Kvalitativ data är information som du kan beskriva med ord snarare än siffror.
Kvantitativ data är information som representeras på ett mätbart sätt med hjälp av siffror.
En typ av data är inte bättre än den andra.
För att göra grundlig forskning behöver du båda. Men att veta skillnaden mellan dem är viktigt om du vill utnyttja den fulla kraften i både kvalitativ och kvantitativ data.
I det här inlägget kommer vi att utforska sju viktiga skillnader mellan dessa två typer av data.
#1. Typen av data
Den enskilt största skillnaden mellan kvantitativ och kvalitativ data är att den ena handlar om siffror och den andra handlar om begrepp och idéer.
Orden “kvalitativ” och “kvantitativ” är verkligen lika, vilket kan göra det svårt att hålla reda på vilken som är vilken. Jag tycker om att tänka på dem så här:
- Kvantitativ = kvantitet = sifferrelaterade data
- Kvalitativ = kvalitet = beskrivande data
Kvalitativ data – den beskrivande – involverar vanligtvis skrivna eller talade ord, bilder eller till och med objekt. Det samlas in på alla möjliga sätt: videoinspelningar, intervjuer, öppna enkätsvar och fältanteckningar, till exempel.
Jag gillar hur forskaren James W. Crick definierar kvalitativ forskning i ett nummer 2021 av Journal of Strategic Marketing: “Kvalitativ forskning är utformad för att generera djupgående och subjektiva resultat för att bygga teori.”
Med andra ord, kvalitativ forskning hjälper dig att lära dig mer om ett ämne – vanligtvis från en primär eller förstahandskälla – så att du kan bilda dig idéer om vad det betyder. Den här typen av data är ofta rik på detaljer och dess tolkning kan variera beroende på vem som analyserar den.
Det här är vad jag menar: om du ber fem olika personer att observera hur 60 kattungar beter sig när de presenteras för ett hamsterhjul, får du fem olika versioner av samma händelse.
Kvantitativ data, å andra sidan, handlar om siffror och statistik. Det finns inget rörelseutrymme när det kommer till tolkning. I vårt kattungescenario kan kvantitativa data visa oss att av de 60 kattungarna som presenterades med ett hamsterhjul, 40 tafsade på det, 5 hoppade in och började snurra, och 15 ignorerade det helt.
Det finns inga om, och, eller men om siffrorna. De bara är.
#2. När ska man använda varje typ av data
Du bör använda både kvantitativ och kvantitativ data för att fatta beslut för ditt företag.
Kvantitativ data hjälper dig att komma till vad. Kvalitativa data avslöjar varför.
Kvantitativ data samlar in ytinformation, som siffror. Kvalitativa data dyker djupt under samma siffror och konkretiserar nyanserna där.
Forskningsprojekt kan ofta dra nytta av båda typerna av data, vilket är anledningen till att du kommer att se termen “blandad-metod”-forskning i peer-reviewade tidskrifter. Termen “blandad metod” syftar på att använda både kvantitativa och kvalitativa metoder i en studie.
Så, kanske du dyker in i originalforskning. Eller så kanske du tittar på andras studier för att fatta ett viktigt affärsbeslut. I båda fallen kan du använda både kvantitativ och kvalitativ data för att vägleda dig.
Föreställ dig att du vill starta ett företag som gör hamsterhjul för katter. Du kör det kattungeexperimentet, bara för att lära dig att de flesta kattungar inte är så intresserade av hamsterhjulet. Det är vad dina kvantitativa data verkar säga. Av de 60 kattungarna som deltog i studien hoppade bara 5 in i hjulet.
Men 40 av kattungarna tafsade vid ratten. Enligt dina kvantitativa data rörde dessa 40 kattungar vid hjulet men kom inte in.
Det är här din kvalitativa data kommer in i bilden. Varför rörde dessa 40 kattungar hjulet men slutade utforska det? Du vänder dig till forskarnas observationer. Eftersom det fanns fem olika forskare har du fem uppsättningar med detaljerade anteckningar att studera.
Från dessa observationer lär du dig att många av kattungarna verkade rädda när hjulet rörde sig efter att de tafsat det. De blev misstänksamma mot strukturen, jamade och cirklade runt den, upprörda.
En forskare noterade att kattungarna verkade desperata att njuta av hjulet, men de verkade inte känna att det var säkert.
Så din idé är inte en flopp, precis.
Det behöver bara justeras.
Enligt dina kvantitativa data rörde 75 % av de studerade kattungarna antingen vid eller deltog aktivt i hamsterhjulet. Dina kvalitativa data tyder på att fler kattungar skulle ha hoppat in i hjulet om den inte hade rört sig så lätt när de tafsade på den.
Du bestämmer dig för att göra ditt kattungehjul robustare och prova hela testet igen med en ny uppsättning kattungar. Förhoppningsvis kommer den här gången en högre andel av dina kattdeltagare att hoppa in och njuta av det roliga.
Det här är ett mycket förenklat och fiktivt exempel på hur en blandad metod kan hjälpa dig att göra viktiga val för ditt företag.
#3. Data du har tillgång till
När du kan svänga den bör du titta på både kvalitativ och kvantitativ data innan du fattar några stora beslut.
Men det är här vi kommer till en annan stor skillnad mellan kvantitativ vs. kvalitativ data: det är mycket lättare att hämta kvalitativ data än kvantitativ data.
Varför? Eftersom det är lätt att göra en undersökning, vara värd för en fokusgrupp eller genomföra en intervjurunda. Allt du behöver göra är att hoppa på SurveyMonkey eller Zoom och du är på väg att samla in original kvalitativ data.
Och ja, du kan få några kvantitativa data här. Om du kör en enkät och 45 kunder svarar kan du samla in demografisk data och ja/nej-svar för den poolen med 45 respondenter.
Men detta är ett relativt litet urval. (Mer om varför detta är viktigt på ett ögonblick.)
För att berätta något meningsfullt måste kvantitativa data uppnå statistisk signifikans.
Om det har gått ett tag sedan din collegestatistikkurs, här är en uppdatering: statistisk signifikans är en mätstav. Den talar om för dig om resultaten du får beror på en specifik orsak eller om de kan hänföras till en slumpmässig slump.
För att uppnå statistisk signifikans i en studie måste man vara riktigt noga med att lägga upp studien på rätt sätt och med en meningsfull urvalsstorlek.
Detta betyder inte att det är omöjligt att få kvantitativa data. Men om du inte har någon i ditt team som kan allt om nollhypoteser och p-värden och statistisk analys, kan du behöva lägga ut kvantitativ forskning på entreprenad.
Många företag gör detta, men det är dyrt.
När du precis har börjat eller inte behöver pengar kan kvalitativa data ge dig värdefull information – snabbt och utan att tappa plånboken.
#4. Stor vs. liten provstorlek
En annan anledning till att kvalitativ data är mer tillgänglig? Det kräver en mindre provstorlek för att uppnå meningsfulla resultat.
Även en persons perspektiv ger värde till ett forskningsprojekt – någonsin hört talas om en fallstudie?
The sweet spot beror på syftet med studien, men för kvalitativ marknadsundersökning är någonstans mellan 10-40 respondenter en bra siffra.
Mer än så riskerar du att nå mättnad. Det är då du hela tiden får resultat som ekar varandra och inte tillför något nytt till forskningen.
Kvantitativ data behöver tillräckligt många respondenter för att nå statistisk signifikans utan att svänga in i mättnadsområdet.
Det ideala antalet provstorlekar är vanligtvis högre än det är för kvalitativa data. Men som med kvalitativa data, det finns inget enda, magiskt tal. Allt beror på statistiska värden som konfidensnivå, populationsstorlek och felmarginal.
Eftersom det ofta kräver en större urvalsstorlek kan kvantitativ forskning vara svårare för den genomsnittliga personen att göra på egen hand.
#5. Analysmetoder
Att genomföra en studie är bara den första delen av att bedriva kvalitativ och kvantitativ forskning.
När du har samlat in data måste du studera den. Hitta teman, mönster, konsistenser, inkonsekvenser. Tolka och organisera siffrorna eller enkätsvar eller intervjuinspelningar. Städa upp det hela till något du kan dra slutsatser av och tillämpa på olika situationer.
Detta kallas dataanalys, och det görs på helt olika sätt för kvalitativ vs kvantitativ data.
För kvalitativa data inkluderar analysen:
- Dataförberedelser: Gör all din kvalitativa data lätt att komma åt och läsa. Detta kan innebära att organisera enkätresultaten efter datum, eller transkribera intervjuer eller lägga in fotografier i ett bildspelsformat.
- Kodning: Nej, inte sånt. Tänk på färgkodning, som du gjorde för dina anteckningar i skolan. Tilldela färger eller koder till specifika attribut som är vettiga för din studie – grönt för positiva känslor, till exempel och rött för arga känslor. Koda sedan vart och ett av dina svar.
- Tematisk analys: Organisera dina koder i teman och underteman, leta efter meningen – och relationerna – inom var och en.
- Innehållsanalys: Kvantifiera antalet gånger vissa ord eller begrepp förekommer i din data. Om detta låter misstänkt som kvantitativ forskning för dig så är det det. Slags. Det är att titta på kvalitativ data med ett kvantitativt öga för att identifiera återkommande teman eller mönster.
- Narrativ analys: Leta efter liknande berättelser och upplevelser och gruppera dem. Studera dem och dra slutsatser av vad de säger.
- Tolka och dokumentera: När du organiserar och analyserar dina kvalitativa data, bestäm vad resultaten betyder för dig och ditt projekt.
Du kan ofta göra kvalitativ dataanalys manuellt eller med verktyg som NVivo och ATLAS.ti. Dessa verktyg hjälper dig att organisera, koda och analysera dina subjektiva kvalitativa data.
Kvantitativ dataanalys är mycket mindre subjektiv. Så här går det i allmänhet till:
- Datarensning: Ta bort alla inkonsekvenser och felaktigheter från dina data. Kontrollera om det finns dubbletter, felaktig formatering (av misstag att skriva ett värde på 1,00 som 10,1, till exempel) och ofullständiga siffror.
- Sammanfatta data med beskrivande statistik: Använd medelvärde, median, läge, intervall och standardavvikelse för att sammanfatta dina data.
- Tolka uppgifterna med inferentiell statistik: Det är här det blir mer komplicerat. Istället för att bara sammanfatta statistik kommer du nu att använda komplicerade matematiska och statistiska formler och tester – t-tester, chi-kvadrattest, variansanalys (ANOVA) och korrelation, till att börja med – för att tilldela din data mening.
Forskare använder i allmänhet sofistikerade dataanalysverktyg som RapidMiner och Tableau för att hjälpa dem att utföra detta arbete.
#6. Flexibilitet
Kvantitativ forskning tenderar att vara mindre flexibel än kvalitativ forskning. Den bygger på strukturerade datainsamlingsmetoder, som forskare måste sätta upp i god tid innan studien börjar.
Denna stela struktur är en del av det som gör kvantitativ data så tillförlitlig. Men nackdelen här är att när man väl påbörjat studien är det svårt att ändra på något utan att påverka resultaten negativt. Om något oväntat dyker upp – eller om nya frågor dyker upp – kan forskare inte enkelt ändra studiens omfattning.
Kvalitativ forskning är mycket mer flexibel. Det är därför kvalitativ data kan gå djupare än kvantitativ data. Om du intervjuar någon och ett intressant, oväntat ämne dyker upp kan du omedelbart utforska det.
Andra kvalitativa forskningsmetoder erbjuder också flexibilitet. De flesta stora varumärken för undersökningsprogram låter dig bygga flexibla undersökningar med hjälp av förgrenings- och överhoppningslogik. Dessa funktioner låter dig anpassa vilka frågor respondenterna ser baserat på de svar de ger.
Denna flexibilitet är ovanlig inom kvantitativ forskning. Men även om den är lika flexibel som en olympisk gymnast, kan kvalitativa data vara mindre tillförlitliga – och svårare att validera.
#7. Tillförlitlighet och giltighet
Kvantitativ data är mer tillförlitlig än kvalitativ data. Siffror kan inte masseras för att passa en viss fördom. Om du replikerar studien – med andra ord kör exakt samma kvantitativa studie två eller flera gånger – bör du få nästan identiska resultat varje gång. Detsamma gäller om en annan uppsättning forskare kör samma studie med samma metoder.
Det är detta som ger kvantitativ data den tillförlitlighetsfaktorn.
Det finns några viktiga fördelar här. För det första betyder tillförlitlig data att du med säkerhet kan göra generaliseringar som gäller för en större population. Det betyder också att data är giltiga och exakt mäter vad det än är du försöker mäta.
Och slutligen, tillförlitlig data är pålitlig. Stora industrier som hälsovård, marknadsföring och utbildning använder ofta kvantitativa data för att fatta beslut på liv eller död. Ju mer tillförlitliga och pålitliga uppgifterna är, desto säkrare kan dessa beslutsfattare vara när det är dags att göra kritiska val.
Till skillnad från kvantitativa data är kvalitativa data inte öppet tillförlitliga. Det är inte lätt att replikera. Om du skickar ut samma kvalitativa undersökning vid två olika tillfällen får du en ny mix av svar. Dina tolkningar av data kan också se annorlunda ut.
Det finns naturligtvis fortfarande ett otroligt värde i kvalitativ data – och det finns sätt att se till att data är giltiga. Dessa inkluderar:
- Medlemskontroll: Ring tillbaka med enkät-, intervju- eller fokusgruppsrespondenter för att se till att du sammanfattat och tolkat deras feedback korrekt.
- Triangulering: Använda flera datakällor, metoder eller forskare för att korskontrollera och bekräfta resultat.
- Peer debriefing: Att visa data för kamrater – andra forskare – så att de kan granska forskningsprocessen och dess resultat och ge feedback om båda.
Oavsett om du har att göra med kvalitativ eller kvantitativ data är transparens, noggrannhet och giltighet avgörande. Fokusera på att skaffa (eller utföra) kvantitativ forskning som är lätt att replikera och kvalitativ forskning som har granskats av experter.
Med stensäker data som denna kan du fatta viktiga affärsbeslut med tillförsikt.
