تفسیر

تفسیر

تفسیر، اهداف اغلب تحقیق‌های علوم انسانی ساختن یا تفاسیر مختلفی از یك موضوع تحقیق از جمله، آثار هنری، تصویر یا فضا است. تفسیرها می‌تواند به روش‌های مختلف ساخته و عمق تفسیرها ممكن است متفاوت باشد. هدف شما باید آشكاركردن و توصیف محتوای موضوع انتخاب شده با استفاده از ساده ترین تفسیرها و یا كشف و توضیح معانی فرهنگی و اجتماعی گسترده و پیچیده با استفاده از یك تفسیر پیچیده باشد. تمام اهداف تحقیق، شامل نوعی تفسیر است. تفسیرها در طول فرایند یك پروژه تحقیق از قبیل؛ كتابشناسی، تجزیه‌وتحلیل نتایج و داده‌ها ساخته می‌شوند. اگر مسئله مربوط به معانی و هدف تحقیق باشد، ممكن است ساخت تفسیرها به‌عنوان هدف اصلی از تحقیق باشد.

تفسیر داده چیست؟

تفسیر داده‌ها به فرایند استفاده از روش‌های تحلیلی متنوع برای بررسی داده‌ها و رسیدن به نتایج مرتبط اشاره دارد. تفسیر داده‌ها به محققان کمک می‌کند تا اطلاعات را دسته‌بندی و خلاصه کنند تا به سؤالات مهم پاسخ دهند.

اهمیت تفسیر داده‌ها مشهود است و به همین دلیل است که باید به‌درستی انجام شود. به‌احتمال زیاد داده‌ها از منابع متعدد به دست می‌آیند و تمایل دارند با ترتیب تصادفی وارد فرایند تحلیل شوند. تحلیل داده‌ها به‌شدت ذهنی است. به این معنا که ماهیت و هدف تفسیر از تجارتی به کسب‌وکار دیگر متفاوت است و احتمالاً با نوع داده‌های مورد تجزیه‌وتحلیل مرتبط است. درحالی‌که چندین نوع فرایند وجود دارد که بر اساس ماهیت داده‌های فردی اجرا می‌شوند، دودسته وسیع‌تر و رایج‌ترین آنها «تحلیل کمی و کیفی» است.

بااین‌حال، قبل از شروع هر تحقیق جدی برای تفسیر داده‌ها، باید درک کرد که ارائه بصری یافته‌های داده بی‌ربط است، مگر اینکه تصمیم درستی در مورد مقیاس‌های اندازه‌گیری گرفته شود. مقیاس‌های مختلف عبارت‌اند از:

• مقیاس اسمی: مقوله‌های غیرعددی که نمی‌توان آنها را رتبه‌بندی کرد یا از نظر کمی مقایسه کرد. متغیرها انحصاری و جامع هستند.
• مقیاس ترتیبی: مقوله‌های انحصاری که انحصاری و جامع اما با نظم منطقی هستند. رتبه‌بندی کیفیت و رتبه‌بندی توافق نمونه‌هایی از مقیاس‌های ترتیبی هستند (یعنی خوب، خیلی خوب، منصفانه، و غیره، یا موافقم، کاملاً موافقم، مخالفم و غیره).
• فاصله: مقیاس اندازه‌گیری که در آن داده‌ها به دسته‌هایی با فواصل منظم و مساوی بین دسته‌ها گروه‌بندی می‌شوند. همیشه یک نقطه صفر دلخواه وجود دارد.
• نسبت: شامل ویژگی‌های هر سه است.

برای بررسی عمیق‌تر مقیاس‌های اندازه‌گیری، مقاله ما را در مورد سؤالات تجزیه‌وتحلیل داده‌ها بخوانید. هنگامی که مقیاس‌های اندازه‌گیری انتخاب شدند، زمان آن فرارسیده است که انتخاب کنید کدام یک از دو فرایند تفسیری گسترده با نیازهای داده شما مطابقت دارد.

چگونه داده‌ها را تفسیر کنیم؟

هنگام تفسیر داده‌ها، یک تحلیلگر باید سعی کند تفاوت‌های بین همبستگی، علیت، و تصادف، و همچنین بسیاری از سوگیری‌های دیگر را تشخیص دهد؛ اما او همچنین باید همه عوامل دخیل که ممکن است منجر به نتیجه شده باشد را در نظر بگیرد. روش‌های مختلفی برای تفسیر داده‌ها وجود دارد که می‌توان برای دستیابی به این هدف از آنها استفاده کرد.

تفسیر داده‌ها برای کمک به افراد در درک داده‌های عددی جمع‌آوری، تجزیه‌وتحلیل و ارائه شده طراحی شده است. داشتن یک روش پایه برای تفسیر داده‌ها، ساختار و پایه ثابتی را برای تیم‌های تحلیلگر شما فراهم می‌کند. در واقع، اگر چندین بخش رویکردهای متفاوتی برای تفسیر داده‌های یکسان داشته باشند و درعین‌حال اهداف یکسانی را به اشتراک بگذارند، ممکن است برخی اهداف ناهماهنگ به وجود بیاید. روش‌های متفاوت منجر به تلاش‌های مضاعف، راه‌حل‌های ناسازگار، اتلاف انرژی، و به‌ناچار به زمان و پول خواهد شد. در این قسمت به بررسی دو روش اصلی تفسیر داده‌ها می‌پردازیم: تحلیل کیفی و کمی.

تفسیر کیفی

تجزیه‌وتحلیل داده‌های کیفی را می‌توان در یک کلمه «طبقه‌بندی» خلاصه کرد. با این نوع تجزیه‌وتحلیل، داده‌ها از طریق مقادیر یا الگوهای عددی توصیف نمی‌شوند، بلکه از طریق استفاده از بافت توصیفی (به‌عنوان‌مثال، متن) توصیف می‌شوند. به طور معمول، داده‌های روایی با استفاده از طیف گسترده‌ای از تکنیک‌های فردبه‌فرد جمع‌آوری می‌شود. این تکنیک‌ها عبارت‌اند از:

• مشاهدات: جزئیات الگوهای رفتاری که در یک گروه مشاهده رخ می‌دهد. این الگوها می‌تواند مقدار زمان صرف شده در یک فعالیت، نوع فعالیت و روش ارتباطی به کار گرفته شده باشد.
• گروه‌های کانونی: افراد را گروه‌بندی کنید و از آنها سؤالات مرتبط بپرسید تا یک بحث مشترک در مورد یک موضوع تحقیق ایجاد شود.
• تحقیقات ثانویه: مانند نحوه مشاهده الگوهای رفتاری، انواع مختلفی از منابع اسنادی را می‌توان بر اساس نوع مطالبی که در بردارند کدگذاری و تقسیم‌بندی کرد.
• مصاحبه: یکی از بهترین روش‌های جمع‌آوری داده‌های روایی. پاسخ‌های پرس‌وجو را می‌توان بر اساس موضوع، موضوع یا دسته‌بندی گروه‌بندی کرد. رویکرد مصاحبه امکان تقسیم‌بندی داده‌های بسیار متمرکز را فراهم می‌کند.
• تفاوت کلیدی بین تحلیل کیفی و کمی به‌وضوح در مرحله تفسیر است. اولین مورد به طور گسترده‌ای قابل‌تفسیر است و باید به‌گونه‌ای “کدگذاری” شود تا گروه‌بندی و برچسب‌گذاری داده‌ها در موضوعات قابل‌شناسایی را تسهیل کند. ازآنجایی‌که تکنیک‌های جمع‌آوری داده‌های شخص به فرد اغلب می‌تواند منجر به اختلافات مربوط به تجزیه‌وتحلیل مناسب شود، تجزیه‌وتحلیل داده‌های کیفی اغلب در سه اصل اساسی خلاصه می‌شود: به چیزها توجه کنید، چیزها را جمع‌آوری کنید و در مورد چیزها فکر کنید.
• پس از جمع‌آوری داده‌های کیفی از طریق رونوشت‌ها، پرسش‌نامه‌ها، ضبط‌های صوتی و تصویری یا یادداشت‌های محقق، نوبت به تفسیر آن می‌رسد. برای این منظور، روش‌های رایجی وجود دارد که توسط محققان و تحلیلگران استفاده می‌شود.
• تجزیه‌وتحلیل محتوا: همان‌طور که از نام آن پیداست، این یک روش تحقیقی است که برای شناسایی فرکانس‌ها و کلمات، موضوعات و مفاهیم تکرارشونده در محتوای تصویر، ویدئو یا صوتی استفاده می‌شود. این اطلاعات کیفی را به داده‌های کمی تبدیل می‌کند تا به کشف روندها و نتیجه‌گیری‌هایی کمک کند که بعداً از تحقیقات مهم یا تصمیمات تجاری پشتیبانی می‌کند. این روش اغلب توسط بازاریابان برای درک احساسات برند از دهان خود مشتریان استفاده می‌شود. از این طریق می‌توانند اطلاعات ارزشمندی را برای بهبود محصولات و خدمات خود استخراج کنند. استفاده از ابزارهای تجزیه‌وتحلیل محتوا برای این روش توصیه می‌شود؛ زیرا انجام دستی آن بسیار زمان بر است و می‌تواند منجر به خطای انسانی یا مسائل ذهنی شود. داشتن یک هدف واضح قبل از شیرجه‌زدن در آن، تمرین عالی دیگری برای جلوگیری از گم‌شدن در مه است.
• تجزیه‌وتحلیل موضوعی: این روش بر تجزیه‌وتحلیل داده‌های کیفی مانند متن مصاحبه، سؤالات نظرسنجی و موارد دیگر تمرکز دارد تا الگوهای مشترک را شناسایی کرده و داده‌ها را باتوجه‌به شباهت‌ها یا مضامین یافت شده به گروه‌های مختلف تقسیم کند. به‌عنوان‌مثال، تصور کنید می‌خواهید نظر مشتریان را در مورد رستوران خود تجزیه‌وتحلیل کنید. برای این منظور، شما یک تجزیه‌وتحلیل موضوعی بر روی 1000 بررسی انجام می‌دهید و مضامین رایجی مانند «غذای تازه»، «غذای سرد»، «قسمت‌های کوچک»، «کارکنان دوستانه» و غیره را پیدا می‌کنید. با دردست‌داشتن آن موضوعات تکراری، می‌توانید استخراج کنید. نتیجه‌گیری در مورد آنچه که می‌تواند بر اساس تجربیات مشتری شما بهبود یا افزایش یابد. ازآنجایی‌که این تکنیک بیشتر اکتشافی است، آماده باشید تا سؤالات یا اهداف تحقیق خود را در حین انجام تغییر دهید.
• تحلیل روایی: کمی خاص‌تر و پیچیده‌تر از دو روش قبلی، از تحلیل روایی برای تحلیل داستان‌ها و کشف معنای پشت آن‌ها استفاده می‌شود. این داستان‌ها را می‌توان از توصیفات، مطالعات موردی و مصاحبه‌ها استخراج کرد؛ زیرا این قالب‌ها فضای بیشتری را برای گفتن تجربیات خود به افراد می‌دهد. باتوجه‌به اینکه جمع‌آوری این نوع داده‌ها سخت‌تر و زمان‌برتر است، حجم نمونه برای تحلیل روایی معمولاً کوچک‌تر است که بازتولید یافته‌های آن را دشوارتر می‌کند. بااین‌حال، هنوز ثابت می‌کند که در مواردی مانند درک ترجیحات و طرز فکر مشتریان، یک تکنیک ارزشمند است.
• تحلیل گفتمان: از این روش برای ترسیم معنای هر نوع زبان بصری، نوشتاری یا نمادین در ارتباط با زمینه اجتماعی، سیاسی، فرهنگی یا تاریخی استفاده می‌شود. برای درک اینکه چگونه زمینه می‌تواند بر نحوه اجرا و درک زبان تأثیر بگذارد استفاده می‌شود. به‌عنوان‌مثال، اگر در حال انجام تحقیق در مورد دینامیک قدرت هستید، استفاده از تحلیل گفتمان برای تجزیه‌وتحلیل مکالمه بین یک سرایدار و یک مدیرعامل و نتیجه‌گیری در مورد پاسخ‌های آن‌ها بر اساس زمینه و سؤالات تحقیق شما، یک مورداستفاده عالی برای این تکنیک است. گفته می‌شود، مانند همه روش‌های این بخش، تجزیه‌وتحلیل گفتمان زمان‌بر است، زیرا داده‌ها نیاز به تجزیه‌وتحلیل دارند تا زمانی که بینش جدیدی ظاهر نشود.
• تحلیل گراندد تئوری: هدف رویکرد نظریه زمینه‌ای ایجاد یا کشف یک نظریه جدید با آزمایش و ارزیابی دقیق داده‌های موجود است. برخلاف تمام رویکردهای کیفی دیگر در این فهرست، تحلیل نظریه زمینه‌ای به استخراج نتیجه‌گیری و هیپو کمک می‌کند. پایان‌نامه‌ها از داده‌ها، به‌جای اینکه با یک فرضیه تعریف شده وارد تحلیل شوند. این روش در بین محققان، تحلیلگران و بازاریابان بسیار محبوب است؛ زیرا نتایج کاملاً مبتنی بر داده‌ها هستند و توضیح واقعی هر سناریویی را ارائه می‌دهند. اغلب هنگام تحقیق در مورد یک موضوع کاملاً جدید یا با دانش کمی استفاده می‌شود؛ زیرا این فضا برای شروع از پایه است.

تفسیر کمی

اگر بتوان تفسیر داده‌های کمی را در یک کلمه خلاصه کرد، آن کلمه “عددی” خواهد بود. وقتی صحبت از تجزیه‌وتحلیل داده‌ها به میان می‌آید، قطعیت‌های کمی وجود دارد، اما می‌توانید مطمئن باشید که اگر تحقیقی که در آن شرکت می‌کنید، اعداد و ارقام در آن دخیل نیست، این تحقیق کمی نیست، زیرا این تحلیل به مجموعه‌ای از فرایندها اشاره دارد که توسط آن داده‌های عددی تجزیه‌وتحلیل می‌شوند. اغلب شامل استفاده از مدل‌سازی آماری مانند انحراف معیار، میانگین و میانه است. بیایید به‌سرعت رایج‌ترین اصطلاحات آماری را مرور کنیم:

• میانگین: میانگین نشان‌دهنده میانگین عددی برای مجموعه‌ای از پاسخ‌ها است. هنگامی که با یک مجموعه‌داده (مجموعه‌داده‌های متعدد) سروکار داریم، یک میانگین مقدار مرکزی یک مجموعه خاص از اعداد را نشان می‌دهد. مجموع مقادیر تقسیم بر تعداد مقادیر درون مجموعه‌داده است. اصطلاحات دیگری که می‌توان برای توصیف مفهوم استفاده کرد میانگین حسابی، میانگین و انتظار ریاضی است.
• انحراف معیار: این اصطلاح آماری دیگری است که معمولاً در تجزیه‌وتحلیل کمی ظاهر می‌شود. انحراف معیار توزیع پاسخ‌ها را حول میانگین نشان می‌دهد. این درجه سازگاری در پاسخ‌ها را توصیف می‌کند. همراه با میانگین، بینشی در مورد مجموعه‌داده‌ها ارائه می‌دهد.
• توزیع فرکانس: این یک اندازه‌گیری است که میزان ظاهر پاسخ را در یک مجموعه‌داده اندازه‌گیری می‌کند. هنگام استفاده از نظرسنجی، به‌عنوان‌مثال، توزیع فرکانس، می‌تواند تعداد دفعاتی را که یک پاسخ مقیاس ترتیبی خاص ظاهر می‌شود (یعنی موافق، کاملاً موافق، مخالف و غیره) تعیین کند. توزیع فرکانس در تعیین درجه اجماع بین نقاط داده بسیار مشتاق است.

به طور معمول، داده‌های کمی با ارائه آزمون‌های همبستگی بصری بین دو یا چند متغیر بااهمیت اندازه‌گیری می‌شوند. فرایندهای مختلف را می‌توان با هم یا جداگانه مورداستفاده قرارداد و می‌توان با مقایسه‌ها در نهایت به نتیجه رسید. سایر فرایندهای تفسیر امضای داده‌های کمی عبارت‌اند از:

• تحلیل رگرسیون: اساساً از داده‌های تاریخی برای درک رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل استفاده می‌کند. دانستن اینکه کدام متغیرها مرتبط هستند و چگونه درگذشته توسعه‌یافته‌اند، به شما امکان می‌دهد تا نتایج احتمالی را پیش‌بینی کنید و تصمیمات بهتری در آینده بگیرید. برای مثال، اگر می‌خواهید فروش خود را برای ماه آینده پیش‌بینی کنید، می‌توانید از رگرسیون استفاده کنید تا بفهمید چه عواملی بر آن‌ها تأثیر می‌گذارند، مانند محصولات در فروش، و راه‌اندازی یک کمپین جدید و بسیاری موارد دیگر.
• تحلیل کوهورت: این روش گروه‌هایی از کاربران را که ویژگی‌های مشترکی را در یک دوره زمانی خاص به اشتراک می‌گذارند، شناسایی می‌کند. در یک سناریوی تجاری، تحلیل کوهورت معمولاً برای درک رفتارهای مشتری استفاده می‌شود. به‌عنوان‌مثال، یک گروه می‌تواند همه کاربرانی باشد که برای یک دوره آزمایشی رایگان در یک روز معین ثبت‌نام کرده‌اند. تجزیه و تحلیلی انجام می‌شود تا ببینیم این کاربران چگونه رفتار می‌کنند، چه اقداماتی انجام می‌دهند و چگونه رفتار آنها با سایر گروه‌های کاربری متفاوت است.
• تحلیل پیش‌بینی‌کننده: همان‌طور که از نامش پیداست، هدف روش پیش‌بینی، پیش‌بینی تحولات آینده با تجزیه‌وتحلیل داده‌های تاریخی و فعلی است. با استفاده از فناوری‌هایی مانند هوش مصنوعی و یادگیری ماشین، روش‌های تحلیل پیش‌بینی‌کننده، کسب‌وکارها را قادر می‌سازد الگوها یا مسائل بالقوه را شناسایی کرده و استراتژی‌های آگاهانه را از قبل برنامه‌ریزی کنند.
• تجزیه‌وتحلیل تجویزی: همچنین با استفاده از پیش‌بینی‌ها، روش تجویزی از تکنیک‌هایی مانند تجزیه‌وتحلیل گراف، پردازش رویدادهای پیچیده و شبکه‌های عصبی، در میان سایر موارد، استفاده می‌کند تا سعی کند تأثیری را که تصمیمات آینده خواهد داشت به‌منظور تعدیل آنها قبل از تصمیم‌گیری واقعی، آشکار کند. این به کسب‌وکارها کمک می‌کند تا استراتژی‌های تجاری پاسخگو و عملی را توسعه دهند.
• تجزیه‌وتحلیل مشترک: معمولاً برای تجزیه‌وتحلیل نظرسنجی اعمال می‌شود، رویکرد مشترک برای تجزیه‌وتحلیل اینکه چگونه افراد برای ویژگی‌های مختلف یک محصول یا خدمات ارزش قائل هستند، استفاده می‌شود. این به محققان و مشاغل کمک می‌کند تا قیمت، ویژگی‌های محصول، بسته‌بندی و بسیاری از ویژگی‌های دیگر را تعریف کنند. یک کاربرد متداول، تجزیه‌وتحلیل مشترک مبتنی بر منو است که در آن به افراد «منو»ی از گزینه‌ها داده می‌شود که از آن می‌توانند مفهوم یا محصول ایدئال خود را بسازند. از طریق این، تحلیلگران می‌توانند بفهمند که کدام ویژگی را بالاتر از سایرین انتخاب می‌کنند و نتیجه‌گیری می‌کنند.
• تجزیه‌وتحلیل خوشه‌ای: آخرین اما نه کم‌اهمیت‌ترین، خوشه روشی است که برای گروه‌بندی اشیا به دسته‌ها استفاده می‌شود. ازآنجایی‌که هنگام استفاده از تحلیل خوشه‌ای متغیر هدفی وجود ندارد، روشی مفید برای یافتن روندها و الگوهای پنهان در داده‌ها است. در یک زمینه تجاری از خوشه‌بندی برای تقسیم‌بندی مخاطبان برای ایجاد تجربیات هدفمند استفاده می‌شود، و در تحقیقات بازار، اغلب برای شناسایی گروه‌های سنی، اطلاعات جغرافیایی و درآمد و سایر موارد استفاده می‌شود.

منابع:

1. datapine.com