Что такое сбор данных: методы, типы, инструменты

Процесс сбора и анализа точных данных из различных источников для поиска ответов на исследовательские проблемы, тенденции, вероятности и т. д. для оценки возможных результатов известен как сбор данных. Знание — это сила, информация — это знания, а данные — это информация в цифровой форме, по крайней мере, в том смысле, в каком ее определяют в ИТ. Следовательно, данные — это сила. Но прежде чем вы сможете использовать эти данные в успешной стратегии для вашей организации или бизнеса, вам необходимо их собрать. Это ваш первый шаг.

Итак, чтобы помочь вам начать процесс, мы уделяем особое внимание сбору данных. Что именно? Хотите верьте, хотите нет, но это больше, чем просто поиск в Google! Кроме того, каковы различные типы сбора данных? Какие существуют инструменты и методы сбора данных?

Если вы хотите узнать, что такое процесс сбора данных, вы попали по адресу.

Превратите необработанные данные в захватывающие визуальные эффекты с помощью практических курсов по визуализации данных Simplilearn и очаруйте свою аудиторию. Кроме того, освойте искусство управления данными с помощью комплексного курса Simplilearn. курсы управления данными – откройте новые карьерные возможности уже сегодня!

Что такое сбор данных?

Сбор данных — это процесс сбора и оценки информации или данных из нескольких источников для поиска ответов на исследовательские проблемы, ответов на вопросы, оценки результатов и прогнозирования тенденций и вероятностей. Это важный этап во всех видах исследований, анализа и принятия решений, в том числе в социальных науках, бизнесе и здравоохранении.

Сбор точных данных необходим для принятия обоснованных бизнес-решений, обеспечения качества и целостности исследований.

Во время сбора данных исследователи должны определить типы данных, источники данных и методы, которые используются. Вскоре мы увидим, что существует множество различных методов сбора данных. Сбор данных во многом зависит от исследовательской, коммерческой и государственной сферы.

Прежде чем аналитик приступит к сбору данных, он должен сначала ответить на три вопроса:

• Какова цель или задача этого исследования?
• Какие данные они планируют собирать?
• Какие методы и процедуры будут использоваться для сбора, хранения и обработки информации?

Кроме того, мы можем разбить данные на качественные и количественные типы. Качественные данные охватывают такие описания, как цвет, размер, качество и внешний вид. Количественные данные, что неудивительно, связаны с цифрами, такими как статистика, результаты опросов, проценты и т. д.

Зачем нам нужен сбор данных?

Прежде чем судья вынесет решение по судебному делу или генерал создаст план нападения, они должны располагать как можно большим количеством соответствующих фактов. Наилучшие действия основаны на обоснованных решениях, а информация и данные — синонимы.

Как мы увидим позже, концепция сбора данных не нова, но мир изменился. Сегодня доступно гораздо больше данных, и они существуют в формах, о которых столетие назад и не слышали. Процесс сбора данных должен был меняться и расширяться со временем, идя в ногу с технологиями.

Независимо от того, работаете ли вы в академическом мире, пытаетесь проводить исследования, или работаете в коммерческом секторе, думая о том, как продвигать новый продукт, вам необходим сбор данных, который поможет вам сделать лучший выбор.

Теперь, когда вы знаете, что такое сбор данных и зачем он нам нужен, давайте рассмотрим различные методы сбора данных. Хотя фраза «сбор данных» может звучать как высокотехнологичная и цифровая, она не обязательно подразумевает такие вещи, как компьютеры, большие данные и Интернет. Сбор данных может означать телефонный опрос, карточку с комментариями по почте или даже человека с планшетом, который задает прохожим некоторые вопросы. Но давайте посмотрим, сможем ли мы отсортировать различные методы сбора данных по неким организованным категориям.

Каковы различные методы сбора данных?

Первичные и вторичные методы сбора данных — это два подхода, используемые для сбора информации в целях исследования или анализа. Давайте подробно рассмотрим каждый метод сбора данных:

1. Сбор первичных данных:

Первичный сбор данных предполагает сбор исходных данных непосредственно из источника или посредством прямого взаимодействия с респондентами. Этот метод позволяет исследователям получать информацию из первых рук, специально адаптированную к целям их исследования. Существуют различные методы сбора первичных данных, в том числе:

а. Опросы и анкеты. Исследователи разрабатывают структурированные анкеты или опросы для сбора данных от отдельных лиц или групп. Их можно проводить посредством личных интервью, телефонных звонков, почты или онлайн-платформ.

б. Интервью. Интервью предполагают прямое взаимодействие между исследователем и респондентом. Их можно проводить лично, по телефону или посредством видеоконференций. Интервью могут быть структурированными (с заранее заданными вопросами), полуструктурированными (обеспечивающими гибкость) или неструктурированными (более разговорными).

в. Наблюдения. Исследователи наблюдают и записывают поведение, действия или события в их естественной среде. Этот метод полезен для сбора данных о человеческом поведении, взаимодействиях или явлениях без прямого вмешательства.

д. Эксперименты. Экспериментальные исследования включают манипулирование переменными для наблюдения за их влиянием на результат. Исследователи контролируют условия и собирают данные, чтобы сделать выводы о причинно-следственных связях.

е. Фокус-группы. Фокус-группы объединяют небольшую группу людей, которые обсуждают конкретные темы в модерируемой обстановке. Этот метод помогает понять мнения, восприятия и опыт участников.

2. Сбор вторичных данных:

Сбор вторичных данных предполагает использование существующих данных, собранных кем-то другим, для цели, отличной от первоначальной цели. Исследователи анализируют и интерпретируют эти данные, чтобы извлечь соответствующую информацию. Вторичные данные можно получить из различных источников, в том числе:

а. Опубликованные источники: Исследователи ссылаются на книги, научные журналы, журналы, газеты, правительственные отчеты и другие опубликованные материалы, содержащие соответствующие данные.

б. Онлайн-базы данных: Многочисленные онлайн-базы данных обеспечивают доступ к широкому спектру вторичных данных, таких как исследовательские статьи, статистическая информация, экономические данные и социальные опросы.

в. Правительственные и институциональные записи. Правительственные учреждения, исследовательские институты и организации часто ведут базы данных или записи, которые можно использовать в исследовательских целях.

д. Общедоступные данные: данные, которыми делятся отдельные лица, организации или сообщества на общедоступных платформах, веб-сайтах или в социальных сетях, могут быть доступны и использованы для исследований.

е. Прошлые исследования: Предыдущие исследования и их результаты могут служить ценными вторичными источниками данных. Исследователи могут просматривать и анализировать данные, чтобы получить ценную информацию или опираться на существующие знания.

Теперь, когда мы объяснили различные методы, давайте еще больше сузим наше внимание, рассмотрев некоторые конкретные инструменты. Например, мы упомянули интервью как метод, но мы можем разбить его на различные типы интервью (или «инструменты»).

Исследователь дает респонденту набор слов и спрашивает, что ему приходит на ум, когда он слышит каждое слово.

Исследователи используют завершение предложений, чтобы понять, какие идеи возникают у респондента. Этот инструмент предполагает составление неполного предложения и наблюдение за тем, как интервьюируемый его заканчивает.

Респондентам предлагали воображаемую ситуацию и спрашивали, как бы они действовали или реагировали, если бы она была реальной.

Исследователь задает вопросы лично.

Эти опросы легко провести, но некоторые пользователи могут не захотеть отвечать правдиво, если вообще не захотят отвечать.

В этих опросах используется растущее распространение мобильных технологий. Опросы по сбору мобильных данных проводятся с помощью мобильных устройств, таких как планшеты или смартфоны, для проведения опросов с помощью SMS или мобильных приложений.

Ни один исследователь не может позвонить тысячам людей одновременно, поэтому для выполнения этой работы им нужна третья сторона. Однако многие люди имеют фильтрацию вызовов и не отвечают.

Иногда самый простой метод является лучшим. Исследователи, которые проводят прямые наблюдения, собирают данные быстро и легко, с минимальным вмешательством или предвзятостью третьих лиц. Естественно, это эффективно только в небольших ситуациях.

Важность обеспечения точного и надлежащего сбора данных

Точный сбор данных имеет решающее значение для сохранения целостности исследования, независимо от предмета исследования или предпочтительного метода определения данных (количественного или качественного). Вероятность возникновения ошибок снижается при использовании правильных инструментов сбора данных (независимо от того, являются ли они совершенно новыми, обновленными версиями или уже доступными).

К последствиям неправильного сбора данных можно отнести следующие:

• Ошибочные выводы, которые растрачивают ресурсы
• Решения, которые ставят под угрозу государственную политику
• Неспособность правильно отвечать на исследовательские запросы.
• Причинение вреда участникам, которые являются людьми или животными
• Обман других исследователей, заставляя их проводить бесполезные исследовательские направления.
• Невозможность повторения и проверки исследования.

Когда результаты исследования используются для обоснования рекомендаций по государственной политике, существует вероятность причинения непропорционального вреда, даже если степень влияния неправильного сбора данных может варьироваться в зависимости от дисциплины и типа расследования.

Давайте теперь посмотрим на различные проблемы, с которыми мы можем столкнуться при сохранении целостности сбора данных.

Проблемы, связанные с обеспечением целостности сбора данных

Чтобы помочь процессу обнаружения ошибок в процессе сбора данных, независимо от того, были ли они сделаны намеренно (преднамеренная фальсификация) или нет, основным оправданием является сохранение целостности данных (систематические или случайные ошибки).

Обеспечение качества и контроль качества — это две стратегии, которые помогают защитить целостность данных и гарантировать научную достоверность результатов исследования.

Каждая стратегия используется на различных этапах исследования:

• Контроль качества — задачи, которые выполняются как после, так и во время сбора данных.
• Обеспечение качества — события, которые происходят до начала сбора данных.

Давайте теперь рассмотрим каждый из них более подробно.

Гарантия качества

Поскольку сбор данных предшествует обеспечению качества, его основной целью является «профилактика» (т.е. предотвращение проблем со сбором данных). Лучший способ защитить точность сбора данных — это профилактика. Единообразный протокол, созданный в подробном и исчерпывающем руководстве по процедурам сбора данных, служит лучшим примером этого активного шага.

Вероятность неспособности обнаружить проблемы и ошибки на ранних этапах исследования возрастает, если руководства написаны плохо. Есть несколько способов показать эти недостатки:

• Неопределенность точных предметов и методов переподготовки или обучения сотрудников сбору данных.
• Перечень товаров, подлежащих вывозу, частично
• Не существует системы отслеживания изменений в процессах, которые могут произойти по мере продолжения расследования.
• Вместо подробных пошаговых инструкций по проведению тестов имеется расплывчатое описание инструментов сбора данных, которые будут использоваться.
• Неопределенность в отношении даты, процедуры и личности лица или лиц, ответственных за проверку данных
• Непонятные инструкции по использованию, настройке и калибровке оборудования для сбора данных.

Теперь давайте посмотрим, как обеспечить контроль качества.

Станьте специалистом по данным с практическим опытомМагистерская программа Data ScientistИзучите программу

Контроль качества

Несмотря на то, что действия по контролю качества (обнаружение/мониторинг и вмешательство) осуществляются как после, так и во время сбора данных, их особенности должны быть тщательно детализированы в руководстве по процедурам. Создание систем мониторинга требует определенной структуры связи, которая является обязательным условием. После обнаружения проблем со сбором данных не должно быть никакой двусмысленности в отношении потока информации между основными исследователями и персоналом. Плохо спроектированная система связи способствует слабому надзору и уменьшает возможности обнаружения ошибок.

В качестве форм обнаружения или мониторинга можно использовать конференц-звонки по прямому наблюдению за персоналом, во время посещений объектов или частые или регулярные оценки отчетов с данными для выявления несоответствий, чрезмерных чисел или неверных кодов. Посещение объектов может не подходить для всех дисциплин. Тем не менее, без регулярного аудита записей, качественного или количественного, следователям будет сложно подтвердить, что сбор данных происходит в соответствии с методами, определенными в руководстве. Кроме того, контроль качества определяет соответствующие решения или «действия» для исправления ошибочных процедур сбора данных и уменьшения повторений.

Например, проблемы со сбором данных, требующие немедленных действий, включают:

• Мошенничество или неправомерное поведение
• Систематические ошибки, нарушения процедур
• Отдельные элементы данных с ошибками
• Проблемы с некоторыми сотрудниками или производительностью сайта.

Исследователи обучены включать один или несколько вторичных показателей, которые можно использовать для проверки качества информации, получаемой от человека в социальных и поведенческих науках, где сбор первичных данных влечет за собой использование людей.

Например, исследователь, проводящий опрос, хотел бы узнать больше о распространенности рискованного поведения среди молодых людей, а также о социальных факторах, влияющих на склонность и частоту такого рискованного поведения. Давайте теперь рассмотрим общие проблемы, связанные со сбором данных.

Каковы общие проблемы при сборе данных?

При сборе данных возникают некоторые распространенные проблемы. Давайте рассмотрим некоторые из них, чтобы лучше их понять и избежать.

Проблемы качества данных

Основная угроза широкому и успешному применению машинного обучения — низкое качество данных. Качество данных должно быть вашим главным приоритетом, если вы хотите, чтобы такие технологии, как машинное обучение, работали на вас. Давайте поговорим о некоторых наиболее распространенных проблемах с качеством данных в этой статье блога и о том, как их исправить.

Непоследовательные данные

При работе с различными источниками данных вполне возможно, что одна и та же информация будет иметь расхождения между источниками. Различия могут заключаться в форматах, единицах измерения или иногда в написании. Введение противоречивых данных может также произойти во время слияний или переездов фирм. Несоответствия в данных имеют тенденцию накапливаться и снижать ценность данных, если они не устраняются постоянно. Организации, которые уделяют большое внимание согласованности данных, делают это потому, что им нужны только надежные данные для поддержки их аналитики.

Время простоя данных

Данные являются движущей силой решений и операций предприятий, управляемых данными. Однако могут быть короткие периоды, когда их данные будут ненадежными или неподготовленными. Жалобы клиентов и неудовлетворительные аналитические результаты — это лишь два способа, которыми недоступность данных может оказать существенное влияние на бизнес. Инженер по обработке данных тратит около 80% своего времени на обновление, обслуживание и обеспечение целостности конвейера данных. Задание следующего бизнес-вопроса связано с высокими предельными затратами из-за длительного времени выполнения операции от сбора данных до их понимания.

Модификации схемы и проблемы миграции — это лишь два примера причин простоя данных. Конвейеры данных могут быть трудными из-за их размера и сложности. Время простоя данных необходимо постоянно контролировать и сокращать за счет автоматизации.

Неоднозначные данные

Даже при тщательном контроле некоторые ошибки все равно могут возникать в огромных базах данных или озерах данных. При потоковой передаче данных на высокой скорости проблема становится еще более серьезной. Орфографические ошибки могут остаться незамеченными, могут возникнуть трудности с форматированием, а заголовки столбцов могут быть обманчивыми. Эти неясные данные могут вызвать ряд проблем для отчетности и аналитики.

Станьте экспертом по науке о данных и получите работу своей мечты. Программа последипломного образования Калифорнийского технологического института по программе Data ScienceExplore.

Дублирующиеся данные

Потоковые данные, локальные базы данных и озера облачных данных — это лишь некоторые из источников данных, с которыми приходится иметь дело современным предприятиям. У них также могут быть разрозненные приложения и системы. Эти источники, вероятно, в значительной степени дублируют и перекрывают друг друга. Например, дублирующая контактная информация оказывает существенное влияние на качество обслуживания клиентов. Если одни потенциальные клиенты игнорируются, а другие привлекаются постоянно, маркетинговые кампании страдают. Вероятность предвзятых аналитических результатов возрастает при наличии дублирующихся данных. Это также может привести к созданию моделей машинного обучения с предвзятыми данными обучения.

Слишком много данных

Хотя мы подчеркиваем аналитику, основанную на данных, и ее преимущества, существует проблема качества данных, связанная с чрезмерным объемом данных. Существует риск заблудиться в обилии данных при поиске информации, имеющей отношение к вашим аналитическим усилиям. Специалисты по данным, аналитики данных и бизнес-пользователи посвящают 80 % своей работы поиску и организации соответствующих данных. С увеличением объема данных другие проблемы с качеством данных становятся более серьезными, особенно при работе с потоковыми данными и большими файлами или базами данных.

Неточные данные

Для строго регулируемого бизнеса, такого как здравоохранение, точность данных имеет решающее значение. Учитывая нынешний опыт, как никогда важно повысить качество данных о COVID-19 и последующих пандемиях. Неточная информация не дает вам истинной картины ситуации и не может быть использована для планирования наилучшего курса действий. Персонализированное обслуживание клиентов и маркетинговые стратегии неэффективны, если данные о ваших клиентах неточны.

Неточности данных могут быть связаны с рядом причин, включая ухудшение данных, человеческую ошибку и дрейф данных. Ухудшение данных во всем мире происходит со скоростью около 3% в месяц, что весьма тревожно. Целостность данных может быть нарушена при передаче между различными системами, а качество данных может со временем ухудшиться.

Скрытые данные

Большинство предприятий используют только часть своих данных, а остальные иногда теряются в хранилищах данных или выбрасываются на кладбища данных. Например, команда обслуживания клиентов может не получать данные о клиентах от продаж, упуская возможность создать более точные и полные профили клиентов. Упущение возможностей разработки новых продуктов, улучшения услуг и оптимизации процедур вызвано скрытыми данными.

Поиск соответствующих данных

Найти соответствующие данные не так-то просто. Есть несколько факторов, которые нам необходимо учитывать при попытке найти соответствующие данные, в том числе:

• Соответствующий домен
• Соответствующая демография
• Соответствующий период времени и многие другие факторы, которые нам необходимо учитывать при поиске соответствующих данных.

Данные, которые не имеют отношения к нашему исследованию ни по одному из факторов, делают его устаревшим, и мы не можем эффективно приступить к его анализу. Это может привести к неполному исследованию или анализу, повторному сбору данных снова и снова или к закрытию исследования.

Выбор данных для сбора

Определение того, какие данные собирать, является одним из наиболее важных факторов при сборе данных и должно быть одним из первых факторов при сборе данных. Мы должны выбрать темы, которые будут охватывать данные, источники, которые мы будем использовать для их сбора, и количество информации, которая нам потребуется. Наши ответы на эти запросы будут зависеть от наших целей или того, чего мы ожидаем достичь, используя ваши данные. В качестве иллюстрации мы можем собрать информацию о категориях статей, к которым чаще всего обращаются посетители сайта в возрасте от 20 до 50 лет. Мы также можем принять решение собрать данные о типичном возрасте всех клиентов, совершивших покупки у вашей компании за предыдущий месяц.

Игнорирование этой проблемы может привести к двойной работе и сбору ненужных данных или испорчению вашего исследования в целом.

Работа с большими данными

Большие данные — это чрезвычайно массивные наборы данных с более сложной и разнообразной структурой. Эти особенности обычно приводят к увеличению проблем при хранении, анализе и использовании дополнительных методов извлечения результатов. Большие данные особенно относятся к наборам данных, которые настолько огромны или сложны, что обычных инструментов обработки данных недостаточно. Подавляющее количество данных, как неструктурированных, так и структурированных, с которыми бизнес сталкивается ежедневно.

Объем данных, производимых медицинскими приложениями, Интернетом, социальными сетями, сенсорными сетями и многими другими предприятиями, быстро растет в результате последних технологических достижений. Большие данные — это огромные объемы данных, создаваемые из многочисленных источников в различных форматах с чрезвычайно высокой скоростью. Работа с такого рода данными является одной из многих задач сбора данных и важным шагом на пути к сбору эффективных данных.

Низкий ответ и другие проблемы исследований

Было показано, что плохой дизайн и низкий уровень ответов являются двумя проблемами при сборе данных, особенно в обследованиях здоровья, в которых использовались вопросники. Это может привести к недостаточному или недостаточному предоставлению данных для исследования. В этом случае может оказаться полезным создание стимулирующей программы сбора данных, позволяющей получить больше ответов.

Теперь давайте рассмотрим ключевые этапы процесса сбора данных.

Станьте экспертом по науке о данных и получите работу своей мечты. Программа последипломного образования Калифорнийского технологического института по программе Data ScienceExplore.

Каковы ключевые этапы процесса сбора данных?

Процесс сбора данных состоит из 5 ключевых этапов. Они кратко объяснены ниже –

1. Решите, какие данные вы хотите собрать

Первое, что нам нужно сделать, это решить, какую информацию мы хотим собрать. Мы должны выбрать темы, которые будут охватывать данные, источники, которые мы будем использовать для их сбора, и количество информации, которое нам потребуется. Например, мы можем собрать информацию о категориях продуктов, которые чаще всего ищет средний посетитель веб-сайта электронной коммерции в возрасте от 30 до 45 лет.

2. Установите крайний срок для сбора данных.

Теперь можно начать процесс создания стратегии сбора данных. Нам следует установить крайний срок для сбора данных в самом начале этапа планирования. Некоторые формы данных мы можем захотеть постоянно собирать. Например, мы могли бы захотеть создать метод отслеживания транзакционных данных и статистики посещений веб-сайта в долгосрочной перспективе. Однако мы будем отслеживать данные в течение определенного периода времени, если мы отслеживаем их для конкретной кампании. В таких ситуациях у нас будет график, когда мы начнем и закончим сбор данных.

3. Выберите подход к сбору данных

На этом этапе мы выберем метод сбора данных, который послужит основой нашего плана сбора данных. Мы должны принять во внимание тип информации, которую мы хотим собрать, период времени, в течение которого мы ее получим, и другие факторы, которые мы решаем, чтобы выбрать лучшую стратегию сбора.

4. Соберите информацию

Как только наш план будет завершен, мы сможем реализовать наш план сбора данных и начать сбор данных. В нашей DMP мы можем хранить и систематизировать наши данные. Нам нужно быть осторожными, следовать нашему плану и следить за тем, как он выполняется. Особенно если мы собираем данные регулярно, может оказаться полезным установить график, когда мы будем проверять, как идет сбор данных. Поскольку обстоятельства меняются и мы узнаем новые подробности, нам, возможно, придется внести изменения в наш план.

5. Изучите информацию и примените свои выводы

Пришло время изучить наши данные и систематизировать результаты после того, как мы соберем всю информацию. Этап анализа важен, поскольку он преобразует необработанные данные в глубокие знания, которые можно применить для улучшения наших маркетинговых планов, товаров и бизнес-суждений. На этом этапе можно использовать аналитические инструменты, включенные в нашу DMP. Мы сможем использовать эти открытия для улучшения нашего бизнеса, как только обнаружим закономерности и идеи в наших данных.

Давайте теперь рассмотрим некоторые соображения по сбору данных и лучшие практики, которым можно следовать.

Рекомендации по сбору данных и лучшие практики

Мы должны тщательно спланировать, прежде чем тратить время и деньги на поездку на места для сбора данных. Эффективные стратегии сбора данных, экономящие время и ресурсы, могут помочь нам собрать более полные, точные и полные данные.

Ниже мы обсудим некоторые из лучших практик, которым мы можем следовать для достижения наилучших результатов.

1. Учитывайте стоимость каждой дополнительной точки данных.

После того, как мы определились с данными, которые хотим собрать, нам нужно обязательно принять во внимание расходы на это. Наши геодезисты и респонденты будут нести дополнительные расходы за каждую дополнительную точку данных или вопрос опроса.

2. Спланируйте сбор каждого фрагмента данных

Существует нехватка свободно доступных данных. Иногда данные есть, но у нас может не быть к ним доступа. Например, если у нас нет веской причины, мы не можем открыто просматривать медицинскую информацию другого человека. Измерение нескольких типов информации может оказаться затруднительным.

Подумайте, насколько трудоемким и трудным будет сбор каждой части информации при принятии решения о том, какие данные собирать.

3. Подумайте о своем выборе сбора данных с помощью мобильных устройств.

Сбор данных с помощью мобильных устройств можно разделить на три категории:

• IVRS (технология интерактивного голосового ответа) – будет звонить респондентам и задавать им вопросы, которые уже записаны.
• Сбор данных по SMS — респонденту будет отправлено текстовое сообщение, который затем сможет ответить на вопросы текстовым сообщением на своем телефоне.
• Полевые геодезисты — могут напрямую вводить данные в интерактивную анкету, разговаривая с каждым респондентом, благодаря приложениям для смартфонов.

Нам необходимо обязательно выбрать подходящий инструмент для нашего опроса и респондентов, поскольку каждый из них имеет свои недостатки и преимущества.

4. Тщательно продумайте данные, которые вам необходимо собрать.

Получить информацию обо всем и вся слишком легко, но крайне важно собирать только ту информацию, которая нам необходима.

Полезно рассмотреть эти 3 вопроса:

• Какие детали будут полезны?
• Какие подробности доступны?
• Какие конкретные детали вам нужны?

5. Не забудьте учитывать идентификаторы

Идентификаторы или детали, описывающие контекст и источник ответа на опрос, так же важны, как и информация о предмете или программе, которую мы на самом деле исследуем.

В целом, добавление большего количества идентификаторов позволит нам с большей точностью определять успехи и неудачи нашей программы, но ключевым моментом является модерация.

6. Сбор данных с помощью мобильных устройств — правильный путь

Хотя сбор данных на бумаге по-прежнему распространен, современные технологии во многом зависят от мобильных устройств. Они позволяют нам собирать множество различных типов данных по относительно более низким ценам, а также являются точными и быстрыми. Существует не так уж много причин не выбирать сбор данных с помощью мобильных устройств, учитывая бум недорогих Android-устройств, доступных в настоящее время.

Лучший билет на лучшие должности в области науки о данных. Программа последипломного образования в области науки о данных. Изучите сейчас

Часто задаваемые вопросы

1. Что такое сбор данных на примере?

Сбор данных — это процесс сбора и анализа информации о соответствующих переменных заранее определенным методическим способом, позволяющий ответить на конкретные исследовательские вопросы, проверить гипотезы и оценить результаты. Сбор данных может быть качественным или количественным. Пример: компания собирает отзывы клиентов посредством онлайн-опросов и мониторинга социальных сетей, чтобы улучшить свои продукты и услуги.

2. Каковы основные методы сбора данных?

Как известно, сбор первичных данных является дорогостоящим и трудоемким процессом. Основными методами сбора данных являются наблюдение, интервью, анкетирование, графики и опросы.

3. Что такое инструменты сбора данных?

Термин «инструменты сбора данных» относится к инструментам/устройствам, используемым для сбора данных, таким как бумажный вопросник или система компьютерных интервью. Инструменты, используемые для сбора данных, включают тематические исследования, контрольные списки, интервью, иногда наблюдение, опросы и анкеты.

4. В чем разница между количественными и качественными методами?

В то время как качественные исследования фокусируются на словах и значениях, количественные исследования связаны с цифрами и статистикой. Вы можете систематически измерять переменные и проверять гипотезы, используя количественные методы. Вы можете глубже погрузиться в идеи и опыт, используя качественные методологии.

5. Каковы методы сбора количественных данных?

Хотя существует множество других способов получения количественной информации, указанные выше методы — вероятностная выборка, интервью, наблюдение с помощью анкет и анализ документов — являются наиболее типичными и часто используемыми, независимо от того, собирают ли они информацию офлайн или онлайн.

6. Что такое смешанные методы исследования?

Исследование пользователей, включающее как качественные, так и количественные методы, известно как исследование смешанными методами. Для более глубокого понимания пользователей смешанные методы исследования сочетают в себе глубокие пользовательские данные с полезной статистикой.

7. Каковы преимущества сбора данных?

Сбор данных дает несколько преимуществ, в том числе:

• Знания и понимание
• Принятие решений на основе фактических данных
• Выявление проблемы и решение
• Валидация и оценка
• Определение тенденций и прогнозов
• Поддержка исследований и разработок
• Разработка политики
• Улучшение качества
• Персонализация и таргетинг
• Обмен знаниями и сотрудничество

8. В чем разница между надежностью и валидностью?

Надежность связана с последовательностью и стабильностью, а достоверность — с точностью и уместностью. Надежность фокусируется на согласованности результатов, а достоверность – на том, действительно ли результаты измеряют то, для измерения чего они предназначены. Как надежность, так и валидность являются решающими факторами в исследованиях, обеспечивающими достоверность и значимость собранных данных и измерений.

Выберите правильную программу по науке о данных

Вы думаете о карьере в области науки о данных? Курсы Simplilearn по науке о данных разработаны, чтобы предоставить вам необходимые навыки и опыт, чтобы преуспеть в этой быстро меняющейся области. Вот подробное сравнение для вашей справки:

Вы заинтересованы в карьере в области науки о данных?

Мы живем в эпоху данных, и если вы хотите сделать карьеру, которая в полной мере использует эти преимущества, вам следует подумать о карьере в области науки о данных. Simplilearn предлагает последипломную программу Калифорнийского технологического института в области науки о данных, которая научит вас всему, что вам нужно знать, чтобы занять идеальную позицию. Эта программа Data Science PG идеально подходит для всех работающих специалистов и подробно охватывает критически важные темы, такие как R, программирование на Python, алгоритмы машинного обучения, концепции НЛП и визуализация данных с помощью Tableau. Все это обеспечивается посредством нашей интерактивной модели обучения с живыми занятиями практикующих специалистов со всего мира, практическими лабораториями и отраслевыми проектами.