Первый этап исследования desk research – это сбор материалов о системе. Нет, не так - о Системе. У меня это происходит обычно беспорядочно по принципу «вали кулем, потом разберем». Ну, если честно. Этот куль растет очень быстро (спасибо, гугл), а вот разбирать его очень долго.
Чтобы ускорить работу, я использую модель DIKW (см. рисунок👆). Рассматривая очередной материал из «куля», я задаю себе вопрос: «Какой этап модели там описан» (для себя звучит так: «Это вообще о чем?»). Ответив на него, я помещаю материал в ту или иную ячейку модели. Редко, но бывает – сразу в две. К анализу и выводам можно приступать только после того как «куль» разобран. Кстати, тут и выясняется, что чего-то не хватает, самое время дополнить.
Вот как это работает. Каждый материал, будь то статья, отчет, интервью, пост тг-канала содержит некую полезную информацию. Модель позволяет рассортировать их по уровню обобщения – от простых наблюдений (Data) к сложным обобщениям (Knowledge). Это значительно упрощает (и ускоряет!) анализ. Сравнивать подобное с подобным всегда проще.
По сути, речь идет об этапах дефрагментации исходной бизнес-задачи, переводу ее в ряд исследовательских задач. Анализ данных выполняется на каждом этапе, собственного, для этого все и делается.
Пример будет в следующем посте, но вы уже можете потренироваться на своих, потом сравним подходы.
#лайфхак #метод
Чтобы ускорить работу, я использую модель DIKW (см. рисунок👆). Рассматривая очередной материал из «куля», я задаю себе вопрос: «Какой этап модели там описан» (для себя звучит так: «Это вообще о чем?»). Ответив на него, я помещаю материал в ту или иную ячейку модели. Редко, но бывает – сразу в две. К анализу и выводам можно приступать только после того как «куль» разобран. Кстати, тут и выясняется, что чего-то не хватает, самое время дополнить.
Вот как это работает. Каждый материал, будь то статья, отчет, интервью, пост тг-канала содержит некую полезную информацию. Модель позволяет рассортировать их по уровню обобщения – от простых наблюдений (Data) к сложным обобщениям (Knowledge). Это значительно упрощает (и ускоряет!) анализ. Сравнивать подобное с подобным всегда проще.
По сути, речь идет об этапах дефрагментации исходной бизнес-задачи, переводу ее в ряд исследовательских задач. Анализ данных выполняется на каждом этапе, собственного, для этого все и делается.
Пример будет в следующем посте, но вы уже можете потренироваться на своих, потом сравним подходы.
#лайфхак #метод
Анализировать источники информации удобнее, когда они однородны с точки зрения степени обобщенности данных. Уровни задает модель DIKW (см. предыдущий пост). Но как определить в какую ячейку надо положить тот или иной материал?
Вот пример.
В октябре этого года в рамках темы «потребительское поведение» ВЦИОМ опубликовал данные опроса об услугах доставки. На сайте есть несколько вкладок (см рисунок👆).
Во вкладке «Таблицы» - данные опроса.
Например, «ежедневно услугами доставки в 2019 году пользовались 1% опрошенных, в 2024 году – 3%».
В терминах модели DIKW – это «Данные».
Во вкладке «Обзор» мы видим уже сгруппированные данные – модуль «Информация» в терминах DIKW.
«Доля регулярных пользователей услугой за этот период выросла вдвое».
«Регулярных пользователей услугами курьерских служб отличают наличие высшего образования (35%), хороший достаток (38%)…»
Впрочем, в той же вкладке мы видим и описания причин наблюдаемых явлений.
«С выходом на работу, появлением семьи, желание тратить время на магазины пропадает, поэтому младшие миллениалы любят получать посылки, не выходя из дома».
Таким образом, один и тот же материал может быть размещен одновременно в нескольких ячейках модели DIKW.
Наконец, во вкладке «Комментарии» авторы еще больше углубляются в тему. «Рост популярности курьерской доставки меняет привычки, мышление, коммуникацию и саму модель потребления россиян».
В рамках DIKW это тоже модуль «Знания», но не «Мудрость».
К последнему относят управленческие решения, в которых аккумулированы не только знания о системе полученные в ходе исследования, но и что-то еще. Это что-то привносит эксперт на основе собственного опыта и – важно – понимания бизнес-задачи конкретного проекта.
Этого никак нельзя ожидать от публикаций, ориентированных на «неопределенный круг лиц».
#вциом #доставка #лайфхак #метод
Вот пример.
В октябре этого года в рамках темы «потребительское поведение» ВЦИОМ опубликовал данные опроса об услугах доставки. На сайте есть несколько вкладок (см рисунок👆).
Во вкладке «Таблицы» - данные опроса.
Например, «ежедневно услугами доставки в 2019 году пользовались 1% опрошенных, в 2024 году – 3%».
В терминах модели DIKW – это «Данные».
Во вкладке «Обзор» мы видим уже сгруппированные данные – модуль «Информация» в терминах DIKW.
«Доля регулярных пользователей услугой за этот период выросла вдвое».
«Регулярных пользователей услугами курьерских служб отличают наличие высшего образования (35%), хороший достаток (38%)…»
Впрочем, в той же вкладке мы видим и описания причин наблюдаемых явлений.
«С выходом на работу, появлением семьи, желание тратить время на магазины пропадает, поэтому младшие миллениалы любят получать посылки, не выходя из дома».
Таким образом, один и тот же материал может быть размещен одновременно в нескольких ячейках модели DIKW.
Наконец, во вкладке «Комментарии» авторы еще больше углубляются в тему. «Рост популярности курьерской доставки меняет привычки, мышление, коммуникацию и саму модель потребления россиян».
В рамках DIKW это тоже модуль «Знания», но не «Мудрость».
К последнему относят управленческие решения, в которых аккумулированы не только знания о системе полученные в ходе исследования, но и что-то еще. Это что-то привносит эксперт на основе собственного опыта и – важно – понимания бизнес-задачи конкретного проекта.
Этого никак нельзя ожидать от публикаций, ориентированных на «неопределенный круг лиц».
#вциом #доставка #лайфхак #метод