Kamēr kvantitatīvie dati sniedz izmērāmu atbildi uz jautājumu “ko” ar skaitļu un modeļu palīdzību, kvalitatīvas atziņas atklāj cilvēka uzvedības iemeslus. Abu šo aspektu apgūšana ļauj organizācijām pārsniegt tikai izklājlapu izmantošanas iespējas, apvienojot statistikas neapstrīdamos pierādījumus ar personīgās pieredzes bagātīgo, emocionālo kontekstu, lai pieņemtu patiesi pamatotus lēmumus.
Neskaitliska informācija, kas iegūta novērošanas un sarunu ceļā, lai izprastu motivāciju, domas un emocionālos virzītājspēkus.
Skaitliski fakti un mērījumi, ko izmanto, lai noteiktu plašas tendences un sniegtu statistiskus pierādījumus lielās populācijās.
| Funkcija | Kvalitatīvas atziņas | Kvantitatīvie dati |
|---|---|---|
| Galvenais jautājums | Kāpēc tas notiek? | Cik daudz/daudz? |
| Datu formāts | Vārdi, attēli, video | Skaitļi un grafiki |
| Parauga lielums | Mazs un specifisks | Liels un reprezentatīvs |
| Argumentācijas stils | Induktīvā (ēku teorija) | Deduktīvā (testēšanas teorija) |
| Pētījuma metode | Intervijas, Etnogrāfija | Aptaujas, A/B testēšana |
| Elastības līmenis | Augsts (var pagriezties mācību laikā) | Zems (fiksēti parametri) |
Kvantitatīvie dati darbojas kā augstkalnu satelīts, kas precīzi parāda, kur jūsu produktā vai pakalpojumā atrodas satiksmes sastrēgumi. Savukārt kvalitatīvie dati ir līdzīgi kā autovadītāju intervēšana; tie izskaidro, ka sastrēgums pastāv tāpēc, ka zīme ir mulsinoša vai tāpēc, ka cilvēku uzmanību novērš konkrēts orientieris.
Pētnieki bieži izmanto kvalitatīvās metodes, lai izpētītu jaunu teritoriju un radītu jaunas hipotēzes, ja nezina, ko gaidīt. Kad teorija ir izveidota, kvantitatīvās metodes iesaistās, lai apstiprinātu, vai šī ideja ir patiesa tūkstošiem cilvēku vai arī tas ir tikai unikāls gadījums.
Izklājlapā var redzēt, ka 40% lietotāju aizver jūsu lietotni norēķināšanās lapā, kas ir objektīvs fakts. Tikai kvalitatīva analīze var atklāt subjektīvo patiesību: ka šie lietotāji uzskatīja, ka pogas “Pirkt” krāsa izskatās neuzticama, vai ka tās formulējums lika viņiem justies nemierīgiem par savu privātumu.
Kvantitatīvajā pasaulē pētnieks cenšas saglabāt atsvešinātību, lai neietekmētu skaitļus. Kvalitatīvajā pētījumā pētnieks ir aktīvs instruments, izmantojot empātiju un papildu jautājumus, lai iedziļinātos dalībnieka stāstā, padarot procesu daudz personiskāku.
Kvalitatīva izpēte nav “īsta” zinātne.
Šī ir izplatīta neobjektivitāte; patiesībā kvalitatīvajos pētījumos tiek izmantotas stingras sistēmas, piemēram, pamatotā teorija. Tā nav "mazāk attīstīta" par matemātiku; tā vienkārši atbild uz jautājumiem, ar kuriem matemātika nav aprīkota.
Lai kvalitatīvām atziņām būtu nozīme, ir nepieciešami tūkstošiem cilvēku.
Patiesībā “piesātinājumu” — kad vairs nedzirdat jaunu informāciju — bieži vien var sasniegt pat ar nieka 12 līdz 15 rūpīgi izvēlētiem intervijas subjektiem. Kvalitatīvajā darbā galvenais ir ieskatu dziļums, nevis respondentu skaits.
Kvantitatīvie dati vienmēr ir objektīvi.
Skaitļi var melot tikpat viegli kā cilvēki. Ja aptaujas jautājums ir slikti formulēts vai izlases grupa ir sagrozīta, iegūtie "objektīvie" dati būs principiāli kļūdaini.
Kvalitatīvie un kvantitatīvie dati jāglabā atsevišķi.
Vislabākās atziņas sniedz "triangulācija", kur izmanto abus datu veidus, lai noskaidrotu, vai tie norāda uz vienu un to pašu secinājumu. Ja jūsu skaitļi saka vienu, bet jūsu klienti - citu, tieši tur notiek visvērtīgākie atklājumi.
Izmantojiet kvantitatīvus datus, kad nepieciešams pierādīt tendenci, aprēķināt ieguldījumu atdevi (ROI) vai izteikt svarīgu prognozi. Izmantojiet kvalitatīvus datus, kad nepieciešams ieviest jauninājumus, izprast klientu lojalitātes samazināšanos vai pievienot ziņojumiem cilvēcisku seju.
Kamēr astroloģiskā prognozēšana saista debesu ciklus ar cilvēku pieredzi, lai iegūtu simbolisku nozīmi, statistiskā prognozēšana analizē empīriskus vēsturiskus datus, lai novērtētu nākotnes skaitliskās vērtības. Šis salīdzinājums pēta plaisu starp seno, uz arhetipiem balstīto personīgās pārdomu sistēmu un moderno, uz datiem balstīto metodoloģiju, ko izmanto objektīvai lēmumu pieņemšanai uzņēmējdarbībā un zinātnē.
Šis salīdzinājums pēta aizraujošo plaisu starp senajiem debesu novērojumiem un mūsdienu paredzošo analītiku. Kamēr astroloģiskie tranzīti izmanto planētu ciklus, lai interpretētu personīgās izaugsmes fāzes, dzīves notikumu varbūtības modeļi balstās uz lieliem datiem un statistikas algoritmiem, lai prognozētu konkrētus pagrieziena punktus, piemēram, karjeras izmaiņas vai veselības aprūpes vajadzības.
Lai gan abas metodoloģijas kalpo digitālās veiktspējas optimizēšanai, tās darbojas uz principiāli atšķirīgiem tehnoloģiju slāņiem. Ātrā testēšana koncentrējas uz lingvistisko ievaddatu pilnveidošanu, kas vada ģeneratīvos mākslīgā intelekta modeļus, savukārt A/B testēšana nodrošina stingru statistisko sistēmu divu atšķirīgu tīmekļa lapas vai lietotnes funkcijas versiju salīdzināšanai, lai noskaidrotu, kura no tām labāk rezonē ar reāliem cilvēkiem.
Izvēle starp augstas frekvences datiem un apkopotiem datiem ir būtisks kompromiss analītikā. Lai gan neapstrādātas, mazāk nekā sekundes laikā apkopotas darījumu un sensoru plūsmas piedāvā nepārspējamu ieskatu tūlītējā uzvedībā un tirgus mikrostruktūrās, saspiesti laika apkopojumi novērš milzīgu statistisko troksni un lielas infrastruktūras prasības, lai atklātu skaidras, strukturālas ilgtermiņa tendences.
Izvēle starp automatizētu modeļu izsekošanu un manuālu eksperimentu izsekošanu būtiski ietekmē datu zinātnes komandas ātrumu un reproducējamību. Kamēr automatizācija izmanto specializētu programmatūru, lai nemanāmi uztvertu katru hiperparametru, metriku un artefaktu, manuālā izsekošana balstās uz cilvēka rūpību, izmantojot izklājlapas vai Markdown failus, radot krasu kompromisu starp iestatīšanas ātrumu un ilgtermiņa mērogojamu precizitāti.
