मात्रात्मक अनुसंधान में डिजाइन की भूमिका

हम शोध करके ज्ञान प्राप्त करते हैं। अनुसंधान और ज्ञान संगठन को दिन-प्रतिदिन की गतिविधियों से लेकर उच्च-स्तरीय रणनीति संरेखण तक एक साथ बुनते हैं और इसे विभिन्न तरीकों से निष्पादित किया जाता है। हर कोई गुणवत्ता अनुसंधान से लाभान्वित होता है।

अनुसंधान को अक्सर दो समूहों में वर्गीकृत किया जाता है: मात्रात्मक और गुणात्मक। विभिन्न संगठनों में मात्रात्मक विश्लेषण आमतौर पर विभिन्न व्यावसायिक खुफिया टीमों द्वारा किया जाता है जो विशाल डेटा-सेट का प्रबंधन करते हैं और आधुनिक और ट्रेंडी विधियों के साथ डेटा का विश्लेषण करते हैं। वर्तमान सर्वसम्मति से लगता है कि डेटा जितना बड़ा होगा ज्ञान उतना ही बेहतर होगा। दूसरी ओर, गुणात्मक दृष्टिकोण का उपयोग आमतौर पर ग्राहकों और उपयोगकर्ताओं की गहरी समझ प्राप्त करने के तरीके के रूप में किया जाता है और इसका उपयोग विभिन्न विशेषज्ञों (उदाहरण के लिए डिजाइनरों) की भीड़ द्वारा किया जाता है।

वर्तमान सर्वसम्मति से लगता है कि डेटा जितना बड़ा होगा, ज्ञान उतना ही बेहतर होगा

यह पोस्ट इस बात पर एक व्यापक नज़र नहीं है कि इन दोनों दुनियाओं को अक्सर एक दूसरे की अनदेखी कैसे की जाती है। हालांकि, शोध करने के इन दो तरीकों के इस बेतुके जुदाई से इस पोस्ट का विषय प्रभावित होता है क्योंकि विभिन्न विशेषज्ञ अक्सर किसी के काम के लाभ और मूल्य को देखने के लिए संघर्ष कर रहे होते हैं जो वे काफी समझ नहीं पाते हैं। डेटा-एनालिटिक्स और सर्विस डिज़ाइन के अपने अनुभव के आधार पर, मैं निम्नलिखित तर्कों को उजागर करना चाहता हूँ:

  1. मूल्यवान डेटा: आधुनिक डेटा-विश्लेषण विधियां ग्राहक के व्यवहार को मापने का एक अक्षम तरीका है - डेटा समान रूप से मूल्यवान हो सकता है, भले ही यह बड़ा न हो।
  2. एक डिजाइन संभावना: डिजाइनर उत्कृष्ट मात्रात्मक मैट्रिक्स और प्रयोग बनाने के लिए तरीके और उपकरण रखते हैं लेकिन इस कौशल का उपयोग किया जाता है।
मात्रात्मक शोध में रचनात्मकता की क्या भूमिका है? ऐलप्लाश पर ऐलिस अचटरहोफ द्वारा फोटो

डेटा इष्टतम निर्णय लेने के इच्छुक संगठन के लिए मार्गदर्शक प्रकाश है। हर कोई डेटा-संचालित होना चाहता है। वर्तमान प्रौद्योगिकियां हमें बहुत कुछ और जितना हम चाहते हैं, उससे डेटा एकत्र करने की अनुमति देती हैं। हमारे पास डेटा को स्वचालित रूप से विश्लेषण करने के लिए एक निफ्टी टूल भी हो सकता है और अधिक डेटा एकत्र होने पर समय के साथ सुधार करने वाले एल्गोरिदम। डेटा का उपयोग बाजार के रुझान, ग्राहक व्यवहार और सेवाओं की मंथन दरों के बारे में भविष्यवाणियां करने के लिए किया जा सकता है। इस सब के केंद्र में, कोई भी आसानी से एक धारणा बना सकता है कि डेटा एक क्रिस्टल बॉल की तरह है जो हमें भविष्य के लिए स्पष्ट दृष्टि दिखा रहा है। और मशीन लर्निंग, न्यूरल नेटवर्क और बड़े डेटा जैसी अवधारणाओं से परिचित लोग इस रहस्यमय जानकारी की व्याख्या करने के लिए अनुमति देने वाले केवल भविष्यद्वक्ता हैं।

इस सब के केंद्र में, कोई भी आसानी से एक धारणा बना सकता है कि डेटा एक क्रिस्टल बॉल की तरह है जो हमें भविष्य के लिए स्पष्ट दृष्टि दिखा रहा है।

हालाँकि, जब हम इन बड़ी डेटा विधियों का उपयोग करते हैं, तो हम आसानी से आँकड़ों की मूलभूत अवधारणाओं और विभिन्न तरीकों से संबंधित मान्यताओं को भूल जाते हैं जिनका हम उपयोग करते हैं। यहां तक ​​कि हमारे द्वारा उपयोग किए जाने वाले सबसे बुनियादी तरीकों में से एक, रैखिक प्रतिगमन, ऐसी धारणाएं रखता है जिन्हें वास्तविक विश्लेषण करने से पहले हमेशा नहीं माना जाता है। इनमें रैखिकता, त्रुटियों की स्वतंत्रता और बहुउद्देशीयता के बारे में धारणाएं शामिल हैं। यदि हम इन धारणाओं को ध्यान में नहीं रखते हैं, तो हमारे ग्राहकों के व्यवहार के बारे में हमारे फैंसी भविष्य कहनेवाला मॉडल कुछ भी नहीं हो सकता है। साथ ही, कई आधुनिक तरीके, उदा। तंत्रिका नेटवर्क, ’ब्लैक बॉक्स-प्रक्रियाएं हो सकती हैं, जहां कार्य-कारण के बारे में निष्कर्ष निकालना असंभव है। इसके अलावा, चूंकि डेटा स्वचालित रूप से एकत्र किया जाता है और जरूरी नहीं कि हम जो चीजें माप रहे हैं उन्हें जल्दी से बदल दें, हम इस बात पर ध्यान केंद्रित कर सकते हैं कि हम वास्तव में क्या मापने की कोशिश कर रहे हैं और किस डेटा के साथ। विभिन्न मैट्रिक्स की वैधता और विश्वसनीयता को हमेशा ध्यान में रखा जाना चाहिए।

बड़ा डेटा बहुत दुबला या चुस्त नहीं है। यह पता लगाने की कोशिश करते हुए कि कोई नई सेवा प्रभावशाली है या नहीं और हमारे ग्राहक वास्तव में हमारे ब्रांड के बारे में क्या सोचते हैं, हम हमेशा उन उत्तरों की उम्मीद नहीं कर सकते हैं जो हमारे मौजूदा डेटा-सेट में पाए जाते हैं। शुरुआत के लिए, हम यह भी नहीं जान सकते हैं कि प्रभावशाली से हमारा क्या मतलब है। या, यह अनुमान लगाते समय कि हमारे ग्राहक हमारी सेवा कब छोड़ेंगे, हम वास्तव में इस बारे में कई निष्कर्ष नहीं निकाल सकते हैं कि क्यों उन ग्राहकों को छोड़ने का फैसला किया जाता है, भले ही हम उस पल को इंगित कर सकते हैं जहां ग्राहक विशेष रूप से सेवा छोड़ देंगे। हम यह उम्मीद नहीं कर सकते कि जिस समस्या को हम हल करने का प्रयास कर रहे हैं, उसके पास 'बड़ा डेटा' है। फिर, हम इस तरह की समस्या को कैसे हल कर सकते हैं?

बड़ा डेटा बहुत दुबला या चुस्त नहीं है। हम यह उम्मीद नहीं कर सकते हैं कि जिस समस्या को हम हल करने का प्रयास कर रहे हैं, उसका समर्थन करने के लिए 'बड़ा डेटा' है।

मैं कल्पना कर सकता हूं कि कई पाठक अब यह सोचेंगे कि "हे, ग्राहकों को आमंत्रित करें, उनका साक्षात्कार करें और अन्वेषणात्मक गुणात्मक विधियों के साथ 'क्यों' का ज्ञान इकट्ठा करें"। हाँ क्यों नहीं? यह दृष्टिकोण हमारे ग्राहक की मानसिकता और प्रेरणाओं के बारे में कुछ शानदार जानकारी दे सकता है। लेकिन तब हम गुणात्मक तरीकों की सीमाओं के तहत काम कर रहे हैं। मुख्य रूप से यह प्रतिबंध कि हम छोटे नमूना आकारों के साथ जनसंख्या (ग्राहक आधार) का सामान्यीकरण नहीं कर सकते हैं।

बेशक, हम साक्षात्कार करते समय भी गुणात्मक और मात्रात्मक तरीकों को जोड़ सकते हैं। हालांकि, ग्राहकों के प्रतिनिधि नमूने को इकट्ठा करना और उनके जवाबों को संख्यात्मक रूप से कोड करते हुए उन सभी का साक्षात्कार करना, बहुत सारे संसाधनों को ले जाएगा। एक सर्वेक्षण भेजना हमेशा एक विकल्प होता है, लेकिन अक्सर उन सर्वेक्षणों में आइटम एनपीएस जैसे आसानी से पचने योग्य और लोकप्रिय मैट्रिक्स शामिल होते हैं।

कई स्थितियों में, हाथ से एकत्र किए गए रचनात्मक मेट्रिक्स और प्रतिनिधित्व योग्य डेटा-सेट (जैसे छापामार अवलोकन) ऐसे परिणाम प्राप्त करेंगे जो बड़े डेटा (एक सेवा से डेटा-उदाहरण-डेटा) से निकाले गए जानकारी की तुलना में अधिक कार्रवाई योग्य और फिटिंग हैं। लेकिन अगर हम रचनात्मक नहीं हैं, तो हम एनपीएस जैसे अस्पष्ट मैट्रिक्स के साथ फंस गए हैं। इस बिंदु पर, मैंने यह निश्चित रूप से नहीं सुना है कि यह वास्तव में क्या मापता है और कैसे कुशलता से सुना जाता है, लेकिन इसे सभी नंबरों की पवित्र कब्र (राजस्व, लाभ आदि के बाद) की तरह माना जाता है।

  1. संख्याओं के साथ रुकना नहीं चाहिए: मात्रात्मक मीट्रिक का उपयोग तब भी समाप्त नहीं होना चाहिए जब हम अधिक विशिष्ट डेटा एकत्र करना चाहते हैं।
  2. लेकिन संख्याओं को वास्तविक दुनिया से अधिक संलग्न करें: हमें वास्तव में अपने मैट्रिक्स के साथ अधिक रचनात्मक होना चाहिए!

और यहाँ जहाँ डिज़ाइनर आते हैं! डिजाइनरों के साथ काम करने वाली कई चीजों में से एक ने मुझे सिखाया है कि वे बेहद रचनात्मक हैं और चीजों को समग्र रूप से देखने में बहुत सक्षम हैं। इसके अलावा, यह देखना वास्तव में दिलचस्प है कि मनोविज्ञान (अध्ययन का मेरा क्षेत्र) सेवा डिजाइन दृष्टिकोण और विधियों में कैसे बदल जाता है। उदाहरण के लिए, क्लिनिकल साक्षात्कार का संचालन करने के लिए हम जो कौशल सीखते हैं, वे उन कौशल डिजाइनरों के समान होते हैं जिनका उपयोग वे ग्राहक के साक्षात्कार के समय करते हैं। वास्तव में, मुझे लगता है कि डिजाइनर और मनोवैज्ञानिक एक-दूसरे की विशेषज्ञता का लाभ उठा सकते हैं (मुझे लगता है कि मैंने अपनी अगली पोस्ट का विषय खोज लिया है)।

हालांकि, मात्रात्मक अनुसंधान के संदर्भ में डिजाइनरों की रचनात्मकता का उपयोग किया जाता है। मानसिकता, अनुभव और मनोदशा जैसी जटिल चीजों को मापने की कोशिश करते समय, हमें मीट्रिक बनाते समय बॉक्स के बाहर सोचना होगा। संभावित रूप से डिजाइनरों के लिए एक बहुत मूल्यवान कौशल परिचालन करना है (चीजों को मापने योग्य बनाना) इन जटिल घटनाओं को। और जैसा कि सभी डिजाइनर जानते हैं, सही समाधान खोजने से पहले प्रयोग करना और ठोकर खाना ठीक है।

मात्रात्मक अनुसंधान के संदर्भ में डिजाइनरों की रचनात्मकता का उपयोग किया जाता है।

मात्रात्मक अनुसंधान में अपने मूल्य को खोजने के लिए डिजाइनरों को प्रोत्साहित करना एक शानदार शुरुआत है। अद्वितीय मैट्रिक्स बनाते समय स्थापित डिज़ाइन वर्कफ़्लो और विधियों को लागू करना उपयोगी हो सकता है। स्वयं मात्रात्मक डेटा एकत्र करना शानदार परिणाम दे सकता है और यह समय लेने वाली नहीं है। अपने हाथों को गंदा करें और कुछ छापामार अवलोकन करें। ठोस प्रयोग, रचनात्मक मेट्रिक्स, चतुर अवलोकन और कुछ प्रकाश विश्लेषण के साथ, डिजाइनर सीमित संसाधनों के साथ एक संगठन को समान रूप से मूल्यवान (और अक्सर अधिक मूल्यवान) जानकारी दे सकते हैं जो स्मार्ट डेटा पर आधारित है, बड़ा नहीं।

आकार सही मैट्रिक्स के साथ कोई फर्क नहीं पड़ता - बड़ा डेटा हमेशा बेहतर नहीं होता है। Unsplash पर चार्ल्स  द्वारा फोटो