Методика · 24 сентября 2026 г.

Облако слов по ответам опроса: что оно показывает, а что нет

Облако слов — это визуализация открытых ответов опроса, где размер каждого слова отражает частоту его упоминания в тексте. Инструмент быстрый и наглядный: за минуту видно, какие слова респонденты используют чаще всего, без чтения ответов целиком. Но у облака есть системная ловушка — крупный размер слова означает только то, что оно часто встречается, а не то, что тема, стоящая за ним, важна или однозначна: слово «доставка» может быть крупным и потому, что все хвалят доставку, и потому, что все её ругают, — облако этого не различает. Ниже разберём, как строить облако технически правильно, какие слова чистить перед подсчётом, для каких задач метод годится и где он вводит в заблуждение сильнее, чем помогает.

Что показывает облако слов на самом деле

Облако слов — это результат частотного анализа: программа считает, сколько раз каждое слово встретилось во всём массиве открытых ответов, и рисует слова с размером шрифта, пропорциональным частоте. Ничего сложнее за этим не стоит. Облако не знает контекста фразы, не различает утверждение и отрицание, не понимает, относится ли слово к позитивному или негативному высказыванию. Оно буквально считает вхождения строки символов и ничего больше — вся интерпретация смысла остаётся на человеке, который смотрит на картинку.

Из этого следует главное практическое правило: облако слов — инструмент для быстрой ориентировки в массиве, а не для выводов. Оно хорошо отвечает на вопрос «о чём вообще эти двести ответов», позволяя за минуту заметить, что треть текста крутится вокруг слова «цена», и решить, стоит ли копать глубже. Оно плохо отвечает на вопрос «что именно думают люди о цене» — для этого нужно читать ответы или кодировать их по категориям, а облако для такого разбора попросту не предназначено.

Почему размер слова — не доказательство важности

Возьмём пример: в облаке по ответам на вопрос «что вам не понравилось» крупнее всего слово «доставка». Прочитать это можно двояко: либо доставка — главная проблема, либо доставка — просто самая частая тема, которую упоминают, потому что она есть у всех, а не потому, что с ней что-то не так. Разница огромная, а облако её не показывает вовсе. Чтобы её увидеть, нужно открыть ответы со словом «доставка» и прочитать хотя бы часть — окажется ли это жалобами на скорость, похвалой курьеру или нейтральным упоминанием факта доставки в описании ситуации.

Вторая причина обманчивости размера — частотность не равна редкости и уникальности. Частое слово может быть банальным фоном темы опроса: в опросе про службу поддержки слово «поддержка» будет крупнейшим почти гарантированно, просто потому что тема так называется, а не потому что это содержательная находка. По-настоящему интересные сигналы в облаке слов часто прячутся в словах среднего размера — они встречаются не у всех, но у заметной группы, и именно такая группа обычно указывает на конкретную, решаемую проблему.

Как готовить текст перед подсчётом

Сырой текст ответов нельзя закидывать в построитель облака напрямую — результат будет забит служебными словами. Предлоги, союзы и частицы («и», «в», «на», «не», «это») встречаются в любом тексте чаще содержательных слов и займут всё видимое пространство облака, если их не убрать заранее. Список таких слов называется стоп-словами, и хороший инструмент для русского языка либо содержит его по умолчанию, либо позволяет загрузить свой. Без этого шага облако превращается в наглядную демонстрацию того, что люди пишут по-русски, а не в анализ содержания.

• Уберите стоп-слова: предлоги, союзы, частицы, местоимения.
• Приведите слова к одной форме — «доставки», «доставку», «доставке» должны считаться как одно слово.
• Решите, объединять ли синонимы вручную («цена» и «стоимость») до подсчёта.
• Исключите служебные слова самого опроса — название бренда, если оно есть в каждом ответе по построению вопроса.

Отдельная и недооценённая проблема — словоформы. Слова «доставка», «доставки», «доставку» для человека — одно и то же слово в разных падежах, но для простого счётчика вхождений строк это три разных слова, каждое со своей меньшей частотой. Без приведения к начальной форме — лемматизации — облако раздробит одну важную тему на несколько мелких слов среднего размера, и вы её просто не заметите как крупную. Инструменты для русского языка справляются с этим по-разному, и перед использованием стоит проверить на паре тестовых слов, склеивает ли конкретный сервис словоформы или считает их отдельно.

Инструменты: что использовать

Для разового опроса хватает любого бесплатного онлайн-построителя облаков: они принимают текст, чистят частые стоп-слова по умолчанию и рисуют картинку за секунды. Для регулярного анализа удобнее решение, где облако строится прямо из выгрузки ответов, без ручного копирования текста в отдельный сервис каждый раз, — это экономит время и снижает риск, что в очередной раз забудут почистить стоп-слова или используют другие настройки, чем в прошлый раз, и облака станет нельзя сравнивать между волнами.

В «До Сути» открытые ответы выгружаются из формы одним файлом со всеми служебными полями — датой, сегментом, каналом сбора, — и этот же файл без переформатирования подаётся в любой построитель облака или в таблицу для ручного частотного подсчёта. Так настройки фильтрации и лемматизации остаются одинаковыми от волны к волне, и облака действительно можно сравнивать между собой, а не только внутри одного замера.

Биграммы: пары слов вместо одиночных

Одиночные слова часто теряют смысл в отрыве от соседних. Слово «долго» само по себе ничего не говорит — долго что: ждать ответа, оформлять заказ, ехать курьеру. Частичное решение — считать не отдельные слова, а пары идущих подряд слов, которые называются биграммами: «долго ждать», «долго везут», «долго отвечают». Облако по биграммам менее эффективно по размеру массива — пар всегда больше, чем отдельных слов, и частоты размазываются, — зато каждая крупная пара уже несёт законченную мысль, которую не нужно домысливать.

На практике разумно строить оба облака последовательно: сначала одиночные слова для быстрой ориентировки в темах, затем биграммы по паре самых частых слов, чтобы понять, в каком контексте они обычно встречаются. Например, если в облаке одиночных слов лидирует «поддержка», второй проход по биграммам покажет, идёт ли рядом чаще «поддержка не отвечает» или «поддержка быстро помогла» — и это меняет вывод на противоположный, хотя частота самого слова «поддержка» в обоих случаях была бы одинаковой.

Разделение по тональности: до какой степени это работает

Соблазн следующего шага — раскрасить облако по тональности, чтобы позитивные слова были зелёными, а негативные красными, и получить картинку, которая сама по себе выглядит как вывод. На практике автоматическое определение тональности на коротких русскоязычных ответах ошибается часто: сарказм, двойное отрицание, фразы вроде «неплохо, но могло быть лучше» ломают простые алгоритмы, которые размечают слова по словарю без учёта контекста фразы. Цветное облако выглядит убедительно, но убедительность картинки и точность её содержания — разные вещи, и путать их особенно легко, когда результат подаётся в презентации без единой оговорки.

Сколько ответов нужно для информативного облака

На маленьком массиве облако слов обманывает почти гарантированно. Если открытых ответов пятнадцать-двадцать, случайное совпадение двух-трёх слов у нескольких респондентов создаёт визуально крупное слово, которое выглядит как явная тенденция, хотя на деле это могло быть простым совпадением формулировок у троих человек из пятнадцати. Нижний практический порог, ниже которого облако лучше не строить вовсе, а просто прочитать все ответы глазами целиком от первого до последнего, — около пятидесяти заполненных содержательных ответов на вопрос.

На верхнем конце практических ограничений почти нет: чем больше собрано ответов, тем устойчивее частоты и тем меньше влияние случайных формулировок отдельных людей на общую картину. Но с ростом массива одновременно растёт и цена ошибки в подготовке текста, допущенной заранее, — если стоп-слова почищены неаккуратно или лемматизация работает через раз, на тысяче ответов эти огрехи не сглаживаются, а накапливаются и искажают итоговое облако заметнее, чем на скромной полусотне, где отдельную ошибку легче заметить визуально и поправить вручную.

Для каких задач метод действительно годится

Облако слов честно работает в трёх сценариях. Первый — быстрая разведка большого массива перед более серьёзным анализом: за минуту понять, стоит ли вообще углубляться, и в какую сторону. Второй — сравнение двух периодов или двух сегментов визуально: если облако по прошлому кварталу доминировала «доставка», а в этом — «оплата», это заметный сдвиг, достойный проверки цифрами. Третий — иллюстрация в презентации рядом с уже посчитанными категориями из формального кодирования, как дополнительная картинка, а не как самостоятельное доказательство.

1. Соберите весь массив открытых ответов по одному вопросу в один текст.
2. Уберите стоп-слова и приведите слова к начальной форме.
3. Постройте облако по одиночным словам для первой ориентировки.
4. Постройте облако или таблицу по биграммам для содержательных пар.
5. Откройте контекст трёх-пяти самых крупных слов и прочитайте реальные ответы.
6. Используйте находки как гипотезы для формального кодирования, а не как готовый вывод.

Отдельно стоит сказать про русский язык как таковой: богатая система словообразования и большое число синонимов означают, что одну и ту же мысль респонденты формулируют десятком разных слов. «Дорого», «дороговато», «завышенная цена», «недёшево» — для человека это близкие по смыслу выражения, а для частотного подсчёта без ручной группировки синонимов это разные, не связанные друг с другом слова, каждое из которых по отдельности выглядит не особенно крупным. Из-за этого частотный анализ на русском языке систематически недооценивает распространённость темы по сравнению с формальным кодированием, где синонимичные формулировки сводятся в одну категорию вручную.

Ограничения

Главное ограничение уже названо: облако не различает контекст, и крупное слово может означать что угодно от похвалы до жалобы. Второе — оно плохо работает на маленьких массивах: на пятнадцати ответах случайное совпадение пары слов создаёт визуальный эффект закономерности, которой на самом деле нет. Третье — облако легко манипулируемо самим фактом выбора стоп-слов и настроек лемматизации: два человека, построивших облако по одному и тому же массиву с разными настройками фильтрации, получат заметно разные картинки, и без прозрачности настроек сравнивать такие облака между собой некорректно.

Есть и менее очевидное ограничение: облако одинаково взвешивает голос человека, написавшего одно слово, и человека, оставившего развёрнутый абзац из пятидесяти слов — частота считается по словам, а не по количеству уникальных респондентов, их сказавших. Если один многословный ответ десять раз использует слово «доставка», оно перевесит десять коротких ответов, где это слово встретилось всего по разу. Для более честной картины стоит параллельно строить облако не по частоте слова в тексте, а по числу уникальных ответов, где оно встретилось хотя бы раз, — эти две версии иногда заметно расходятся.

Типичные ошибки

• Строить облако без чистки стоп-слов и получать картинку из предлогов.
• Не приводить слова к начальной форме, дробя одну тему на несколько мелких.
• Показывать облако руководству как самостоятельный вывод без формального кодирования.
• Красить облако по автоматической тональности без проверки на выборке вручную.
• Делать выводы по крупному слову, не открыв и не прочитав реальные ответы с ним.
• Сравнивать облака с разными настройками фильтрации как будто они сопоставимы.
• Строить облако на слишком маленьком массиве и читать случайность как сигнал.

С чего начать

Прежде чем строить первое облако, договоритесь внутри команды о единых настройках фильтрации — списке стоп-слов и правиле лемматизации — и зафиксируйте их отдельным документом. Это займёт двадцать минут, зато избавит от ситуации, когда через три месяца никто не помнит, чем отличались настройки прошлого облака от нынешнего, а сравнение волн превращается в гадание.

Возьмите открытые ответы последнего опроса, почистите стоп-слова, постройте облако по одиночным словам и отдельно — таблицу топ-двадцати биграмм. Затем откройте контекст трёх крупнейших слов и прочитайте по десять реальных ответов на каждое. Почти всегда окажется, что интуитивное прочтение облака и реальный смысл ответов расходятся хотя бы в одном месте — и именно это расхождение полезнее самой картинки: оно показывает, где нужен не быстрый взгляд по диагонали, а настоящее вдумчивое кодирование содержательных категорий вручную.