Освойте методы сбора и анализа качественных и количественных данных. Как правильно обрабатывать информацию для получения наиболее точных и полезных данных.

Качественные данные – это та информация, которую невозможно выразить в числовом эквиваленте. Они используются для качественного анализа и представляют собой неструктурированную текстовую информацию. В контексте маркетингового анализа это обычно те данные, которые содержат сведения о качестве товаров и услуг компании: отзывы, обзоры, результаты опросов.

Самый простой способ определить, что вы столкнулись именно с качественными данными – обратить внимание на их внешний вид. Они не могут быть представлены в виде чисел и обычно не имеют структуры вовсе или имеют нечеткую структуру. Качественные данные описывают отдельные свойства объекта, его атрибуты и метки.

Методы анализа качественных данных обычно называют исследовательскими, потому что они позволяют ответить на вопрос «почему» и построить причинно–следственные связи. Исследование качественных данных помогает получить представление об определенных характеристиках продукта или целевой аудитории, развить и протестировать отдельные гипотезы и ответить на открытые вопросы.

Важно помнить, что анализ качественных данных не может быть произведен детально точно. Эти данные носят описательный характер, поэтому исследовать и анализировать их должен только тот специалист, который имеет понимание особенностей таких данных. При этом интерпретация используемых сведений основывается на наблюдении за объектами, например, за покупателями в процессе маркетингового исследования. Выразить числами результаты наблюдений невозможно, поэтому в процессе анализа вы также получите определенное количество качественной информации.

Помимо прямого наблюдения, качественные данные могут быть основаны на оценке отдельных явлений, опросах и интервью. В процессе оценки и интервьюирования вы также получаете определенное количество описательной информации, которую в дальнейшем нужно также проанализировать и обработать.

Сбор качественных данных осуществляется с использованием большого количества разнообразных каналов. Среди источников информации можно выделить интервью, отзывы сотрудников компании и клиентов, работу с фокус–группами, обзоры продуктов от экспертов и простых пользователей. Обычно данные такого плана поступают на анализ в неструктурированном виде, поэтому перед изучением информации необходимо их собрать и привести к единому формату. Важно также качественно очистить эти данные, потому что в них часто встречаются неточности, повторы и неполная информация.

Наиболее часто в качестве качественных данных используется информация, полученная из поисковых систем, социальных сетей, обзоры продуктов компании, комментарии пользователей и другие следы веб–взаимодействий клиентов с компанией. Собрать эти данные можно непосредственно из источников, в которых они размещены, или с привлечением провайдеров информации. Удобнее, конечно, собирать данные с помощью поставщиков информации, потому что в этом случае аналитики смогут получить уже скомпилированную и приведенную к единому виду информацию, что заметно сэкономит время на поиск данных.

В зависимости от целей анализа необходимо выбирать различные источники качественных данных. Например, информация из отзывов сотрудников помогает оценить внутренние риски компании и ситуацию в коллективе, а также проанализировать бизнес–процессы. Если же основной целью маркетингового исследования является изучение продукта и его соответствия пожеланиям клиентов, необходимо использовать отзывы и опросы, проведенные среди покупателей.

Качественные данные собирают следующим образом:

• В реальном времени. Некоторые виды качественных данных для анализа можно и нужно собирать в реальном времени, в процессе наблюдения за объектом анализа. В маркетинге обычно проводится наблюдение в реальном времени за клиентами. Это необходимо для того, чтобы понять, что привлекает потенциальных пользователей, проанализировать их поведение, например, на сайте при выборе продукта, узнать, на что они обращают внимания, а что вызывает у них затруднения.

• Интервью и опросы. Интервью и опросы также являются хорошим источником большого количества качественных данных. В маркетинге опросы пользуются огромным спросом, например тогда, когда нужно выяснить мнение клиентов по поводу оказанных им услуг или купленных ими товаров. Интервью проводится тогда, когда специалистам нужно выяснить большое количество деталей у отдельных клиентов и отдельных целевых групп потенциальных покупателей. Интервью затрачивает гораздо больше времени, чем опрос, и кроме того, оба этих метода требуют определенного уважения к потенциальным участникам и их анонимизации. Личные данные клиентов, принявших участие в опросе или интервью, не должны фигурировать в процессе анализа, потому что чаще всего они не несут действительно важной информации.

• Социальные сети. В профильных группах социальных сетей можно собрать мнения клиентов о вашем продукте. Однако важно помнить, что это мнение может быть неполным. Кроме того, при сборе качественных данных в социальных сетях важно помнить, что полученная информация может быть неточной или неполной. При проведении анализа это важно учитывать.

• Краудсорсинг и платформы с открытым доступом. Если вы не можете уделить время самостоятельному сбору данных, вы можете обратиться к исполнителям на краудсорсинговых платформах. Оставьте там максимально понятный и четкий запрос, чтобы исполнитель смог быстро понять, что от него требуется, и максимально быстро и качественно выполнить ваши требования. Это сэкономит время на сборе данных для сотрудников компании и позволит выделить это время на подготовку всей необходимой документации для проведения анализа, к примеру. Краудсорсинговые платформы и платформы с открытым доступом позволяют найти исполнителей для отдельных этапов работы, и сбор качественных данных – не исключение.

• Открытые источники. Во многих случаях часть нужной вам информации уже собрана до вас другими аналитиками. Проверить это можно, поискав данные в открытых источниках. Вполне возможно, что вы найдете отдельные базы данных или даже готовые отчеты, основанные на анализе необходимых вам материалов. Это позволит также сэкономить время на поиск качественных данных.

• Синтетический рендеринг. Синтетический рендеринг используется очень редко. Это метод, позволяющий получить большое количество данных в том случае, если изначально их недостаточно. Он заключается в том, чтобы синтетически дополнить базу данных необходимыми сведениями, фактически додумать их. Понятное дело, что такой метод может оказаться не самым лучшим способом получить хотя бы более–менее объективные результаты анализа, однако при непредвзятом подходе он вполне может помочь.

Перед началом сбора данных необходимо определить цели дальнейшего анализа и его задачи. В зависимости от того, что именно вы хотите выяснить, можно подобрать метод сбора информации и найти все необходимые данные для проведения работы. Перед началом анализа информации необходимо проверить формат данных и привести сведения к единому виду.

Важно также помнить, что собранные вами данные могут содержать неточности, ошибки или попросту быть неполными. Именно поэтому собранные данные нельзя сразу использовать для анализа. Нужно подготовить их, стандартизировать, очистить и провести их разметку. Выполняться эта работа может как вручную, так и в полуавтоматическом режиме.

После разметки и очистки данных их нужно проверить и убедиться, что они соответствуют заданным стандартам качества. Это поможет впоследствии получить реалистичные выводы по результатам изучения информации.

Качественные данные делятся на следующие типы:

• Категорические данные. К этому виду данных относится та информация, которую можно легко разделить на отдельные группы на основе определенных характеристик и свойств. При этом представить сведения в числовом эквиваленте невозможно, скорее, они будут представлены исключительно в виде слов или предложений. В некоторых случаях отдельным качественным данным можно присвоить номера, но с точки зрения математики они не будут значить абсолютно ничего.

• Номинальные данные. Номинальные данные – это та информация, которую невозможно отсортировать и разделить на подгруппы определенным образом. Присвоить номинальной информации отдельные категории, конечно, можно, но упорядочить их, к примеру, от низшего к высшему, невозможно. К этому типу данных относятся ответы на закрытые вопросы, где возможны только два варианта ответов. Их можно разделить соответственно на две категории, однако дополнительно их упорядочить каким–либо образом невозможно. Такая информация используется, например, для подсчета процента довольных клиентов или других количественных параметров.

• Порядковые данные. Порядковым данным можно присвоить категории. И после разделения их на крупные категории вы можете упорядочить их внутри категорий логическим образом. Отдельным блокам порядковых данных можно также присваивать номера, однако это не будет иметь места с математической точки зрения. Это может только помочь рассортировать данные по отдельным подгруппам. Порядковые данные можно также использовать для расчета процентов, частот и пропорций.

Основным преимуществом качественных данных является то, что сбор и изучение такой информации помогает понять причины отдельных изменений. Правильный сбор качественных данных позволяет проанализировать поведение конкурентов, понять разницу между маркетинговыми стратегиями различных компаний и выработать наиболее оптимальные способы продвижения продукта. Качественные данные также позволяют проанализировать особенности внутренних процессов компании и понять, почему сотрудники недовольны или, напротив, довольны своей работой, что нужно улучшить для повышения эффективности работы отделов.

Использование качественных данных позволяет более точно настраивать маркетинговую стратегию, основываясь на отзывах и мнениях клиентов, привлекать новых покупателей с помощью точечной таргетированной рекламы, собирать и анализировать сведения о клиентах. Это позволяет составить наиболее точный портрет представителя вашей целевой аудитории и понять, каким именно образом он выбирает продукт и что приводит к выбору того или иного товара или услуги. Благодаря использованию качественных данных в процессе анализа вы можете обосновать те или иные деловые решения и изучать те бизнес–стратегии, которые используют ваши конкуренты.

Количественные данные – это еще один важный тип данных, которые часто используются для анализа деятельности компании. Это числовые данные, которые используются в процессе математического и статистического исследования. Информацию, содержащуюся в виде чисел, можно использовать для количественных исследований. Ее можно структурировать. На основе количественных данных можно выстроить диаграммы, графики, таблицы. Количественные данные и их использование в процессе исследования позволяют ответить на вопросы, начинающиеся со слова «что».

Важно помнить, что количественные данные – это та информация, которая имеет действительное математическое значение и указывает на количество определенных аспектов. Такие данные гораздо легче собирать и анализировать, нежели качественные.

Количественные данные можно использовать для построения визуальных схем, графиков, диаграмм, гистограмм. Они также применяются для расчета коэффициентов и изучения финансовых показателей компании.

Обычно количественные данные представляются в виде некоторого количества чисел и имеют определенные единицы измерения. При этом сами данные разделены на группы по диапазону или количеству значений. В процессе работы с количественными данными можно применять разнообразные арифметические операции, а также методы статистического анализа.

Количественные данные можно получить из абсолютно различных источников. Они могут содержаться в рыночных отчетов, которые собираются как компанией, так и сторонними организациями. Информация такого характера могут быть внутри опросов. Отдельное количество числовых данных можно получить через сбор статистики посещений сайта компании и анализа поведения пользователей на различных веб–ресурсов.

Для некоторых видов анализа необходимо определить количество продаж и сумму, которую готовы потратить клиенты на покупку товара или услуги. Такие данные можно получить в процессе анализа финансовых отчетов, сбора макроэкономических показателей. Еще одним важным блоком количественных данных является количество сотрудников компании, ее потенциальных и реальных клиентов.

Количественные данные можно разделить на следующие типы:

• Дискретные данные. Дискретные данные – это обычно целочисленные цифровые показатели. Они могут принимать только определенные значения и не могут включать дроби. Дискретными данными является, например, количество сотрудников организации или количество клиентов. Эти числа не могут быть дробными, и если у вас получается дробь в процессе вычислений или анализа, это говорит о наличии ошибок.

• Непрерывные данные. Непрерывные данные могут принимать любое числовое значение. Они могут быть дробными. Чаще всего непрерывные данные – это сведения о доходе компании и заработной плате сотрудников, информация о продажах компании.

Одним из важнейших преимуществ количественных данных является то, что их гораздо легче найти, собрать и проанализировать. В зависимости от того, какой тип информации вы ищете, можно быстро оценить по числовой информации все возможные изменения и получить ответы на интересующие вас вопросы без длительного анализа.

При этом, хотя количественные данные гораздо более просты в работе, многие специалисты больше склонны ценить качественные данные. Это связано с тем, что количественные данные дают ограниченный объем информации для исследования и требуют дополнительных пояснений.

Однако количественные данные гораздо более точны. Они позволяют действительно измерить определенные показатели, поддаются классификации и упорядочиванию, что способствует повышению точности работы с информацией. При использовании количественных данных можно получить более крупные выборки сведений для анализа и сделать его более полным.

Количественные данные позволяют провести статистический анализ, сравнить изменения в ключевых показателях и определить, что именно вызвало эти изменения. Они подходят для проведения автоматического анализа с использованием искусственного интеллекта и моделей машинного обучения, которые могут сравнивать отдельные числовые показатели между собой. Количественные данные также часто используются для обоснования отдельных решений в бизнесе и их сравнения.