Dữ liệu định lượng vs dữ liệu định tính: Hiểu sao cho đúng? - Filum.ai

Trong quá trình nghiên cứu khách hàng nói chung, và nghiên cứu khách hàng sơ cấp (Primary Research) nói riêng, trước khi bắt đầu thu thập dữ liệu, doanh nghiệp cần xác định rõ ràng loại dữ liệu sơ cấp doanh nghiệp cần thu thập là gì. Có nhiều cách phân loại dữ liệu sơ cấp, từ phân loại theo cấu trúc cho đến phân loại theo mức độ sẵn có (availability). Trong bài viết này, Filum sẽ giới thiệu đến doanh nghiệp phương pháp phân loại dữ liệu phổ biến nhất, đó là phân loại dữ liệu theo định lượng hoặc định tính.

Định nghĩa

Dữ liệu định lượng

Dữ liệu định lượng là những dữ liệu có thể được thể hiện dưới dạng số. Khi tiến hành nghiên cứu định lượng, doanh nghiệp thu thập những thông tin có thể được đếm, tính toán hay đo lường một cách chính xác. Một số ví dụ về dữ liệu định lượng trong kinh doanh có thể kể đến doanh thu, chi phí sản xuất sản phẩm, hay lợi nhuận của doanh nghiệp.

Xét về cấu trúc, dữ liệu định lượng là dữ liệu có cấu trúc (Structured Data), nghĩa là dữ liệu đã được tổ chức và phân loại theo một cấu trúc nhất định. Chính vì sự nhất quán này, dữ liệu định lượng có thể được xử lý bởi máy tính hay các thiết bị tính toán một cách dễ dàng, giúp tiết kiệm nhân lực. Đồng thời, dữ liệu định lượng cũng dễ dàng được trình bày dưới dạng biểu đồ, từ đó giúp doanh nghiệp có được góc nhìn trực quan nhất về dữ liệu.

Dữ liệu định tính

Trái với dữ liệu định lượng, dữ liệu định tính là những dữ liệu không thể được đo lường hay đong đếm một cách chính xác. Khi tiến hành nghiên cứu định tính, doanh nghiệp sẽ phải nghiên cứu về ngôn ngữ cơ thể, biểu cảm, lời nói của khách hàng, từ đó đi tìm câu trả lời cho câu hỏi: “Tại sao?”. Tại sao khách hàng lại có cảm nhận như thế về sản phẩm/dịch vụ của doanh nghiệp? Tại sao khách hàng lại có hành vi mua sắm này? Tại sao khách hàng lại không hài lòng với tương tác tại điểm chạm này? Đó chính là ví dụ về những vấn đề doanh nghiệp cần làm rõ khi tiến hành nghiên cứu khách hàng định tính.

Xét về mặt cấu trúc, dữ liệu định tính là dữ liệu phi cấu trúc (Unstructured Data), chính vì vậy, máy tính hay các thiết bị tính toán không thể xử lý trực tiếp loại dữ liệu này. Thông thường, con người sẽ là lực lượng lao động chính để xử lý dữ liệu định tính. Điều này lại đặt ra một bài toán: làm thế nào để tối ưu hóa tốc độ và nhân lực nhất có thể khi xử lý dữ liệu định tính? Câu trả lời có thể nằm ở sự phát triển vượt bậc của công nghệ trí tuệ nhân tạo (AI). Với khả năng xử lý ngôn ngữ tự nhiên (Natural Language Processing), AI có thể giúp doanh nghiệp đạt hiệu suất cao hơn trong quá trình xử lý dữ liệu định tính.

So sánh dữ liệu định tính và dữ liệu định lượng

Để làm rõ sự khác biệt của hai loại dữ liệu này, chúng tôi sẽ tiến hành phân tích sự khác biệt giữa dữ liệu định tính và dữ liệu định lượng trên 03 phương diện sau: phương pháp thu thập, phương pháp phân tích, và ưu nhược điểm của mỗi loại dữ liệu.

Phương pháp thu thập

Phương pháp phân tích

Đối với dữ liệu định lượng, nhìn chung, doanh nghiệp có thể sử dụng các kỹ thuật phân tích thống kê thường thấy, có khả năng tự động hóa cao để phân tích lượng lớn dữ liệu trong một khoảng thời gian ngắn. Tuy nhiên, đối với dữ liệu định tính, mặc dù có sự hỗ trợ của AI, doanh nghiệp vẫn cần tự mình đánh giá kết quả của dữ liệu.

Ưu, nhược điểm của mỗi loại dữ liệu

Ưu, nhược điểm của dữ liệu định lượng và dữ liệu định tính có thể được tóm tắt qua bảng dưới đây:

Tuy nhiên, doanh nghiệp cũng cần lưu ý rằng: loại dữ liệu tối ưu nhất là loại dữ liệu gắn liền với mục tiêu nghiên cứu nhất, đem lại thông tin hữu ích và hiệu quả nhất. Chính vì vậy, doanh nghiệp cần cân nhắc những yếu tố trên trước khi đưa ra quyết định lựa chọn thu thập loại dữ liệu nào cho quá trình nghiên cứu khách hàng.

Kết hợp hai loại dữ liệu với nhau, liệu có được?

Liệu lúc nào cũng phải tách biệt dữ liệu định tính và dữ liệu định lượng bằng các cuộc nghiên cứu khác nhau? Câu trả lời là không. Thậm chí, trong một vài trường hợp, việc kết hợp hai loại dữ liệu với nhau sẽ đem lại cho doanh nghiệp kết quả nghiên cứu tối ưu nhất.

Trước khi bắt đầu nghiên cứu khách hàng, doanh nghiệp có thể sử dụng một số dữ liệu định lượng để xác định sơ bộ tình hình lĩnh vực mà doanh nghiệp dự định nghiên cứu. Ví dụ, doanh nghiệp có thể sử dụng dữ liệu từ hệ thống CRM tại doanh nghiệp để xác định những thông tin cơ bản về những khách hàng hiện tại, từ đó đưa ra một số giả thuyết liên quan đến hành vi mua sắm liên quan đến họ. Sau đó, doanh nghiệp có thể tiến hành nghiên cứu định lượng để xác minh tính chính xác của những giả thuyết đó, và cuối cùng, tiến hành nghiên cứu định tính để có được những hiểu biết về động cơ đằng sau những hành vi, suy nghĩ của khách hàng. Cách kết hợp hai loại dữ liệu với nhau này ngày càng trở nên phổ biến, bởi lẽ nó giúp doanh nghiệp vừa hiểu nhiều, lại hiểu sâu về khách hàng.

Các loại câu hỏi thu thập dữ liệu định tính và dữ liệu định tượng

Sau khi doanh nghiệp đã hiểu tường tận về định nghĩa và sự khác biệt giữa hai loại dữ liệu, hãy cùng Filum điểm qua một số câu hỏi phổ biến, giúp thu thập hai loại dữ liệu này trong khảo sát khách hàng.

Câu hỏi thu thập dữ liệu định lượng

Câu hỏi chỉ số NPS (Net Promoter Score)

Chỉ số NPS là chỉ số đo lường mức độ trung thành của khách hàng với doanh nghiệp. Câu hỏi cơ bản để đo lường chỉ số này là: “Trên thang điểm từ 0 đến 10, khả năng bạn sẽ giới thiệu công ty chúng tôi cho bạn bè và đồng nghiệp là bao nhiêu điểm?”

Ví dụ:

Câu hỏi thang đo Likert

Thang đo Likert là loại thang đo định lượng được sử dụng để đo lường thái độ, ý kiến của người tham gia nghiên cứu. Thang đo Likert thường có 5 hoặc 7 mức độ, từ “rất không đồng ý” đến “rất đồng ý”. Người trả lời được yêu cầu đánh dấu mức độ đồng ý hoặc không đồng ý của họ với một tuyên bố cụ thể.

Ví dụ:

Câu hỏi đánh giá sao

Đây là câu hỏi cho phép người tham gia nghiên cứu đánh giá một sản phẩm/dịch vụ hoặc trải nghiệm theo thang điểm từ 1 đến 5 sao. Doanh nghiệp có thể sử dụng câu hỏi này để thu thập dữ liệu định lượng về mức độ hài lòng của người trả lời.

Ví dụ:

Câu hỏi thu thập dữ liệu định tính

Do tính chất của dữ liệu định tính, doanh nghiệp có ít lựa chọn câu hỏi thu thập loại dữ liệu này hơn, vì tất cả các câu hỏi đều có chung một mục đích: cung cấp cho người tham gia nghiên cứu không gian để bày tỏ quan điểm, ý kiến của riêng họ. Chính vì vậy, doanh nghiệp nên kết hợp các câu hỏi thu thập dữ liệu định tính cùng các câu hỏi thu thập dữ liệu định lượng.

Ví dụ:

Lời kết

Việc hiểu, cũng như xác định rõ loại dữ liệu doanh nghiệp cần thu thập chính là một trong những thành tố cốt yếu, giúp doanh nghiệp nghiên cứu khách hàng thành công và có được những hiểu biết sâu sắc về khách hàng. Đây chính là cơ sở giúp doanh nghiệp lắng nghe khách hàng, từ đó có được những insights (tạm dịch: sự thật ngầm hiểu) làm cơ sở cho công tác tối ưu hóa trải nghiệm khách hàng tại doanh nghiệp.