Por lo general, dentro de la jerga comercial, la interpretación de datos se refiere a la implementación de procesos a través de los cuales se revisan los datos con el fin de llegar a una conclusión informada y una etapa esencial del procesamiento de datos.

Es muy probable que los datos lleguen de múltiples fuentes y tienen una tendencia a ingresar al proceso de análisis en un orden desordenado.

El análisis de datos tiende a ser extremadamente subjetivo. Es decir, la naturaleza y el objetivo de la interpretación variarán de una empresa a otra, lo que probablemente se correlaciona con el tipo de datos que se analizan.

Si bien hay varios tipos diferentes de procesos que se implementan en función de la naturaleza de los datos individuales, las dos categorías más amplias y más comunes son "análisis cuantitativo" y "análisis cualitativo" dentro del análisis estadístico.

El propósito de analizar e interpretar datos es obtener información utilizable y útil. La interpretación, independientemente de si los datos son cualitativo o cuantitativo, debe:

• describir y resumir los datos
• identificar relaciones entre variables
• comparar variables
• identificar la diferencia entre las variables
• pronósticar resultados

Establecer los Objectivos de Interpretación

Al analizar los datos (ya sea de cuestionarios, entrevistas, plantillas o lo que sea), comience siempre desde sus objetivos de investigación, es decir, la razón por la que realizó el análisis en primer lugar.

Esto lo ayudará a organizar sus datos y enfocar su análisis. Por ejemplo, si desea mejorar un programa identificando sus fortalezas y debilidades, puede organizar los datos en las fortalezas, debilidades y sugerencias para mejorar.

Si deseaba comprender completamente cómo funciona el objecto estudiado, podría organizar los datos en el orden cronológico en el que los clientes usan o compran los productos.

Si está realizando un estudio de mejora del rendimiento, puede categorizar los datos de acuerdo con cada medida asociada con cada resultado de rendimiento general, por ejemplo, aprendizaje de los empleados, productividad y resultados.

Escalas de Medición

Sin embargo, antes de que pueda comenzar cualquier investigación seria sobre interpretación de datos, debe entenderse que las presentaciones visuales de los hallazgos de datos son irrelevantes a menos que se tome una decisión sólida con respecto a las escalas de medición.

Antes de que pueda comenzar cualquier análisis de datos serio, la escala de medición debe decidirse por los datos, ya que esto tendrá un impacto a largo plazo en el ROI de interpretación de datos.

Las diferentes escalas incluyen:

Escala Nominal: categorías no numéricas que no pueden ser clasificadas o comparadas cuantitativamente. Las variables son exclusivas y exhaustivas.

Escala ordinal: categorías exclusivas que son exclusivas y exhaustivas, pero con un orden lógico. Las calificaciones de calidad son ejemplos de escalas ordinales (es decir, buenas, muy buenas, malas, etc., O de acuerdo, totalmente de acuerdo, en desacuerdo, etc.).

Intervalo: una escala de medición donde los datos se agrupan en categorías con distancias ordenadas e iguales entre las categorías. Siempre hay un punto cero arbitrario.

Ratio: contiene características de los tres.

Interpretación de datos cualitativos

El análisis de datos cualitativos puede resumirse en una palabra: categórica.

Con el análisis cualitativo, los datos no se describen a través de valores numéricos o patrones, sino a través del uso de contexto descriptivo (es decir, texto).

Por lo general, los datos narrativos se recopilan mediante el empleo de una amplia variedad de técnicas de persona a persona.

Estas técnicas incluyen:

Observaciones: detallando patrones de comportamiento que ocurren dentro de un grupo de observación. Estos patrones pueden ser la cantidad de tiempo invertido en una actividad, el tipo de actividad y el método de comunicación empleado.

Documentos: al igual que los patrones de comportamiento se pueden observar, los diferentes tipos de recursos de documentación se pueden codificar y dividir según el tipo de material que contienen.

Entrevistas: uno de los mejores métodos de recolección de datos narrativos. Las respuestas de las consultas se pueden agrupar por tema, tema o categoría. El enfoque de la entrevista permite una segmentación de datos altamente enfocada.

Una diferencia clave entre el análisis cualitativo y cuantitativo es claramente perceptible en la etapa de interpretación. Los datos cualitativos, ya que están ampliamente abiertos a la interpretación, deben estar "codificados" para facilitar la agrupación y el etiquetado de los datos en temas identificables.

Como las técnicas de recopilación de datos de persona a persona a menudo pueden dar lugar a disputas relacionadas con un análisis adecuado, el análisis de datos cualitativos a menudo se resume a través de tres principios básicos:

1. Observe las cosas
2. Coleccione cosas
3. Piense en cosas

Interpretación cuantitativa de datos

Si la interpretación de los datos cuantitativos se pudiera resumir en una palabra (y realmente no puede) esa palabra sería "numérica".

Hay pocas certezas en lo que respecta al análisis de datos, pero puede estar seguro de que si la investigación es interesante no tiene números involucrados, no es una investigación cuantitativa.

El análisis cuantitativo se refiere a un conjunto de procesos mediante los cuales se analizan los datos numéricos. En la mayoría de los casos, implica el uso de modelos estadísticos como la desviación estándar, la media y la mediana.

Más información en Analísis de Datos Estadístico.

Típicamente, los datos cuantitativos se miden visualizando pruebas de correlación entre dos o más variables de importancia.

Se pueden usar diferentes procesos juntos o por separado, y se pueden hacer comparaciones para finalmente llegar a una conclusión.

Otros procesos de interpretación de firma de datos cuantitativos incluyen:

• Análisis de regresión
• Análisis de cohortes
• Análisis predictivo y prescriptivo

Beneficios de la Interpretación de datos

¿Cuáles son los beneficios de la interpretación de datos? ¿Por qué todas las industrias participan en la investigación y análisis de datos? Es una pregunta básica, pero que a menudo no recibe la atención adecuada.

El objetivo de la recopilación e interpretación es adquirir información útil y utilizable y tomar las decisiones más informadas posibles.

Desde empresas, hasta educación superior, hasta recién casados que investigan su primer hogar, la recopilación e interpretación de datos puede proporcionar beneficios ilimitados para una amplia gama de instituciones y particulares.

El análisis e interpretación de los datos, independientemente del método y del estado cualitativo / cuantitativo, pueden incluir las siguientes características:

• Identificación de datos y explicación
• Comparación y contraste de datos
• Identificación de datos atípicos
• Predicciones futuras

El análisis e interpretación de datos, al final, ayuda a mejorar los procesos e identificar problemas. 

Beneficios Comerciales de la interpretación de datos

Toma de decisiones informada: una decisión es tan buena como el conocimiento que la formó.

La toma de decisiones informadas sobre los datos tiene el potencial de diferenciar a los líderes de la industria del resto del mercado.

Los estudios han demostrado que las empresas en el tercio superior de sus industrias son, en promedio, un 5% más productivas y un 6% más rentables cuando implementan procesos informados de toma de decisiones.

Las acciones más decisivas surgirán solo después de que se haya identificado un problema o se haya definido un objetivo.

El análisis de los datos debe incluir la identificación, el desarrollo y la recopilación de datos seguidos de la comunicación de datos.

Identificación de tendencias: los conocimientos de datos proporcionan conocimiento y el conocimiento es poder.

Los conocimientos obtenidos de los análisis de datos del mercado y del consumidor tienen la capacidad de servir para inferir información de segmentos de mercado similares.

Eficiencia en costos: la implementación adecuada de los procesos de análisis de datos puede proporcionar a las empresas profundas ventajas de costos dentro de sus industrias.

Un reciente estudio de datos realizado por Deloitte demuestra vívidamente esto al encontrar que el ROI del análisis de datos se basa en reducciones de costos eficientes.

A menudo, este beneficio se pasa por alto porque, en general, se considera que ganar dinero es más "sexy" que ahorrar dinero.

Sin embargo, los análisis de datos sólidos tienen la capacidad de alertar a la gerencia de las oportunidades de reducción de costos sin ningún esfuerzo significativo por parte del capital humano.

Informes de resultados

El nivel y el alcance del contenido depende de a quién se destina el informe, por ejemplo, a los financiadores / banqueros, empleados, clientes, el público, etc.

Asegúrese de que los empleados tengan la oportunidad de revisar y analizar cuidadosamente el informe. Traduzca las recomendaciones a los planes de acción, incluido quién hará qué con los resultados de la investigación y cuándo.

Los financiadores / banqueros probablemente requerirán un informe que incluya un resumen ejecutivo (este es un resumen de las conclusiones y recomendaciones, no una lista de qué secciones de información están en el informe, eso es una tabla de contenido)

También querrán:

• una descripción de la organización y el programa, producto, servicio, etc., en evaluación;
• explicación de los objetivos, métodos y procedimientos de análisis de la investigación;
• listado de conclusiones y recomendaciones;

Y cualquier archivo adjunto relevante, por ejemplo, la inclusión de cuestionarios de investigación, guías de entrevistas, etc.

El financiador puede desear que el informe se entregue como una presentación, acompañado de una descripción general del informe. O, el financiador puede querer revisar el informe solo.

Asegúrese de registrar los planes y las actividades de investigación en un plan al que se pueda hacer referencia cuando se necesite un esfuerzo de investigación similar en el futuro.

Más Recursos

• Entrada de datos
• Captura de datos
• Tipos de datos
• La depuración de los datos
• Integridad de los datos
• Codificación (cifrado) de datos
• Transformación de datos
• Traducción de datos
• Resúmenes de datos
• Agregación de datos
• Validación de datos
• Modelado de datos
• El análisis de datos
• El análisis de datos estadístico
• Visualización de datos
• Almacenamiento de datos
• Minería de datos
• Interpretación de datos