El valor de la gestión de datos

Análisis de datos cualitativos: desafíos y precauciones

Posted on Mon, Sep 5, 2016

El análisis de datos cualitativos es tan necesario para obtener conocimiento accionable como lo es el de datos cuantitativos. Sin embargo, este tipo de procesos analíticos suelen resultar más complejos debido a que, para poderse llevar a cabo, hay que superar algunos desafíos. Conocerlos es tener recorrido parte del camino para su resolución.

analisis_de_datos_cualitativos.jpg

 Créditos fotográficos: istock shironosov

Retos relacionados con el análisis de datos cualitativos

Ni es necesario plantearse qué fuentes de datos son mejores que otras, ni hace falta elegir entre el análisis de datos cualitativos y el de datos cuantitativo, puesto que ambos se complementan entre sí y, combinados, contribuyen a ofrecer una imagen más precisa de la realidad. Aunque lo cierto es que, en la práctica, ambos procesos se deben abordar de forma un poco distinta.

Descárgate nuestra Guía sobre Calidad de Datos y MDM

Uno de los motivos son las limitaciones inherentes al muestreo que hay que realizar para aplicar posteriormente el análisis de datos cualitativos, ya que:

  1. La limitación del tamaño de la muestra, en comparación con cualquier muestreo de datos cuantitativos: mientras que para este último tipo de análisis es sencillo acceder a grandes volúmenes de datos, para el análisis de datos cualitativos esto supone un gran desafío. Además de que es complicado conocer el tamaño ideal de una muestra de este tipo, tampoco resulta fácil encontrar datos de este tipo disponibles y es bastante costoso proveerse de ellos, por ejemplo, llevando a cabo una investigación sobre el número de individuos suficiente.
  2. La representatividad de la muestra: dado que cualquier iniciativa de análisis de datos cualitativos deberá llevarse a cabo en base a recursos limitados, será preciso hacer una selección de la muestra. Y, precisamente en esa acción de escoger a los individuos que participarán en el proceso puede generarse un error cuyos efectos afectarán a la fiabilidad de las conclusiones del estudio. El sesgo de selección es una distorsión que se origina en el momento de la elección de participantes en la muestra, provocando la extracción de conclusiones erróneas debido a la falta de validez y exactitud interna del estudio.

Para superar estos errores comunes que afectan a la calidad del análisis de datos cualitativos, es importante contar con el soporte tecnológico adecuado. Hay que escoger una herramienta capaz de trabajar sobre formatos muy diferentes (vídeo, audio, gráficos, texto, etc.), que sea intuitiva y accesible para el usuario y en la que visualización sea el hilo conductor del proceso analítico, para garantizar su agilidad.

Además de esta elección, hay que tomar las siguientes precauciones:

  • Ser flexible en cuanto al número de participantes y fuentes incluidas en el estudio y estar abierto a nuevas incorporaciones. Aplicar esta máxima también al formato de los datos que se emplearán.
  • No olvidarse de que, a medida que la investigación avance, puede resultar enriquecedor contar con nuevos perfiles y fuentes, que aporten perspectivas diferentes, para una visión más completa.
  • Ser consciente de que, determinadas decisiones y circunstancias, pueden empeorar las consecuencias del sesgo de selección. Es lo que sucede cuando se incluye deliberadamente en la muestra a individuos o fuentes ligados de alguna manera a alguno de los aspectos a analizar, cuando se cuenta con la participación de individuos con tendencia a involucrarse en este tipo de procesos o en los casos en que se produce la pérdida o abandono de alguno de los participantes en el estudio.
  • No olvidarse de tener en cuenta el sesgo de selección al interpretar los resultados de las pruebas, puesto que se trata de un error sistemático; un riesgo que queda minimizado cuando el proceso e análisis se aborda con el apoyo del automatismo.

¡Consulta gratuitamente a uno de nuestros expertos sobre Master Data Management!

Es necesario tener presente que la retroalimentación cualitativa puede suponer un importante apoyo a la toma de decisiones empresarial, sobre todo si se combina con técnicas analíticas centradas en datos cuantitativos; pero hay que saber aplicar este tipo de técnicas de análisis de forma aséptica y profesional, con la ayuda de las herramientas adecuadas. Está demostrado que las suposiciones y expectativas del investigador, influyen de forma inconsciente tanto en el comportamiento de los participantes en el estudio, como en las conclusiones que se extraen de él.

 

Experiencia de cliente y omnicanalidad

Topics: Data Driven