Что подразумевает качественный метод обработки данных: Методы обработки данных

Методы обработки данных

Обработка данных направлена на решение следующих задач:

1) упорядочивание исходного материала, преобразование множества данных в целостную систему сведений, на основе которой возможно дальнейшее описание и объяснение изучаемых объекта и предмета;

2) обнаружение и ликвидация ошибок, недочетов, пробелов в сведени­ях; 3) выявление скрытых от непосредственного восприятия тенденций, закономерностей и связей; 4) обнаружение новых фактов, которые не ожидались и не были замечены в ходе эмпирического процесса; 5) вы­яснение уровня достоверности, надежности и точности собранных дан­ных и получение на их базе научно обоснованных результатов.

Обработка данных имеет количественный и качественный аспек­ты. Количественная обработка есть манипуляция с измеренными ха­рактеристиками изучаемого объекта (объектов), с его «объективизиро­ванными» во внешнем проявлении свойствами.

Качественная обра­ботка — это способ предварительного проникновения в сущность объекта путем выявления его неизмеряемых свойств на базе количе­ственных данных.

Количественная обработка направлена в основном на формальное, внешнее изучение объекта, качественная — преимущественно на со­держательное, внутреннее его изучение. В количественном исследова­нии доминирует аналитическая составляющая познания, что отражено и в названиях количественных методов обработки эмпирического ма­териала, которые содержат категорию «анализ»: корреляционный ана­лиз, факторный анализ и т. д. Основным итогом количественной обра­ботки является упорядоченная совокупность «внешних» показателей объекта (объектов). Реализуется количественная обработка с помощью математико-статистических методов.

[16]

В качественной обработке доминирует синтетическая составляю­щая познания, причем в этом синтезе превалирует компонент объеди­нения и в меньшей степени присутствует компонент обобщения. Обоб­щение — прерогатива следующего этапа исследовательского процес­са— интерпретационного. В фазе качественной обработки данных главное заключается не в раскрытии сущности изучаемого явления, а пока лишь в соответствующем представлении сведений о нем, обеспе­чивающем дальнейшее его теоретическое изучение. Обычно результа­том качественной обработки является интегрированное представление о множестве свойств объекта или множестве объектов в форме класси­фикаций и типологий. Качественная обработка в значительной мере апеллирует к методам логики.

Противопоставление друг другу качественной и количественной обработок (а, следовательно, и соответствующих методов) довольно условно. Они составляют органичное целое. Количественный анализ без последующей качественной обработки бессмыслен, так как сам по себе он не в состоянии превратить эмпирические данные в систему зна­ний. А качественное изучение объекта без базовых количественных данных в научном познании — немыслимо. Без количественных дан­ных качественное познание — это чисто умозрительная процедура, не свойственная современной науке.

В философии категории «качество» и «количество», как известно, объединяются в категории «мера». Един­ство количественного и качественного осмысления эмпирического ма­териала наглядно проступает во многих методах обработки данных: факторный и таксономический анализы, шкалирование, классифика­ция и др. Но поскольку традиционно в науке принято деление на коли­чественные и качественные характеристики, количественные и каче­ственные методы, количественные и качественные описания, примем количественные и качественные аспекты обработки данных как само­стоятельные фазы одного исследовательского этапа, которым соответ­ствуют определенные количественные и качественные методы.

Качественная обработка естественным образом выливается в опи­сание и объяснение изучаемых явлений, что составляет уже следую­щий уровень их изучения, осуществляемый на стадии интерпретации результатов. Количественная же обработка полностью относится к эта­пу обработки данных. [17]

тематический анализ — Дизайн на vc.

ru

Перевод статьи исследовательницы Марии Росала для Nielsen Norman Group.

13 435 просмотров

Краткий обзор: В исследованиях пользователей, проведенных с помощью интервью, фокус-групп, дневниковых или полевых исследований, ключевые «темы» собранных данных зачастую определяются с помощью тематического анализа.

Обнаруживать темы в данных качественных исследований порой достаточно сложно. В количественном исследовании подвести итоги можно прозрачно: вы справились на 25% лучше, чем ваши конкуренты, скажем так. Но как оформлять выводы из анализа качественных данных?

На ранних стадиях проекта зачастую проводится эксплораторное исследование. Оно приносит много качественных данных, которые могут включать в себя:

Качественные данные об отношении (Qualitative attitudinal data): мысли людей, представления и осознаваемые ими потребности, полученные из интервью с пользователями, фокус-групп и даже дневниковых исследований.

Качественные данные о поведении (Qualitative behavioral data): наблюдения за поведением людей, собранные при изучении контекста и с помощью других этнографических подходов.

Тематический анализ выносит на обозрение важные свойства качественных данных и делает определение ключевых тем более простым процессом.

Что такое тематический анализ

Определение. Тематический анализ

— систематический метод разделения и организации насыщенных данных из качественного исследования, который подразумевает наделение отдельных наблюдений и цитат определенными кодами, это облегчает поиск важных тем.

Как и предполагается названием, тематический анализ включает в себя поиск тем.

Определение. Тема — описание представления, практики, потребности и других феноменов, которые обнаруживаются в данных. Она появляется, когда относящие к ней находки повторяются несколько раз среди ответов участников или в анализируемых источниках.

Проблемы при анализе качественных данных

Многие исследователи чувствуют себя растерянными из-за качественных данных, полученных в ходе эксплораторного исследования на ранней стадии проекта.

В таблице внизу выделены некоторые общие проблемы и возникающие противоречия.

Без определенной систематизации процесса и возникают описанные выше проблемы. Тематический анализ помогает исследователям оставаться организованными и сфокусированными и дает им общий план, которого нужно придерживаться.

Инструменты и методы для проведения тематического анализа:

Тематический анализ может проводиться разными способами. Выбор лучшего инструмента или метода для этого процесса

зависит от:

• Данных.
• Контекста и ограничений фазы перехода от данных к анализу.
• Персонального стиля работы исследователя.

Три общих метода включают в себя:

• Использование специальных программ.
• Ведение заметок (journaling).
• Использование техник диаграмм сходства (affinity diagramming techniques).

Использование специальных программ

Для анализа большого объема качественных данных исследователи зачастую используют программы CAQDAS (Computer-Aided Qualitative-Data–Analysis software).

Исследователи загружают туда транскрипты и полевые заметки и затем систематически анализируют текст через процедуру кодирования.

Программа помогает обнаружить темы с помощью различных инструментов визуализации, таких как деревья слов (word trees) или облака слов (word clouds) — это позволяет организовать закодированные данные различными способами.

Преимущества:

• Анализ происходит достаточно тщательно.
• Файл с сырыми данными и проведенным анализом можно предоставить другим на перекрестный анализ (этот метод пользуется популярностью среди студенческих проектов в академических учреждениях).

Недостатки:

• Процесс занимает много времени, поскольку появляется большое количество кода, которое нужно сократить в небольшой список.
• Дорого.
• Сложно проводить анализ одновременно с другими людьми.
• Предполагается обучение, как пользоваться программой.
• Процесс может казаться ограничивающим для исследователя.

Ведение заметок

Написание заметок в ходе проведения исследования и во время возникновения идей при чтении текста довольно распространено среди исследователей, которые используют методологию обоснованной теории.

Ведение заметок — форма тематического анализа, которая основана на данной методологии, она подразумевает аннотацию и выделение данных вручную, исследователь пишет возникающие идеи прямо по ходу процесса.

Эти заметки называются «мемос» (memos) — однако не стоит путать с офисными объявлениями (office memos), которые пишутся для сотрудников.

Преимущества:

• Процесс провоцирует рефлексию за счет того, что пишутся детальные заметки.
• У исследователей остается зафиксированный путь, как они пришли к той или иной «теме».
• Анализ недорогой и его процесс гибкий.

Недостатки:

• Сложно делать в коллективе.

Техники диаграмм сходства

Данные выделяются, разделяются физически или виртуально и пересобираются в значимые группы. Этот процесс идет до тех пор, пока не возникают темы на физической или виртуальной «доске». (смотрите видео, в котором отражен процесс создания диаграмм сходства)

Преимущества:

• Можно делать в коллективе.
• Быстрое создание тем.
• Недорогой и гибкий процесс.
• Процесс визуализирован и обеспечивает итеративность.

Недостатки:

• Не такой тщательный процесс, поскольку зачастую отрывки текста не кодируются несколько раз.
• Сложно проводить, когда данные достаточно разрозненные или когда данных много.

Коды и кодирование

Все методы тематического анализа подразумевают определенный объем кодирования (не путать с написанием кода или языка программирования).

Определение. Код — слово или фраза, которые служат названием для отрывка текста

Код описывает, о чем текст, и служит сокращением для более сложной мысли. (Хорошая аналогия: код описывает данные как ключевое слово описывает статью, как хештег описывает твит).

Зачастую исследователи-качественники не только дают название для каждого кода, но и расшифровывают, что каждый код значит, приводят в пример отрывки текста, которые подходят или не подходят под данный код.

Эти описания и примеры особенно полезны, когда более чем один человек отвечает за кодирование данных или когда кодирование предполагает большое количество времени.

Определение. Кодирование относится к процессу наименования (labeling) отрывков текста с помощью соответствующих кодов.

Когда коды присвоены, достаточно просто определить и сравнить отрывки текста, которые посвящены одному и тому же явлению. Коды позволяют удобно сортировать информацию и анализировать данные таким образом, чтобы обнаруживать сходства, различия и определять отношения между сегментами. Так можно прийти к пониманию значимых тем.

Тематический анализ начинается с кодирования качественных данных. В ходе систематического сопоставления отрывков текста внутри и между кодами, исследователь приходит к обнаружению тем

Типы кодов: описательные и интерпретативные

Коды могут быть

• Описательными: описывают, о чем данные.
• Интерпретативными: подразумевают аналитическое чтение данных с добавлением интерпретации исследователя.

Чтобы разобраться в разнице между описательными и интерпретативными кодами, рассмотрим цитату из интервью, которое я провела, будучи практикующим UX-исследователем ранее в этом году (оно опубликовано как часть нашего отчета по исследованию «Карьеры в UX»)

Я была в ужасе от того, что мне предстоит провести встречу, и моя компания предложила пройти курс, который шел полтора дня. Итак, когда я пошла туда, инструктор сделал нечто, что показалось мне в тот момент ужасным, но что я спустя некоторое время даже переосмыслила и начала ценить.

Первое, что мы сделали, — это заполнили лист бумаги с нашими именами и записали наши самые большие страхи, связанные с модерированием и проведением встречи.

Затем мы сдали бумаги, а инструктор сказал: «Хорошо, завтра вы будете действовать в следующей ситуации». На следующий день мы вернулись, и я должна была покинуть комнату, пока остальные члены команды читали, боже, они правда читали мой самый большой страх и думали, как будут действовать.

А затем я должна была войти и как-то содействовать тому, что они придумали, в течение десяти минут. И это все правда помогло мне понять, что бояться нечего, что наши страхи большую часть времени просто живут в нашей голове. Столкнувшись с этим, я осознала, что я могу справляться с подобными ситуациями.

Возможные описательные и интерпретативные коды для текста выше:

Описательный код: как приобретаются навыки.

Смысл, стоящий за названием кода: участников просили описать, как они приобрели определенные навыки.

Интерпретативный код: саморефлексия.

Смысл, стоящий за названием кода: участница описывает, как опыт на обучении изменил ее представление о проведении встреч, как она рефлексировала относительно своего страха.

Этапы проведения тематического анализа

Вне зависимости от того, какой инструмент вы используете (программы CAQDAS, заметки или техники диаграмм сходства), процесс проведения тематического анализа может быть разделен на шесть этапов.

​Тематический анализ включает в себя шесть различных этапов: сбор данных; чтение всех данных; кодирование текста, основанное на том, о чем текст; создание новых кодов; время на перерыв и возвращение к анализу, оценка тем по релевантности

Шаг 1: соберите все ваши данные

Начните с сырых данных, таких как транскрипты интервью или фокус-групп, с полевых заметок или записей дневникового исследования. Я рекомендую транскрибировать аудиозаписи интервью и использовать транскрипт для анализа вместо того, чтобы полагаться на обрывочную память.

Шаг 2: прочитайте данные от самого начала до конца

Ознакомьтесь с данными перед тем, как начинать анализ, даже если вы проводили исследование в одиночку. Прочитайте все свои транскрипты, полевые заметки и остальные источники перед тем, как анализировать их.

На этом этапе вы можете подключить свою команду к проекту. Привлечение команды обеспечивает осведомленность о пользователях, обеспечивает эмпатию к ним и их потребностям.

Проведите воркшоп (или серию воркшопов, если у вас большая команда или собран большой объем данных). Следуйте этапам:

• Перед тем как члены вашей команды начнут как-либо взаимодействовать с данными, выпишите исследовательские вопросы на доску или бумагу флипчарта, чтобы можно было наглядно обращаться к вопросам во время работы.
• Дайте каждому члену команды или транскрипт, или запись полевых, или дневниковых заметок. Скажите участникам выделить все, что кажется им значимым.
• Когда члены команды закончат читать текст, они могут передать транскрипт или записи кому-то другому, а также получить новый от другого члена команды. Этот этап должен повторяться до тех пор, пока члены команды не ознакомятся со всеми данными.
• Обсудите всей группой, что вы заметили и что вас удивило.

​Воркшоп, где каждый участник читает все полевые или дневниковые заметки и выделяет важные кусочки, — хороший способ замотивировать всех членов команды активно вовлечься в текст, особенно если сопоставить этот способ с простым чтением

Лучшим раскладом будет тот, в котором ваша команда участвует во всех исследовательских встречах. Но это может быть невозможно, если необходимо провести много сессий или если у вас большая команда.

Когда отдельные члены команды посещают лишь несколько сессий, они могут уходить с нечетким пониманием находок друг друга. Воркшоп поможет решить эту проблему — каждый прочитает все транскрипты.

Шаг 3: кодируйте текст на основании того, о чем он

На этапе кодирования выделенные отрывки необходимо категоризировать таким образом, чтобы их можно было легко сопоставить между собой.

На данном этапе напомните себе о своих исследовательских целях. Напечатайте свои исследовательские вопросы. Прикрепите их на стену или на доску в комнате, где проводите анализ.

Если у вас достаточно времени, можете привлечь свою команду на этапе кодирования. Если время ограничено и необходимо обработать большой массив данных, проведите этот этап самостоятельно и пригласите команду в конце, чтобы сделать ревью ваших кодов и помочь определить найденные темы.

Во время того, как вы кодируете, проверяйте каждый отрывок текста и задавайте вопрос «О чем он?». Давайте фрагменту название, которое описывает данные в нем (описательный код). Вы также можете добавить интерпретативные коды к тексту на данном этапе, но все же проще будет сделать это позднее.

Коды могут создаваться как перед тем, так и после того, как вы сгруппировали данные. Следующие два раздела этого этапа описывают, как и когда вы можете добавлять коды.

Традиционный метод: создавайте коды перед их группировкой

В традиционном подходе — когда вы выделяете отрывки данных, такие как предложения, абзацы, фразы — вы кодируете их. Полезно записывать все использованные коды и определять, что они означают, чтобы иметь возможность возвращаться к этому списку при кодировании последующих отрывков текста (в особенности это актуально, когда кодирование проводят несколько людей).

Этот подход помогает избежать создание нескольких кодов с одинаковым типом информации в ней, чтобы не нужно было их впоследствии объединять.

Когда весь текст закодирован, вы можете сгруппировать данные, которые наделили одинаковым кодом.

Если вы используете в данном процессе CAQDAS, программа автоматически записывает коды, которые вы присваиваете в процессе, чтобы их можно было использовать повторно. Также она дает возможность отобразить весь текст, закодированный одним и тем же кодом.

Пример из Nvivo (инструмент CAQDAS). Кодировочные полоски справа показывают, какие части текста были закодированы. Все коды, использованные в сырых данных этого проекта, отображаются в «узловой» панели. Двойной клик на узел отображает сырые данные

Быстрый способ: группируйте отрывки текста, уже затем присваивайте им код

Вместо того чтобы придумывать код в моменте, когда вы выделили текст, вы разделяете (физически или виртуально) и кластеризуете все сегменты, которые выделены похожим образом (примерно как разные стикеры могут быть сгруппированы в диаграмму сходства).

Группам затем дается код. Если вы делаете кластеризацию виртуальным способом, вы можете поместить закодированные отрывки в отдельный документ или в какую-либо программу визуализации.

На картинке ниже группировка происходит вручную. Транскрипты были разрезаны, прикреплены к стикерам и перемещались по доске до тех пор, пока они не стали выглядеть естественно в группах. Затем исследователь присвоил каждой группе описательный код, написанный на розовом стикере.

Выделенные отрывки физически вырезали с помощью ножниц и прикрепили к стикерам

​Номер участника или тип данных были написаны на стикерах (также это можно выделять с помощью цвета стикера). Это позволяет простым образом восстановить сырые данные, а также проводить сравнения по участникам или источникам данных

Выделенные отрывки текста были кластеризованы по теме текста (text topic) и присвоенному описательному коду

В конце этого этапа ваши данные должны быть сгруппированы по темам и по кодам для каждой темы.

Давайте рассмотрим пример. Я провела интервью с тремя людьми об их опыте готовки еды дома. В этих интервью участники говорили, как они готовят одни блюда, а другие избегают. Они говорили о специфических трудностях, с которыми они сталкивались во время готовки (ограничения из-за диеты, ограниченный бюджет, отсутствие времени или недостаточное количество места) и о способах разрешения этих сложностей.

После группировки выделенных отрывков из интервью по темам у меня получились три широких описательных кода и соответствующие группировки:

• Практики готовки: незабываемый позитивный или негативный опыт, относящийся к готовке.
• Боли: все, что отвлекает от готовки или затрудняет ее (включая соблюдение диеты, ограниченный бюджет и так далее).
• Способы, которые помогают справиться с болями: что помогает (или во что респонденты верят как в помощь) преодолеть специфические сложности или боли.

Шаг 4: создавайте новые коды, которые кратко излагают потенциальные темы

Просмотрите все коды и найдите любые причинно-следственные отношения, сходства, различия или противоречия, чтобы обнаружить глубинные темы.

Во время этого процесса некоторые коды отсеются (будут либо заархивированы, либо удалены) и будут созданы новые интерпретативные коды. Если вы используете кодирование вручную, как описано в шаге три, то некоторые из изначальных группировок могут исчезнуть или расшириться, когда вы начнете искать темы.

Задавайте себе следующие вопросы:

• Что происходит в каждой группе?
• Как коды соотносятся друг с другом?
• Как это соотносится с моими исследовательскими вопросами?

Возвращаясь к нашей теме готовки, при анализе текста внутри каждой группировки и при поиске взаимоотношений между данными я заметила следующее: два участника сказали, что им нравятся ингредиенты, которые можно использовать в готовке разными способами и которые хорошо сочетаются с другими ингредиентами.

Третья участница говорила о том, что она мечтает иметь список ингредиентов, которые можно использовать в готовке разных блюд на протяжении недели, это будет гораздо лучше расклада, в котором нужно покупать отдельные ингредиенты для каждого приема пищи.

Итак, появилась новая тема гибкости ингредиентов. К появившейся теме я подобрала код «один ингредиент подходит ко всему», ему я дала детальное описание.

В этом примере возникла новая группировка. В нее входили цитаты о гибком использовании ингредиентов — о потребности использовать их разными способами или в разных приемах пищи в течение недели. Интерпретативный код «один ингредиент подходит ко всему»

Шаг 5: возьмите день на перерыв, затем возвращайтесь к данным

Почти всегда будет отличной идеей взять перерыв и вернуться позднее — чтобы изучить данные свежим взглядом. Такой подход позволяет четко выделить значимые паттерны в данных и выявить действительно сильные инсайты.

Шаг 6: оцените ваши темы для релевантности

В данном этапе может быть полезно использовать помощь других вовлеченных в процесс людей: попросите их оценить ваши коды и возникнувшие темы. В результате могут быть пересмотрены появившиеся инсайты и подвергнуты критике ваши выводы — ведь это будет незамыленный взгляд. Эта практика позволяет уменьшить риск личной предвзятости.

Подвергните найденные темы сомнению. Задавайте себе следующие вопросы:

• Эта тема хорошо подкреплена данными? Или вы можете найти данные, которые не будут поддерживать тему?
• Тема достаточно насыщена примерами?
• Другие согласятся с найденными вами темами при условии, что они проведут анализ отдельно и независимо?

Если ответ на данные вопросы «нет», это может означать, что вам нужно вернуться к доске, где вы проводили анализ. Даже если предположить, что вы собрали надежные данные, всегда есть возможность узнать что-то новое, поэтому лучше провести больше времени со своей командой, повторяя шаги четыре-шесть.

Вывод

Используйте тематический анализ как полезную инструкцию для того, чтобы эффективно прорабатывать большие объемы качественных данных. Нет единственно верного способа, как проводить тематический анализ, поэтому выбирайте методы анализа, которые подходят типу и объему собранных вами данных.

Когда это возможно, приглашайте других присоединиться к процессу анализа — этот подход одновременно повысит точность анализа и поможет вашей команде получить новые знания о поведении пользователей, их мотивациях и потребностях.

Анализ может быть длительным процессом, поэтому придерживайтесь хорошего эмпирического правила — выделяйте столько времени, сколько потребовалось на сбор данных, чтобы провести их анализ.

Занимаюсь качественными исследованиями уже три года, специалист по Customer Development в ИТ-сфере. По любым вопросам и предложениям обращайтесь:

Что такое качественные данные? Как понять, собрать и проанализировать

Все, что делается в цифровом виде — от просмотра веб-страниц до проведения транзакции — создает след данных. И аналитики данных постоянно изучают и изучают этот след, пытаясь найти способы использования данных для принятия лучших решений.

Различные типы данных определяют все больше и больше наших взаимодействий в сети. Одними из наиболее распространенных и известных являются качественные данные или данные, которые могут быть выражены в описаниях и чувствах.

В этом руководстве подробно рассматриваются качественные данные, для чего они могут использоваться, как они собираются и насколько они важны для вас.

Основные выводы: 

• Качественные данные — это данные, которые можно почувствовать или описать.

• Три основных типа качественных данных: двоичные, номинальные и порядковые.

• Существует множество различных типов качественных данных, таких как данные исследований, работы и статистики.

• Как качественные, так и количественные исследования проводятся посредством опросов и интервью, среди прочих методов.

Что такое качественные данные?

Качественные данные носят описательный характер и выражаются в терминах ощущений, а не числовых значений.

Качественный анализ данных не может быть подсчитан или измерен, поскольку он описывает данные. Это относится к словам или ярлыкам, используемым для описания определенных характеристик или черт.

Этот тип данных отвечает на вопрос «почему» или «как» за анализом . Его часто используют для проведения открытых исследований, позволяющих участникам показать свои истинные чувства и действия без направления.

Думайте о качественных данных как о типе данных, которые вы получили бы, если бы спросили кого-то, почему он что-то сделал — каковы были его причины?

Что такое качественное исследование?

Качественное исследование не только помогает собирать данные, но и дает исследователю возможность понимать тенденции и значения естественных действий.

Этот тип исследования данных фокусируется на качествах пользователей — действиях, стоящих за числами. Качественное исследование — это описательное и субъективное исследование, которое помогает привнести контекст в количественные данные.

Он гибкий и итеративный. Например: 

• Легкая музыка наполняла кухню.

• На каждой синей кнопке были белые буквы, а на красной — желтые.

• У маленькой девочки были рыжие волосы в белой шапочке.

Важность качественных данных

Качественные данные важны для определения частоты признаков или характеристик.

Понимание ваших данных может помочь вам лучше понять своих клиентов, пользователей или посетителей. И когда вы лучше понимаете свою аудиторию, вы можете сделать их счастливее.

Качественные данные помогают исследователям рынка ответить на такие вопросы, как, с какими вопросами или проблемами они сталкиваются, что их мотивирует и какие улучшения можно сделать.

Примеры качественных данных

Скорее всего, сегодня вы использовали качественные данные. Этот тип данных можно найти в вашей повседневной работе и в статистике по всему Интернету. Вот несколько примеров качественных данных в описаниях, исследованиях, работах и ​​статистике.

Качественные данные в описаниях

Анализ качественных данных требует описательного контекста для поддержки своих теорий и гипотез. Вот несколько основных примеров описательных качественных данных:

• Очень низкая женщина с вьющимися волосами и блестящими голубыми глазами.

• Яркий белый свет пронзил маленькое темное пространство.

• Толстая рыбка выпрыгнула из кристально чистой воды.

• Пушистая коричневая собака перепрыгнула через высокий белый забор.

• Мягкое облако плыло по ярко-синему небу.

Качественные данные в исследованиях

Методы исследования качественных данных позволяют аналитикам использовать контекстную информацию для создания теорий и моделей. Эти открытые и закрытые вопросы могут быть полезны для понимания причин мотивов, разочарований и действий — в любом случае.

Некоторые примеры сбора качественных данных в исследованиях:

• В какой стране вы работаете?

• Ваша последняя должность?

• Какое место вы занимаете в поисковых системах?

• Как вы оцениваете свою покупку: хорошо, плохо или исключительно?

Качественные данные в работе

Специалисты различных отраслей промышленности используют качественные наблюдения в своей работе и исследованиях. Примеры этого типа данных о рабочей силе включают:

• Менеджер конструктивно критикует сотрудника за его навыки. «Ваши усилия надежны, и вы хорошо разбираетесь в продукте, просто наберитесь терпения».

• Судья сообщает приговор с залом суда. «Мужчину признали невиновным, и он свободен».

• Продавец собирает отзывы от клиентов. «Клиент сказал, что кнопка оформления заказа не работает».

• Учитель дает отзыв своему ученику: «Я поставил вам пятерку за этот проект из-за вашей самоотверженности и приверженности делу».0003

• Цифровой маркетолог смотрит повтор сеанса, чтобы понять, как пользователи используют его платформу.

Качественные данные в статистике

Качественные данные могут предоставить важные статистические данные о любой отрасли, любой группе пользователей и любых продуктах. Вот несколько примеров набора наборов качественных данных в статистике:

• Возраст, вес и рост группы типов телосложения для определения таблиц размеров одежды.

• Происхождение, пол и место проведения переписи.

• Имя, должность и профессия людей, посещающих конференцию, чтобы помочь в последующих электронных письмах.

Разница между качественными и количественными данными

Качественные и количественные данные сильно различаются, но одинаково важны для любого анализа данных. Когда дело доходит до понимания исследования данных, существуют разные методы анализа, типы сбора и использования.

Вот различия между качественными и количественными данными:

• Качественные данные индивидуализированы, описательны и относятся к эмоциям.

• Количественные данные исчисляемы, измеримы и относятся к числам.

• Качественные данные помогают нам понять, почему или как что-то произошло за определенным поведением.

• Количественные данные помогают нам понять, сколько, сколько или как часто что-то происходило.

• Качественные данные субъективны и персонализированы.

• Количественные данные фиксированы и повсеместны.

• Качественные методы исследования проводятся путем наблюдения или глубинного интервью.

• Количественные методы исследования проводятся посредством опросов и фактических измерений.

• Качественные данные анализируются путем группировки данных по классификациям и темам.

• Количественные данные анализируются с использованием статистического анализа.

Оба они обеспечивают огромную ценность для любого сбора данных и являются ключом к правильному пониманию тенденций использования и моделей поведения. Изучите примеры количественных данных.

Характеристики качественных данных

Характеристики качественных данных обширны. Есть несколько особенностей, которые выделяются среди других данных, и их следует понимать для успешного анализа данных.

• Описательный : описание или классификация объективным и непредвзятым образом.

• Подробный : дать отчет прописью с полными реквизитами.

• Открытый : не имеющий определенного предела или границы.

• Нечисловой : не содержит цифр.

• Субъективный : основанный на личных чувствах, вкусах или мнениях или находящийся под их влиянием.

При использовании выборок качественных данных эти признаки могут помочь вам понять значение уравнения или, за неимением лучшего термина, то, что стоит за результатами.

Типы качественных данных

Поскольку мы сужаем важность качественных данных, вы должны понимать, что существуют разные типы данных. Аналитики данных часто подразделяют качественные данные на три типа:

1. Двоичные данные

Двоичные данные численно представлены комбинацией нулей и единиц. Двоичные данные — это единственная категория данных, которые могут быть непосредственно поняты и обработаны компьютером.

Аналитики данных используют двоичные данные для создания статистических моделей, которые предсказывают, как часто объект исследования может быть положительным или отрицательным, положительным или отрицательным, правильным или неправильным — на основе нулевой шкалы.

2. Номинальные данные

Номинальные данные, также называемые «именованными, маркированными данными» или «номинальными масштабированными данными», — это любой тип данных, используемый для маркировки чего-либо без присвоения числового значения.

Аналитики данных используют номинальные данные для определения статистически значимых различий между наборами качественных данных.

Например, тест с множественным выбором для определения навыков участников исследования.

3. Порядковые данные

Порядковые данные – это качественные данные, классифицированные в определенном порядке или по шкале ранжирования. Когда исследователи используют порядковые данные, порядок качественной информации имеет большее значение, чем разница между каждой категорией. Аналитики данных могут использовать порядковые данные при создании диаграмм, в то время как исследователи могут использовать их для классификации групп, таких как возраст, пол или класс.

Например, результаты опроса Net Promoter Score (NPS) оцениваются по шкале удовлетворенности от 0 до 10.

Когда следует использовать качественные исследования?

Одна из важных вещей, которую нужно знать о качественных данных, — это когда их использовать.

Качественные данные используются, когда вам нужно определить конкретные тенденции признаков или характеристик или сформировать параметры для наблюдения за большими наборами данных. Качественные данные предоставляют средства, с помощью которых аналитики могут количественно оценить окружающий их мир.

Вы могли бы использовать качественные данные, чтобы помочь ответить на такие вопросы, как, например, кто ваши клиенты, с какими проблемами или проблемами они сталкиваются и на чем им нужно сосредоточить свое внимание, чтобы вы могли лучше решать эти проблемы.

Качественные данные широко используются для понимания языка, на котором говорят потребители, поэтому применяйте их там, где это необходимо.

Плюсы и минусы качественных данных

Качественные данные — это подробное и глубокое понимание темы посредством наблюдения и опроса выборки людей. У этого типа данных есть как преимущества, так и недостатки.

Плюсы качественных данных

• Качественные исследования доступны по цене и требуют небольшого размера выборки.

• Качественные данные обеспечивают прогностический элемент и дают конкретное представление о развитии.

• Качественные исследования сосредоточены на деталях личного выбора и используют этот индивидуальный выбор в качестве рабочих данных.

• Качественные исследования работают над устранением предвзятости из собранной информации, используя открытый процесс ответа.

• Качественные исследования данных обеспечивают полезный контент для любого тематического анализа.

Минусы качественных данных 

• Сбор качественных данных может занимать много времени, и их может быть трудно масштабировать для большей совокупности.

• Качественные исследования создают точки субъективной информации.

• Качественные исследования могут включать значительные уровни повторения и часто трудно воспроизводимы.

• Качественное исследование опирается на знания исследователей.

• Качественное исследование не предлагает статистического анализа, для этого необходимо обратиться к количественным данным.

Методы сбора качественных данных

Ниже приведены основные подходы и методы сбора качественных исследований и данных: 

1. Интервью

Личные интервью являются одним из наиболее свой личный подход.

Интервью может быть неформальным и неструктурированным и часто носит разговорный характер. Интервьюер или исследователь собирает данные непосредственно у интервьюируемого один на один. В основном открытые вопросы задаются спонтанно, а интервьюер позволяет ходу интервью диктовать вопросы и ответы.

Смысл интервью в том, чтобы узнать, как интервьюируемый относится к предмету.

2. Фокус-группы

Фокус-группы проводятся в формате дискуссий с участием от 6 до 10 человек. Модератор назначается для контроля и управления обсуждением на основе основных вопросов.

В зависимости от необходимых качественных данных члены группы могут иметь что-то общее. Например, исследователь, проводящий исследование бегунов на собачьих упряжках, разбирается в собаках, упряжках и снеге и должен иметь достаточные знания по предмету.

3. Записи данных 

Данные не начинаются с вашей коллекции, скорее всего, они были получены в прошлом.

Использование уже существующих надежных данных и аналогичных источников информации в качестве источника данных — верный способ получить качественное исследование. Как и в библиотеке, вы можете просмотреть книги и другие справочные материалы, чтобы собрать соответствующие данные, которые можно использовать в исследовании.

Например, если вы хотите изучить тенденции развития словарей, вы захотите узнать предысторию каждого созданного словаря, начиная с самого первого.

4. Наблюдение

Наблюдение — это давний метод сбора качественных данных, при котором исследователь просто наблюдает за поведением участника в естественных условиях. Они внимательно следят за участниками и делают стенограммы, чтобы выяснить врожденные ответы и реакции без подсказок.

Обычно наблюдение представляет собой индуктивный подход, который используется, когда исследователь имеет очень мало или вообще не имеет представления об изучаемом явлении.

Другие методы документирования, такие как видеозаписи, аудиозаписи и фотоизображения, могут использоваться для получения качественных данных.

Дальнейшее чтение: Наблюдения за местом с помощью тепловых карт

5. Тематические исследования

Тематические исследования представляют собой интенсивный анализ отдельного человека или сообщества с упором на факторы развития по отношению к окружающей среде.

В этом методе данные собираются путем углубленного анализа и используются для понимания как простых, так и сложных предметов. Цель тематического исследования — увидеть, как использование продукта или услуги положительно повлияло на субъекта, продемонстрировав решение проблемы или тому подобное.

6. Лонгитюдные исследования

Лонгитюдное исследование — это изучение людей, обладающих одной и той же характеристикой, в течение определенного периода времени.

Этот метод сбора данных повторно применяется к одному и тому же субъекту в течение длительного периода времени. Это наблюдательный метод исследования, который длится несколько лет, а в некоторых случаях и десятилетий. Цель состоит в том, чтобы найти корреляции субъектов с общими чертами.

Например, медицинские исследователи проводят лонгитюдные исследования, чтобы установить эффекты препарата или связанные с ним симптомы.

Инструменты для качественного анализа данных

И, как и во всем, вы не сможете добиться успеха без правильных инструментов. Вот несколько инструментов для качественного анализа данных, которые должны быть в вашем наборе инструментов: 

• MAXQDA – программное обеспечение для качественного и комбинированного анализа данных 

• FullStory — цифровая платформа сбора и анализа данных

• ATLAS. ti — мощный инструмент качественных данных, предлагающий функции на основе ИИ

• Quirkos — программное обеспечение для качественного анализа данных для простых учащихся

• Dedoose — инструмент управления проектами и анализа для совместной и командной работы 9 0003

• Taguette — бесплатная платформа для анализа и организации данных с открытым исходным кодом.0016

• Qualtrics — программное обеспечение для управления опытом

Определение, типы, анализ и примеры

Исследователю рынка сбор качественных данных помогает ответить на такие вопросы, как кто их клиенты , с какими проблемами или проблемами они сталкиваются и , где им нужно сосредоточить свое внимание, чтобы решить проблемы или проблемы . Давай поговорим об этом.

Индекс содержания

1. Качественные данные: определение
2. Примеры качественных данных
3. Важность качественных данных
4. Методы сбора качественных данных — типы качественных данных
5. Качественный анализ данных
6. 5 шагов к качественному анализу данных
7. Преимущества качественных данных
8. Недостатки качественных данных

Качественные данные определяются как данные, которые аппроксимируют и характеризуют.

Качественные данные можно наблюдать и записывать. Этот тип данных не является числовым по своей природе. Этот тип данных собирается с помощью методов наблюдения, индивидуальных интервью, проведения фокус-групп и подобных методов. Качественные данные в статистике также известны как категориальные данные — данные, которые могут быть организованы категорически на основе атрибутов и свойств вещи или явления.

Примеры качественных данных

Качественные данные также называются категориальными данными, поскольку эти данные могут быть сгруппированы по категориям.

Например, представьте себе студента, читающего абзац из книги во время одного из занятий. Учитель, который слушает чтение, дает обратную связь о том, как ребенок прочитал этот абзац. Если учитель дает обратную связь, основанную на беглости, интонации, наборе слов, четкости произношения, не ставя ребенку оценку, это рассматривается как пример качественных данных.

Довольно легко понять разницу между качественными и количественными данными. Качественные данные не включают числа в определение признаков, в то время как количественные данные полностью связаны с числами.

• Торт оранжевого, синего, черного цвета (качественный).
• У женщин каштановые, черные, светлые и рыжие волосы (качественные).

Количественные данные — это любая количественная информация, которую можно использовать для математических расчетов или статистического анализа. Эта форма данных помогает принимать решения в реальной жизни на основе математических выводов. Количественные данные используются для ответа на такие вопросы, как сколько? Как часто? Сколько? Эти данные можно проверить и проверить.

Чтобы лучше понять концепцию качественных и количественных данных, лучше всего рассмотреть примеры конкретных наборов данных и то, как их можно определить. Ниже приведены примеры количественных данных.

• В корзине лежат четыре пирожных и три булочки (количественное число).
• Один стакан газированного напитка содержит 97,5 калорий (количественно).

Важность качественных данных

Качественные данные важны для определения конкретной частоты признаков или характеристик. Это позволяет статистику или исследователям формировать параметры, с помощью которых можно наблюдать большие наборы данных. Он предоставляет средства, с помощью которых наблюдатели могут количественно оценить окружающий их мир.

Качественные данные об эмоциях или восприятии людей и о том, что они чувствуют. В количественных данных эти восприятия и эмоции документируются. Это помогает исследователям рынка понимать язык своих потребителей и эффективно решать исследовательскую проблему.

Методы сбора качественных данных. Типы качественных данных

Сбор качественных данных носит исследовательский характер; он включает в себя глубокий анализ и исследование. Его методы сбора в основном сосредоточены на получении информации, рассуждений и мотиваций; следовательно, они углубляются в исследования. Поскольку эти данные невозможно измерить, исследователи предпочитают ограниченно структурированные методы или инструменты сбора данных.

Вот методы сбора качественных данных:

1. Индивидуальные интервью: Это один из наиболее часто используемых инструментов сбора данных для качественных исследований, в основном из-за его индивидуального подхода. Интервьюер или исследователь собирает данные непосредственно от интервьюируемого на индивидуальной основе. Метод интервью может быть неформальным и неструктурированным – разговорным. В основном открытые вопросы задаются спонтанно, и интервьюер позволяет ходу интервью диктовать вопросы, которые следует задавать.

2. Фокус-группы: Это делается в условиях группового обсуждения. Группа ограничена 6-10 людьми, и для модерации текущей дискуссии назначается модератор.

В зависимости от сортируемых данных члены группы могут иметь что-то общее. Например, исследователь, проводящий исследование бегунов по легкой атлетике, выберет спортсменов, которые являются бегунами по легкой атлетике или были бегунами по легкой атлетике и обладают достаточными знаниями по предмету.

3. Ведение учета: Этот метод использует уже существующие надежные документы и аналогичные источники информации в качестве источника данных. Эти данные могут быть использованы в новом исследовании. Это похоже на поход в библиотеку. Там можно просматривать книги и другие справочные материалы для сбора соответствующих данных, которые можно использовать в исследовании.

4. Процесс наблюдения: В этом методе сбора данных исследователь погружается в обстановку, в которой находятся его респонденты, внимательно следит за участниками и делает записи. Это известно как процесс наблюдения.

Помимо ведения заметок, можно использовать и другие методы документирования, такие как видео- и аудиозапись, фотография и подобные методы.

5. Лонгитюдные исследования: Этот метод сбора данных многократно применяется к одному и тому же источнику данных в течение длительного периода времени. Это наблюдательный метод исследования, который длится несколько лет, а в некоторых случаях может продолжаться даже десятилетиями. Этот метод сбора данных направлен на поиск корреляций путем эмпирического изучения субъектов с общими чертами.

6. Тематические исследования: В этом методе данные собираются путем углубленного анализа тематических исследований. Универсальность этого метода демонстрируется тем, как этот метод можно использовать для анализа как простых, так и сложных объектов. Сила этого метода заключается в том, насколько разумно он использует комбинацию одного или нескольких методов сбора качественных данных для получения выводов.

Подробнее: Качественные методы исследования

Качественный анализ данных

Анализ ваших данных жизненно важен, поскольку вы потратили время и деньги на их сбор. Это важный процесс, потому что вы не хотите оказаться в темноте, даже приложив столько усилий. Однако не существует установленных основных правил для анализа этих данных; все начинается с понимания двух ее основных подходов.

Два основных подхода к качественному анализу данных

1. Дедуктивный подход

Дедуктивный подход предполагает анализ качественных данных на основе структуры, заранее заданной исследователем. Исследователь может использовать вопросы в качестве руководства для анализа данных. Этот подход быстрый и простой, и его можно использовать, когда исследователь имеет четкое представление о вероятных ответах, которые он/она собирается получить от выборки.

2.  Индуктивный подход

Индуктивный подход, напротив, не основан на заранее определенной структуре или установленных основных правилах/рамках. Это более трудоемкий и тщательный подход к качественному анализу данных. Индуктивный подход часто используется, когда исследователь имеет очень мало или вообще не имеет представления об исследовательском феномене.

Подробнее: Анализ данных в исследованиях

5 шагов к качественному анализу данных

Независимо от того, хотите ли вы проанализировать качественные данные, собранные в ходе индивидуального интервью или опроса, эти простые шаги обеспечат надежный анализ данных.

Шаг 1. Упорядочите свои данные

После того, как вы собрали все данные, они в значительной степени неструктурированы и иногда не имеют смысла при беглом взгляде. Поэтому очень важно, чтобы вы, как исследователь, сначала должны были расшифровать собранные данные. Первым шагом в анализе ваших данных является их систематизация. Организация данных означает преобразование всех данных в текстовый формат. Вы можете либо экспортировать данные в электронную таблицу, либо ввести данные вручную, либо выбрать любой из автоматизированных инструментов качественного анализа данных.

Шаг 2: Организуйте все свои данные

После преобразования и упорядочивания ваших данных ближайшим следующим шагом будет организация ваших данных. У вас может быть большой объем информации, которую все еще необходимо систематизировать. Один из лучших способов организовать данные — вернуться к целям вашего исследования, а затем организовать данные на основе заданных вопросов. Разместите цель исследования в таблице так, чтобы она выглядела наглядно. Любой ценой избегайте соблазнов работы с неорганизованными данными. В конечном итоге вы потеряете время, а окончательных результатов не получите.

Шаг 3: Установите код для собранных данных

Установка правильных кодов для собранных данных продвинет вас на шаг вперед. Кодирование — один из лучших способов сжатия огромного количества собранной информации. Качественное кодирование данных означает категоризацию и присвоение свойств и шаблонов собранным данным.

Кодирование играет важную роль в этом анализе данных, так как вы можете выводить теории из результатов соответствующих исследований. После присвоения кодов вашим данным вы можете начать использовать шаблоны, чтобы получить более глубокое представление о данных, которые помогут принимать обоснованные решения.

Шаг 4: Проверка данных

Проверка данных является одним из важнейших шагов качественного анализа данных для успешного исследования. Поскольку данные являются квинтэссенцией для исследований, крайне важно убедиться, что данные не содержат ошибок. Обратите внимание, что проверка данных — это не только один шаг в этом анализе; это повторяющийся шаг, который необходимо соблюдать на протяжении всего процесса исследования. Есть две стороны проверки данных:

1. Точность плана или методов вашего исследования.
2. Надежность, которая представляет собой степень, в которой методы постоянно дают точные данные.

Этап 5: Завершение процесса анализа

Важно, наконец, завершить ваши данные, что означает систематическое представление ваших данных, отчет, который можно легко использовать. В отчете должен быть указан метод, который вы, как исследователь, использовали для проведения исследований, положительные и отрицательные стороны, а также ограничения исследования. В отчете вы также должны указать предложения/выводы по вашим выводам и любые связанные области для будущих исследований.

Преимущества

1. Помогает в углубленном анализе: Собранные данные предоставляют исследователям подробный анализ, такой как тематический анализ предметов. Собирая его, исследователи, как правило, исследуют участников и могут собрать достаточно информации, задавая правильные вопросы. Собранные данные используются для завершения серии вопросов и ответов.

2. Понять, что думают клиенты: Данные помогают исследователям рынка понять образ мыслей своих клиентов. Использование качественных данных дает компаниям представление о том, почему клиент приобрел продукт. Понимание языка клиентов помогает исследователям рынка более систематически делать выводы из собранных данных.

3. Богатые данные: Собранные данные также можно использовать для проведения будущих исследований. Поскольку вопросы, задаваемые для сбора качественных данных, являются открытыми, респонденты могут свободно выражать свое мнение, что ведет к получению дополнительной информации.

Недостатки

1. Отнимает много времени : Поскольку сбор этих данных занимает больше времени, меньше людей занимается изучением, чем сбором количественных данных. Если время и бюджет не позволяют, включается меньший размер выборки.

2. Нелегко обобщать: Поскольку изучено меньше людей, трудно обобщить результаты этой группы населения.

3. Зависит от навыков исследователя: Этот тип данных собирается посредством индивидуальных интервью, наблюдений, фокус-групп и т. д. Сбор информации из выборки зависит от навыков и опыта исследователя.

Как правило, это описательные данные, и их труднее анализировать, чем количественные данные. Теперь вам нужно решить, какой вариант лучше всего подходит для вашего исследовательского проекта; помните, что для получения и анализа качественных данных нам нужно немного больше времени, поэтому вы должны учитывать это при планировании.

Вы хотите создать свой собственный опрос?

QuestionPro — это программа для проведения онлайн-опросов, которая поможет вам разработать исследовательские проекты с помощью передовых инструментов и отчетов. Он идеально подходит для получения качественных данных благодаря различным типам вопросов и логике.