Количественные vs качественные данные: в чем разница и когда стоит использовать одни вместо других

Для принятия решений в маркетинге всегда следует опираться на данные. Существуют два типа данных: количественные и качественные. Количественные относятся к числовым данным, которые можно измерить, например, количество кликов, количество пользователей и ежемесячную выручку. Качественные данные нельзя подсчитать, но вместо этого описывают характеристики или особенности, такие как удобство использования, предпочтения пользователей и их мотивации.

Большинство компаний собирают огромные объемы количественных данных. Гиганты, такие как Netflix и Amazon, используют большие данные и аналитику для повышения удовлетворенности клиентов и управления своими бизнесами. Эти количественные данные также могут использоваться для создания моделей машинного обучения для прогнозирования будущего. Однако сочетание количественных данных с качественными приводит к мощным идеям, которые могут поднять вашу организацию на новый уровень.

В идеале маркетологи должны использовать смесь количественных и качественных данных, чтобы получить всеобъемлющее представление о своих продуктах и бизнесах. В то время как некоторые организации полагаются больше на количественные данные, другие больше используют качественные данные. Но как каждый тип данных применяется в повседневной работе? И как их использовать вместе, чтобы добиться лучших результатов?

Чтобы понять, как оптимизировать использование обоих типов данных рассмотрим следующие вопросы:

1. В чем основные различия в способах использования количественных и качественных данных? Каковы ограничения каждого типа данных?
2. Какие виды вопросов обычно могут быть решены с помощью качественных данных? В каких ситуациях качественные данные особенно полезны?
3. Какие типы вопросов лучше всего решаются с помощью количественных данных? Когда количественные данные наиболее полезны?
4. Когда лучше всего сочетать качественные и количественные данные?

Вопрос 1. Ключевые различия в способах использования количественных и качественных данных заключаются в следующем:

• Количественные данные измеряют успех или проблемы, качественные же данные показывают, почему возникают успех или проблемы.
• Для количественных данных требуется большой объем информации, качественные данные обычно имеют небольшой объем выборки.
• Получение количественных данных может быть относительно дешевым, сбор качественных данных дорог.
• Источниками количественных данных являются данные отчетов о трендах и метрики продукта, источниками качественных данных являются исследования пользователей, тестирование на применимость и опросы.
• Количественные измерения просты и менее подвержены предвзятости, интерпретация качественных данных более сложна, а предвзятость более распространена.

Пример сценария

Предположим, вы работаете над продуктом под названием fitWorkout, который является приложением для фитнеса, позволяющим пользователям отслеживать различные показатели здоровья и смотреть тренировки от своих любимых тренеров. Количественные данные могут рассказать нам, какие тренировки самые популярные, в какое время суток пользователи занимаются и как часто, а также сколько пользователей создали полный профиль в приложении. Что, если вы заметили, что только 25% активных пользователей приложения создали свой профиль? Вот где в игру вступают качественные данные. Исследование пользователей может показать, что ваши пользователи не понимают ценности создания профиля, не могут легко найти страницу профиля или беспокоятся о конфиденциальности данных. Знание этих причин может привести к решению проблем в продукте.

Ограничения количественных данных:

• Время от времени количественное исследование не сможет ответить на вопросы «почему» и «как» во время фазы разработки продукта.
• Количественные результаты могут указать на неправильное направление, когда объем выборки не соответствует целям исследования.
• Недостаток данных может привести к метрикам или результатам, которые не являются статистически значимыми.

Ограничения качественных данных:

• При попытке записать интервью, беседы фокус-групп или кейс-стади могут возникнуть проблемы, если они не предоставляют точную или полезную информацию.
• Некоторые общие проблемы включают в себя небольшие объемы выборки (узкий сегмент рынка продукции), неосознанные предвзятости, смещение выборки, крайне контролируемые условия при сборе обратной связи и качество собранной информации.
• Также следует помнить о качестве вопросов, задаваемых во время интервью.

Как для количественных, так и для качественных данных важно сохранять их анонимность насколько это возможно. Конфиденциальность пользователей крайне важна и должна тщательно регулироваться, необходимо обеспечить неразглашение данных. Кроме того, анонимность помогает избежать предвзятости и определить сегменты пользователей по образцам использования, а не по конкретным характеристикам, что является более современным способом анализа данных.

Вопрос 2. Какие виды вопросов обычно могут быть решены с помощью качественных данных? В каких ситуациях качественные данные особенно полезны?

Качественные данные особенно полезны для глубокого понимания использования продукта клиентами, их мотивации и проблем, они могут показать, для чего люди «нанимают» ваш продукт. Это отлично подходит, когда вам нужны мнения, описания или предложения. Кроме того, они могут помочь определить более точный путь клиента и понять рынок, сегменты и поведение клиентов в комплексе. Это помогает как маркетологу, так и команде в целом, строить эмпатию к пользователям, которую нельзя получить из количественных данных.

Еще одна ситуация, в которой качественные данные действительно ярко проявляют себя, — это фаза открытия или проектирования нового продукта или его функций. В начале разработки нового продукта, или даже на начальных этапах стартапа, у вас скорее всего не будет огромного объема количественных данных. Использование качественных данных может обнаружить идеи или предложения, которые вы не смогли бы найти иначе.

В общем, качественные данные наиболее подходят для:

• Понимания поведения пользователей и «работы, которую нужно выполнить» (JTBD)
• Построения пути клиента (CJM)
• Предложений, рекомендаций или идей для улучшения продукта
• Исследования рынка, сегментов и конкурентов
• Когда количественные данные недоступны

Пример сценария:

Предположим, вы добавили новую функцию в приложение fitWorkout, позволяющую пользователям связываться с тренерами в реальном времени и давать обратную связь во время предзаписанных тренировок, исходя из обратной связи, что пользователи хотят, чтобы приложение было более интерактивным. Проблема в том, что менее 10% пользователей используют новые функции. Данные использования из приложения не сообщают нам, почему это происходит, поэтому пришло время провести исследование пользователей. Вы назначаете несколько интервью с пользователями через видеочат, но получаемые в ответ отзывы все очень положительные. Вы, должно быть, что-то упускаете. Вы решаете наблюдать за пользователями во время тренировки с использованием приложения fitWorkout.

Вы сразу видите, что пользователи испытывают трудности с поиском способа связаться с тренером, потому что механизм появляется только после начала тренировки. После того, как вы показываете пользователям, как это сделать, вы продолжаете замечать трудности. Пользователю не так легко коснуться экрана телефона во время занятий спортом, даже если он хочет. Один из участников даже спрашивает, можно ли использовать голосовое управление. Понадобилось реальное наблюдение за пользователями с использованием приложения, чтобы выяснить проблему, но теперь вы знаете, что нужно исправить. Вот в чем красота качественных данных.

Вопрос 3. Какие типы вопросов лучше всего можно решить с использованием количественных данных? Когда количественные данные наиболее полезны?

Количественные данные отлично подходят для выявления паттернов и мониторинга производительности. Они могут рассказать вам, как ваш продукт себя ведет на рынке, как пользователи принимают новую функцию и насколько ваши бизнес-цели находятся на правильном пути. Они могут предупредить вас о тех областях вашего продукта или бизнеса, которые требуют внимания, например, о конкретных географических зонах, в которых наблюдается недостаточная производительность, или о том, какие функции продукта наиболее популярны с точки зрения использования. Количественные данные идеально подходят для понимания того, как изменения продукта влияют на поведение пользователей через A/B-тестирование или анализ когорт.

Количественные данные также полезны для понимания прогресса разработки. Они могут использоваться для определения статуса функции и прогнозирования времени ее завершения. Они также могут выявить проблемы качества и улучшения в отдельных функциях на основе сообщений о дефектах.

Пример сценария:

В сценарии приложения fitWorkout вы мониторите производительность и паттерны использования фитнес-классов. В ходе анализа ключевых показателей производительности вы видите, что 20-минутные классы имеют намного больше ежемесячных просмотров, чем другие классы, поэтому вы рассматриваете возможность добавления их еще больше. Кроме того, вы замечаете, что тренер Таня является самой популярной, поэтому вы можете захотеть добавить больше ее классов и также обеспечить ее стимулирующим вознаграждением для продолжения занятий. Вы замечаете, что участие в классах по гребле снизилось на 60% за последние три месяца, вам нужно исследовать, почему это происходит, и, возможно, уменьшить инвестиции в этот тип классов. Количественные данные позволяют нам обнаруживать эти паттерны и индикаторы, чтобы вы могли принимать обоснованные бизнес-решения.

Обычно ваш продукт должен иметь KPI (ключевые показатели производительности), которые легко измерить. Это те типы данных, которые используют количественные данные, чтобы помочь принять решение о запуске функции или даже откатить эксперимент.

Количественные данные могут быть представлены в различных формах: скорость принятия продукта (в процентах), конверсии (в числе), или скорость загрузки страниц (в единицах времени). Например, в контексте веб-сайта бронирования отелей количественные данные могут представлять собой количество клиентов, заказавших определенный номер.

Количественные данные стараются ответить на вопросы типа «что», «сколько» и «как часто». Этот тип данных часто используется для любой функции в продукте, будь то измерение использования или здоровья. Он позволяет увидеть, что происходит, и принимать решения на основе данных.

Количественные данные действительно хорошо показывают, как продукт себя ведет на рынке. Они помогают получить (почти неискаженные) надежные, объективные идеи, которые в свою очередь помогают выявить паттерны. Структурированное количественное исследование помогает проводить масштабные опросы и дает менеджерам продукта четкое представление о здоровье продукта. Временами это помогает разбить более крупную проблему на мелкие кусочки, например, сосредоточившись на конкретных метриках для улучшения здоровья продукта.

Количественные данные могут обычно давать ответы на вопросы, такие как:

• Статус разработки продукта
  • Каков процент завершения?
  • Сколько задач выполнено?
  • Сколько дней потребуется для завершения этого продукта или функции?
• Использование продукта
  • Количество использований функции или продукта?
  • Какие функции используются чаще всего?
• Голоса клиентов
  • Какому количеству человек понравилась идея по сравнению с теми, кому она не понравилась?
  • Как клиенты оценивают продукт?

Количественные данные полезны практически во всех ситуациях. Ниже приведены некоторые ситуации в жизненном цикле разработки продукта, где можно использовать количественные данные:

• Голоса за новые функции от заинтересованных сторон и их приоритизация (самая популярная функция)
• Оценка усилий по разработке для функции или доставки продукта (количество дней, необходимых для разработки)
• Статус завершения разработки функции (% завершения)
• Мониторинг здоровья продукта путем подсчета статистики дефектов (дефектов по функциям)
• Улучшения функций, такие как приоритизация дефектов клиентов и запросов клиентов (наиболее запрашиваемая функция, наиболее требующий разрешения дефект)

Вопрос 4. Когда лучше всего комбинировать качественные и количественные данные?

Хотя идеально было бы принимать все решения на основе как качественных, так и количественных данных, учитывая ограничения по затратам и времени, это невозможно. Маркетологи должны резервировать использование обоих типов данных для ситуаций, в которых они получат наибольшую выгоду. Одна из таких ситуаций — это когда вы делаете «большую ставку» или крупные инвестиции в новый продукт или обновление. Вы захотите убедиться, что у вас есть вся информация, чтобы запуск был успешным.

Еще один случай, когда вы захотите использовать оба типа данных, — это когда что-то не соответствует логике или вы не знаете причину цифр. Например, если результаты клиентских опросов указывают на плохие отзывы о некоторых функциях, вам может понадобиться анализ использования функций, дефектов и процентов завершения клиентского пути. Или если вы обеспокоены тем, что используемые вами количественные данные имеют небольшой объем выборки или субъективны, переход к качественным данным может помочь получить более полное понимание.

Пример сценария:

Такие ситуации возникают на протяжении жизненного цикла продукта. Вернемся к приложению fitWorkout: скажем, что количественные данные показывают, что 25% пользователей, войдя в систему, никогда не пробовали занятия фитнесом. И ваши количественные данные показывают, что 85% пользователей, которые никогда не пробовали занятия, не продлевают свою ежегодную подписку. Но это все, что могут сказать вам количественные данные. Вы не знаете, почему пользователи не участвуют в занятиях. Чтобы разобраться в этой проблеме, вам нужны качественные данные.

Потеря этих пользователей означает серьезный удар по показателю продления подписок и доходам, поэтому вы решаете вложить ресурсы в опросы пользователей и интервью, чтобы понять, что происходит. Вы отправляете опросы пользователям, которые не участвовали в занятиях, и проводите интервью с текущими и потенциальными пользователями. После многих усилий вы обнаруживаете, что основные причины, по которым пользователи не пробуют занятия, заключаются в том, что они забывают о приложении после регистрации и не мотивированы к физическим упражнениям. Вы можете передать эти причины команде по продукту и придумать решение для этих проблем. После внедрения решения вы можете использовать количественные данные, чтобы отслеживать, улучшили ли вы количество пользователей, пробующих первое занятие по фитнесу, и, следовательно, улучшите процент продления. Стратегическое использование как количественных, так и качественных данных на протяжении жизненного цикла продукта приводит к созданию отличных продуктов.

В таблице ниже приведены типичные случаи использования количественных данных, качественных данных или и тех, и других. Это не исчерпывающий список, а краткое изложение наиболее часто используемых сценариев.

Когда делается крупная инвестиционная ставка (в плане запуска нового продукта или внесения значительных обновлений в продукт), это требует всестороннего анализа, который происходит из комбинации как качественных, так и количественных данных. Именно сочетание всех потоков информации, приводит к определению стратегии продукта.

Качественные и количественные данные предоставляют ключевые понимание ответов, которые вы ищете. Поэтому их комбинация должна принести значительные преимущества, позволяя вам подтвердить результаты и получить более глубокое понимание того, как ваш продукт используется. Например, вы можете подтвердить гипотезу, понять ее (через качественное исследование), а затем расширить свой кругозор, чтобы получить статистические данные (количественные), перед тем как протестировать решение через дальнейшее качественное исследование. Это создает благоприятный цикл, помогая вам двигаться быстро и обеспечивая постоянное улучшение. Еще один сценарий — когда числа не имеют смысла или не объясняют сами себя. Вам придется комбинировать качественные данные, чтобы понять полную картину.

Качественные и количественные данные имеют свои сильные и слабые стороны.

Фаза разработки продукта/функции:

Используйте качественное исследование (фокус-группы, интервью с клиентами, кейс-исследования, анализ конкурентов), чтобы сформулировать/идентифицировать области исследования/сценарии использования пользователей.

Затем используйте количественные методы (телеметрия продукта, результаты экспериментов, корреляционные исследования), чтобы дальше расширить сценарии использования, идентифицированные ранее, оценить предпочтения пользователей и, наконец, разработать план продукта.

После запуска продукта/функции:

Количественные данные играют ключевую роль на этом этапе, так как они дают вам полную картину вокруг метрик принятия, активации, удержания, реферирования и доходности. После запуска, измерение качественной обратной связи похоже на то, как вы замеряете пульс вашего клиента. Я бы потратил время на сбор как внутренней, так и внешней обратной связи. Внутренняя обратная связь поступает от ваших маркетинговых и продажных команд. Внешняя обратная связь поступает от текущих или будущих клиентов через первоначальные реакции (положительные или критические отзывы).

Идеально было бы комбинировать качественные и количественные данные для каждой задачи. Но это делает все задачи трудоемкими и затратными по времени. Поэтому обычно качественные и количественные данные комбинируются только тогда, когда нужно устранить ограничения как качественных, так и количественных данных. Как мы знаем, ограничение качественных данных заключается в том, что это описательные, неопределенные и неструктурированные данные, что создает трудности в проведении любого типа анализа данных. И ограничение количественных данных заключается в том, что они могут быть субъективными, если выборка мала. В любом из этих ситуаций мы должны объединить как качественные, так и количественные данные. Например:

• Если у нас есть качественные данные, и мы считаем, что у нас нет определенных точек принятия решений или мы хотим провести дополнительный анализ, мы также должны обратиться к количественным данным.
• Если у нас есть количественные данные, и мы также провели анализ данных, но мы обеспокоены маленьким объемом выборки или смещением данных, тогда мы должны использовать качественные данные.