Määrällisillä menetelmillä on merkittävä asema liiketoiminnan kehittämisessä, mutta usein tottumus yksinkertaistaa maailmaa voi kätkeä alleen arvokkaita perusteluja tuloksille tai jopa viedä harhaan.

Määrällisellä lähestymistavalla on maine objektiivisena ja kiistattomia tuloksia synnyttävänä työkaluna, koska sen avulla voidaan summata isoja määriä dataa yksinkertaisiksi, mutta tarkoiksi mittasuhteiksi tai ennustemalleiksi. Väitän, että laadullisella tutkimuksella voi kuitenkin päästä käsiksi haasteiden juurisyihin monesti paremmin. Lisäksi on olennaista, että menetelmävalintoihin liittyvät oletukset tiedostettaisiin paremmin, jotta voidaan hahmottaa ja välttää määrällisen lähestymistavan heikkoudet. Annan muutaman esimerkin siitä, mitä tämä voi tarkoittaa.

Kun tavoitteena on ymmärtää miksi jotain tapahtuu, on syytä panostaa taustaymmärrykseen ja tutkimussuunnitteluun

Pohdittaessa esimerkiksi kanta-asiakasohjelman kiinnostavuutta tai tietyn tuotteen hankintapäätöstä, voidaan helposti keksiä kysyttävät asiat vastausvaihtoehtoineen suljetun piirin kesken sen mukaan, mitä jo oletetaan asiakkaiden ajattelevan. Tällöin koko tutkimus lukitaan joko todentamaan tai osoittamaan vääräksi ihmisten ennakkokäsityksiä sen sijaan, että annettaisi tutkimukselle mahdollisuus tuoda aidosti jotain uutta päätöksenteon ja strategisen suunnittelun tueksi. Tällainen lähestymistapa jättää myös katveeseen tavan, jolla kyselyn vastaajat ymmärtävät kysyttyjä asioita suhteessa aikaisempaan ymmärrykseensä. Asiakkaan ennakkoymmärrys vaikuttaa heidän tapaansa tehdä valintoja, jolloin ennakko-oletuksiin pohjautuvat kysymyksenasettelut ja vastausvaihtoehdot antavat helposti harhaanjohtavan kuvan siitä, miten eri lähtökohdista aihetta tarkastelevat asiakkaat tosiasiassa ajattelevat. Ennakko-oletukset voivat silti olla arvokkaita ja kiinnostavia, kunhan ne tiedostetaan oletuksina – ja niihin suhtaudutaan sellaisina.

Määrällinen analyysi voi yksinään jäädä ennakko-oletusten peilikuvaksi

On äärimmäisen kätevää hyödyntää saatavilla olevia avoimia datalähteitä sekä mittavia asiakasrekisteritietoja myynnin tai asiakassuhteiden ison kuvan hahmottamiseksi. Monesti määrällisen datan tulkinta on kuitenkin tehty niin kutsutulla ’parhaimman arvauksen -menetelmällä’, eli että ensin piirretään taulukko tai malli datasta ja keksitään sille selitys, joka parhaiten sopii omaan tulkintakehykseemme ja keksittyyn malliin. Pahimmassa tapauksessa samasta taulukosta voidaan vetää useita, keskenään ristiriitaisia tulkintoja, jolloin määrällinen data toimiikin tyhjänä tauluna omien ennakkokäsitystemme projisoinnille, tarjoamatta selkeää ja tulkitsijasta riippumatonta vastausta. 

Monesti se, mitä pidämme objektiivisena tietona, onkin juuri sitä tietoa, joka parhaiten sopii omiin ennakkokäsityksiimme. Määrällinen analyysi vaatii väistämättä lukujen tulkintaa, josta tutkija on aina vastuussa oman intuitionsa pohjalta samalla tavalla kuin laadullisessakin tutkimuksessa. Usein sekään ei yksin riitä, sillä käsillä oleva data saattaa osoittautua riittämättömäksi antamaan vastauksia analyysin aikana nouseviin, selittävän tason jatkokysymyksiin. Tässä vaiheessa tutkija joutuu toteamaan että ”asia voi olla niin tai näin, data ei sitä kerro”, tai antamaan valistuneen arvauksen siitä mistä data kertoo, kun kerran analyysin toimeksiantaja sitä vaatii. Tässä tapauksessa hyvin tehty laadullinen tutkimus pystyisi happotestaamaan määrällisiin havaintoihin nojaavat oletukset ja kaivamaan esiin nyansseja isojen linjojen takaa, mikä mahdollistaa käyttäytymisen ymmärtämisen. Määrällisessä analyysissakin lukujen kontekstualisointi osaksi laajempaa tarinaa ratkaisee sen käyttökelpoisuuden ja sovellettavuuden.

Vaikeasti rajattaviin kysymyksiin vastaaminen vaatii monimetodista lähestymistapaa 

Empiirisiä havaintoja ja subjektiivisia näkökulmia voidaan kerätä ja tutkia niin laadullisilla kuin määrällisillä lähestymistavoilla, eivätkä ne siten ole vastakohtaisia vaan täydentäviä toisilleen.

Ihmisten käyttäytyminen on monimutkaista, ristiriitaista ja vaikeasti ennustettavaa. Tämän takia useiden menetelmien hyödyntäminen tutkimuksessa luo kestävimmän kokonaiskuvan ja ymmärryksen tutkittavasta ilmiöstä. Norenilla tavoittelemme määrällisellä tutkimuksella lopputuloksia, jotka rakentuvat laadullisen ymmärryksen päälle eri datalähteitä, menetelmiä ja monitieteisiä näkökulmia hyödyntämällä. Ymmärrys viittaa tässä esimerkiksi etnografisen tutkimuksen analyysiin, tarinoihin ihmisistä, jotka toimivat tietyssä kontekstissa, ajassa ja paikassa. Hyvin tehty laadullinen tutkimus mahdollistaa keskustelun tutkimuskohteiden sekä koko tutkimuksen viitekehyksen kanssa aineistonkeruun vaiheessa, jolloin voimme selättää määrällisen tutkimussuunnittelun tyypillisimpiä ongelmia. 

Liiketoiminnan strateginen kehittäminen vaatii niin rikasta laadullista dataa kuin myös edustavaa määrällistä dataa. Ihmisinä olemme myös parhaiten virittyneitä sisäistämään tarinamuotoista analyysia, mitä pelkkä määrällinen tutkimus pystyy harvoin tarjoamaan ilman kattavaa laadullista taustaymmärrystä. Lähestymällä tutkimuskohteitamme suoraan ja keskustelevasti määrällistä tutkimusta edeltävässä etnografisessa kenttätyössä ja analyysissa annamme laadulliselle datalle mahdollisuuden muuttaa tai rikkoa ennakkokäsityksiämme tutkittavasta haasteesta. Laadullisen tutkimuksen keskeinen anti on rakentaa tällainen aika- ja paikkasidonnainen teoria käyttäytymisestä, joka sitten on linkitettävissä asiakkaamme strategiseen ongelmaan. Käytämme kyselytutkimusta usein validoimaan uutta ymmärrystä tai testaamaan asiakkaan ennakko-oletuksia. Tällainen lähestymistapa auttaa asiakkaitamme oivaltamaan uutta ja haastamaan ennakkokäsityksiään vaikeiden liiketoiminnan haasteiden edessä.

Arno Aranko
Määrällisiä ja laadullisia menetelmiä hyödyntävä tutkija Norenilla
Tohtorikoulutettava Helsingin yliopistossa