Ota yhteyttä

Miten voimme sinua auttaa? Lähetä meille viestisi, vastaamme sinulle mahdollisimman pian!

Designtutkimus Helsinki
Lähetä

Voit myös soittaa meille: (+358) 9 425 79838

Kiitos viestistä! Viesti on lähetetty.

Ole hyvä ja täytä kaikki kentät, paina sen jälkeen Lähetä.

Asiakaskokemus, Markkinatutkimus, Tutkimus, Yleinen

Laadukas markkinatutkimus – miten se syntyy?
Osa 5/8: Datan analysointi

Teemu Putto

Teemu Putto

11.8.2020

Vaikka tämä artikkeli keskittyy erityisesti markkinatutkimukseen internet-haastattelujen näkökulmasta, ovat monet asiat yleistettävissä myös henkilöstö- ja asiakastutkimuksiin sekä muihin tiedonkeruumenetelmiin.

Mikä on analysoinnin tavoite?

Ennen kuin ensimmäistäkään sivua tutkimusraportista on tehty, on data analysoitava huolellisesti. Tässä analysoinnilla tarkoitetaan datan läpikäyntiä tilastollisilla menetelmillä, ei vain silmämääräistä arviointia. Laadukasta raportointia ei voi tehdä tietämättä mikä datassa on olennaista.

Datan analysointivaiheen yksi tärkeimmistä tehtävistä on kirkastaa datasta syntyvän tarinan kaari. Siinä rakennetaan polku tutkimuksesta asetetuista tavoitteista selkeisiin johtopäätöksiin ja konkreettisiin toimenpidesuosituksiin.

Datan raportointi ei ole datan analysointia

Kvantitatiivisessa markkinatutkimuksessa data jää valitettavan usein alihyödynnetyksi. Loppuraportti saattaa sisältää vain ristiintaulukointeja, vastausjakaumia ja keskiarvoja ehkä lisättynä tekijöiden välisillä korrelaatioilla ja tilastollisilla merkitsevyystestauksilla. Johtopäätökset eivät tällöin perustu tilastollisen analysoinnin tuottamiin löydöksiin, vaan jakaumien katselemisen tuottamiin ahaa-elämyksiin.

Tällaisessa tapauksessa asiakas ei saa projektista läheskään sitä hyötyä, joka hänen kuuluisi saada. Edellä kuvatut tavat lähestyä dataa ovat vain kuvailevia pintaraapaisuja. Lopputuloksen jääminen tällaiselle tasolle ei saisi olla hyväksyttävää tutkimuksissa, jotka tähtäävät liiketoiminnan kehittämiseen.

Suunnitteluvaihe asettaa raamit analysoinnille

Datan analysointivaihe alkaa vaiheesta ”miltä data näyttää” ja sen pitää päättyä vaiheeseen ”mitä data merkitsee.” Tavoitteena on, että löydetyt merkitykset perustuvat mahdollisimman vähän tutkijan omiin oletuksiin ja mahdollisimman paljon tilastollisella analysoinnilla tehtyihin löydöksiin.

Palaamme tässä tavoitteen asetannan ja lomakesuunnitteluvaiheen tärkeyteen. Jos projektin alkuvaiheessa ei ollut kirkasta määritelmää siitä, mihin haasteisiin tutkimuksella haetaan ratkaisua, on konkreettisia vastauksia nyt erittäin vaikeaa löytää. Toisaalta, jos jo lomakesuunnitteluvaiheessa ei ajateltu sitä, millaisia tilastollisia analyysejä datasta aiotaan tehdä ja millaisia muuttujia näiden analyysien luotettavaan suorittamiseen, ollaan nyt heikoilla jäillä.

On siis tärkeää, että lomakesuunnitteluvaiheessa ei ole ajateltu pelkästään yksittäisiä kysymyksiä, vaan jo silloin on mietitty myös sitä, miten näiden kysymysten tuottamaa informaatiota pystytään yhdistämään.

Entä jos tutkija ei itse tee tilastollisia analyysejä?

On hyvä tiedostaa, että se joka datan tilastollisesti analysoi myös ymmärtää datan ja sen merkityksen parhaiten. Mitä useamman henkilön kesken projektin toteutus jakautuu, sitä suurempi riski on ”rikkinäisille puhelimille”.

Käytännössä tilanne on kuitenkin usein se, että data-analyytikkona projektissa ei toimi projektista vastaava tutkija. Tämä voi olla täysin toimiva ratkaisu, jos tilanne on huomioitu prosessin kuluessa.

Data-analyytikolle turhauttavin tilanne on se, että hänelle toimitetaan kasa dataa, ja pyydetään löytämään siitä jotain mielenkiintoista. Onnistumisen mahdollisuudet ovat erittäin rajatut, jos analyytikko ei tiedä tutkimuksen tavoitetta, eikä hän ole ollut aktiivisesti mukana suunnittelemassa tutkimuslomaketta.  

On siis muistettava, että vaikka projektissa käytettäisiin erillistä data-analyytikkoa, ei häntä voi pitää erillisenä osana projektia. On hyvä ottaa hänet mukaan niihin asiakastapaamisiin, joissa tutkimuksen tavoite kirkastetaan. Häntä on kuunneltava tarkasti silloin, kun määritellään tavoitteeseen pääsemiseen vaadittavia kysymyksiä. Projektin aikana hänen ja vastaavan tutkijan välillä on oltava jatkuva ja tiivis keskusteluyhteys. Jos data-analyytikko tällä tavoin kytketään vahvaksi osaksi koko prosessia, on realistista odottaa häneltä myös näkemyksellistä panosta.

Tärkeä huomio on myös se, että tämä on data-analyytikon kannalta usein motivoivin tapa toimia. Nimittäin jos hän on vain työrukkanen, joka toteuttaa vain tutkijan pyytämiä menetelmiä, ollaan hyvin kaukana optimitilanteesta sekä lopputuloksen laadun että työn tekemisen merkityksellisyyden osalta. 

Mitä onnistuminen tilastollisessa analysoinnissa vaatii?

”Jos ainoa työkalusi on vasara, kaikki ongelmasi näyttävät nauloilta!”

Tämä sanonta pitää erittäin hyvin paikkansa datan tilastollisen analysoinnin kanssa. Siksi onkin tärkeää, että datan analysoijalla on hallussaan mahdollisimman laaja työkalupakki tilastollisia monimuuttujamenetelmiä. Sen mitä näistä menetelmistä käytännössä valitaan pitää perustua vain ja ainoastaan siihen, miten ne edesauttavat asetettuun tavoitteeseen pääsemistä. Joskus tarvitaan regressioanalyysiä, joskus taas korrespondenssianalyysi vie pisimmälle. Useimmiten toimivin lopputulos saadaan yhdistelemällä eri lähestymiskulmia.

Menetelmien taakse ei kuitenkaan pidä piiloutua. Jos menet asiakkaan luokse esittelemään markkinatutkimuksen tulokset kolmannen asteen yhtälöllä, saattaa vastaanotto olla jäätävä. Onkin hyvä muistaa, että tyypillisesti asiakasta kiinnostaa vain lopputulos ja perustelut siitä, miten siihen on päädytty. Tilastollisten menetelmien tuloksia raportoitaessa avainosaamista onkin se, miten analysoinnin tulokset esitetään henkilöille, jotka eivät ymmärrä menetelmiä / joita menetelmät eivät kiinnosta.

Datan analysoinnin on oltava läpinäkyvää!

Kun puhutaan luotettavasta – ja hyödyllisestä – datan analysoinnista, on ehdoton kriteeri sille läpinäkyvyys. Käytännössä asiakkaan on halutessaan saatava tietää täsmällisesti, miten datan analysointi on tehty.

Siksi kaikkiin ”mustiin laatikkoihin”, joissa data syötetään sisään ja tulokset saadaan ulos, mutta asiakkaalle ei avoimesti kerrota, miten tulosten laskenta tapahtui, on syytä suhtautua suurella varauksella. Datan analysoinnin tehtävänä on luoda polku konkreettisiin johtopäätöksiin. Jos tämä polku ei ole avoimesti nähtävissä, se vaikeuttaa tulosten tulkintaa ja jättää lopputuloksen päälle useita kysymysmerkkejä.

Tähän artikkeliin liittyy esimerkkicase. Siinä on pyritty yksinkertaisella esimerkillä kuvaamaan, mitä tulosten vieminen käytännössä hyödynnettävälle tasolle vaatii.

MUISTA NÄMÄ ASIAT DATAN ANALYSOINNISSA:

  • Pelkästään vastausjakaumien tai keskiarvojen pohjalta vedetyt johtopäätökset ovat erittäin epävarmalla pohjalla ja kertovat lähinnä datan analysointivaiheen väliin jättämisestä.
  • Analysointivaiheen tehtävänä on kertoa meille, mitä datan perusteella kannattaa tehdä ja mihin analysointivaiheen löydöksiin tämä perustuu.
  • Hyvällä data-analyytikolla on hallussaan laaja valikoima tilastollisia menetelmiä. Tällöin hän ei joudu pakottamaan dataa osaamiinsa menetelmiin, vaan pystyy aina poimimaan toimivimmat lähestymistavat.
  • Jos tutkimuksen data-analyytikkona toimii eri henkilö kuin vastaava tutkija, on hänet pidettävä tiiviisti mukana tutkimusprosessissa alusta alkaen. Hän ei voi olla vain liukuhihnan osan hoitaja.
  • Luotettava datan analysointi on läpinäkyvää, avointa ja sellaista, jonka asiakas pystyy halutessaan toistamaan tilastollisilla ohjelmistoilla.

Yhteystiedot