольшая памятка о том, как читать диаграммы "ящик с усами"

О выборке

• Всего было собрано 622 анкеты
• После чистки осталось 619 анкет

При построении некоторых диаграмм учитывалась не вся выборка, например — боксплоты по отраслям или направлениям исследований. Это делалось из соображений лучшего понимания уровня зарплат у специалистов определенного профиля. Например, ответы респондентов, которые занимаются всеми типами исследований, не учитывались при расчете медиан для UX-исследователей. Объем и критерии подвыборок указаны в легенде диаграмм.

Наибольшее количество анкет набралось в маркетинговых исследованиях, UX и исследованиях клиентского опыта.

Зарплаты по сферам

Сравним значения зарплат по самым объемным сферам. Аналогично прошлой волне, медианная зарплата в сферах UX/CX выше, чем в маркетинговых исследованиях: 180 000 против 156 000 рублей соответственно. Наибольшее количество выбросов наблюдается в UX/CX исследованиях.

Зарплаты по грейдам

Далее сравним зарплаты по грейдам в разных сферах:

UX/CX исследования

Маркетинговые исследования

Зарплаты по типу компании

Здесь мы наблюдаем, что медианная зарплата в агентствах по-прежнему ниже, чем in-house. Помимо IT-компаний и банков, в ТОП выходят производственные компании (те, которые получают основной доход от производства физической продукции).

Зарплаты по статусу

Следующая диаграмма отражает разницу в медианных зарплатах исследователей разного уровня.

Зависимость зарплаты от опыта работы

Диаграмма показывает, как меняется зарплата в зависимости от количества лет опыта.

• Точки — анкеты
• Синяя линия — общий тренд по всем данным
• Бледно-сиреневая зона вокруг синей линии — доверительный интервал, показывающий диапазон возможных значений средней зарплаты при данном опыте.
• Зелёная и оранжевая линии — тренды внутри подгрупп:
  🟢 UX/CX исследования
  🟠 Маркетинговые исследования

Продолжительность опыта и грейд

А теперь изучим медианную продолжительность стажа по грейдам. Также посмотрим на ситуацию в разрезе сферы исследований. В среднем, чтобы стать рок-звездой, вам вероятно потребуется порядка 15 лет.

Медианная продолжительность работы для каждой ступени в маркетинговых исследованиях выше, чем в UX/CX исследованиях.

Вся выборка

UX/CX исследования

Маркетинговые исследования

О формате работы

В новой волне исследования мы добавили вопрос о формате работы: офис, гибрид и удалённо.

Если брать всю выборку, то медианная зарплата офисных сотрудников самая низкая — 107 000 рублей, далее идут удалёнщики — 153 000 рублей, самая высокая медиана у тех, кто работает в гибридном режиме — 180 000 рублей.

Интересно посмотреть и на распределения по формату работы внутри разных сфер исследований. Так, в маркетинговых исследованиях люди чаще посещают офис и реже работают удалённо, чем в UX/CX.

Вернемся к медианным зарплатам по формату работы и сравним ситуацию в UX/CX и маркетинге. В обеих подгруппах медианная зарплата офисных сотрудников самая низкая.

Заключение

Уверен, что в собранных данных можно найти еще много интересного, для этого я оставлю тут ссылки на сырую и очищенную базу.

Выражаю благодарность Сергею Розуму за то, что все это придумал, Чату рисечеров за интересную задачку и Свете Холодновой за помощь.

Вопросы можно задать написав мне в telegram

Сначала небольшой дисклеймер: прошу не относиться к статье очень серьезно, для меня это пока не прикладная история, а скорее любопытный кейс.

Итак, о чем пойдет речь? После прочтения я предлагаю вам поиграть в нейромаркетолога и проанализировать выражение лица на видеозаписи. Все, что вам для этого потребуется, – ChatGPT и немножко Python-кода (не переживайте, с его написанием легко справятся ChatGPT или DeepSeek, вам придется только разобраться, как запустить код).

В достижении цели нам поможет фреймворк DeepFace

Библиотека DeepFace – это легковесное решение для распознавания лиц и анализа их атрибутов с использованием передовых моделей глубокого обучения. Она поддерживает множество популярных моделей и методов, включая VGG-Face, FaceNet, OpenFace, DeepID, ArcFace, Dlib, SFace и GhostFaceNet.

DeepFace работает локально, без необходимости в облачных сервисах. Он использует предобученные модели, которые можно запускать на локальном компьютере с CPU или GPU.

📌 Что нужно для работы?

1. Python (рекомендуется 3.7+).
2. Установка через pip: pip install deepface
3. Дополнительные библиотеки (устанавливаются автоматически):
• tensorflow
• keras
• opencv-python
• numpy
• pandas
• matplotlib
• dlib (опционально для некоторых моделей)

🔥 Ускорение на GPU

Если у вас есть видеокарта NVIDIA (например, RTX 3070 как в моем случае), то DeepFace может работать быстрее с использованием CUDA. Для этого нужно установить:

pip install tensorflow-gpu

🚀 Локальный запуск

После установки библиотека готова к использованию.

🔹 Основные возможности:

1. Распознавание лиц – идентификация лиц с использованием различных предобученных моделей.
2. Верификация лиц – определение, принадлежат ли два изображения одному человеку.
3. Построение эмбеддингов – представление лиц в виде многомерных векторов.
4. Анализ атрибутов лица:
• возраст (±4.65 года точность MAE)
• пол (97.44% точность)
• эмоции (грусть, радость, гнев, страх и др.)
• раса (азиат, белый, латиноамериканец и др.)
5. Детекция и выравнивание лиц – улучшение точности за счёт нормализации изображений.
6. Антиспуфинг – определение, является ли изображение реальным.
7. Работа с видео – потоковый анализ лиц в реальном времени.
8. API и интеграция – возможность работы через REST API и Docker-контейнеры.

Нас интересует четвертый пункт, атрибуты эмоций

DeepFace распознаёт следующие эмоции:

1. angry (злость)
2. disgust (отвращение)
3. fear (страх)
4. happy (радость)
5. sad (грусть)
6. surprise (удивление)
7. neutral (нейтральное выражение лица)

Предположим, что на входе у нас есть видео с изображением лица. Лично я просто сделал селфи видео и покривлялся на камеру. Дальше нам нужно установить все что нужно, я предпочитаю работать в Jupyter Notebook, в папке нашего проекта будет видеозапись и скрипт.

Результатом нашей работы будет Python-скрипт, который извлекает кадры из видео, определяет выраженность каждой из эмоций на лице в кадре и строит график с динамикой значений эмоций.

Вот что получилось у меня:

Очевидно, весь процесс можно было описать и подробнее, но у меня не было цели сделать инструкцию. Я предлагаю взять эту идею за основу и самостоятельно поэкспериментировать с ChatGPT. Если вдруг у кого-то возникнет желание собрать больше данных и вместе попилотировать этот инструмент, напишите мне, пожалуйста, в телегу, это будет интересный опыт!

Другие статьи в моем канале: https://t.me/proUXR