ما توسط دادههایی احاطه شدهایم که هر روز بیشتر و بیشتر میشوند. بیشتر و بیشتر تعاملات ما با محیط توسط اشکال مختلف داده شکل می گیرد، از جمله استفاده ما از اینترنت، خرید خودرو، فیدهای خبری که مشاهده می کنیم، و بسیاری موارد دیگر.
ما در این پست دادههای کمی را تعریف میکنیم، نمونههایی از دادههای کمی را ارائه میدهیم، درباره اینکه چگونه دادههای کمی و کیفی متفاوت هستند و موارد دیگر بحث میکنیم.
اما بیایید ابتدا یک قدم به عقب برگردیم.
هر روز 2.5 کوینتیلیون بایت داده - از جمله نتایج آزمایش، امتیازات رضایت مشتری و توییتها - تولید میشود. اما همه دادهها برابر نیستند.
نظرسنجی که از شما میخواهد خدمات، منو، محیط و قیمتها را در مقیاس 1 تا 10 رتبهبندی کنید، دادههای متفاوتی نسبت به مصاحبهای که از شما میخواهد تجربه غذاخوری خود را توصیف کنید، تولید میکند.
برای تحلیلگرانی که مرتباً با مجموعه دادهها کار میکنند بسیار مهم است که بین اشکال مختلف دادهها تمایز قائل شوند و درک کنند که هر کدام چگونه میتوانند بر مطالعه شما تأثیر بگذارند.
فرآیند جستجو در داده ها اغلب با سؤال خاصی که می خواهید به آن پاسخ دهید آغاز می شود، مانند:
- جمعیت شناسی چه تأثیری بر رفتار مصرف کننده دارد؟
- آیا یک مخاطب خاص به یک تغییر در یک محصول یا خدمات پاسخ مثبت می دهد؟
- چگونه می توان گلوگاه های عملیاتی را برای افزایش کارایی از بین برد؟
شما باید بسته به ماهیت موضوع، بودجه، زمان و منابع در دسترس خود، داده های کمی را جمع آوری و ارزیابی کنید. فکر کنم فهمیدی، درسته؟
بیایید اکنون شروع کنیم.
داده های کمی چیست؟
هر مجموعه داده ای که بتوان آن را به صورت کمی شناسایی و ارزیابی کرد، داده های کمی محسوب می شود.
تنها نوع داده ای که می تواند به طور عینی اندازه گیری شود، داده های کمی است که آن را مناسب ترین می کند نوع داده برای استفاده در ریاضیات و آمار.
هنگامی که به صورت تعداد یا اعداد بیان می شود، به عنوان مقدار داده اطلاق می شود که هر مجموعه داده دارای یک مقدار عددی خاص است.
هر گونه اطلاعات قابل اندازه گیری که بتوان از آن در محاسبات آماری و محاسبات مبتنی بر حساب استفاده کرد، از این نوع داده ها در نظر گرفته می شود زیرا می توان از آن برای حمایت از قضاوت در دنیای واقعی استفاده کرد.
چند نمونه، چند بار، و چند نمونه از پرس و جوهایی است که می تواند پاسخ دهد. می توان از روش های ریاضی برای تأیید و ارزیابی آسان این داده ها استفاده کرد.
داده های کمی مانند زمان، قد، وزن، قیمت، هزینه، سود، دما و فاصله همان چیزی است که یک تحلیلگر داده معمولاً با آن کار می کند.
می توان آن را به صورت درصد، عدد، زمان بارگذاری صفحه یا سایر معیارها در زمینه های مدیریت محصول، طراحی تجربه کاربر یا مهندسی نرم افزار بیان کرد.
تعداد افرادی که یک کالای خاص را خریداری کرده اند نمونه ای از داده های کمی در زمینه خرید است. دادههای کیفی خودروها میتواند شامل میزان اسب بخاری باشد که در اختیار دارد.
انواع داده های کمی چیست؟
دادههایی که میتوانند کمیسازی شوند، دادههای کمی نامیده میشوند، اما نحوه کمیسازی آن دادهها بسته به نوع جمعآوری دادههای موجود متفاوت است. داده های کمی را می توان به دو گروه اصلی تقسیم کرد: گسسته و پیوسته. تفاوت های اصلی بین این دو به شرح زیر است:
داده های گسسته
اطلاعات کمی که گسسته هستند فقط می توانند محدوده خاصی از مقادیر عددی داشته باشند. این مقادیر نمی توانند تجزیه شوند زیرا ثابت هستند.
هر زمان که هر چیزی شمارش شود، داده های گسسته به دست می آید. به عنوان مثال، سه فرزند یک فرد، نمونه ای از داده های گسسته خواهد بود.
تعداد فرزندان تعیین شده است. برای مثال نمی توانند 3.2 فرزند داشته باشند.
تعداد بازدیدکنندگان وب سایت شما نمونه دیگری از داده های عددی گسسته است. شما می توانید 150 بازدید در روز دریافت کنید، اما نه 150.6. رایجترین نمودارهایی که برای نمایش دادههای گسسته استفاده میشوند، نمودارهای دایرهای، نمودار میلهای و نمودارهای آماری هستند.
داده های پیوسته
برعکس، داده های پیوسته را می توان به طور نامحدود به اجزای کوچکتر تقسیم کرد. طول یک تکه ریسمان بر حسب سانتیمتر یا دما بر حسب درجه سانتیگراد دو نمونه از این نوع دادههای کمی است که میتوان در مقیاس اندازهگیری نشان داد.
در اصل، داده های پیوسته به مقادیر ثابت محدود نمی شوند. می تواند هر ارزشی داشته باشد. داده های پیوسته نیز می توانند در طول زمان تغییر کنند. به عنوان مثال، دمای اتاق در طول روز تغییر خواهد کرد.
نمودار خطی معمولاً برای نشان دادن داده های پیوسته استفاده می شود.
داده های کمی در مقابل داده های کیفی
می بینیم که داده های کمی قابل اندازه گیری هستند. با مقادیر، مقادیر و اعداد سروکار دارد. این نوع اطلاعات را می توان به صورت عددی بیان کرد (یعنی مقدار، مدت، طول، قیمت یا اندازه).
داده های کمی اعتبار زیادی دارند و به دلیل اینکه از طریق آمار تولید می شوند، بی طرفانه و قابل اعتماد به نظر می رسند. با این حال، نوع مهم دیگری از داده ها وجود دارد. به طور خاص، داده های کیفی.
این اطلاعات در درجه اول ماهیت توصیفی دارند. در بیشتر موارد، نمی توان آن را به طور مستقیم اندازه گیری کرد، اما می توان آن را با مشاهده آموخت. از صفت ها و سایر اصطلاحات توصیفی برای توصیف ظاهر، رنگ، بافت و سایر ویژگی ها در داده های کیفی استفاده می شود.
به عنوان مثال، می توانید استدلال کنید که یک اتاق روشن تر از اتاق دیگر است.
این اطلاعات کیفی است. برای اندازه گیری واقعی روشنایی در اتاق و اختصاص یک عدد عددی به آن، می توانید از تجهیزات و دستگاه های علمی (مانند نورسنج) نیز استفاده کنید. با انجام این کار داده های قابل اندازه گیری به دست می آورید.
5 بهترین روش برای جمع آوری داده های کمی
1. نمونه گیری احتمالی
یک تکنیک نمونهگیری دقیق که از نوعی انتخاب تصادفی استفاده میکند و محققان را قادر میسازد تا بر اساس اطلاعات جمعآوریشده بهطور تصادفی از مخاطب مورد نظر ادعای احتمالی داشته باشند.
نمونهگیری احتمالی به محققان این فرصت را میدهد که دادههایی را از افرادی جمعآوری کنند که نمونهای از گروهی هستند که آنها علاقهمند به تحقیق هستند، که یکی از بهترین ویژگیهای آن است.
علاوه بر این، داده ها به صورت تصادفی از نمونه انتخاب شده استخراج شده است که احتمال سوگیری نمونه گیری را از بین می برد.
برای نمونه گیری احتمالی، سه دسته اصلی وجود دارد.
- نمونه گیری تصادفی ساده: جامعه مورد نظر بیشتر برای نشان دادن در نمونه انتخاب می شود.
- نمونه گیری تصادفی سیستماتیک: هر یک از اعضای جامعه مورد نظر در نمونه نشان داده می شود، اما تنها واحد اول به طور تصادفی انتخاب می شود. واحدهای دیگر طوری انتخاب می شوند که انگار از هر ده نفر یک نفر در لیست هستند.
- نمونهگیری تصادفی طبقهای: هنگام ایجاد یک نمونه، امکان انتخاب هر واحد از زیرمجموعه خاصی از مخاطبان مورد نظر را فراهم میکند. هنگامی که محققان در مورد گنجاندن گروه خاصی از افراد در نمونه، مانند مدیران یا مدیران اجرایی، افرادی که در یک صنعت خاص کار می کنند، یا مرد یا زن، سختگیر هستند، مفید است.
2 مصاحبه ها
افراد معمولاً به عنوان بخشی از فرآیند جمع آوری داده ها مصاحبه می شوند. با این حال، مصاحبههایی که برای جمعآوری دادههای کمی انجام میشوند، سازماندهیشدهتر هستند و محققان تنها مجموعهای از سؤالات تجویز شده را میپرسند و هیچ چیز دیگری.
سه دسته اصلی از مصاحبه ها برای جمع آوری داده ها استفاده می شود.
- مصاحبههای تلفنی: مصاحبههای تلفنی برای سالها بر نمودار تکنیکهای جمعآوری دادهها غالب بود. اما استفاده از اینترنت، اسکایپ یا سایر موارد آنلاین کنفرانس ویدیویی خدمات انجام مصاحبه های ویدئویی در سال های اخیر به طور قابل توجهی افزایش یافته است.
- مصاحبه حضوری: جمعآوری دادههای شرکتکننده مستقیم یک روش آزمایش شده و واقعی برای جمعآوری اطلاعات است. این به جمعآوری دادههای باکیفیت کمک میکند زیرا فضایی را برای پرسوجوهای عمیق و بررسیهای اضافی برای دریافت اطلاعات جامع و آموزشی میدهد. سطح سواد شرکتکنندگان مهم نیست زیرا نظرسنجیهای چهره به چهره (F2F) امکانات زیادی را برای مشاهده و جمعآوری دادههای غیرکلامی یا بررسی موضوعات پیچیده و حلنشده فراهم میکند. اگرچه ممکن است یک رویکرد پرهزینه و وقت گیر باشد، مصاحبه های حضوری اغلب نرخ پاسخگویی بیشتری دارند.
- مصاحبه شخصی به کمک رایانه (CAPI): این چیزی نیست جز تنظیماتی که قابل مقایسه با مصاحبه حضوری است که در آن مصاحبهکننده یک دسکتاپ یا لپتاپ همراه خود دارد تا دادههای جمعآوریشده در طول مصاحبه را مستقیماً در پایگاه داده آپلود کند. با توجه به اینکه مصاحبه کننده مجبور نیست تعداد زیادی کاغذ و پرسشنامه را حمل کند، CAPI زمان مورد نیاز برای به روز رسانی و تجزیه و تحلیل داده ها را به میزان قابل توجهی کاهش می دهد.
3. مشاهدات
همانطور که از نام آن پیداست، این یک تکنیک نسبتاً آسان و بدون عارضه برای جمع آوری داده های کمی است.
در این رویکرد، محققان دادههای کمی را با مشاهدات روشمند با استفاده از رویکردهایی مانند شمارش تعداد افراد حاضر در یک رویداد معین در یک زمان معین و یک مکان خاص یا تعداد افراد شرکتکننده در رویداد در یک نقطه مشخص جمعآوری میکنند.
محققان اغلب از یک استراتژی مشاهده طبیعی برای به دست آوردن دادههای کمی استفاده میکنند، که نیازمند تواناییها و حواس مشاهدهای عالی است تا دادههایی را به دست آورند که فقط درباره «چی» و نه درباره «چرا» و «چگونه» کمی باشد.
جمع آوری داده های کمی و کیفی از طریق مشاهده طبیعی انجام می شود. مشاهده ساختاریافته بیشتر برای جمع آوری اطلاعات کمی به جای اطلاعات کیفی استفاده می شود.
- مشاهده ساختاریافته: برخلاف مشاهده طبیعی یا مشارکتی، این شکل از روش مشاهده، محقق را ملزم میکند تا مشاهدات کاملی از یک یا چند رفتار مشخصشده در زمینه گستردهتر یا کنترلشدهتری انجام دهد. در یک مشاهده ساختاریافته، محققان به جای تماشای همه چیز، توجه خود را به چند رفتار کلیدی مورد علاقه محدود می کنند. آنها را قادر می سازد تا رفتارهایی را که می بینند در اعداد قرار دهند. گاهی اوقات زمانی که مشاهدات ناظران را به قضاوت دعوت می کنند، به آن «کدگذاری» می گویند. برای انجام این کار، مجموعه ای از رفتارهای هدف باید دقیقاً تعریف شوند.
4. نظرسنجی
نظرسنجی های آنلاین ساخته شده با نرم افزار نظرسنجی برای جمع آوری داده ها به صورت آنلاین برای تحقیقات کمی و کیفی ضروری هستند. نظرسنجی ها به گونه ای ایجاد می شوند که اقدامات و اعتماد پاسخ دهندگان را تأیید می کند.
اکثر نظرسنجیهای کمی اغلب شامل چکلیستها و آیتمهای مقیاس رتبهبندی میشوند، زیرا اندازهگیری نگرشها و رفتارهای پاسخدهندگان را آسانتر میکنند.
دو سبک مهم نظرسنجی برای جمع آوری اطلاعات آنلاین برای تحقیقات کمی بازار استفاده می شود.
- مبتنی بر وب: برای تحقیقات مبتنی بر اینترنت یا آنلاین، این یکی از محبوب ترین و قابل اعتمادترین تکنیک ها است. هنگام پاسخ دادن به یک نظرسنجی مبتنی بر وب، پاسخدهنده ایمیلی با پیوندی به نظرسنجی دریافت میکند که با کلیک روی آن به یک پلت فرم نظرسنجی آنلاین امن هدایت میشود که در آن میتوانند نظرسنجی را تکمیل کنند. پژوهشگران نظرسنجی های مبتنی بر وب را ترجیح می دهند زیرا در زمان و هزینه کارآمدتر، سریعتر و مخاطبان بیشتری هستند. با استفاده از دسکتاپ، لپتاپ، تبلت یا دستگاه تلفن همراه، پاسخدهندگان میتوانند هر زمان که برایشان مناسب است نظرسنجی را تکمیل کنند و این مزیت اصلی یک پرسشنامه مبتنی بر وب است.
- مبتنی بر پست: این نظرسنجی از طریق پست برای بخش بزرگی از جامعه نمونه ارسال میشود و به محقق اجازه میدهد تا به مخاطبان مختلف دسترسی پیدا کند. پرسشنامه پستی معمولاً در یک بسته با یک صفحه جلد ارائه می شود که به مخاطبان در مورد نوع مطالعه انجام شده و چرایی و همچنین بازگشت پیش پرداخت شده برای جمع آوری داده ها به صورت آنلاین اطلاع می دهد. حتی اگر ایمیل نسبت به سایر روشهای جمعآوری دادههای کمی، از جمله انگیزهها و یادآوریها برای تکمیل نظرسنجی، نرخ ریزش بیشتری داشته باشد، به کاهش قابل توجه نرخ ریزش کمک میکند.
5. بررسی اسناد و مدارک
پس از تجزیه و تحلیل مقالات جاری، بررسی اسناد تکنیکی است که برای جمع آوری داده ها استفاده می شود. از آنجایی که اسناد قابل کنترل هستند و منبع عملی برای به دست آوردن داده های دقیق از گذشته هستند، روشی کارآمد و موفق برای جمع آوری داده ها است.
بررسی اسناد به یکی از تکنیکهای مفید برای جمعآوری دادههای تحقیقاتی کمی تبدیل شده است و علاوه بر تقویت و حمایت از مطالعه با ارائه دادههای تحقیقاتی تکمیلی، میتوان به آن کمک کرد.
به منظور جمعآوری دادههای تحقیقات کمی تکمیلی، سه دسته سند اصلی مورد بررسی قرار میگیرند.
- اسناد عمومی: سوابق رسمی و مستمر یک سازمان برای بررسی بیشتر به عنوان بخشی از این بررسی سند مورد بررسی قرار می گیرد. به عنوان مثال، گزارش های سالانه، راهنماهای خط مشی، رویدادهای دانشجویی، فعالیت های بازی دانشگاه و غیره.
- سوابق شخصی: این نوع تجزیه و تحلیل اسناد، گزارش های خصوصی از رفتار، رفتار، سلامت، بدن و غیره افراد را بر خلاف سوابق عمومی بررسی می کند. به عنوان مثال، اندازه و وزن دانش آموزان، زمان سفر دانش آموزان برای رفتن به مدرسه و غیره.
- اثبات فیزیکی: اثبات فیزیکی یا سوابق، موفقیت های گذشته یک فرد یا یک سازمان را از نظر پول و رشد مقیاس پذیر نشان می دهد.
مثال های کمی
در اینجا چند نمونه از داده های کمی وجود دارد که به شما کمک می کند تا به طور کامل به چه چیزی اشاره می کند:
- جدیدترین اپلیکیشن موبایل توسط 83 نفر دانلود شده است.
- پارسال خاله من 18 پوند کم کرد.
- هزینه مورد X 1,000 دلار است.
- این مراسم با حضور 500 شرکت کننده برگزار شد.
- امسال ده تعطیلی دارد.
- در یک ربع شش بار گوشیم را ارتقا دادم.
- سال گذشته، جوان من 3 اینچ رشد کرد.
- اضافه شدن یک محصول جدید باعث افزایش 30 درصدی درآمد خواهد شد.
- 54 درصد از آمریکایی ها گفتند که ترجیح می دهند آنلاین خرید کنند تا از یک مرکز خرید.
- 150 نفر از پاسخ دهندگان گفتند که فکر نمی کنند ویژگی محصول جدید موفقیت آمیز باشد.
مزایای
- انجام مطالعه عمیق: این احتمال وجود دارد که تحقیق کامل باشد، زیرا داده های کمی را می توان به صورت آماری بررسی کرد.
- حداقل سوگیری: مواقعی وجود دارد که سوگیری شخصی به تحقیقات کمک می کند و باعث نتایج نادرست می شود. سوگیری شخصی توسط جنبه عددی داده های کمی بسیار کاهش می یابد.
- نتایج دقیق: از آنجایی که نتایج ماهیت عینی داشتند، کاملاً دقیق بودند.
معایب
- اطلاعات محدود: از آنجایی که داده های کمی توصیفی نیستند، برای محققان چالش برانگیز است که فقط از داده هایی که جمع آوری کرده اند نتیجه گیری کنند.
- بستگی به نوع سوال دارد: نوع سوال مورد استفاده برای جمع آوری داده های کمی بر تعصب در نتایج تاثیر می گذارد. در حین جمع آوری داده های کمی، درک محقق از اهداف و اهداف تحقیق بسیار مهم است.
نتیجه
داده های کمی مربوط به تفکر واگرا است نه استدلال همگرا. با تأکید بر واقعیت های عددی و ثابت به دیدگاه عددی، منطقی و عینی می پردازد.
تنها نوع داده ای که می تواند نتیجه گیری های تحلیلی را در نمودارها و نمودارها نشان دهد، تحقیق داده های کمی کامل است.
تجزیه و تحلیل داده ها مطمئناً گامی حیاتی است که در صورت عدم وجود آن، نه تنها می تواند عینیت و صحت مطالعه شما را به خطر بیندازد، بلکه نتیجه گیری را نیز ناپایدار کند. داده های خوب به شما کمک می کند تا نتایج دقیقی داشته باشید.
بنابراین، صرفنظر از تکنیکی که برای جمعآوری دادههای کمی استفاده میکنید، مطمئن شوید که اطلاعات به اندازه کافی با کیفیت هستند تا بینشهای ارزشمند و مفیدی به دست آورند.
پاسخ دهید