Investigación cuantitativa o cualitativa ¿Cuál es la diferencia?

Investigación cuantitativa o cualitativa ¿Cuál es la diferencia?

Image for postParecen lo mismo, pero no lo son.

Alguna vez un amigo motociclista me cont que solamente haba dos tipos de perfiles de dueos de motocicletas: los que ya se cayeron y los que an no se caen.

Creo que a estas alturas puedo hacer una analoga similar con el Diseo centrado en las personas. Hay dos tipos de Diseadores: los que ya justificaron un entendimiento cualitativo a alguien que solo entiende datos cuantitativos y los que an no les toca.

Eventualmente todos somos vctimas de este cuestionamiento. Probablemente llegue por un cliente que est familiarizado con el Marketing, o por un dueo de negocio que te dice que tu muestra es pequea.

La verdad es que no importa de dnde o por qu llegue el cuestionamiento. El entender la diferencia entre los tipos de datos, cundo aplicarlos y qu significan es tan fundamental como conocer de heursticas, affordances y usabilidad. Es una herramienta cotidiana de trabajo que determina la calidad de tus resultados y el entendimiento que comunicas de un proyecto.

Definiciones

Como es costumbre, primero establezcamos definiciones para asegurarnos que hablamos el mismo idioma.

La data cuantitativa es aquella que nos permite expresar resultados de manera numrica. Es cuantitativa porque se puede contar. Se obtiene por medio de herramientas que arrojan datos cuantificables como encuestas, y para que tengan algn tipo de significado generalmente buscan algn nmero de relevancia estadstica.

La data cualitativa es toda aquella que no es cuantitativa (por eso expliqu primero la cuantitativa) lo que, por definicin, implica que no se puede medir, agrupar o rankear. No se puede presentar en tablas, grficas de barras, pay, porcentajes y por lo tanto es imposible que puedan generar algn tipo de estadstica. Generalmente se obtiene por medio de entrevistas a profundidad y observaciones en contexto.

Por poner un ejemplo prctico:

Segn este artculo, solo 32% de los habitantes de Filipinas confan en las vacunas. Este es un decenso cuantificable en la cantidad de gente que contest ?Completamente de acuerdo? ante la pregunta ?Cree usted que las vacunas son importantes?? que sola ser del 95%. Este es un dato cuantitativo que nos permite identificar una mtrica cuantificable y que tiene que ser estadsticamente representativa para ser vlida, es decir que se tienen que obtener suficientes respuestas para cumplir con un margen de confianza establecido matemticamente segn el tamao de la poblacin total, que nos permite establecer un tamao ?muestra?. Este tipo de estudios frecuentemente se hacen en estudios de mercado y en anlisis poblacionales. Incluso el famoso ?rating? televisivo y de radio es una representacin estadstica a partir de una muestra.

Segn ese mismo artculo, la razn cualitativa a la que se adjudica el descenso es a ?un incremento en la desconfianza pblica alrededor de una vacuna y un aumento en la ansiedad relacionada con la vacunacin en general?. Esta ltima afirmacin es una generalizacin y no refleja que los usuarios literalmente hayan dicho que sentan ansiedad o desconfianza, sino que hay una interpretacin en el tono y manera de algunos individuos que se puede describir y generalizar con esa descripcin. Eso no quiere decir que 68% de la poblacin Filipina diga, textualmente, sentir desconfianza. Pero nos ayuda a entender a mayor profunidad por qu est pasando.

Una data nos ayuda a entender por qu sucede un aspecto de nuestra realidad, el otro tipo nos permite entender qu tan frecuentemente sucede eso que observamos, en trminos que podamos medir.

Necesitamos ambos tipos de data para pintar una imagen completa de la realidad, sin embargo esa misma realidad tambin nos limita respecto al alcance y nivel de profunidad que podemos obtener cuando tenemos recursos limitados como tiempo y dinero. Te imaginas que los investigadores tuvieran que obtener respuestas cualitativas y a profunidad de absolutamente todos los participantes de la muestra cuantitativa? Te imaginas que en ves de una respuesta con 5 opciones predefinidas, fuera una pregunta abierta? Habra que escuchar miles de horas de entrevistas, revisar cientos de hojas de anotaciones y adems eventualmente terminaran sesgando la prueba porque tendran que generalizar los hallazgos de una manera que se puedan presentar y comunicar, porque nadie tendra tiempo de leer miles de opiniones y frases de todos los individuos entrevistados. Es simplemente imposible.

Definiciones dentro de UX

Como diseadores, nosotros tenemos acceso a herramientas de investigacin que nos permiten obtener diferentes tipos de datos segn el tipo de hiptesis que queramos validar. Incluso en algunos casos en los que no tenemos la posiblidad de obtener informacin directamente, debemos tener la capacidad de poder obtener informacin de fuentes oficiales o autoridades de los cuales podamos extrapolar una hiptesis. No porque no sea el escenario ideal no significa que no nos enfrentemos a situaciones as.

Sin embargo, la investigacin que hacemos rara vez es de uso exclusivo para nosotros. En muchos casos los equipos de diseo responden a reas de Marketing, que acostumbrados a la relevancia estadstica de la informacin que manejan, en ms de una ocasin me ha tocado escuchar el ?Cuntas pruebas se hicieron??, buscando desarticular o contra argumentar una hiptesis bajo la falsa premisa de que al no tener un nmero ?suficiente? de incidencias, entonces no es algo que debera requerir atencin.

Dejemos algo bien claro. La data cualitativa no necesita representacin estadstica. Si una app genera una sensacin de frustracin en los usuarios, no importa si es con uno o con trescientos usuarios, un hallazgo es que la app genera una sensacin de frustracin. Punto.

La data cualitativa no se cuantifica porque no pretende explicar una frecuencia, pretende explicar por qu. Se profundiza, se pregunta, se trata de entender de fondo cmo piensa, siente o qu necesita una persona. No puedes decir algo como ?5 de cada 10 usuarios se frustraron? porque no hay un criterio nico para expresar la frustracin. Algunos usuarios se ren, algunos usuarios se te quedan viendo, otros genuinamente no dan seal alguna de frustracin y actan con confianza aunque no tengan idea de qu estn haciendo. Cmo justificas estadsticamente una reaccin emocional como la frustracin? Cundo el usuario llora? Cundo textualmente te dice ?me siento frustrado?? Les vas a hacer una encuesta al final y preguntarles ?te frustraste?? T crees que te van a contestar la verdad?

Todos los usuarios siempre te van a decir que est ?bonita? tu interfaz cuando se las presentas. Todos van a asentir con la cabeza y te van a decir que entienden lo que estn viendo, mientras leen en voz alta los textos en pantalla. Si ests haciendo una exploracin cualitativa y buscando cuantos usuarios dicen en voz alta y literalmente que ?les gusta?, eres un terrible, terrible investigador (t sabes quin eres). Exploramos cualitativamente para entender qu es lo que el usuario piensa, necesita y hace cuando no ests t sentado frente a l en un ambiente controlado, acompandolo en cada pantalla. Se desesperara y cerrara la aplicacin en menos de 5 segundos? Qu esperara ver en primer lugar? Qu cree que va a lograr por hacer algo con tu app? Qu entiende por los textos en pantalla? Cmo se siente?

Exploramos cualitativamente para adelantarnos a sus necesidades y para entenderlas, no para cuantificarlas o simplificarlas a un nmero. Exploramos cuantitativamente cuando queremos identificar si una necesidad es estadsticamente prevalente en una poblacin.

Aplicacin

Ok. Ya qued claro la diferencia y la importancia de cada tipo de data Ahora qu? Cmo sabemos cundo aplicar cada una? Todo diseador que se respete va contestar con un sonoro y tajante ?Depende?, pero no quiero que te vayas con las manos vacas, as que te voy a dar una recomendacin que te puede servir cuando realmente no sepas qu hacer.

La data cualitativa te ayuda a entender. La data cuantitativa te ayuda a medir.

Image for posthttp://www.openchange.co.uk/the-double-diamond/

Todo proceso de diseo pasa por las fases del doble diamante:

  1. Descubrimos, en dnde hay divergencia para explorar perfiles, necesidades, problemas, How Might We y dems.
  2. Definimos, en dnde llegamos a una convergencia de esa exploracin y hacemos una hiptesis de solucin nica.
  3. Desarrollamos, en dnde vuelve a haber divergencia para explorar diferentes modelos de solucin, flujos, pantallas y textos.
  4. Entregamos, haciendo una convergencia de la mejor solucin y la ponemos en manos de los usuarios.

En la primera etapa, te sirve ms tener data cualitativa que cuantitativa. Cmo ests desarrollando una hiptesis de solucin, te sirve entender por qu pasan las cosas. Necesitas explorar el mapa mental que tienen los diferentes perfiles de usuario o, incluso, explorar si el perfil de usuario que quieres existe en primer lugar. Los entrevistamos y platicamos con ellos para descubrir oportunidades, necesidades, puntos de dolor, frustracin y cmo resuelven actualmente su problema. En este punto no nos importa cuntos, nos importa entender por qu.

Una vez que ya tienes una hiptesis de solucin, te sirve ms la data cuantitativa. La pregunta que ms frecuentemente quieres resolver va en funcin a ?Cuntos usuarios les sirve esta herramienta??. Aqu te sirve tener tasas de completud, para entender si tu flujo se puede completar. Tree testing para saber si se puede navegar. Funnels, flujos, encuestas de satisfaccin para saber si a los usuarios les sirvi o no.

Entonces, como una gran generalidad (recuerda, siempre depende). Si an no sabes qu hacer, concntrate en explorar cualitativamente. Si ya tienes algo hecho y lo que quieres saber es si algo funciona sin que te preocupe por qu, concntrate en explorar cuantitativamente.

Literatura extra

Te comparto algunas ligas de especialistas en el tema por si necesitas argumentarle al jefe de Marketing por qu nosotros podemos hacer pruebas con pocos usuarios y an as considerar que nuestros hallazgos son vlidos.

Primer artculo: Probar con 5 usuarios te ayudar a entender el 85% de los problemas cualitativos de la usabilidad de tu sistema. Bsicamente, si 5 usuarios no pueden completar un flujo de tu app, es casi seguro que si la lanzas al mercado, 100,000 usuarios no podrn completar el flujo. Nielsen dice que pruebes en pequeo, pero que pruebes rpido y frecuentemente.

You Only Need to Test with 5 Users ? Jakob Nielsen

You want to run multiple tests because the real goal of usability engineering is to improve the design and not just to document its weaknesses. After the first study with five participants has found 85% of the usability problems, you will want to fix these problems in a redesign.

Segundo artculo: Medir un atributo cualitativo como la lealtad o la satisfaccin con una mtrica cuantitativa como el Net Promoter Score (NPS) arroja resultados falsos que pueden hacer dao a toda una organizacin. El artculo propone maneras alternativas de medir si los usuarios estn satisfechos con la experiencia o no.

Net Promoter Score Considered Harmful (and What UX Professionals Can Do About It) ? Jared Spool

We?ve seen many participants rate a 0 because they couldn?t think of anyone to give the recommendation to. Others rated a 10 because they had friends who worked at the company. When the company offers an incentive to respond, say a chance to win a $100 Amazon gift certificate, we?ve seen participants put a high score in because ?They?ll never give the prize to someone who gives them a zero.?

We?ve learned that NPS doesn?t tell us anything about the customer?s experience or their loyalty. In fact, we can?t trust NPS to tell us anything useful.

Artculo 3: La mejor manera de medir si un producto funciona o no, es en ambiente productivo. Lanzar inicia una ?conversacin? con tus usuarios, que son clientes reales, en un contexto real, que te permite obtener mtricas claras, fidedignas y estadsticamente relevantes. La mejor fuente de data cuantitativa son tus propios analytics. Solo recuerda que no puedes extrapolar necesidades cualitativas de ellos. Te dice si tu producto ?funciona? o no. No por qu.

Fixed time, fixed scope projects always end in 1 of 3 ways. None of them good. ? Jeff Gothelf

Launching publicly simply begins the process of learning how right (or wrong) our assumptions were. It is the start of a continuous conversation with your target audience and the fastest way to learn how to optimize your system. The sooner you can get something to market, the sooner you can make the system better.

Recuerda. Entender los tipos de datos y saber utilizarlos para argumentar hallazgos es una herramienta poderosa que debes usar con mucha responsabilidad.

Si quieres saber ms de m y de mi trabajo puedes leer mis otros artculos en Medium, visitar mi sitio web o escribirme por Twitter.

Puedes seguir a UX Mxico en Facebook, Twitter y LinkedIn para estar actualizado de nuestros eventos, talleres y ofertas para la comunidad.

2

No Responses

Write a response