Data

Qualitative data

Qualitative data

 

Les données qualitatives sont des informations qui ne peuvent pas être comptées, mesurées ou facilement exprimées par des chiffres. Elles sont recueillies à partir de textes, d’enregistrements audio et d’images et sont partagées grâce à des outils de visualisation des données, tels que les nuages de mots, les cartes conceptuelles, les bases de données graphiques, les lignes de temps et les infographies.

La Qualitative data tente de répondre à des questions sur les actions que les gens entreprennent et sur ce qui les motive à entreprendre ces actions. La collecte et l’exploitation de ce type de données peuvent prendre beaucoup de temps, car elles nécessitent une réflexion de la part de l’analyste. Une personne qui travaille avec des données qualitatives est appelée chercheur qualitatif ou analyste qualitatif.

Les logiciels d’analyse des données qualitatives (QDA) sont utilisés dans de nombreux domaines de recherche, notamment les soins de santé, ainsi que le commerce et le marketing. En statistique, les données qualitatives sont appelées données catégorielles.

Données qualitatives et quantitatives
Les données quantitatives sont toujours numériques. Elles peuvent être placées dans une base de données et analysées à l’aide de méthodologies mathématiques et statistiques. En général, les données quantitatives sont structurées, tandis que les données qualitatives sont non structurées.

Les informations obtenues par l’analyse des données quantitatives et qualitatives peuvent être complémentaires, mais les objectifs de l’examen de chaque type de données et les outils nécessaires pour les comprendre sont différents.

Un analyste de données quantitatives cherche à répondre à des questions objectives sur un événement. En revanche, un chercheur qualitatif cherche à répondre à des questions subjectives sur le sens que les gens donnent à ce même événement.

Types de données qualitatives
Les données qualitatives non structurées sont généralement classées en deux catégories : ethnographiques et interprétatives. Les données ethnographiques sont collectées pour comprendre comment un groupe attribue un contexte à un événement. Les données interprétatives sont collectées pour comprendre l’expérience personnelle et les sentiments d’un individu par rapport à un événement.

Méthodes de collecte des données qualitatives
Les données qualitatives sont souvent recueillies par l’observation directe ou indirecte, ou en posant des questions ouvertes. Les méthodes de collecte les plus courantes sont les suivantes

les entretiens
les groupes de discussion
les questions ouvertes d’une enquête
travail sur le terrain
extraction de documents existants
observation des participants
études de cas
recherche culturelle, ou ethnographique
Exemples de données qualitatives
Un spécialiste de la recherche quantitative peut essayer de comprendre le comportement d’un client en examinant ce qu’il a acheté, quand il l’a fait, où il l’a fait et combien il a payé.

En revanche, un chercheur qualitatif peut chercher à comprendre le comportement du même client en examinant qui il est par rapport à l’ensemble de la population, comment il a effectué ses recherches et pourquoi il a décidé d’acheter une marque plutôt qu’une autre.

Complémentarité des données qualitatives et quantitatives
Très souvent, la même équipe d’étude de marché utilise à la fois des approches qualitatives et quantitatives. Les deux approches fonctionnent fréquemment en tandem ou par itérations.

Par exemple, une étude de marché qui cherche à établir les meilleures pratiques de vente et de marketing peut commencer par examiner l’historique des achats de tous ses clients. Ensuite, elle pourrait interroger ses clients les plus fidèles – en fonction du nombre total d’achats, de la plus longue série de trimestres d’achats réguliers, etc. — afin de comprendre comment et pourquoi ils ont été des clients fidèles.

Après avoir codé les thèmes fréquents dans les entretiens avec les clients fidèles, l’analyste de marché peut remarquer que la majorité des entretiens portent sur le thème de la qualité du service client. À partir de là, il pourrait revenir aux données de sa plateforme de service client et extraire les temps de réponse des clients, ainsi qu’une mesure de leur fidélité à la marque. Ils pourraient être en mesure de corréler les temps de réponse rapides avec une plus grande fidélité, établissant ainsi que le temps de réponse rapide est un facteur clé pour établir et maintenir des clients fidèles.

Analyse qualitative des données
L’analyse des données qualitatives peut être caractérisée comme étant déductive ou inductive. Dans une approche déductive, l’analyste commence par une question et examine les données de manière subjective dans le contexte de la question. Dans une approche inductive, l’analyste n’a pas de programme. Il ou elle examine simplement les données pour rechercher des modèles. En règle générale, une approche inductive prend plus de temps qu’une approche déductive.

L’approche déductive équivaut à l’utilisation de la méthode scientifique. Une méthode inductive fréquente est appelée « théorie fondée ». Cela signifie simplement que le chercheur s’appuie sur les données qu’il a sous les yeux, plutôt que d’aborder les données avec une théorie ou une question de recherche préexistante à l’esprit.

Cette vidéo de Daniel Usera présente une introduction à l’analyse qualitative des données.
Partager l’analyse qualitative
Alors que les conclusions tirées de l’analyse des données quantitatives sont facilement compréhensibles grâce au cadre universel des mathématiques, les chercheurs travaillant avec des données qualitatives doivent faire preuve de plus de créativité pour partager leurs résultats. Les outils les plus populaires pour partager les données qualitatives sont les suivants :

Les clouds de mots. Ils sont utilisés pour mettre en évidence la fréquence de divers résultats dans un échantillon de données.
Ils mettent en évidence les événements ou les jalons importants d’un échantillon de données par rapport au passage du temps.
Base de données graphique. Une base de données graphique illustre graphiquement les relations entre les éléments de données. Comme les nuages de mots, les bases de données graphiques – qui peuvent également être appelées cartes conceptuelles – peuvent faciliter la compréhension des données qualitatives en utilisant la taille, la couleur et l’emplacement pour mettre en évidence ou non la valeur des éléments de données dans l’échantillon.
Elles utilisent des graphiques, des illustrations et un minimum de texte pour présenter les résultats sous forme d’histoires faciles à comprendre.
Les visualisations quantitatives traditionnelles, telles que les histogrammes ou les diagrammes à barres, sont également fréquemment utilisées une fois que le codage est terminé et que des comptes de fréquence ont été établis pour les étiquettes ou les thèmes. Les données qualitatives sont aussi souvent partagées sous forme d’exemples, de citations ou de clips pour appuyer les conclusions tirées de l’analyse quantitative.

Avantages et inconvénients des données qualitatives
Les méthodes d’observation et d’analyse de contenu aident les chercheurs à éviter l’effet Hawthorne et à recueillir des données qui correspondent à l’expérience réelle. L’inclusion de données qualitatives dans les rapports permet d’ajouter de la couleur à l’histoire que l’on essaie de raconter à l’aide de données, en donnant aux conclusions généralisées une vision moins abstraite, avec des exemples réels provenant de personnes réelles.

La collecte et l’analyse de données qualitatives peuvent prendre beaucoup de temps. C’est pourquoi les chercheurs en données qualitatives ont tendance à utiliser l’échantillonnage dans leur analyse. Toutefois, lorsque de petits échantillons de données sont utilisés, il peut être difficile de mettre les résultats à l’échelle pour découvrir des modèles utiles.

Les données quantifiables peuvent être placées directement dans une base de données, et les analystes peuvent utiliser des formules mathématiques et des calculs numériques pour les analyser. En revanche, les données qualitatives doivent être catégorisées au moyen de paramètres descriptifs, tels que des traits ou des caractéristiques physiques, avant de pouvoir être examinées statistiquement pour en dégager des modèles ou des significations.

Alors que l’analyse des données quantitatives peut facilement être réalisée par des analystes citoyens à l’aide d’outils logiciels tels que des tableurs, l’analyse des données qualitatives repose sur les compétences et l’expérience du chercheur pour créer des paramètres à partir d’un petit échantillonnage permettant d’examiner des data sets plus importants.

Codage analytique
Le processus de catégorisation des données qualitatives est appelé codage. Le codage permet d’organiser les données qualitatives, en utilisant des paramètres alignés sur les questions auxquelles le chercheur cherche à répondre s’il adopte une approche déductive. Dans le cas d’une approche inductive, le chercheur se lance plus ou moins à l’aveuglette et cherche à faire émerger des thèmes au fur et à mesure qu’il traite les données – par exemple, en lisant les transcriptions ou en écoutant les enregistrements. Cette approche est encore plus longue que celle qui consiste à poser une question, car elle nécessite de nombreux passages dans les données afin d’affiner les thèmes saillants.

Le processus qui consiste à attribuer des codes à des modèles répétés et à regrouper les codes dans une hiérarchie afin de les préparer à l’analyse statistique s’appelle l’ancrage des données.

Dans de nombreux cas, le processus de codage est récursif, plutôt que linéaire. Par exemple, un analyste peut commencer par parcourir les données pour trouver un thème de haut niveau, comme la satisfaction du client. Au fur et à mesure que le chercheur creuse la question, il réduit généralement son champ d’action, en subdivisant les données en sous-thèmes de satisfaction positive du client et de satisfaction négative du client.

Outils d’analyse qualitative
L’analyse qualitative des données (QDA) s’appuie sur des outils analogiques et numériques pour systématiser, organiser et analyser les données non numériques.

Les outils analogiques traditionnels pour l’analyse qualitative comprennent les éléments suivants :

L’analyse SWOT (analyse des forces, faiblesses, opportunités et menaces). Il s’agit d’un cadre permettant d’identifier et d’analyser les facteurs internes et externes qui peuvent avoir un impact sur la viabilité d’un projet, d’un produit, d’un lieu ou d’une personne. L’analyse SWOT est utile pour fournir un instantané permettant de comprendre la dynamique qualitative qui affecte le succès.
Les cinq forces de Porter. Il s’agit d’un cadre développé par Michael E. Porter, professeur à Harvard, pour améliorer l’analyse SWOT en identifiant et en analysant les facteurs internes et externes qui peuvent avoir un impact sur le succès.
De plus en plus, les logiciels d’analyse qualitative des données assistée par ordinateur (QDAS) peuvent aider les analystes à réduire le temps nécessaire à la collecte et à l’analyse des données qualitatives. En général, le QDAS comprend des fonctions telles que les suivantes

l’analyse de la transcription ;
le codage pour l’analyse des sentiments et l’interprétation des textes ; et
abstraction récursive.
Fournisseurs d’analyse de données qualitatives
Les logiciels d’analyse qualitative ont été commercialisés pour la première fois au milieu des années 80. Aujourd’hui, les logiciels d’analyse qualitative des données constituent un marché bien établi. Les principaux acteurs sont les suivants :

MAXQDA
Smartlook
NVivo
ti
Quirkos
Dedoose
Provalis Research
WebQDA
L’œil du corbeau
Researchware
FOCUSSON
Dovetail

Ecrire un commentaire