Määrällinen data tarjoaa mitattavan "mitä" numeroiden ja kaavojen kautta, kun taas laadullinen ymmärrys paljastaa ihmisen käyttäytymisen taustalla olevat "miksi". Molempien hallinta antaa organisaatioille mahdollisuuden siirtyä pelkkien laskentataulukoiden ulkopuolelle yhdistämällä tilastojen kovan todistusaineiston henkilökohtaisten kokemusten rikkaaseen, emotionaaliseen kontekstiin tehdäkseen todella tietoon perustuvia päätöksiä.
Ei-numeerista tietoa, joka on kerätty havainnoimalla ja keskustelemalla motivaatioiden, ajatusten ja emotionaalisten ajureiden ymmärtämiseksi.
Numeerisia tietoja ja mittauksia käytetään laajojen trendien tunnistamiseen ja tilastollisen näytön tarjoamiseen suurista populaatioista.
| Ominaisuus | Laadulliset näkemykset | Määrälliset tiedot |
|---|---|---|
| Ydinkysymys | Miksi näin tapahtuu? | Kuinka paljon/monta? |
| Tietomuoto | Sanat, kuvat, videot | Numerot ja kaaviot |
| Otoksen koko | Pieni ja tarkka | Suuri ja edustava |
| Päättelytyyli | Induktiivinen (rakennusteoria) | Deduktiivinen (testausteoria) |
| Tutkimusmenetelmä | Haastattelut, Etnografia | Kyselyt, A/B-testaus |
| Joustavuuden taso | Korkea (voi kääntyä kesken opintojen) | Matala (kiinteät parametrit) |
Määrällinen data toimii kuin korkealla oleva satelliitti, joka näyttää tarkalleen, missä tuotteesi tai palvelusi liikenneruuhkat ovat. Laadullinen data puolestaan on kuin kuljettajien haastattelua: se selittää, että ruuhka on olemassa, koska liikennemerkki on hämmentävä tai koska ihmiset ovat häiriintyneet tietystä maamerkistä.
Tutkijat käyttävät usein kvalitatiivisia menetelmiä tutkiakseen uutta aluetta ja luodakseen uusia hypoteeseja, kun he eivät tiedä, mitä odottaa. Kun teoria on muodostettu, kvantitatiiviset menetelmät astuvat esiin vahvistamaan, pitääkö ajatus paikkansa tuhansien ihmisten kohdalla vai onko kyseessä vain ainutkertainen tapaus.
Laskentataulukko voi kertoa, että 40 % käyttäjistä lopetti sovelluksesi kassasivulla, mikä on objektiivinen tosiasia. Vain laadulliset havainnot voivat paljastaa subjektiivisen totuuden: että kyseiset käyttäjät kokivat "Osta"-painikkeen värin näyttävän epäluotettavalta tai että sanamuoto sai heidät tuntemaan huolta yksityisyydestään.
Kvantitatiivisessa maailmassa tutkija pyrkii pysymään etäisenä välttääkseen vaikuttamasta lukuihin. Laadullisessa tutkimuksessa tutkija on aktiivinen työkalu, joka käyttää empatiaa ja jatkokysymyksiä kaivautuakseen syvemmälle osallistujan tarinaan, mikä tekee prosessista paljon henkilökohtaisemman.
Laadullinen tutkimus ei ole "oikeaa" tiedettä.
Tämä on yleinen vinouma; totuus on, että laadullisessa tutkimuksessa käytetään tiukkoja viitekehyksiä, kuten maadoitetun teorian mallia. Se ei ole "vähemmän pätevä" kuin matematiikka; se yksinkertaisesti vastaa kysymyksiin, joita matematiikka ei pysty käsittelemään.
Tarvitset tuhansia ihmisiä, jotta laadullisilla näkemyksillä olisi merkitystä.
Itse asiassa "kyllästymispisteen" – jossa et enää kuule uutta tietoa – voi usein saavuttaa jopa vain 12–15 hyvin valitulla haastateltavalla. Laadullisessa työssä on kyse oivalluksen syvyydestä, ei haastateltavien lukumäärästä.
Määrällinen data on aina objektiivista.
Luvut voivat valehdella aivan yhtä helposti kuin ihmisetkin. Jos kyselytutkimuskysymys on huonosti muotoiltu tai otosryhmä on vääristynyt, tuloksena oleva "objektiivinen" data on perustavanlaatuisesti virheellistä.
Laadulliset ja määrälliset tiedot tulisi pitää erillään.
Parhaat oivallukset saadaan triangulaatiosta, jossa molempia datatyyppejä käytetään nähdäkseen, johtavatko ne samaan johtopäätökseen. Jos omat numerosi kertovat yhtä ja asiakkaasi toista, silloin tehdään arvokkaimmat löydöt.
Käytä määrällistä dataa, kun sinun on todistettava trendi, laskettava sijoitetun pääoman tuottoprosentti tai tehtävä merkittäviä ennusteita. Käytä laadullisia näkemyksiä, kun sinun on innovoitava, ymmärrettävä asiakasuskollisuuden laskua tai lisättävä raportteihisi inhimillinen näkökulma.
Oikean havainnoitavuusstrategian valitseminen edellyttää ymmärrystä siitä, miten dataa kerätään ja käsitellään. Aikasarjaseuranta seuraa numeerisia järjestelmän mittareita säännöllisin väliajoin pitkän aikavälin terveystrendien paljastamiseksi, kun taas tapahtumapohjainen seuranta tallentaa diskreetit tilamuutokset välittömästi laukaistakseen välittömiä ohjelmallisia vasteita, mikä tekee niiden arkkitehtuurisuunnittelusta perustavanlaatuisen erilaisen.
Astrologinen ennustaminen yhdistää taivaalliset syklit ihmisen kokemuksiin symbolisen merkityksen saamiseksi, kun taas tilastollinen ennustaminen analysoi empiiristä historiallista dataa tulevien numeeristen arvojen arvioimiseksi. Tämä vertailu tarkastelee kuilua muinaisen, arkkityyppeihin perustuvan henkilökohtaisen pohdinnan viitekehyksen ja modernin, datalähtöisen menetelmän välillä, jota käytetään objektiivisessa päätöksenteossa liike-elämässä ja tieteessä.
Tämä vertailu tutkii kiehtovaa kuilua muinaisen taivaankappaleiden havainnoinnin ja modernin ennustavan analytiikan välillä. Astrologiset transiitit käyttävät planeettojen syklejä tulkitakseen henkilökohtaisen kasvun vaiheita, kun taas elämäntapahtumien todennäköisyysmallit perustuvat big dataan ja tilastollisiin algoritmeihin ennustaakseen tiettyjä virstanpylväitä, kuten uranmuutoksia tai terveydenhuollon tarpeita.
Automaattisen mallin seurannan ja manuaalisen kokeiden seurannan välinen valinta muokkaa perustavanlaatuisesti datatiimin nopeutta ja toistettavuutta. Automaatiossa käytetään erikoisohjelmistoa jokaisen hyperparametrin, mittarin ja artefaktin saumattomaan tallentamiseen, kun taas manuaalinen seuranta perustuu ihmisen huolellisuuteen laskentataulukoiden tai markdown-tiedostojen avulla, mikä luo jyrkän kompromissin asennusnopeuden ja pitkän aikavälin skaalautuvan tarkkuuden välillä.
Dataan perustuva startup-analyysi perustuu mitattavissa oleviin mittareihin, kuten kasvuun, liikevaihtoon ja asiakaspysyvyyteen, kun taas narratiivipohjainen analyysi keskittyy tarinankerrontaan, visioon ja laadullisiin signaaleihin. Molempia lähestymistapoja käyttävät laajalti sijoittajat ja perustajat potentiaalin arvioimiseksi, mutta ne eroavat toisistaan siinä, miten näyttöä tulkitaan ja miten päätöksiä perustellaan.
