Kuigi kvantitatiivsed andmed pakuvad mõõdetavat „mida“ numbrite ja mustrite kaudu, paljastavad kvalitatiivsed teadmised inimkäitumise taga peituva „miks“. Mõlema valdamine võimaldab organisatsioonidel liikuda pelgalt arvutustabelitest kaugemale, ühendades statistika kindlad tõendid isiklike kogemuste rikkaliku ja emotsionaalse kontekstiga, et teha tõeliselt teadlikke otsuseid.
Mittenumbriline teave, mis on kogutud vaatluse ja vestluse kaudu motivatsiooni, mõtete ja emotsionaalsete ajendite mõistmiseks.
Numbrilised faktid ja mõõtmised, mida kasutatakse laiaulatuslike suundumuste kindlakstegemiseks ja statistiliste tõendite esitamiseks suurte populatsioonide kohta.
| Funktsioon | Kvalitatiivsed teadmised | Kvantitatiivsed andmed |
|---|---|---|
| Põhiküsimus | Miks see juhtub? | Kui palju/mitu? |
| Andmevorming | Sõnad, pildid, videod | Numbrid ja graafikud |
| Valimi suurus | Väike ja spetsiifiline | Suur ja esinduslik |
| Arutlusstiil | Induktiivne (ehitusteooria) | Deduktiivne (testimise teooria) |
| Uurimismeetod | Intervjuud, etnograafia | Küsitlused, A/B-testimine |
| Paindlikkuse tase | Kõrge (võib õppetöö keskel ümber pöörata) | Madal (fikseeritud parameetrid) |
Kvantitatiivsed andmed toimivad nagu kõrgmäestiku satelliit, mis näitab teile täpselt, kus teie tootes või teenuses liiklusummikud asuvad. Kvalitatiivsed andmed on aga nagu autojuhtide intervjueerimine: need selgitavad, et ummik tekib segadust tekitava liiklusmärgi või inimeste tähelepanu hajutamise tõttu konkreetse maamärgi poolt.
Teadlased kasutavad uue territooriumi uurimiseks ja uute hüpoteeside genereerimiseks sageli kvalitatiivseid meetodeid, kui nad ei tea, mida oodata. Kui teooria on loodud, tulevad mängu kvantitatiivsed meetodid, et kinnitada, kas see idee kehtib tuhandete inimeste kohta või oli tegemist vaid ainulaadse juhtumiga.
Arvutustabelist võib näha, et 40% kasutajatest lahkusid teie rakendusest kassas, mis on objektiivne fakt. Ainult kvalitatiivsed uuringud saavad paljastada subjektiivse tõe: et need kasutajad tundusid „Osta” nupu värvi ebausaldusväärsena või et selle sõnastus tekitas neis privaatsuse pärast muret.
Kvantitatiivses maailmas püüab uurija jääda distantseerituks, et vältida numbrite mõjutamist. Kvalitatiivses uuringus on uurija aktiivne tööriist, kasutades empaatiat ja järelküsimusi, et osaleja loosse sügavamale sukelduda, muutes protsessi palju isikupärasemaks.
Kvalitatiivne uuring ei ole "päris" teadus.
See on levinud eelarvamus; tegelikult kasutab kvalitatiivne uurimistöö rangeid raamistikke, näiteks aluse teooriat. See ei ole matemaatikast "madalam"; see lihtsalt vastab küsimustele, millega matemaatika hakkama ei saa.
Kvalitatiivsete teadmiste olulisuseks on vaja tuhandeid inimesi.
Tegelikult võib „küllastusseisundisse“ – kus uut infot enam ei kuule – jõuda juba 12–15 hästi valitud intervjueeritavaga. Kvalitatiivne töö seisneb arusaama sügavusest, mitte vastajate arvust.
Kvantitatiivsed andmed on alati objektiivsed.
Numbrid võivad valetada sama kergesti kui inimesed. Kui uuringuküsimus on halvasti sõnastatud või valim on moonutatud, on saadud „objektiivsed” andmed põhimõtteliselt vigased.
Kvalitatiivseid ja kvantitatiivseid andmeid tuleks hoida eraldi.
Parimad teadmised saadakse nn triangulatsiooni abil, kus mõlemat tüüpi andmeid kasutatakse selleks, et näha, kas need viitavad samale järeldusele. Kui teie numbrid ütlevad üht ja teie kliendid teist, siis just seal tehaksegi kõige väärtuslikumaid avastusi.
Kasutage kvantitatiivseid andmeid, kui teil on vaja tõestada trendi, arvutada investeeringutasuvust või teha olulisi ennustusi. Pöörake kvalitatiivsete teadmiste poole, kui teil on vaja uuendusi teha, mõista klientide lojaalsuse vähenemist või lisada oma aruannetele inimlik nägu.
Õige jälgitavusstrateegia valimine eeldab andmete kogumise ja töötlemise mõistmist. Kui aegridade jälgimine jälgib numbrilisi süsteemi mõõdikuid regulaarsete intervallidega, et paljastada pikaajalisi tervisetrende, siis sündmustepõhine jälgimine jäädvustab koheselt diskreetseid oleku muutusi, et käivitada kohesed programmilised vastused, muutes nende arhitektuurilised kujundused põhimõtteliselt erinevaks.
Masinõppe maailmas on andmekogumid harva neutraalsed. Eelarvamuste vähendamine hõlmab ennetavat kavandamist ebaõiglaste moonutuste tuvastamiseks ja neutraliseerimiseks, samas kui eelarvamuste võimendamine on ohtlik nähtus, kus mudelid tegelikult liialdavad olemasolevaid ebavõrdsusi, tehes sageli ennustusi, mis on oluliselt diskrimineerivamad kui vigased andmed, mille põhjal neid treeniti.
Kaasaegse analüütika keerulises maastikus on tõe eristamine segadusest ülim väljakutse. Samal ajal kui andmemüra filtreerimine keskendub juhuslike interferentside eemaldamisele, et paljastada puhas baasjoon, võimendavad signaali võimendamise meetodid aktiivselt peeneid mustreid, mis muidu võiksid kahe silma vahele jääda, tagades, et kriitilisi trende ei neelaks alla taustakaos.
See võrdlus uurib andmemüra ja signaali usaldusväärsuse vahelist kriitilist dünaamikat ärianalüütikas. Kuigi andmemüra toob kaasa juhuslikke kõikumisi, vigu ja ebaolulist teavet, mis pilvepõhiseid hinnanguid mõjutavad, esindab signaali usaldusväärsus usaldusväärseid alusmustreid, mis on vajalikud täpsete masinõppe ennustuste ja kindlate strateegiliste otsuste tegemiseks.
Andmepõhine idufirmade analüüs tugineb idufirmade hindamiseks mõõdetavatele näitajatele nagu kasv, tulu ja klientide hoidmine, samas kui narratiivis põhinev analüüs keskendub lugude jutustamisele, visioonile ja kvalitatiivsetele signaalidele. Mõlemat lähenemisviisi kasutavad investorid ja asutajad laialdaselt potentsiaali hindamiseks, kuid need erinevad selle poolest, kuidas tõendeid tõlgendatakse ja kuidas otsuseid põhjendatakse.
