Analisis data kualitatif, penjelasan dilengkapi contoh kasus dan hasilnya dalam bentuk PDF dan paparan data.
Analisis data kualitatif-Ketika Anda melakukan penelitian, perlu menjelaskan perubahan dalam metrik atau memahami pendapat orang, analisis data kualitatiflah pilihannya.
Umumnya, data kualitatif berbentuk:
- Transkrip wawancara
- Survei dengan pertanyaan terbuka
- Transkrip dari video
- Teks dan dokumen
- Rekaman audio dan video
- Catatan observasi
Dibandingkan dengan data kuantitatif, yang menangkap informasi terstruktur, data kualitatif sifatnya cenderung tidak terstruktur dan memiliki kedalaman. Data ini dapat menjawab pertanyaan kita, dapat membantu merumuskan hipotesis dan membangun pemahaman.
Namun sayangnya, menganalisis data kualitatif itu sulit. Sementara alat seperti Excel, Tableau dan PowerBI yang mampu memvisualisasikan data kuantitatif dengan mudah. Namun, bagi data kualitatif tidak ada alat yang sifatnya instan. Sebagian besar analisis data kualitatif masih terjadi secara manual.
Perkembangan Analisis Data Kualitatif
Dewasa ini muncul dua tren penggunaan aplikasi dalam analisis data kualitatif. Pertama, ada kemajuan dalam pemrosesan bahasa alami (NLP) yang difokuskan pada pemahaman bahasa manusia. Kedua, ada ledakan perangkat lunak ramah pengguna yang dirancang untuk peneliti dan bisnis. Keduanya membantu mengotomatisasi analisis data kualitatif.
Dalam postingan ini Ascarya Solution ingin mengajari Anda cara melakukan analisis data kualitatif yang powerfull. Kami akan mengajari Anda cara melakukan analisis secara manual, dan juga, secara otomatis menggunakan solusi perangkat lunak yang didukung oleh NLP.
Kami akan memandu Anda melalui langkah-langkah untuk melakukan analisis manual, dan melihat apa yang dapat yang dapat dimainkan teknologi dalam mengotomatisasi proses ini.
Lebih banyak bisnis beralih ke analisis data kualitatif yang sepenuhnya otomatis karena lebih murah, lebih cepat, dan sama akuratnya.
Apakah Anda akan menganalisis data kualitatif Anda secara manual atau otomatis?
Baiklah, setelah memberikan Anda sedikit gambaran mengenai perkembangan dunia teknik analisis data kualitatif dan kuantitatif. Kami akan menyajikan kepada Anda i 5 langkah untuk melakukan analisis data kualitatif.
Dalam setiap langkah, Kami akan berfokus pada perbedaan utama antara teknik manual dan otomatis. Berikut adalah ikhtisar langkah-langkahnya:
5 langkah untuk melakukan analisis data kualitatif
- Mengumpulkan dan mengumpulkan data kualitatif Anda
- Mengatur dan menghubungkan ke dalam data kualitatif Anda
- Mengkodekan data kualitatif Anda
- Menganalisis data kualitatif menjadi sebuah pemahaman
- Melaporkan hasil pemahaman yang berasal dari analisis Anda
Apa itu Analisis Data Kualitatif?
Analisis data kualitatif adalah proses pengumpulan, penataan dan interpretasi data kualitatif untuk memahami apa yang diwakilinya.
Data kualitatif bersifat non-numerik dan tidak terstruktur. Data kualitatif umumnya mengacu pada teks, seperti tanggapan terbuka terhadap pertanyaan survei atau wawancara pengguna, tetapi juga mencakup audio, foto, dan video.
Bisnis atau perusahaan sering melakukan analisis data kualitatif pada umpan balik pelanggan. Dan dalam konteks ini, data kualitatif umumnya mengacu pada data teks verbatim dari sumber-sumber seperti ulasan, keluhan, pesan obrolan, interaksi Pusat dukungan, wawancara pelanggan, catatan kasus atau komentar media sosial.
Metode Analisis Data Kualitatif
Setelah data ditangkap, ada berbagai teknik analisis yang tersedia dan pilihan ditentukan oleh tujuan penelitian spesifik Anda dan jenis data yang telah Anda kumpulkan. Pendekatan dalam kualitatif umumnya meliputi:
Analisis Konten
Analisis konten adalah pendekatan populer untuk analisis data kualitatif. Teknik analisis lain mungkin sesuai dalam lingkup analisis konten yang luas. Analisis tematik adalah bagian dari analisis konten.
Teknik analisis konten digunakan untuk mengidentifikasi pola yang muncul dari teks, dengan mengelompokkan konten ke dalam kata-kata, konsep, dan tema. Analisis konten berguna untuk mengukur hubungan antara semua konten yang dikelompokkan.
Columbia School of Public Health memiliki contoh analisis data kualitatif pdf yang dapat Anda unduh maupun baca secara langsung rincian rinci analisis konten.
Analisis Naratif
Analisis naratif berfokus pada cerita yang diceritakan orang dan bahasa yang mereka gunakan untuk memahaminya. Hal ini sangat berguna untuk mendapatkan pemahaman yang mendalam tentang perspektif seseorang mengenai masalah tertentu. Analisis naratif memungkinkan kita untuk meringkas hasil dari studi kasus yang terfokus.
Analisis Wacana
Teknik analisis wacana digunakan untuk mendapatkan pemahaman menyeluruh tentang dinamika politik, budaya dan kekuasaan yang ada dalam situasi tertentu. Fokus di sini adalah pada cara orang mengekspresikan diri dalam konteks sosial yang berbeda.
Teknik ini umumnya digunakan oleh ahli strategi merek yang berharap untuk memahami mengapa sekelompok orang merasakan apa yang mereka lakukan tentang merek atau produk.
Analisis Tematik
Analisis tematik digunakan untuk menyimpulkan makna di balik kata-kata yang digunakan orang. Hal ini dilakukan dengan menemukan tema berulang dalam teks. Tema-tema yang bermakna ini mengungkapkan wawasan kunci ke dalam data dan dapat diukur, terutama ketika dipasangkan dengan analisis sentimen (lihat contoh analisis data kualitatif pdf).
Seringkali, hasil analisis tematik adalah bingkai kode yang menangkap tema dalam hal kode, juga disebut kategori. Jadi, proses analisis tematik juga disebut sebagai “coding”. Kasus penggunaan umum untuk analisis tematik di perusahaan adalah analisis umpan balik pelanggan.
Grounded Teori
Grounded Teori adalah pendekatan yang berguna ketika sedikit yang diketahui tentang suatu subjek. Teori dasar dimulai dengan merumuskan teori seputar satu kasus data.
Hal ini berarti bahwa teori ini telah “membumi”. Analisis ini didasarkan pada data aktual, dan tidak sepenuhnya spekulatif. Kemudian kasus tambahan dapat diperiksa untuk melihat apakah mereka relevan dan dapat menambah teori asli.
Selengkapnya 15 Teknik Analisis Data Kualitatif Jurnal yang paling sering digunakan.
Cara melakukan Analisis Data Kualitatif: 5 Langkah
Sekarang Kami akan menunjukkan bagaimana Anda dapat melakukan analisis data kualitatif Anda sendiri. Kami akan memandu Anda melalui proses ini selangkah demi selangkah.
Seperti disebutkan sebelumnya, Anda akan belajar bagaimana melakukan analisis data kualitatif secara manual, dan juga secara otomatis menggunakan data kualitatif modern dan perangkat lunak analisis tematik.
Untuk mendapatkan nilai terbaik dari proses analisis, penting untuk menjadi sangat jelas tentang sifat dan ruang lingkup pertanyaan yang sedang diteliti. Ini akan membantu Anda memilih saluran pengumpulan penelitian yang paling mungkin membantu Anda menjawab pertanyaan Anda.
Bergantung pada apakah Anda adalah bisnis yang ingin memahami sentimen pelanggan, atau survei akademis di sekolah, pendekatan Anda terhadap analisis data kualitatif akan unik.
Setelah Anda jelas, ada urutan untuk diikuti. Dan, meskipun ada perbedaan dalam pendekatan manual dan otomatis, langkah-langkah prosesnya sebagian besar sama.
Kasus penggunaan untuk panduan langkah demi langkah Anda adalah perusahaan yang ingin menganalisis umpan balik pelanggan – untuk meningkatkan pengalaman pelanggan. Anda dapat mengikuti langkah-langkah yang sama terlepas dari sifat penelitian Anda. Mari kita mulai.
Langkah 1: Kumpulkan data kualitatif Anda dan lakukan penelitian
Langkah pertama dari penelitian kualitatif adalah melakukan pengumpulan data. Sederhananya, pengumpulan data adalah mengumpulkan semua data Anda untuk dianalisis. Situasi yang umumnya terjadi adalah ketika data kualitatif tersebar di berbagai sumber.
Metode klasik untuk mengumpulkan data kualitatif
Sebagian besar perusahaan menggunakan metode tradisional untuk mengumpulkan data kualitatif: melakukan wawancara, menjalankan survei, dan menjalankan kelompok fokus.
Data ini biasanya disimpan dalam dokumen, CRM, database dan basis pengetahuan. Penting untuk memeriksa data mana yang tersedia dan perlu dimasukkan dalam penelitian Anda, berdasarkan ruang lingkupnya.
Menggunakan umpan balik kualitatif yang ada
Karena menjadi lebih mudah bagi pelanggan untuk terlibat di berbagai saluran yang berbeda, perusahaan mengumpulkan jumlah yang semakin besar dari umpan balik kualitatif, baik yang diminta dan tidak diminta.
Sebagian besar organisasi sekarang telah berinvestasi dalam program Voice of Customer, mendukung sistem tiket, chatbot dan mendukung percakapan, email dan bahkan obrolan Slack pelanggan.
Saluran baru ini memberi perusahaan cara baru untuk mendapatkan umpan balik, dan juga memungkinkan pengumpulan data umpan balik yang tidak terstruktur dalam skala besar.
Hal yang hebat tentang data ini adalah berisi banyak wawasan dan itu sudah ada di sana! Ketika Anda memiliki pertanyaan baru tentang pelanggan Anda, Anda tidak perlu membuat studi penelitian baru atau membentuk kelompok fokus. Anda dapat menemukan sebagian besar jawaban dalam data yang sudah Anda miliki.
Biasanya, data ini disimpan dalam solusi pihak ketiga atau database pusat, tetapi ada cara untuk mengekspornya atau terhubung ke solusi analisis umpan balik melalui integrasi atau API.
Memanfaatkan saluran data kualitatif yang belum dimanfaatkan
Ada banyak sumber data kualitatif online yang mungkin tidak Anda pertimbangkan. Misalnya, Anda dapat menemukan data kualitatif yang berguna di saluran media sosial seperti Twitter atau Facebook.
Forum online, situs ulasan, dan komunitas online seperti Discourse atau Reddit juga berisi data berharga tentang pelanggan Anda, atau pertanyaan penelitian.
Jika Anda mempertimbangkan untuk melakukan analisis patokan kualitatif terhadap pesaing – internet adalah teman terbaik Anda. Mengumpulkan umpan balik dalam ulasan pesaing di situs-situs seperti Trustpilot, G2, Capterra, Better Business Bureau atau di toko aplikasi adalah cara yang bagus untuk melakukan analisis benchmark pesaing.
Perangkat lunak analisis umpan balik pelanggan sering memiliki integrasi ke media sosial dan situs ulasan, atau Anda dapat menggunakan solusi seperti DataMiner untuk mengikis ulasan.
Langkah 2: Hubungkan &atur semua data kualitatif Anda
Sekarang Anda semua memiliki data kualitatif ini tetapi ada masalah, datanya tidak terstruktur. Sebelum umpan balik dapat dianalisis dan diberi nilai apa pun, itu perlu diatur di satu tempat. Mengapa ini penting? Konsistensi!
Jika semua data mudah diakses di satu tempat dan dianalisis secara konsisten, Anda akan memiliki waktu yang lebih mudah meringkas dan membuat keputusan berdasarkan data ini.
Pendekatan manual untuk mengatur data Anda
Metode klasik penataan data kualitatif adalah dengan memplot semua data yang telah Anda kumpulkan ke dalam spreadsheet.
Biasanya, tim penelitian dan dukungan akan berbagi lembar Excel besar dan unit bisnis yang berbeda akan memahami data umpan balik kualitatif mereka sendiri. Setiap tim mengumpulkan dan mengatur data dengan cara yang paling sesuai dengan mereka, yang berarti umpan balik cenderung disimpan dalam silo terpisah.
Solusi alternatif dan solusi yang lebih kuat adalah menyimpan umpan balik dalam database pusat, seperti Snowflake atau Amazon Redshift.
Perlu diingat bahwa ketika Anda mengatur data Anda dengan cara ini, Anda sering mempersiapkannya untuk diimpor ke perangkat lunak lain. Jika Anda pergi rute database, Anda akan perlu untuk menggunakan API untuk mendorong umpan balik ke perangkat lunak pihak ketiga.
Perangkat lunak analisis data kualitatif berbantuan komputer (CAQDAS)
Secara tradisional dalam pendekatan analisis manual (tetapi tidak selalu), data kualitatif diimpor ke perangkat lunak CAQDAS untuk pengkodean.
Pada awal 2000-an, perangkat lunak CAQDAS dipopulerkan oleh pengembang seperti ATLAS.ti, NVivo dan MAXQDA dan dengan penuh semangat diadopsi oleh para peneliti untuk membantu pengorganisasian dan pengkodean data.
Dalam hal ini, kami memiliki tim yang berfokus dan mampu melakukan analisis data kualitatif dengan N-Vivo.
Manfaat menggunakan perangkat lunak analisis data kualitatif berbantuan komputer:
- Membantu dalam mengatur data Anda
- Membuka Anda untuk menjelajahi interpretasi yang berbeda dari analisis data Anda
- Memungkinkan Anda untuk berbagi dataset Anda lebih mudah dan memungkinkan kolaborasi kelompok (memungkinkan untuk analisis sekunder)
Namun, Anda masih perlu mengkodekan data, mengungkap tema dan melakukan analisis sendiri. Oleh karena itu, ini masih merupakan pendekatan manual. Berikut merupakan contoh teknik analisis data kualitatif tim kami ketika menggunakan N-Vivo.
Mengatur data kualitatif Anda dalam repositori umpan balik
Solusi lain untuk mengatur data kualitatif Anda adalah mengunggahnya ke repositori umpan balik di mana ia dapat disatukan dengan data yang lain, dan mudah dicari dan dapat ditandai.
Ada sejumlah solusi perangkat lunak yang bertindak sebagai repositori pusat untuk data penelitian kualitatif Anda. Berikut adalah beberapa solusi yang dapat Anda selidiki:
- Dovetail: Dovetail adalah repositori penelitian dengan fokus pada transkripsi video dan audio. Anda dapat menandai transkripsi Anda di dalam platform untuk analisis tema. Anda juga dapat mengunggah data kualitatif Anda yang lain seperti laporan penelitian, tanggapan survei, percakapan dukungan, dan wawancara pelanggan. Dovetail bertindak sebagai repositori tunggal yang dapat dicari. Dan membuatnya lebih mudah untuk berkolaborasi dengan orang lain di sekitar penelitian kualitatif Anda.
- EnjoyHQ: EnjoyHQ adalah repositori penelitian lain dengan fungsi yang mirip dengan Dovetail. Ini menawarkan mesin pencari yang lebih canggih, tetapi memiliki biaya berlangganan awal yang lebih tinggi.
Mengatur data kualitatif Anda dalam platform analisis umpan balik
Jika Anda memiliki banyak data kualitatif dan itu adalah umpan balik pelanggan atau karyawan, Anda akan mendapat manfaat dari platform analisis umpan balik. Platform analisis umpan balik adalah perangkat lunak yang mengotomatiskan proses analisis sentimen dan analisis tematik.
Perusahaan menggunakan integrasi yang ditawarkan oleh platform ini untuk langsung memanfaatkan sumber data kualitatif mereka (situs ulasan, media sosial, tanggapan survei, dll.). Data kemudian diatur dan dianalisis secara konsisten dalam platform.
Jika Anda memiliki data yang disiapkan dalam spreadsheet, data tersebut juga dapat diimpor ke platform analitik umpan balik.
Setelah semua data ini telah diatur dalam platform analisis umpan balik, ia siap untuk dikodekan dan bertema, dalam platform yang sama.
Langkah 3: Mengkodekan data kualitatif Anda
Data umpan balik Anda sekarang diatur di satu tempat. Baik di dalam spreadsheet Anda, CAQDAS, repositori umpan balik atau dalam platform analisis umpan balik Anda. Langkah selanjutnya adalah mengkodekan data umpan balik Anda sehingga Anda dapat mengekstrak wawasan yang bermakna di langkah berikutnya.
Coding adalah proses pelabelan dan mengatur data Anda sedemikian rupa sehingga Anda kemudian dapat mengidentifikasi tema dalam data, dan hubungan antara tema-tema ini.
Untuk menyederhanakan proses pengkodean, Anda akan mengambil sampel kecil dari data umpan balik pelanggan Anda, menghasilkan satu set kode, atau kategori yang menangkap tema, dan memberi label pada setiap umpan balik, secara sistematis, untuk pola dan makna.
Kemudian Anda akan mengambil sampel data yang lebih besar, merevisi dan menyempurnakan kode untuk akurasi dan konsistensi yang lebih besar saat Anda pergi.
Jika Anda memilih untuk menggunakan platform analisis umpan balik, sebagian besar proses ini akan otomatis dan dilakukan untuk Anda.
Istilah untuk menggambarkan berbagai kategori makna (‘tema’, ‘kode’, ‘tag’, ‘kategori’ dll) dapat membingungkan karena sering digunakan secara bergantian. Untuk kejelasan, artikel ini akan menggunakan istilah ‘kode’.
Kode berarti mengidentifikasi kata kunci atau frasa dan menetapkannya ke kategori makna. “Saya sangat membenci layanan pelanggan perusahaan perangkat lunak ini” akan dikodekan sebagai “layanan pelanggan yang buruk”.
Contoh coding wawancara, merupakan salah satu postingan terbaik kami.
Cara mengkodekan data kualitatif Anda secara manual
- Tentukan apakah Anda akan menggunakan pengkodean deduktif atau induktif. Pengkodean deduktif adalah ketika Anda membuat daftar kode yang telah ditentukan, dan kemudian menetapkannya ke data kualitatif. Pengkodean induktif adalah kebalikan dari ini, Anda membuat kode berdasarkan data itu sendiri. Kode muncul langsung dari data dan Anda memberi label saat Anda pergi. Anda perlu mempertimbangkan pro dan kontra dari setiap metode pengkodean dan memilih yang paling tepat.
- Baca data umpan balik untuk mendapatkan gambaran luas tentang apa yang diungkapkannya. Sekarang saatnya untuk mulai menetapkan set kode pertama Anda ke pernyataan dan bagian teks.
- Terus ulangi langkah 2, tambahkan kode baru dan revisi deskripsi kode sesering yang diperlukan. Setelah semuanya dikodekan, lalui semuanya lagi, untuk memastikan tidak ada inkonsistensi dan tidak ada yang terlewatkan.
- Buat bingkai kode untuk mengelompokkan kode Anda. Kerangka pengkodean adalah struktur organisasi dari semua kode Anda. Dan ada dua jenis frame pengkodean yang umum digunakan, datar, atau hierarkis. Bingkai kode hierarkis akan memudahkan Anda untuk memperoleh wawasan dari analisis Anda.
- Berdasarkan berapa kali kode tertentu terjadi, Anda sekarang dapat melihat tema umum dalam data umpan balik Anda. Ini berwawasan luas! Jika ‘layanan pelanggan yang buruk’ adalah kode umum, saatnya untuk mengambil tindakan.
Kami memiliki panduan terperinci yang didedikasikan untuk mengkodekan data kualitatif Anda secara manual.
Menggunakan perangkat lunak untuk mempercepat pengkodean manual data kualitatif
Spreadsheet Excel masih merupakan metode yang populer untuk pengkodean. Tetapi berbagai solusi perangkat lunak dapat membantu mempercepat proses ini. Berikut adalah beberapa contoh.
- CAQDAS / NVivo – Perangkat lunak CAQDAS memiliki fungsi bawaan yang memungkinkan Anda untuk mengkodekan teks dalam perangkat lunak mereka. Anda mungkin menemukan antarmuka yang ditawarkan perangkat lunak lebih mudah untuk mengelola kode daripada spreadsheet.
- Dovetail/EnjoyHQ – Anda dapat menandai transkrip dan data tekstual lainnya dalam solusi ini. Karena mereka juga repositori Anda mungkin merasa lebih mudah untuk menjaga coding pada satu platform.
- IBM SPSS – SPSS adalah perangkat lunak analisis statistik yang dapat membuat pengkodean lebih mudah daripada di spreadsheet.
- Ascribe – Ascribe’s ‘Coder’ adalah sistem manajemen pengkodean. Antarmuka penggunanya akan memudahkan Anda mengelola kode.
Jika Anda membutuhkan N-Vivo, sebagai tool untuk membantu Anda melakukan analisis data, kami menyediakan dengan harga yang cukup terjangkau, cek di sini.
Mengotomatisasi proses pengkodean kualitatif menggunakan perangkat lunak analisis tematik
Dalam solusi yang mempercepat proses pengkodean manual, Anda masih harus membuat kode yang valid dan sering menerapkan kode secara manual ke potongan umpan balik. Tetapi ada juga solusi yang mengotomatiskan penemuan dan penerapan kode.
Kemajuan dalam pembelajaran mesin sekarang telah memungkinkan untuk membaca, kode dan struktur data kualitatif secara otomatis. Jenis pengkodean otomatis ini ditawarkan oleh perangkat lunak analisis tematik.
Otomatisasi membuatnya jauh lebih sederhana dan lebih cepat untuk mengkodekan umpan balik dan mengelompokkannya ke dalam tema. Dengan menggabungkan pemrosesan bahasa alami (NLP) ke dalam perangkat lunak, AI melihat kalimat dan frasa untuk mengidentifikasi pernyataan yang bermakna.
Beberapa solusi otomatis mendeteksi pola berulang dan menetapkan kode untuk mereka, yang lain membuat Anda melatih AI dengan memberikan contoh. Anda bisa mengatakan bahwa AI mempelajari arti umpan balik sendiri.
Manfaat utama menggunakan solusi pengkodean otomatis
Analisis otomatis sering dapat diatur dengan cepat dan ada potensi untuk mengungkap hal-hal yang tidak akan pernah terungkap jika Anda telah memberi perangkat lunak daftar tema yang ditentukan untuk dicari.
Karena model menerapkan aturan yang konsisten untuk data, ia menangkap frasa atau pernyataan yang mungkin terlewatkan oleh mata manusia.
Analisis umpan balik pelanggan yang lengkap dan konsisten memungkinkan temuan yang lebih bermakna. Membawa kita ke langkah 4.
Langkah 4: Analisis data Anda: Temukan wawasan yang bermakna
Sekarang kita akan menganalisis data kita untuk menemukan wawasan. Di sinilah kita mulai menjawab pertanyaan penelitian kita. Perlu diingat bahwa langkah 4 dan langkah 5 (ceritakan kisahnya) memiliki beberapa proses yang tumpang tindih. Hal ini karena membuat visualisasi adalah bagian dari analisis dan pelaporan.
Tugas mengungkap wawasan adalah menjelajahi kode yang muncul dari data dan menarik korelasi yang berarti dari mereka. Proses ini juga tentang memastikan setiap wawasan berbeda dan memiliki data yang cukup untuk mendukungnya.
Bagian dari analisis adalah untuk menentukan seberapa banyak setiap kode berhubungan dengan demografi dan profil pelanggan yang berbeda, dan mengidentifikasi apakah ada hubungan antara titik data ini.
Membuat sub-kode secara manual untuk meningkatkan kualitas wawasan
Jika bingkai kode Anda hanya memiliki satu tingkat, Anda mungkin menemukan bahwa kode Anda terlalu luas untuk dapat mengekstrak wawasan yang bermakna. Di sinilah sangat berharga untuk membuat sub-kode ke kode utama Anda. Proses ini kadang-kadang disebut sebagai meta coding.
Catatan: Jika Anda mengambil pendekatan pengkodean induktif, Anda dapat membuat sub-kode saat Membaca data umpan balik dan mengkodekannya.
Sementara memakan waktu, latihan ini akan meningkatkan kualitas analisis Anda. Berikut adalah contoh seperti apa sub-kode itu.
Anda perlu membaca data kualitatif Anda dengan cermat untuk membuat sub-kode berkualitas. Tetapi seperti yang Anda lihat, kedalaman analisis sangat meningkat. Dengan menghitung frekuensi sub-kode ini, Anda bisa mendapatkan wawasan tentang masalah layanan pelanggan mana yang dapat Segera Anda atasi.
Menghubungkan frekuensi kode ke segmen pelanggan
Banyak bisnis menggunakan segmentasi pelanggan. Dan Anda mungkin memiliki segmen responden Anda sendiri yang dapat Anda terapkan pada analisis kualitatif Anda. Segmentasi adalah praktik membagi pelanggan atau responden penelitian menjadi subkelompok.
Segmen dapat didasarkan pada:
- Demografis
- Umur
- Kepentingan
- Perilaku
- Dan jenis data lain yang Anda pedulikan untuk disegmentasi oleh
Sangat berguna untuk melihat terjadinya kode dalam segmen Anda. Jika salah satu segmen pelanggan Anda dianggap tidak penting bagi bisnis Anda, tetapi mereka adalah penyebab hampir semua keluhan layanan pelanggan, mungkin demi kepentingan terbaik Anda untuk memusatkan perhatian Anda di tempat lain. Ini adalah wawasan yang berguna!
Menggunakan solusi analisis teks untuk mengotomatiskan analisis
Solusi analisis teks otomatis memungkinkan kode dan sub-kode ditarik keluar dari data secara otomatis. Ini membuatnya jauh lebih cepat dan lebih mudah untuk mengidentifikasi apa yang mendorong hasil negatif atau positif. Dan untuk mengambil tren yang muncul dan menemukan segala macam wawasan yang kaya dalam data.
Manfaat lain dari perangkat lunak analitik teks berbasis AI adalah kemampuan bawaannya untuk analisis sentimen, yang memberikan konteks emosional di balik umpan balik Anda dan data kualitatif lainnya.
Ascarya solution menyediakan analisis teks yang melangkah lebih jauh dengan memungkinkan Anda menerapkan keahlian mereka pada konteks bisnis untuk mengedit atau menambah output yang dihasilkan oleh Tim Kami.
Karena pindah dari penelitian manual umumnya tentang mengurangi elemen manusia, menambahkan masukan manusia ke teknologi mungkin terdengar kontra-intuitif.
Namun, ini sebagian besar untuk memastikan nuansa bisnis penting dalam umpan balik tidak terlewatkan selama pengkodean. Hasilnya adalah akurasi analisis yang lebih tinggi.
Langkah 5: Laporkan data Anda: Ceritakan kisahnya
Langkah terakhir menganalisis data kualitatif Anda adalah melaporkannya, untuk menceritakan kisahnya. Pada titik ini, kode sepenuhnya dikembangkan dan fokusnya adalah mengkomunikasikan narasi kepada audiens.
Garis besar yang koheren dari penelitian kualitatif, temuan dan wawasan sangat penting bagi para pemangku kepentingan untuk berdiskusi dan berdebat sebelum mereka dapat merancang tindakan yang berarti.
Membuat grafik dan pelaporan di Powerpoint
Biasanya, peneliti kualitatif mengambil pendekatan yang dicoba dan diuji untuk menyaring laporan mereka ke dalam serangkaian grafik, tabel, dan visual lainnya yang ditenun menjadi narasi untuk presentasi di Powerpoint.
Menggunakan perangkat lunak visualisasi untuk pelaporan
Dengan transformasi data dan API, data yang dianalisis dapat dibagikan dengan perangkat lunak visualisasi data, seperti Power BI atau Tableau, Google Studio, atau Looker. Power BI dan Tableau adalah salah satu opsi yang paling disukai.
Kesimpulan – Manual atau Otomatis?
Ada orang-orang yang tetap sangat berfokus dalam pendekatan manual – karena itu akrab, karena mereka enggan menghabiskan uang dan waktu untuk mempelajari perangkat lunak baru, atau karena mereka telah dibakar oleh overpromises AI.
Untuk proyek yang melibatkan dataset kecil, analisis manual masuk akal. Misalnya, jika tujuannya hanya untuk mengukur pertanyaan sederhana seperti “Apakah pelanggan lebih suka konsep X daripada Y?”. Jika temuan diekstraksi dari satu set kecil kelompok fokus dan wawancara, kadang-kadang lebih mudah untuk hanya membacanya.
Namun, ketika generasi baru datang , solusi berbasis teknologilah yang terasa lebih nyaman dan praktis. Dan manfaatnya tidak dapat disangkal. Terutama jika tujuannya adalah untuk masuk lebih dalam dan memahami ‘mengapa’ di balik preferensi pelanggan untuk X atau Y. Dan bahkan lebih terutama jika waktu dan uang adalah pertimbangan.
Kemampuan untuk mengumpulkan aliran bebas data umpan balik kualitatif pada saat yang sama dengan metrik berarti AI dapat memindai, mengolah, mencetak, dan menganalisis satu ton umpan balik secara efektif dari satu sistem sekaligus.
Pertimbangan Anda?
Selain itu, proses intensif waktu seperti kelompok fokus, atau pengkodean, yang dulu memakan waktu berminggu-minggu, sekarang dapat diselesaikan dalam hitungan jam atau hari.
Tetapi selain dari kasus bisnis yang selalu ada untuk mempercepat dan menekan biaya, ada juga keharusan penelitian yang kuat untuk analisis otomatis data kualitatif: yaitu, akurasi dan konsistensi.
Menemukan wawasan yang tersembunyi dalam umpan balik membutuhkan konsistensi, terutama dalam pengkodean. Belum lagi menangkap semua ‘hal yang tidak diketahui’ yang dapat membelokkan temuan penelitian dan menghindari bias kognitif.
Beberapa orang mengatakan tanpa analisis data manual, para peneliti tidak akan mendapatkan “perasaan” yang akurat untuk wawasan tersebut. Namun, semakin besar kumpulan data, semakin sulit untuk memilah umpan balik dan mengatur umpan balik yang telah ditarik dari tempat yang berbeda. Dan, semakin sulit untuk tetap di jalur, semakin besar risiko menggambar kesimpulan yang salah, atau tidak lengkap, tumbuh.
Meskipun langkah-langkah proses untuk analisis data kualitatif tetap tidak berubah sejak psikolog Paul Felix Lazarsfeld membuka jalan seratus tahun yang lalu, dampak teknologi digital terhadap jenis data umpan balik kualitatif dan pendekatan analisis sangat mendalam.
Jika Anda ingin mencoba solusi analisis data kualitatif Anda secara otomatis menggunakan N-Vico, Anda dapat memulai di Ascarya Solution.
