ഉള്ളടക്ക പട്ടിക[മറയ്ക്കുക][കാണിക്കുക]
ഓരോ ദിവസവും കൂടുതൽ പ്രാധാന്യമർഹിക്കുന്ന ഡാറ്റയാൽ നമുക്ക് ചുറ്റുമുണ്ട്. നമ്മുടെ ഇന്റർനെറ്റ് ഉപയോഗം, വാഹന വാങ്ങലുകൾ, നമ്മൾ കാണുന്ന വാർത്താ ഫീഡുകൾ, മറ്റ് പല കാര്യങ്ങൾ എന്നിവയുൾപ്പെടെ വിവിധ രൂപത്തിലുള്ള ഡാറ്റയാണ് പരിസ്ഥിതിയുമായുള്ള ഞങ്ങളുടെ കൂടുതൽ കൂടുതൽ ഇടപെടലുകൾ രൂപപ്പെടുത്തുന്നത്.
ഈ പോസ്റ്റിൽ ഞങ്ങൾ ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ നിർവചിക്കും, ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയുടെ ഉദാഹരണങ്ങൾ നൽകും, ഗുണപരവും അളവ്പരവുമായ ഡാറ്റ എങ്ങനെ വ്യത്യാസപ്പെടുന്നു എന്നതും മറ്റും ചർച്ച ചെയ്യും.
എന്നാൽ ആദ്യം നമുക്ക് ഒരു പടി പിന്നോട്ട് പോകാം.
ടെസ്റ്റ് ഫലങ്ങൾ, ഉപഭോക്തൃ സംതൃപ്തി സ്കോറുകൾ, ട്വീറ്റുകൾ എന്നിവയുൾപ്പെടെ എല്ലാ ദിവസവും 2.5 ക്വിന്റില്യൺ ബൈറ്റുകൾ ഡാറ്റ നിർമ്മിക്കപ്പെടുന്നു. എന്നാൽ എല്ലാ ഡാറ്റയും തുല്യമായി സൃഷ്ടിക്കപ്പെടുന്നില്ല.
സേവനം, മെനു, പരിസ്ഥിതി, വിലനിർണ്ണയം എന്നിവ 1 മുതൽ 10 വരെയുള്ള സ്കെയിലിൽ റാങ്ക് ചെയ്യാൻ നിങ്ങളോട് ആവശ്യപ്പെടുന്ന ഒരു വോട്ടെടുപ്പ്, നിങ്ങളുടെ ഡൈനിംഗ് അനുഭവം വിവരിക്കാൻ ആവശ്യപ്പെടുന്ന അഭിമുഖത്തിൽ നിന്ന് വ്യത്യസ്തമായ ഡാറ്റ നൽകുന്നു.
ഡാറ്റാ സെറ്റുകളിൽ ഇടയ്ക്കിടെ പ്രവർത്തിക്കുന്ന അനലിസ്റ്റുകൾക്ക് വ്യത്യസ്ത ഡാറ്റാ രൂപങ്ങൾ തമ്മിൽ വേർതിരിച്ചറിയാനും ഓരോന്നും നിങ്ങളുടെ പഠനത്തെ എങ്ങനെ ബാധിക്കുമെന്ന് മനസ്സിലാക്കാനും ഇത് നിർണായകമാണ്.
നിങ്ങൾ ഉത്തരം നൽകാൻ ശ്രമിക്കുന്ന ഒരു നിർദ്ദിഷ്ട ചോദ്യത്തിൽ നിന്നാണ് ഇടയ്ക്കിടെ ഡാറ്റ പരിശോധിക്കുന്ന പ്രക്രിയ ആരംഭിക്കുന്നത്, ഉദാഹരണത്തിന്:
- ഉപഭോക്തൃ പെരുമാറ്റത്തിൽ ജനസംഖ്യാശാസ്ത്രത്തിന് എന്ത് സ്വാധീനമുണ്ട്?
- ഒരു ഉൽപ്പന്നത്തിലോ സേവനത്തിലോ വരുത്തുന്ന പരിഷ്ക്കരണത്തോട് ഒരു പ്രത്യേക പ്രേക്ഷകർ അനുകൂലമായി പ്രതികരിക്കുമോ?
- കാര്യക്ഷമത വർദ്ധിപ്പിക്കുന്നതിന് പ്രവർത്തന തടസ്സങ്ങൾ എങ്ങനെ ഇല്ലാതാക്കാം?
വിഷയത്തിന്റെ സ്വഭാവം, നിങ്ങളുടെ ബജറ്റ്, സമയം, ആക്സസ് ചെയ്യാവുന്ന വിഭവങ്ങൾ എന്നിവയെ ആശ്രയിച്ച് നിങ്ങൾ അളവ് ഡാറ്റ ശേഖരിക്കുകയും വിലയിരുത്തുകയും ചെയ്യേണ്ടതുണ്ട്. നിങ്ങൾക്ക് മനസ്സിലായെന്ന് ഞാൻ കരുതുന്നു, അല്ലേ?
നമുക്ക് ഇപ്പോൾ ആരംഭിക്കാം.
എന്താണ് ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ?
അളവനുസരിച്ച് തിരിച്ചറിയാനും വിലയിരുത്താനും കഴിയുന്ന ഏതൊരു വിവരശേഖരവും ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയായി കണക്കാക്കുന്നു.
വസ്തുനിഷ്ഠമായി അളക്കാൻ കഴിയുന്ന ഒരേയൊരു തരം ഡാറ്റ ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയാണ്, ഇത് ഏറ്റവും പ്രസക്തമാക്കുന്നു ഡാറ്റ തരം ഗണിതത്തിലും സ്ഥിതിവിവരക്കണക്കിലും ഉപയോഗിക്കുന്നതിന്.
ഓരോ ഡാറ്റാ സെറ്റിനും ഒരു പ്രത്യേക സംഖ്യാ മൂല്യം നൽകിക്കൊണ്ട്, സംഖ്യകളായോ അക്കങ്ങളായോ പ്രകടിപ്പിക്കുമ്പോൾ ഡാറ്റയുടെ മൂല്യം എന്ന് വിളിക്കപ്പെടുന്നു.
ഗണിതശാസ്ത്രത്തെ അടിസ്ഥാനമാക്കിയുള്ള സ്റ്റാറ്റിസ്റ്റിക്കൽ കണക്കുകൂട്ടലുകളിലും കണക്കുകൂട്ടലുകളിലും ഉപയോഗിക്കാവുന്ന അളക്കാവുന്ന ഏതൊരു വിവരവും ഇത്തരത്തിലുള്ള ഡാറ്റയായി കണക്കാക്കപ്പെടുന്നു, കാരണം അത് യഥാർത്ഥ ലോകത്തിലെ വിധിന്യായങ്ങളെ പിന്തുണയ്ക്കാൻ ഉപയോഗിക്കാം.
എത്ര, എത്ര ഇടയ്ക്കിടെ, എത്രയെണ്ണം എന്നിവ ഇതിന് ഉത്തരം നൽകാൻ കഴിയുന്ന ചോദ്യങ്ങളുടെ ചില ഉദാഹരണങ്ങളാണ്. ഈ ഡാറ്റ എളുപ്പത്തിൽ പരിശോധിക്കാനും വിലയിരുത്താനും ഗണിതശാസ്ത്ര രീതികൾ ഉപയോഗിക്കാം.
സമയം, ഉയരം, ഭാരം, വില, ചെലവ്, ലാഭം, താപനില, ദൂരം എന്നിങ്ങനെയുള്ള ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയാണ് ഒരു ഡാറ്റാ അനലിസ്റ്റ് സാധാരണയായി പ്രവർത്തിക്കുന്നത്.
ഇത് ഒരു ശതമാനം, ഒരു നമ്പർ, ഒരു പേജ് ലോഡ് സമയം അല്ലെങ്കിൽ ഉൽപ്പന്ന മാനേജ്മെന്റ്, ഉപയോക്തൃ അനുഭവം ഡിസൈൻ അല്ലെങ്കിൽ സോഫ്റ്റ്വെയർ എഞ്ചിനീയറിംഗ് എന്നീ മേഖലകളിലെ മറ്റ് മെട്രിക്സ് ആയി പ്രകടിപ്പിക്കാം.
ഒരു നിശ്ചിത ഇനം എത്ര ആളുകൾ വാങ്ങി എന്നത് വാങ്ങലിന്റെ പശ്ചാത്തലത്തിൽ അളവ് ഡാറ്റയുടെ ഒരു ഉദാഹരണമാണ്. കാറുകളുടെ ഗുണപരമായ ഡാറ്റയിൽ അത് കൈവശമുള്ള കുതിരശക്തിയുടെ അളവ് ഉൾപ്പെടാം.
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയുടെ തരങ്ങൾ എന്തൊക്കെയാണ്?
അളക്കാൻ കഴിയുന്ന ഡാറ്റയെ ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ എന്ന് വിളിക്കുന്നു, എന്നിരുന്നാലും, ആ ഡാറ്റ എങ്ങനെ കണക്കാക്കുന്നു എന്നത് കൈയിലുള്ള ഡാറ്റ ശേഖരണത്തെ ആശ്രയിച്ച് വ്യത്യാസപ്പെടുന്നു. ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയെ രണ്ട് അടിസ്ഥാന ഗ്രൂപ്പുകളായി തിരിക്കാം: വ്യതിരിക്തവും തുടർച്ചയായതും. ഇവ രണ്ടും തമ്മിലുള്ള പ്രധാന വ്യതിയാനങ്ങൾ ഇനിപ്പറയുന്നവയാണ്:
ഡിസ്ക്രീറ്റ് ഡാറ്റ
വ്യതിരിക്തമായ അളവിലുള്ള വിവരങ്ങൾക്ക് സംഖ്യാ മൂല്യങ്ങളുടെ ഒരു പ്രത്യേക ശ്രേണി മാത്രമേ ഉണ്ടാകൂ. ഈ മൂല്യങ്ങൾ സ്ഥിരമായതിനാൽ വിഘടിപ്പിക്കാൻ കഴിയില്ല.
എന്തും കണക്കാക്കുമ്പോൾ, വ്യതിരിക്തമായ ഡാറ്റ ലഭിക്കും. ഒരു വ്യക്തിയുടെ മൂന്ന് കുട്ടികൾ, ഉദാഹരണത്തിന്, വ്യതിരിക്തമായ ഡാറ്റയുടെ ഉദാഹരണമായിരിക്കും.
കുട്ടികളുടെ എണ്ണം സജ്ജീകരിച്ചിരിക്കുന്നു; ഉദാഹരണത്തിന്, അവർക്ക് 3.2 കുട്ടികളുണ്ടാകില്ല.
നിങ്ങളുടെ വെബ്സൈറ്റിലേക്കുള്ള സന്ദർശകരുടെ എണ്ണം വ്യതിരിക്തമായ സംഖ്യാ ഡാറ്റയുടെ മറ്റൊരു ഉദാഹരണമാണ്; നിങ്ങൾക്ക് ഒരു ദിവസം 150 സന്ദർശനങ്ങൾ ലഭിക്കും, എന്നാൽ 150.6 അല്ല. വ്യതിരിക്ത ഡാറ്റ പ്രദർശിപ്പിക്കാൻ ഉപയോഗിക്കുന്ന ഏറ്റവും സാധാരണമായ ചാർട്ടുകൾ പൈ ചാർട്ടുകൾ, ബാർ ചാർട്ടുകൾ, ടാലി ചാർട്ടുകൾ എന്നിവയാണ്.
തുടർച്ചയായ ഡാറ്റ
വിപരീതമായി, തുടർച്ചയായ ഡാറ്റയെ അനിശ്ചിതമായി ചെറിയ ഘടകങ്ങളായി വിഭജിക്കാം. സെന്റീമീറ്ററിലുള്ള ഒരു സ്ട്രിംഗിന്റെ നീളം അല്ലെങ്കിൽ ഡിഗ്രി സെൽഷ്യസിലെ താപനില, അളക്കുന്ന സ്കെയിലിൽ കാണിക്കാൻ കഴിയുന്ന ഇത്തരത്തിലുള്ള അളവ് ഡാറ്റയുടെ രണ്ട് ഉദാഹരണങ്ങളാണ്.
സാരാംശത്തിൽ, തുടർച്ചയായ ഡാറ്റ നിശ്ചിത മൂല്യങ്ങളിൽ പരിമിതപ്പെടുത്തിയിട്ടില്ല; അതിന് ഏത് മൂല്യവും എടുക്കാം. തുടർച്ചയായ ഡാറ്റയും കാലക്രമേണ മാറാം; ഉദാഹരണത്തിന്, പകൽ സമയത്ത് മുറിയിലെ താപനില മാറും.
തുടർച്ചയായ ഡാറ്റ ചിത്രീകരിക്കാൻ സാധാരണയായി ഒരു ലൈൻ ഗ്രാഫ് ഉപയോഗിക്കുന്നു.
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ Vs ക്വാളിറ്റേറ്റീവ് ഡാറ്റ
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ അളക്കാൻ കഴിയുമെന്ന് നമുക്ക് കാണാൻ കഴിയും. ഇത് തുകകൾ, മൂല്യങ്ങൾ, സംഖ്യകൾ എന്നിവ കൈകാര്യം ചെയ്യുന്നു. ഇത്തരത്തിലുള്ള വിവരങ്ങൾ സംഖ്യാപരമായി പ്രസ്താവിക്കാം (അതായത് തുക, ദൈർഘ്യം, ദൈർഘ്യം, വില അല്ലെങ്കിൽ വലുപ്പം).
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയ്ക്ക് ധാരാളം വിശ്വാസ്യതകളുണ്ട്, അത് സ്ഥിതിവിവരക്കണക്കുകൾ വഴി നിർമ്മിക്കപ്പെട്ടതിനാൽ നിഷ്പക്ഷവും ആശ്രയയോഗ്യവുമാണെന്ന് കാണുന്നു. എന്നിരുന്നാലും, മറ്റൊരു നിർണായക തരം ഡാറ്റയുണ്ട്. പ്രത്യേകമായി, ഗുണപരമായ ഡാറ്റ.
ഈ വിവരങ്ങൾ പ്രാഥമികമായി വിവരണാത്മകമാണ്. മിക്ക കേസുകളിലും, ഇത് നേരിട്ട് അളക്കാൻ കഴിയില്ല, പക്ഷേ നിരീക്ഷണത്തിലൂടെ പഠിക്കാൻ കഴിയും. ഗുണപരമായ ഡാറ്റയിലെ രൂപം, നിറം, ഘടന, മറ്റ് ഗുണങ്ങൾ എന്നിവ വിവരിക്കാൻ നാമവിശേഷണങ്ങളും മറ്റ് വിവരണാത്മക പദങ്ങളും ഉപയോഗിക്കുന്നു.
ഉദാഹരണത്തിന്, ഒരു മുറി മറ്റൊന്നിനേക്കാൾ തെളിച്ചമുള്ളതാണെന്ന് നിങ്ങൾക്ക് വാദിക്കാം.
ആ വിവരം ഗുണപരമാണ്. മുറിയിലെ തെളിച്ചം ശരിക്കും അളക്കാനും അതിന് ഒരു സംഖ്യാ നമ്പർ നൽകാനും, നിങ്ങൾക്ക് ശാസ്ത്രീയ ഉപകരണങ്ങളും ഉപകരണങ്ങളും (ലൈറ്റ് മീറ്റർ പോലുള്ളവ) ഉപയോഗിക്കാവുന്നതാണ്. ഇത് ചെയ്യുന്നതിലൂടെ നിങ്ങൾക്ക് കണക്കാക്കാവുന്ന ഡാറ്റ ലഭിക്കും.
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ ശേഖരിക്കുന്നതിനുള്ള 5 മികച്ച രീതികൾ
1. പ്രോബബിലിറ്റി സാമ്പിളിംഗ്
ഏതെങ്കിലും തരത്തിലുള്ള ക്രമരഹിതമായ തിരഞ്ഞെടുപ്പ് ഉപയോഗപ്പെടുത്തുകയും ഉദ്ദേശിച്ച പ്രേക്ഷകരിൽ നിന്ന് ക്രമരഹിതമായി ശേഖരിക്കുന്ന വിവരങ്ങളെ അടിസ്ഥാനമാക്കി ഒരു പ്രോബബിലിറ്റി ക്ലെയിം ഉന്നയിക്കാൻ ഗവേഷകരെ പ്രാപ്തരാക്കുകയും ചെയ്യുന്ന ഒരു കൃത്യമായ സാമ്പിൾ ടെക്നിക്.
പ്രോബബിലിറ്റി സാമ്പിൾ ഗവേഷകർക്ക് അന്വേഷണത്തിൽ താൽപ്പര്യമുള്ള ഗ്രൂപ്പിന്റെ സാധാരണ വ്യക്തികളിൽ നിന്ന് ഡാറ്റ ശേഖരിക്കാനുള്ള അവസരം നൽകുന്നു, ഇത് അതിന്റെ മികച്ച സവിശേഷതകളിൽ ഒന്നാണ്.
കൂടാതെ, തിരഞ്ഞെടുത്ത സാമ്പിളിൽ നിന്ന് ഡാറ്റ ക്രമരഹിതമായി വരച്ചതാണ്, ഇത് സാമ്പിൾ ബയസിന്റെ സാധ്യത ഇല്ലാതാക്കുന്നു.
പ്രോബബിലിറ്റി സാമ്പിളിന്, മൂന്ന് പ്രധാന വിഭാഗങ്ങളുണ്ട്.
- ലളിതമായ റാൻഡം സാമ്പിൾ: സാമ്പിളിൽ പ്രതിനിധീകരിക്കാൻ ഉദ്ദേശിക്കുന്ന പോപ്പുലേഷൻ കൂടുതൽ ഇടയ്ക്കിടെ തിരഞ്ഞെടുക്കപ്പെടുന്നു.
- സിസ്റ്റമാറ്റിക് റാൻഡം സാംപ്ലിംഗ്: ആവശ്യമുള്ള പോപ്പുലേഷനിലെ ഏതെങ്കിലും അംഗത്തെ സാമ്പിളിൽ പ്രതിനിധീകരിക്കും, എന്നാൽ ആദ്യ യൂണിറ്റ് മാത്രമേ ക്രമരഹിതമായി തിരഞ്ഞെടുത്തിട്ടുള്ളൂ; ലിസ്റ്റിലെ പത്തിൽ ഒരാൾ എന്ന നിലയിലാണ് മറ്റ് യൂണിറ്റുകൾ തിരഞ്ഞെടുക്കുന്നത്.
- സ്ട്രാറ്റിഫൈഡ് റാൻഡം സാംപ്ലിംഗ്: ഒരു സാമ്പിൾ സൃഷ്ടിക്കുമ്പോൾ, ഉദ്ദേശിച്ച പ്രേക്ഷകരുടെ ഒരു പ്രത്യേക ഉപവിഭാഗത്തിൽ നിന്ന് ഓരോ യൂണിറ്റും തിരഞ്ഞെടുക്കാൻ അനുവദിക്കുന്നു. മാനേജർമാർ അല്ലെങ്കിൽ എക്സിക്യൂട്ടീവുകൾ, ഒരു നിശ്ചിത വ്യവസായത്തിൽ പ്രവർത്തിക്കുന്ന ആളുകൾ, അല്ലെങ്കിൽ പുരുഷന്മാരോ സ്ത്രീകളോ പോലുള്ള ഒരു പ്രത്യേക കൂട്ടം ആളുകളെ സാമ്പിളിൽ ഉൾപ്പെടുത്താൻ ഗവേഷകർ ശ്രദ്ധിക്കുമ്പോൾ അത് സഹായകരമാണ്.
2. അഭിമുഖങ്ങൾ
ഡാറ്റ ശേഖരണ പ്രക്രിയയുടെ ഭാഗമായാണ് സാധാരണയായി ആളുകളെ അഭിമുഖം നടത്തുന്നത്. എന്നിരുന്നാലും, ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ ശേഖരിക്കുന്നതിനായി നടത്തുന്ന അഭിമുഖങ്ങൾ കൂടുതൽ സംഘടിതമാണ്, ഗവേഷകർ നിർദ്ദേശിച്ച ചോദ്യങ്ങൾ മാത്രമാണ് ചോദിക്കുന്നത്, മറ്റൊന്നും ഇല്ല.
ഡാറ്റ ശേഖരിക്കുന്നതിന് പ്രധാനമായും മൂന്ന് തരം അഭിമുഖങ്ങൾ ഉപയോഗിക്കുന്നു.
- ടെലിഫോൺ അഭിമുഖങ്ങൾ: ടെലിഫോൺ അഭിമുഖങ്ങൾ വർഷങ്ങളോളം ഡാറ്റാ ശേഖരണ സാങ്കേതിക വിദ്യകളുടെ ചാർട്ടുകളിൽ ആധിപത്യം പുലർത്തി. എന്നാൽ ഇന്റർനെറ്റ്, സ്കൈപ്പ് അല്ലെങ്കിൽ മറ്റ് ഓൺലൈനിൽ ഉപയോഗിക്കുന്നു ദശൃാഭിമുഖം വീഡിയോ അഭിമുഖങ്ങൾ നടത്തുന്നതിനുള്ള സേവനങ്ങൾ സമീപ വർഷങ്ങളിൽ ഗണ്യമായി വർദ്ധിച്ചു.
- നേരിട്ടുള്ള അഭിമുഖങ്ങൾ: നേരിട്ട് പങ്കെടുക്കുന്നവരുടെ ഡാറ്റ ശേഖരണം എന്നത് വിവരങ്ങൾ ശേഖരിക്കുന്നതിനുള്ള ഒരു പരീക്ഷിച്ചതും യഥാർത്ഥവുമായ രീതിയാണ്. സമഗ്രവും വിദ്യാഭ്യാസപരവുമായ വിവരങ്ങൾ ലഭിക്കുന്നതിന് ആഴത്തിലുള്ള അന്വേഷണങ്ങൾക്കും കൂടുതൽ അന്വേഷണത്തിനും ഇടം നൽകുന്നതിനാൽ ഉയർന്ന നിലവാരമുള്ള ഡാറ്റ ശേഖരിക്കുന്നതിന് ഇത് സഹായിക്കുന്നു. മുഖാമുഖം (F2F) സർവേകൾ നോൺ-വെർബൽ ഡാറ്റ നിരീക്ഷിക്കുന്നതിനും ശേഖരിക്കുന്നതിനും അല്ലെങ്കിൽ സങ്കീർണ്ണവും പരിഹരിക്കപ്പെടാത്തതുമായ വിഷയങ്ങൾ അന്വേഷിക്കുന്നതിന് നിരവധി സാധ്യതകൾ നൽകുന്നതിനാൽ പങ്കാളിയുടെ സാക്ഷരതാ നിലവാരം അപ്രധാനമാണ്. ഇത് ചെലവേറിയതും സമയമെടുക്കുന്നതുമായ ഒരു സമീപനമാണെങ്കിലും, മുഖാമുഖ അഭിമുഖങ്ങൾക്ക് പലപ്പോഴും ഉയർന്ന പ്രതികരണ നിരക്ക് ഉണ്ട്.
- കമ്പ്യൂട്ടർ അസിസ്റ്റഡ് പേഴ്സണൽ ഇന്റർവ്യൂവിംഗ് (CAPI): അഭിമുഖത്തിനിടെ ശേഖരിക്കുന്ന ഡാറ്റ നേരിട്ട് ഡാറ്റാബേസിലേക്ക് അപ്ലോഡ് ചെയ്യുന്നതിന് അഭിമുഖം നടത്തുന്നയാളുടെ പക്കൽ ഡെസ്ക്ടോപ്പോ ലാപ്ടോപ്പോ ഉള്ള ഒരു മുഖാമുഖ അഭിമുഖവുമായി താരതമ്യപ്പെടുത്താവുന്ന ഒരു ക്രമീകരണമല്ലാതെ മറ്റൊന്നുമല്ല ഇത്. അഭിമുഖം നടത്തുന്നയാൾക്ക് ഒരു ടൺ പേപ്പർവർക്കുകളും ചോദ്യാവലികളും കൊണ്ടുപോകേണ്ടതില്ലാത്തതിനാൽ, ഡാറ്റ അപ്ഡേറ്റ് ചെയ്യുന്നതിനും വിശകലനം ചെയ്യുന്നതിനും ആവശ്യമായ സമയം CAPI ഗണ്യമായി കുറയ്ക്കുന്നു.
3. നിരീക്ഷണങ്ങൾ
പേര് സൂചിപ്പിക്കുന്നത് പോലെ, അളവ് ഡാറ്റ ശേഖരിക്കുന്നതിനുള്ള ലളിതവും സങ്കീർണ്ണമല്ലാത്തതുമായ സാങ്കേതികതയാണിത്.
ഈ സമീപനത്തിൽ, ഒരു നിശ്ചിത സമയത്തും ഒരു പ്രത്യേക വേദിയിലും ഒരു നിശ്ചിത സ്ഥലത്ത് പങ്കെടുക്കുന്ന വ്യക്തികളുടെ എണ്ണവും, ഒരു നിശ്ചിത സമയത്ത് പങ്കെടുത്ത ആളുകളുടെ എണ്ണം കണക്കാക്കുന്നത് പോലുള്ള സമീപനങ്ങൾ ഉപയോഗിച്ച് രീതിപരമായ നിരീക്ഷണങ്ങളിലൂടെ ഗവേഷകർ അളവ് ഡാറ്റ ശേഖരിക്കുന്നു.
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ നേടുന്നതിന് ഗവേഷകർ പലപ്പോഴും പ്രകൃതിദത്തമായ ഒരു നിരീക്ഷണ തന്ത്രം ഉപയോഗിക്കുന്നു, അത് "എന്തുകൊണ്ട്", "എങ്ങനെ" എന്നിവയെ കുറിച്ചല്ല, "എന്ത്" എന്നതിനെ കുറിച്ചുള്ള അളവിലുള്ള ഡാറ്റ ലഭിക്കുന്നതിന് മികച്ച നിരീക്ഷണ കഴിവുകളും ഇന്ദ്രിയങ്ങളും ആവശ്യപ്പെടുന്നു.
ഗുണപരവും അളവ്പരവുമായ വിവരങ്ങളുടെ ശേഖരണം സ്വാഭാവിക നിരീക്ഷണത്തിലൂടെയാണ് നടത്തുന്നത്. ഘടനാപരമായ നിരീക്ഷണം കൂടുതലും ഉപയോഗിക്കുന്നത് ഗുണപരമായ വിവരങ്ങളേക്കാൾ അളവ് വിവരങ്ങൾ ശേഖരിക്കാനാണ്.
- ഘടനാപരമായ നിരീക്ഷണം: സ്വാഭാവികമോ പങ്കാളിത്തമോ ആയ നിരീക്ഷണത്തിൽ നിന്ന് വ്യത്യസ്തമായി, ഈ തരത്തിലുള്ള നിരീക്ഷണ രീതി കൂടുതൽ വിപുലമായതോ നിയന്ത്രിതമോ ആയ സന്ദർഭത്തിൽ ഒന്നോ അതിലധികമോ നിർദ്ദിഷ്ട സ്വഭാവങ്ങളുടെ സമഗ്രമായ നിരീക്ഷണങ്ങൾ നടത്തേണ്ടതുണ്ട്. ഘടനാപരമായ ഒരു നിരീക്ഷണത്തിൽ, ഗവേഷകർ എല്ലാം കാണുന്നതിനുപകരം താൽപ്പര്യമുള്ള ചില പ്രധാന സ്വഭാവങ്ങളിലേക്ക് മാത്രം ശ്രദ്ധ ചുരുക്കുന്നു. അവർ കാണുന്ന സ്വഭാവങ്ങളെ സംഖ്യകളാക്കാൻ ഇത് അവരെ പ്രാപ്തരാക്കുന്നു. നിരീക്ഷണങ്ങൾ നിരീക്ഷകർക്ക് ഒരു വിധി പറയാൻ ആവശ്യപ്പെടുമ്പോൾ അതിനെ ചിലപ്പോൾ "കോഡിംഗ്" എന്ന് വിളിക്കാറുണ്ട്. ഇത് ചെയ്യുന്നതിന്, ടാർഗെറ്റ് സ്വഭാവങ്ങളുടെ ഒരു കൂട്ടം കൃത്യമായി നിർവചിക്കേണ്ടതുണ്ട്.
4. സർവേകൾ
അളവിലും ഗുണപരമായും ഗവേഷണത്തിനായി ഓൺലൈനായി ഡാറ്റ ശേഖരിക്കുന്നതിന് സർവേ സോഫ്റ്റ്വെയർ ഉപയോഗിച്ച് നടത്തിയ ഓൺലൈൻ സർവേകൾ അത്യന്താപേക്ഷിതമാണ്. പ്രതികരിക്കുന്നവരുടെ പ്രവർത്തനങ്ങളെയും ആത്മവിശ്വാസത്തെയും സാധൂകരിക്കുന്ന തരത്തിലാണ് സർവേകൾ സൃഷ്ടിച്ചിരിക്കുന്നത്.
ഭൂരിഭാഗം ക്വാണ്ടിറ്റേറ്റീവ് സർവേകളിലും ചെക്ക്ലിസ്റ്റുകളും റേറ്റിംഗ് സ്കെയിൽ ഇനങ്ങളും ഉൾപ്പെടുന്നു, കാരണം അവ പ്രതികരിക്കുന്നവരുടെ മനോഭാവങ്ങളും പെരുമാറ്റങ്ങളും അളക്കുന്നത് എളുപ്പമാക്കുന്നു.
ക്വാണ്ടിറ്റേറ്റീവ് മാർക്കറ്റ് ഗവേഷണത്തിനായി ഓൺലൈനിൽ വിവരങ്ങൾ ശേഖരിക്കുന്നതിന് രണ്ട് പ്രധാന സർവേ ശൈലികൾ ഉപയോഗിക്കുന്നു.
- വെബ് അധിഷ്ഠിതം: ഇന്റർനെറ്റ് അധിഷ്ഠിത അല്ലെങ്കിൽ ഓൺലൈൻ ഗവേഷണത്തിന്, ഇത് ഏറ്റവും ജനപ്രിയവും വിശ്വസനീയവുമായ സാങ്കേതിക വിദ്യകളിൽ ഒന്നാണ്. ഒരു വെബ് അധിഷ്ഠിത സർവേയോട് പ്രതികരിക്കുമ്പോൾ, പ്രതികരിക്കുന്നയാൾക്ക് സർവേയിലേക്കുള്ള ലിങ്കുള്ള ഒരു ഇമെയിൽ ലഭിക്കും, അത് ക്ലിക്കുചെയ്യുമ്പോൾ അവർക്ക് സർവേ പൂർത്തിയാക്കാൻ കഴിയുന്ന ഒരു സുരക്ഷിത ഓൺലൈൻ സർവേ പ്ലാറ്റ്ഫോമിലേക്ക് അവരെ നയിക്കും. ഗവേഷകർ വെബ് അധിഷ്ഠിത സർവേകളെ അനുകൂലിക്കുന്നു, കാരണം അവ കൂടുതൽ സമയവും പണവും കാര്യക്ഷമവും വേഗതയേറിയതും കൂടുതൽ പ്രേക്ഷകരുള്ളതുമാണ്. ഒരു ഡെസ്ക്ടോപ്പ്, ലാപ്ടോപ്പ്, ടാബ്ലെറ്റ് അല്ലെങ്കിൽ മൊബൈൽ ഉപകരണം ഉപയോഗിച്ച്, പ്രതികരിക്കുന്നവർക്ക് അവർക്ക് സൗകര്യപ്രദമായപ്പോഴെല്ലാം സർവേ പൂർത്തിയാക്കാൻ സ്വാതന്ത്ര്യമുണ്ട്, ഇതാണ് വെബ് അധിഷ്ഠിത ചോദ്യാവലിയുടെ പ്രധാന നേട്ടം.
- മെയിൽ അധിഷ്ഠിതം: സർവേ സാമ്പിൾ പോപ്പുലേഷന്റെ വലിയൊരു ഭാഗത്തേക്ക് മെയിൽ വഴി അയയ്ക്കുന്നു, ഇത് ഗവേഷകനെ വിവിധ പ്രേക്ഷകരിലേക്ക് എത്താൻ അനുവദിക്കുന്നു. തപാൽ ചോദ്യാവലി സാധാരണയായി ഒരു കവർ പേജുള്ള ഒരു പാക്കറ്റിലാണ് വരുന്നത്, അത് ഏത് തരത്തിലുള്ള പഠനമാണ് നടക്കുന്നതെന്നും എന്തിനെക്കുറിച്ചും ഓൺലൈനിൽ ഡാറ്റ ശേഖരിക്കുന്നതിനെക്കുറിച്ചും പ്രീ-പെയ്ഡ് റിട്ടേണിനെ കുറിച്ചും പ്രേക്ഷകരെ അറിയിക്കുന്നു. സർവേ പൂർത്തിയാക്കുന്നതിനുള്ള പ്രോത്സാഹനങ്ങളും ഓർമ്മപ്പെടുത്തലുകളും ഉൾപ്പെടെയുള്ള മറ്റ് അളവിലുള്ള ഡാറ്റ ശേഖരിക്കൽ സാങ്കേതികതകളെ അപേക്ഷിച്ച് മെയിലിന് വലിയ ചോർച്ച നിരക്ക് ഉണ്ടെങ്കിലും, ചോർച്ച നിരക്ക് ഗണ്യമായി കുറയ്ക്കാൻ സഹായിക്കുന്നു.
5. ഡോക്യുമെന്റേഷൻ അവലോകനം
നിലവിലെ പേപ്പറുകൾ വിശകലനം ചെയ്ത ശേഷം, ഡാറ്റ ശേഖരിക്കാൻ ഉപയോഗിക്കുന്ന ഒരു സാങ്കേതികതയാണ് ഡോക്യുമെന്റ് അവലോകനം. പ്രമാണങ്ങൾ നിയന്ത്രിക്കാവുന്നതും ഭൂതകാലത്തിൽ നിന്ന് കൃത്യമായ ഡാറ്റ നേടുന്നതിനുള്ള പ്രായോഗിക ഉറവിടവും ആയതിനാൽ, ഇത് കാര്യക്ഷമവും വിജയകരവുമായ ഡാറ്റാ ശേഖരണ രീതിയാണ്.
അനുബന്ധ ഗവേഷണ ഡാറ്റ വാഗ്ദാനം ചെയ്തുകൊണ്ട് പഠനത്തെ ശക്തിപ്പെടുത്തുന്നതിനും പിന്തുണയ്ക്കുന്നതിനും പുറമേ, അളവ് ഗവേഷണ ഡാറ്റ ശേഖരിക്കുന്നതിനുള്ള ഉപയോഗപ്രദമായ സാങ്കേതിക വിദ്യകളിലൊന്നായി ഡോക്യുമെന്റ് അവലോകനം മാറിയിരിക്കുന്നു.
സപ്ലിമെന്ററി ക്വാണ്ടിറ്റേറ്റീവ് ഗവേഷണ ഡാറ്റ ശേഖരിക്കുന്നതിന്, മൂന്ന് പ്രധാന പ്രമാണ വിഭാഗങ്ങൾ പരിശോധിക്കുന്നു.
- പൊതു പ്രമാണങ്ങൾ: ഈ ഡോക്യുമെന്റ് അവലോകനത്തിന്റെ ഭാഗമായി ഒരു സ്ഥാപനത്തിന്റെ ഔദ്യോഗിക, തുടർ രേഖകൾ അധിക അന്വേഷണത്തിനായി പരിശോധിക്കുന്നു. ഉദാഹരണത്തിന്, വാർഷിക റിപ്പോർട്ടുകൾ, പോളിസി ഗൈഡുകൾ, വിദ്യാർത്ഥി ഇവന്റുകൾ, യൂണിവേഴ്സിറ്റി ഗെയിം പ്രവർത്തനങ്ങൾ മുതലായവ.
- വ്യക്തിഗത രേഖകൾ: ഇത്തരത്തിലുള്ള ഡോക്യുമെന്റ് വിശകലനം പൊതു രേഖകളിൽ നിന്ന് വ്യത്യസ്തമായി ആളുകളുടെ പെരുമാറ്റം, പെരുമാറ്റം, ആരോഗ്യം, ശരീരഘടന മുതലായവയുടെ സ്വകാര്യ റിപ്പോർട്ടുകൾ പരിശോധിക്കുന്നു. ഉദാഹരണത്തിന്, വിദ്യാർത്ഥികളുടെ വലുപ്പവും ഭാരവും, വിദ്യാർത്ഥികൾ സ്കൂളിൽ പോകാൻ എടുക്കുന്ന യാത്രാ സമയം മുതലായവ.
- ഫിസിക്കൽ പ്രൂഫ്: ഫിസിക്കൽ പ്രൂഫ് അല്ലെങ്കിൽ രേഖകൾ ഒരു വ്യക്തിയുടെ അല്ലെങ്കിൽ ഒരു സ്ഥാപനത്തിന്റെ പണത്തിന്റെയും അളക്കാവുന്ന വളർച്ചയുടെയും മുൻകാല വിജയങ്ങളെക്കുറിച്ച് സംസാരിക്കുന്നു.
ക്വാണ്ടിറ്റേറ്റീവ് ഉദാഹരണങ്ങൾ
ഇത് എന്താണ് സൂചിപ്പിക്കുന്നതെന്ന് പൂർണ്ണമായി മനസ്സിലാക്കാൻ നിങ്ങളെ സഹായിക്കുന്നതിന് ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയുടെ ചില ഉദാഹരണങ്ങൾ ഇതാ:
- ഏറ്റവും പുതിയ മൊബൈൽ ആപ്ലിക്കേഷൻ 83 വ്യക്തികൾ ഡൗൺലോഡ് ചെയ്തു.
- കഴിഞ്ഞ വർഷം, എന്റെ അമ്മായി 18 പൗണ്ട് കുറഞ്ഞു.
- X ഇനത്തിന്റെ വില $1,000 ആണ്.
- പരിപാടിയിൽ 500 പേർ പങ്കെടുത്തു.
- ഈ വർഷം അവൾക്ക് പത്ത് അവധികളുണ്ട്.
- ഒരു പാദത്തിൽ, ഞാൻ എന്റെ ഫോൺ ആറ് തവണ അപ്ഗ്രേഡ് ചെയ്തു.
- കഴിഞ്ഞ വർഷം, എന്റെ കുട്ടി 3 ഇഞ്ച് വളർന്നു.
- ഒരു പുതിയ ഉൽപ്പന്നം ചേർക്കുന്നത് വരുമാനത്തിൽ 30% വർദ്ധനവിന് കാരണമാകും.
- 54% അമേരിക്കക്കാരും പറഞ്ഞു, ഒരു മാളിൽ നിന്ന് വാങ്ങുന്നതിനേക്കാൾ ഓൺലൈനിൽ വാങ്ങുന്നതാണ് നല്ലത്.
- പുതിയ ഉൽപ്പന്ന ഫീച്ചർ ഹിറ്റാകുമെന്ന് കരുതുന്നില്ലെന്ന് 150 പേർ പ്രതികരിച്ചു.
പ്രയോജനങ്ങൾ
- ആഴത്തിലുള്ള പഠനം നടത്തുക: ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ സ്ഥിതിവിവരക്കണക്ക് പരിശോധിക്കാൻ കഴിയുന്നതിനാൽ ഗവേഷണം സമഗ്രമാകാൻ സാധ്യതയുണ്ട്.
- കുറഞ്ഞ പക്ഷപാതം: വ്യക്തിഗത പക്ഷപാതം ഗവേഷണത്തിന് സംഭാവന നൽകുകയും കൃത്യമല്ലാത്ത ഫലങ്ങൾ ഉണ്ടാക്കുകയും ചെയ്യുന്ന സമയങ്ങളുണ്ട്. ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റയുടെ സംഖ്യാപരമായ വശത്താൽ വ്യക്തിഗത പക്ഷപാതം വളരെ കുറയുന്നു.
- കൃത്യമായ ഫലങ്ങൾ: ഫലങ്ങൾ വസ്തുനിഷ്ഠമായ സ്വഭാവമുള്ളതിനാൽ, അവ തികച്ചും കൃത്യമായിരുന്നു.
സഹടപിക്കാനും
- നിയന്ത്രിത വിവരങ്ങൾ: ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ വിവരണാത്മകമല്ലാത്തതിനാൽ, അവർ ശേഖരിച്ച ഡാറ്റയിൽ നിന്ന് മാത്രം നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നത് ഗവേഷകർക്ക് വെല്ലുവിളിയാണ്.
- ചോദ്യ തരത്തെ ആശ്രയിച്ചിരിക്കുന്നു: ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ ശേഖരിക്കാൻ ഉപയോഗിക്കുന്ന ചോദ്യ തരം ഫലങ്ങളിലെ പക്ഷപാതത്തെ ബാധിക്കുന്നു. ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ ശേഖരിക്കുമ്പോൾ, ഗവേഷണത്തിന്റെ ലക്ഷ്യങ്ങളെയും ലക്ഷ്യങ്ങളെയും കുറിച്ച് ഗവേഷകന്റെ ധാരണ നിർണായകമാണ്.
തീരുമാനം
ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ വ്യത്യസ്ത ചിന്തയെക്കുറിച്ചാണ്, ഒത്തുചേരുന്ന ന്യായവാദമല്ല. സംഖ്യാപരവും യുക്തിപരവും വസ്തുനിഷ്ഠവുമായ വീക്ഷണകോണുമായി ഇത് സംഖ്യാപരവും സ്ഥിരവുമായ വസ്തുതകൾക്ക് ഊന്നൽ നൽകിക്കൊണ്ട് കൈകാര്യം ചെയ്യുന്നു.
ചാർട്ടുകളിലും ഗ്രാഫുകളിലും അനലിറ്റിക്കൽ നിഗമനങ്ങൾ പ്രദർശിപ്പിക്കാൻ കഴിയുന്ന ഒരേയൊരു ഡാറ്റ തരം, അളവ് ഡാറ്റാ ഗവേഷണം സമഗ്രമാണ്.
ഡാറ്റ വിശകലനം തീർച്ചയായും ഒരു നിർണായക ഘട്ടമാണ്, അത് ഇല്ലെങ്കിൽ, നിങ്ങളുടെ പഠനത്തിന്റെ വസ്തുനിഷ്ഠതയും ആധികാരികതയും വിട്ടുവീഴ്ച ചെയ്യാൻ മാത്രമല്ല, നിഗമനങ്ങളെ അസ്ഥിരമാക്കാനും കഴിയും. കൃത്യമായ ഫലങ്ങൾ നൽകാൻ നല്ല ഡാറ്റ നിങ്ങളെ സഹായിക്കും.
അതിനാൽ, സാങ്കേതികത പരിഗണിക്കാതെ തന്നെ, നിങ്ങൾ അളവ് ഡാറ്റ ശേഖരിക്കാൻ ഉപയോഗിക്കുന്നു, മൂല്യവത്തായതും ഉപയോഗപ്രദവുമായ സ്ഥിതിവിവരക്കണക്കുകൾ നൽകുന്നതിന് ആവശ്യമായ ഉയർന്ന നിലവാരമുള്ള വിവരങ്ങൾ ഉണ്ടെന്ന് ഉറപ്പാക്കുക.
നിങ്ങളുടെ അഭിപ്രായങ്ങൾ രേഖപ്പെടുത്തുക