სარჩევი[დამალვა][ჩვენება]
ჩვენ გარშემორტყმული ვართ მონაცემებით, რომლებიც დღითიდღე უფრო და უფრო მნიშვნელოვანი ხდება. უფრო და უფრო მეტი ჩვენი ურთიერთქმედება გარემოსთან ყალიბდება სხვადასხვა ფორმის მონაცემებით, მათ შორის ინტერნეტით სარგებლობის, ავტომობილების შესყიდვების, ახალი ამბების ნაკადების, რომლებსაც ჩვენ ვუყურებთ და მრავალი სხვა.
ჩვენ განვსაზღვრავთ რაოდენობრივ მონაცემებს ამ პოსტში, მივცემთ რაოდენობრივ მონაცემებს, განვიხილავთ, თუ როგორ განსხვავდება ხარისხობრივი და რაოდენობრივი მონაცემები და მრავალი სხვა.
მაგრამ ჯერ ერთი ნაბიჯი უკან გადავდგათ.
ყოველდღიურად იწარმოება 2.5 კვინტილიონი ბაიტი მონაცემები, მათ შორის ტესტის შედეგები, მომხმარებელთა კმაყოფილების ქულები და ტვიტები. მაგრამ ყველა მონაცემი არ არის შექმნილი თანაბარი.
გამოკითხვა, რომელიც მოგთხოვთ სერვისის, მენიუს, გარემოს და ფასების რანჟირებას 1-დან 10-მდე მასშტაბით, აწარმოებს განსხვავებულ მონაცემებს, ვიდრე ინტერვიუ, რომელიც გთხოვთ აღწეროთ თქვენი სასადილო გამოცდილება.
ანალიტიკოსებისთვის, რომლებიც ხშირად მუშაობენ მონაცემთა ნაკრებებთან, გადამწყვეტია, განასხვავონ მონაცემთა სხვადასხვა ფორმები და გაიგონ, თუ როგორ შეიძლება გავლენა იქონიოს თითოეულმა თქვენს კვლევაზე.
მონაცემთა ჩაღრმავების პროცესი ხშირად იწყება კონკრეტული კითხვით, რომელზეც ცდილობთ პასუხის გაცემას, როგორიცაა:
- რა გავლენას ახდენს დემოგრაფია მომხმარებელთა ქცევაზე?
- ექნება თუ არა კონკრეტული აუდიტორია დადებითად რეაგირებას პროდუქტის ან სერვისის ცვლილებაზე?
- როგორ შეიძლება აღმოიფხვრას ოპერაციული შეფერხებები ეფექტურობის გასაზრდელად?
თქვენ უნდა შეაგროვოთ და შეაფასოთ რაოდენობრივი მონაცემები, რაც დამოკიდებულია საგნის ბუნებაზე, თქვენს ბიუჯეტზე, დროსა და ხელმისაწვდომ რესურსებზე. მგონი გესმის, არა?
მოდი ახლა დავიწყოთ.
რა არის რაოდენობრივი მონაცემები?
მონაცემთა ნებისმიერი კოლექცია, რომლის იდენტიფიცირება და რაოდენობრივი შეფასება შესაძლებელია, ითვლება რაოდენობრივ მონაცემად.
ერთადერთი სახის მონაცემი, რომლის ობიექტურად გაზომვაც შესაძლებელია, არის რაოდენობრივი მონაცემები, რაც მას ყველაზე აქტუალურს ხდის მონაცემთა ტიპი როგორც მათემატიკაში, ასევე სტატისტიკაში გამოსაყენებლად.
მას მოიხსენიებენ, როგორც მონაცემთა მნიშვნელობას, როდესაც ის გამოიხატება როგორც რიცხვი ან რიცხვი, სადაც მონაცემთა თითოეულ კომპლექტს აქვს მისთვის მინიჭებული კონკრეტული რიცხვითი მნიშვნელობა.
ნებისმიერი გაზომვადი ინფორმაცია, რომელიც შეიძლება გამოყენებულ იქნას სტატისტიკურ გამოთვლებში და არითმეტიკაზე დაფუძნებულ გამოთვლებში, ითვლება ამ ტიპის მონაცემად, რადგან ის შეიძლება გამოყენებულ იქნას რეალურ სამყაროში განსჯის მხარდასაჭერად.
რამდენი, რამდენად ხშირად და რამდენია შეკითხვის რამდენიმე მაგალითი, რომელსაც მას შეუძლია უპასუხოს. მათემატიკური მეთოდები შეიძლება გამოყენებულ იქნას ამ მონაცემების მარტივად გადამოწმებისა და შესაფასებლად.
რაოდენობრივი მონაცემები, როგორიცაა დრო, სიმაღლე, წონა, ფასი, ღირებულება, მოგება, ტემპერატურა და მანძილი, არის ის, რაზეც ჩვეულებრივ მუშაობს მონაცემთა ანალიტიკოსი.
ის შეიძლება გამოიხატოს როგორც პროცენტი, რიცხვი, გვერდის დატვირთვის დრო ან სხვა მეტრიკა პროდუქტის მენეჯმენტის, მომხმარებლის გამოცდილების დიზაინის ან პროგრამული უზრუნველყოფის ინჟინერიის სფეროებში.
რამდენმა ადამიანმა შეიძინა გარკვეული საქონელი არის რაოდენობრივი მონაცემების მაგალითი შეძენის კონტექსტში. ავტომობილების ხარისხობრივი მონაცემები შეიძლება მოიცავდეს მის ცხენის ძალას.
რა არის რაოდენობრივი მონაცემების ტიპები?
მონაცემებს, რომელთა რაოდენობრივი დადგენა შესაძლებელია, მოიხსენიება, როგორც რაოდენობრივი მონაცემები, თუმცა, როგორ ხდება ამ მონაცემების რაოდენობრივი შეფასება, დამოკიდებულია მონაცემთა შეგროვების სახეობაზე. რაოდენობრივი მონაცემები შეიძლება დაიყოს ორ ძირითად ჯგუფად: დისკრეტული და უწყვეტი. ამ ორს შორის ძირითადი ვარიაციები შემდეგია:
დისკრეტული მონაცემები
რაოდენობრივ ინფორმაციას, რომელიც არის დისკრეტული, შეიძლება ჰქონდეს მხოლოდ რიცხვითი მნიშვნელობების გარკვეული დიაპაზონი. ამ მნიშვნელობების დაშლა შეუძლებელია, რადგან ისინი ფიქსირდება.
როდესაც რაიმე დათვლილია, დისკრეტული მონაცემები მიიღება. მაგალითად, ადამიანის სამი შვილი იქნება დისკრეტული მონაცემების მაგალითი.
დადგენილია ბავშვების რაოდენობა; მათ არ შეუძლიათ, მაგალითად, ჰყავდეთ 3.2 შვილი.
თქვენი ვებსაიტის ვიზიტორების რაოდენობა დისკრეტული რიცხვითი მონაცემების კიდევ ერთი მაგალითია; შეგიძლიათ მიიღოთ 150 ვიზიტი დღეში, მაგრამ არა 150.6. ყველაზე გავრცელებული სქემები, რომლებიც გამოიყენება დისკრეტული მონაცემების საჩვენებლად, არის წრიული დიაგრამები, სვეტოვანი დიაგრამები და საანგარიშო დიაგრამები.
უწყვეტი მონაცემები
პირიქით, უწყვეტი მონაცემები შეიძლება განუსაზღვრელი ვადით დაიყოს მცირე კომპონენტებად. სიმის ნაჭრის სიგრძე სანტიმეტრებში ან ტემპერატურა ცელსიუს გრადუსებში არის ამ ტიპის რაოდენობრივი მონაცემების ორი მაგალითი, რომელიც შეიძლება ნაჩვენები იყოს საზომი მასშტაბით.
არსებითად, უწყვეტი მონაცემები არ შემოიფარგლება ფიქსირებული მნიშვნელობებით; მას შეუძლია მიიღოს ნებისმიერი ღირებულება. უწყვეტი მონაცემები ასევე შეიძლება შეიცვალოს დროთა განმავლობაში; მაგალითად, ოთახის ტემპერატურა დღის განმავლობაში შეიცვლება.
ხაზოვანი გრაფიკი ჩვეულებრივ გამოიყენება უწყვეტი მონაცემების საილუსტრაციოდ.
რაოდენობრივი მონაცემები Vs ხარისხობრივი მონაცემები
ჩვენ ვხედავთ, რომ რაოდენობრივი მონაცემების გაზომვა შესაძლებელია. ის ეხება რაოდენობებს, მნიშვნელობებს და რიცხვებს. ამ ტიპის ინფორმაცია შეიძლება იყოს მითითებული რიცხობრივად (ანუ თანხა, ხანგრძლივობა, სიგრძე, ფასი ან ზომა).
რაოდენობრივ მონაცემებს ბევრი სანდოობა აქვს და მიჩნეულია, როგორც მიუკერძოებელი და სანდო, რადგან ის წარმოებულია სტატისტიკის საშუალებით. თუმცა, არსებობს კიდევ ერთი მნიშვნელოვანი ტიპის მონაცემები. კერძოდ, ხარისხობრივი მონაცემები.
ეს ინფორმაცია ძირითადად აღწერითი ხასიათისაა. უმეტეს შემთხვევაში, მისი პირდაპირ გაზომვა შეუძლებელია, მაგრამ მისი სწავლა შესაძლებელია დაკვირვებით. ზედსართავი სახელები და სხვა აღწერითი ტერმინები გამოიყენება ხარისხობრივ მონაცემებში გარეგნობის, ფერის, ტექსტურის და სხვა თვისებების აღსაწერად.
მაგალითად, შეგიძლიათ ამტკიცებდეთ, რომ ერთი ოთახი მეორეზე უფრო ნათელია.
ეს ინფორმაცია ხარისხობრივია. ოთახში სიკაშკაშის რეალურად გასაზომად და მას რიცხვითი რიცხვის მინიჭებისთვის, ასევე შეგიძლიათ გამოიყენოთ სამეცნიერო აღჭურვილობა და აპარატურა (როგორიცაა სინათლის მრიცხველი). თქვენ მიიღებთ რაოდენობრივ მონაცემებს ამით.
რაოდენობრივი მონაცემების შეგროვების 5 საუკეთესო მეთოდი
1. ალბათობის შერჩევა
ზუსტი შერჩევის ტექნიკა, რომელიც იყენებს რაიმე სახის შემთხვევით შერჩევას და საშუალებას აძლევს მკვლევარებს განაცხადონ სავარაუდო პრეტენზია სავარაუდო აუდიტორიიდან შემთხვევით შეგროვებულ ინფორმაციაზე დაყრდნობით.
ალბათობის შერჩევა მკვლევარებს აძლევს შესაძლებლობას შეაგროვონ მონაცემები იმ პირებისგან, რომლებიც ტიპიურია იმ ჯგუფისთვის, რომლის გამოკვლევითაც დაინტერესებულია, რაც მისი ერთ-ერთი საუკეთესო თვისებაა.
გარდა ამისა, მონაცემები შედგენილი იქნა შემთხვევით არჩეული ნიმუშიდან, რაც გამორიცხავს შერჩევის მიკერძოების შანსს.
ალბათობის შერჩევისთვის, არსებობს სამი ძირითადი კატეგორია.
- მარტივი შემთხვევითი შერჩევის წესი: უფრო ხშირად ირჩევენ სამიზნე პოპულაციას, რათა წარმოდგენილი იყოს ნიმუშში.
- სისტემური შემთხვევითი შერჩევა: სასურველი პოპულაციის ნებისმიერი წევრი იქნება წარმოდგენილი ნიმუშში, მაგრამ შემთხვევითი წესით არჩეულია მხოლოდ პირველი ერთეული; დანარჩენი ერთეულები ისეა არჩეული, თითქოს სიაში ათიდან ერთი ადამიანი.
- სტრატიფიცირებული შემთხვევითი შერჩევა: ნიმუშის შექმნისას საშუალებას გაძლევთ აირჩიოთ თითოეული ერთეული სამიზნე აუდიტორიის კონკრეტული ქვეჯგუფიდან. სასარგებლოა, როდესაც მკვლევარები არჩევენ ნიმუშში ადამიანების გარკვეული ჯგუფის ჩართვას, როგორიცაა მხოლოდ მენეჯერები ან აღმასრულებლები, მოცემულ ინდუსტრიაში მომუშავე ადამიანები, ან მამაკაცები ან ქალები.
2. ინტერვიუები
ადამიანები, როგორც წესი, გამოკითხულნი არიან, როგორც მონაცემთა შეგროვების პროცესის ნაწილი. თუმცა, ინტერვიუები, რომლებიც ტარდება რაოდენობრივი მონაცემების შესაგროვებლად, უფრო ორგანიზებულია, მკვლევარები სვამენ მხოლოდ დადგენილ კითხვებს და სხვა არაფერს.
არსებობს ინტერვიუების სამი ძირითადი კატეგორია, რომლებიც გამოიყენება მონაცემების შესაგროვებლად.
- სატელეფონო ინტერვიუები: სატელეფონო ინტერვიუები დომინირებდა მონაცემთა შეგროვების ტექნიკის სქემებში მრავალი წლის განმავლობაში. მაგრამ ინტერნეტის, სკაიპის ან სხვა ონლაინ გამოყენებით ვიდეო კონფერენციების ბოლო წლებში მნიშვნელოვნად გაიზარდა ვიდეო ინტერვიუების ჩატარების სერვისები.
- პირადი ინტერვიუები: უშუალო მონაწილეთა მონაცემების შეგროვება არის ინფორმაციის შეგროვების გამოცდილი და ჭეშმარიტი მეთოდი. ეს ხელს უწყობს მაღალი ხარისხის მონაცემების შეგროვებას, რადგან ის იძლევა სიღრმისეული გამოკითხვისა და დამატებითი გამოკვლევის ადგილს ყოვლისმომცველი და საგანმანათლებლო ინფორმაციის მისაღებად. მონაწილის წიგნიერების დონე უმნიშვნელოა, რადგან პირისპირ (F2F) გამოკითხვები მრავალ შესაძლებლობას იძლევა არავერბალური მონაცემების დაკვირვებისა და შეგროვების ან რთული და გადაუჭრელი თემების გამოსაკვლევად. მიუხედავად იმისა, რომ ეს შეიძლება იყოს ძვირადღირებული და შრომატევადი მიდგომა, პირისპირ ინტერვიუებს ხშირად აქვთ უფრო დიდი პასუხის მაჩვენებლები.
- კომპიუტერის დახმარებით პერსონალური ინტერვიუ (CAPI): ეს სხვა არაფერია, თუ არა პარამეტრი, რომელიც შედარებულია პირისპირ ინტერვიუსთან, სადაც ინტერვიუერს აქვს დესკტოპი ან ლეპტოპი, რათა ატვირთოს ინტერვიუს დროს შეგროვებული მონაცემები პირდაპირ მონაცემთა ბაზაში. იმის გამო, რომ ინტერვიუერს არ უნდა ატაროს უამრავი დოკუმენტი და კითხვარი, CAPI მნიშვნელოვნად ამცირებს მონაცემთა განახლებისა და ანალიზისთვის საჭირო დროს.
3. დაკვირვებები
როგორც სახელი გულისხმობს, ეს არის საკმაოდ მარტივი და გაურთულებელი ტექნიკა რაოდენობრივი მონაცემების შეგროვებისთვის.
ამ მიდგომით, მკვლევარები აგროვებენ რაოდენობრივ მონაცემებს მეთოდური დაკვირვებით, ისეთი მიდგომების გამოყენებით, როგორიცაა მოცემულ ღონისძიებაზე დამსწრე ადამიანების რაოდენობის დათვლა გარკვეულ დროს და კონკრეტულ ადგილას ან ღონისძიებაზე დამსწრე პირთა რაოდენობა განსაზღვრულ ადგილზე.
მკვლევარები ხშირად იყენებენ ნატურალისტური დაკვირვების სტრატეგიას რაოდენობრივი მონაცემების მოსაპოვებლად, რაც მოითხოვს შესანიშნავი დაკვირვების შესაძლებლობებს და გრძნობებს, რათა მიიღონ რაოდენობრივი მონაცემები მხოლოდ „რაზე“ და არა „რატომ“ და „როგორზე“.
როგორც თვისებრივი, ასევე რაოდენობრივი მონაცემების შეგროვება ნატურალისტური დაკვირვებით ხდება. თუმცა, სტრუქტურირებული დაკვირვება ძირითადად გამოიყენება რაოდენობრივი ინფორმაციის შესაგროვებლად, ვიდრე ხარისხობრივი ინფორმაციის მისაღებად.
- სტრუქტურირებული დაკვირვება: ნატურალისტური ან მონაწილე დაკვირვებისგან განსხვავებით, დაკვირვების მეთოდის ეს ფორმა მკვლევარს მოითხოვს, ჩაატაროს საფუძვლიანი დაკვირვება ერთი ან მეტი მითითებულ ქცევაზე უფრო ვრცელ ან კონტროლირებად კონტექსტში. სტრუქტურირებული დაკვირვებით, მკვლევარები ყურადღებას ამახვილებენ მხოლოდ რამდენიმე საკვანძო ქცევაზე, ვიდრე ყველაფერს უყურებენ. ეს მათ საშუალებას აძლევს, რიცხვებად ჩამოაყალიბონ ქცევები, რომლებსაც ხედავენ. მას ხანდახან მოიხსენიებენ, როგორც „კოდირებას“, როდესაც დაკვირვებები დამკვირვებლებს მსჯელობისკენ მოუწოდებენ. ამისათვის ზუსტად უნდა იყოს განსაზღვრული სამიზნე ქცევების ნაკრები.
4. გამოკითხვები
ონლაინ გამოკითხვები, რომლებიც გაკეთებულია გამოკითხვის პროგრამული უზრუნველყოფით, აუცილებელია მონაცემთა ონლაინ შეგროვებისთვის, როგორც რაოდენობრივი, ასევე თვისებრივი კვლევისთვის. გამოკითხვები იქმნება ისე, რომ ადასტურებს რესპონდენტთა ქმედებებს და ნდობას.
რაოდენობრივი გამოკითხვების უმეტესობა ხშირად მოიცავს საკონტროლო სიებს და შეფასების სკალის პუნქტებს, რადგან ისინი აადვილებენ რესპონდენტთა დამოკიდებულებისა და ქცევების გაზომვას.
ორი მნიშვნელოვანი გამოკითხვის სტილი გამოიყენება ინტერნეტში ინფორმაციის შესაგროვებლად ბაზრის რაოდენობრივი კვლევისთვის.
- ვებზე დაფუძნებული: ინტერნეტზე დაფუძნებული ან ონლაინ კვლევისთვის, ეს არის ერთ-ერთი ყველაზე პოპულარული და საიმედო ტექნიკა. ვებზე დაფუძნებულ გამოკითხვაზე პასუხის გაცემისას, რესპონდენტი მიიღებს ელფოსტას გამოკითხვის ბმულით, რომელზეც დაწკაპუნებით მიიყვანს მათ უსაფრთხო ონლაინ გამოკითხვის პლატფორმაზე, სადაც მათ შეუძლიათ შეასრულონ გამოკითხვა. მკვლევარები მხარს უჭერენ ვებ-ზე დაფუძნებულ გამოკითხვებს, რადგან ისინი უფრო ეფექტურია დროისა და ფულზე, უფრო სწრაფად და აქვთ უფრო დიდი აუდიტორია. დესკტოპის, ლეპტოპის, ტაბლეტის ან მობილური მოწყობილობის გამოყენებით, რესპონდენტებს შეუძლიათ შეავსონ გამოკითხვა, როცა ეს მათთვის მოსახერხებელია და ეს არის ვებ-ზე დაფუძნებული კითხვარის მთავარი უპირატესობა.
- ფოსტაზე დაფუძნებული: გამოკითხვა ეგზავნება შერჩევის პოპულაციის დიდ ნაწილს ფოსტით, რაც მკვლევარს საშუალებას აძლევს მიაღწიოს სხვადასხვა აუდიტორიას. საფოსტო კითხვარი, როგორც წესი, მოდის პაკეტში, რომელსაც აქვს საფარ გვერდი, რომელიც აცნობებს აუდიტორიას ჩატარებული კვლევის შესახებ და რატომ, ისევე როგორც წინასწარ გადახდილი ანაზღაურება, მონაცემთა შეგროვება ონლაინ რეჟიმში. მაშინაც კი, თუ ფოსტას აქვს ჩაქრობის უფრო მაღალი მაჩვენებელი, ვიდრე სხვა რაოდენობრივი მონაცემების შეგროვების ტექნიკა, მათ შორის სტიმული და შეხსენებები კვლევის დასრულებისთვის, ხელს უწყობს ჩაქრობის სიჩქარის მნიშვნელოვნად შემცირებას.
5. დოკუმენტაციის განხილვა
მიმდინარე ნაშრომების გაანალიზების შემდეგ, დოკუმენტის განხილვა არის ტექნიკა, რომელიც გამოიყენება მონაცემთა შეგროვებისთვის. იმის გამო, რომ დოკუმენტები კონტროლირებადია და პრაქტიკული რესურსია წარსულიდან ზუსტი მონაცემების მისაღებად, ეს არის მონაცემთა შეგროვების ეფექტური და წარმატებული მეთოდი.
დოკუმენტის განხილვა გახდა რაოდენობრივი კვლევის მონაცემების შეგროვების ერთ-ერთი სასარგებლო ტექნიკა, გარდა ამისა, კვლევის გაძლიერება და მხარდაჭერა დამატებითი კვლევის მონაცემების შეთავაზებით.
დამატებითი რაოდენობრივი კვლევის მონაცემების შეგროვების მიზნით, განიხილება დოკუმენტების სამი ძირითადი კატეგორია.
- საჯარო დოკუმენტები: ორგანიზაციის ოფიციალური, უწყვეტი ჩანაწერები განიხილება დამატებითი გამოკვლევისთვის, როგორც ამ დოკუმენტის განხილვის ნაწილი. მაგალითად, წლიური ანგარიშები, პოლიტიკის სახელმძღვანელო, სტუდენტური ღონისძიებები, საუნივერსიტეტო თამაშების აქტივობები და ა.შ.
- პირადი ჩანაწერები: ამ ტიპის დოკუმენტის ანალიზი იკვლევს პირად ანგარიშებს ადამიანების ქცევის, ქცევის, ჯანმრთელობის, ფიზიკური მდგომარეობისა და ა.შ. საჯარო ჩანაწერებისგან განსხვავებით. მაგალითად, მოსწავლეების ზომა და წონა, მოგზაურობის დრო, რომელსაც სტუდენტები სჭირდებათ სკოლაში წასასვლელად და ა.შ.
- ფიზიკური მტკიცებულება: ფიზიკური მტკიცებულება ან ჩანაწერები საუბრობენ პირის ან ორგანიზაციის წარსულ წარმატებებზე ფულისა და მასშტაბური ზრდის თვალსაზრისით.
რაოდენობრივი მაგალითები
აქ მოცემულია რაოდენობრივი მონაცემების რამდენიმე მაგალითი, რომელიც დაგეხმარებათ სრულად გაიგოთ, რას ეხება ეს:
- უახლესი მობილური აპლიკაცია ჩამოტვირთა 83 ადამიანმა.
- შარშან მამიდამ 18 ფუნტი დაიკლო.
- X ნივთის ღირებულება 1,000 დოლარია.
- ღონისძიებას 500 მონაწილე ესწრებოდა.
- წელს მას ათი დღესასწაული აქვს.
- მეოთხედში ექვსჯერ გავაუმჯობესე ტელეფონი.
- გასულ წელს, ჩემი ახალგაზრდა გაიზარდა 3 ინჩით.
- ახალი პროდუქტის დამატება გამოიწვევს შემოსავლის 30%-ით ზრდას.
- ამერიკელების 54%-მა თქვა, რომ ურჩევნია იყიდოს ონლაინ, ვიდრე სავაჭრო ცენტრში.
- 150-მა რესპონდენტმა თქვა, რომ არ ფიქრობს, რომ ახალი პროდუქტის მახასიათებელი მოხვდება.
უპირატესობები
- ჩაატარეთ სიღრმისეული კვლევა: დიდია ალბათობა, რომ კვლევა იყოს საფუძვლიანი, ვინაიდან რაოდენობრივი მონაცემების სტატისტიკური გამოკვლევა შესაძლებელია.
- მინიმალური მიკერძოება: არის შემთხვევები, როდესაც პირადი მიკერძოება ხელს უწყობს კვლევას და იწვევს არაზუსტ შედეგებს. რაოდენობრივი მონაცემების რიცხვითი ასპექტი მნიშვნელოვნად ამცირებს პიროვნულ მიკერძოებას.
- ზუსტი შედეგები: ვინაიდან შედეგები იყო ობიექტური, ისინი საკმაოდ ზუსტი იყო.
ნაკლოვანებები
- შეზღუდული ინფორმაცია: ვინაიდან რაოდენობრივი მონაცემები არ არის აღწერილობითი, მკვლევრებისთვის რთულია დასკვნების გაკეთება მხოლოდ მათ მიერ შეგროვებული მონაცემებით.
- დამოკიდებულია კითხვის ტიპზე: კითხვის ტიპი, რომელიც გამოიყენება რაოდენობრივი მონაცემების შესაგროვებლად, გავლენას ახდენს შედეგებზე მიკერძოებულობაზე. რაოდენობრივი მონაცემების შეგროვებისას მკვლევარის მიერ კვლევის ამოცანებისა და მიზნების გაგება გადამწყვეტია.
დასკვნა
რაოდენობრივი მონაცემები ეხება განსხვავებულ აზროვნებას და არა კონვერგენტურ მსჯელობას. ის ეხება ციფრულ, ლოგიკურ და ობიექტურ თვალსაზრისს, ხაზს უსვამს რიცხვით და მუდმივ ფაქტებს.
მონაცემთა რაოდენობრივი კვლევა არის საფუძვლიანი მონაცემთა რაოდენობრივი კვლევა, რომელსაც შეუძლია ანალიტიკური დასკვნების ჩვენება დიაგრამებსა და გრაფიკებში.
მონაცემთა ანალიზი, რა თქმა უნდა, გადამწყვეტი ნაბიჯია, რომლის ნაკლებობის შემთხვევაში, შეიძლება არა მხოლოდ შეაფერხოს თქვენი კვლევის ობიექტურობა და ავთენტურობა, არამედ დასკვნები არასტაბილური გახადოს. კარგი მონაცემები დაგეხმარებათ ზუსტი შედეგების მიღებაში.
ამიტომ, ტექნიკის მიუხედავად, თქვენ იყენებთ რაოდენობრივი მონაცემების შეგროვებას, დარწმუნდით, რომ ინფორმაცია არის საკმარისად მაღალი ხარისხის, რომ მიიღოთ ღირებული და სასარგებლო შეხედულებები.
დატოვე პასუხი