Analisi dei dati

Mossholder et al (1995) hanno riscontrato che le risposte alle domande aperte sono una fonte di ricchi dettagli ampiamente sottoutilizzata e che spesso i dati raccolti dalle risposte aperte vengono destinati all’analisi, ma raramente vengono utilizzati per lo sviluppo di altre domande o la riduzione dell’insoddisfazione degli intervistati, consentendo loro di spiegare le loro risposte ad altre fornite in altri punti del questionario. Gli studi spesso usano anche estratti di risposte aperte per illustrare o enfatizzare risultati quantitativi.

La concreta analisi delle domande aperte e dei dati qualitativi è, in generale, problematica. Hong (1984) afferma che gran parte della superiorità degli item a risposta aperta in un questionario di solito viene persa quando si passa alla fase di

analisi. Allo stesso modo, Montgomery e Crittenden (1977) asseriscono che uno dei problemi di base di misurazione in una survey è la codifica e l’analisi delle domande aperte. Mossholder et al (1995) hanno dimostrato che il tempo speso nella codifica manuale e nel categorizzare le risposte ad un livello accettabile può impedire l’analisi sistematica delle risposte aperte. Wolfe et al (1993) sostengono che un’importante condizione per condurre un’efficace ricerca qualitativa è la grande mole di dati che vengono spesso raccolti, i quali possono portare all’analisi di dati qualitativi eliminati prima della chiusura analisi.

Mentre le tecniche per l’analisi dei dati quantitativi sono ben documentate e riconosciute, questo non avviene per le informazioni qualitative prodotte domande a risposta aperta. Esiste una consistente letteratura che espone numerosi tipi di ricerca qualitativa a disposizione dei ricercatori, come la grounded theory, l’analisi del discorso, la fenomenologia e l’etnografia. Tuttavia, questi metodi sono immersi nella tradizione sociologica che tende ad ignorare gli item a risposta aperta come metodo di raccolta di dati qualitativi (Dey, 1993). Quindi, vi è una mancanza di letteratura in merito al come affrontare l’analisi qualitativa dei dati raccolti tramite gli item a risposta aperta.

Per effettuare il presente studio è stato scelto di utilizzare un approccio qualitativo basato sulla Grounded Theory. “La Grounded Theory è capace di rappresentare la realtà cui si riferisce, in quanto ha un grado di astrazione tale da

ricerca. Inoltre questa teoria fa ricorso sia a concetti che a relazioni fra concetti. Infine essa non rinuncia alla significatività, all’interazione tra teoria e dati, alla generalizzabilità, alla riproducibilità, alla precisione, al rigore, alla verifica”. (Strauss e Corbin, 1998)

Ai dati raccolti durante le interviste ai due marketing manager dei case study lato seller e ai 6 banconisti dei case study lato buyer, è stata applicata prima un’analisi di tipo within-case e successivamente una di tipo cross-case.

Un passo fondamentale è l’analisi within-case, che può aiutare il ricercatore a gestire l’enorme quantità di dati proveniente dalla ricerca mediante case study, volume che aumenta quando il tema della ricerca è di tipo open-ended. (Eisenhardt, 1989).

L’analisi within-case generalmente comporta un report dettagliato per ogni

case study, spesso costituito da semplici descrizioni, ma di fondamentale importanza per la comprensione del caso, in quanto aiutano il ricercatore a gestire la grande quantità di informazioni nelle prime fase del processo di analisi (Gersick, 1988; Pettigrew, 1988).

Non esiste un formato standard da applicare per effettuare questa tipologia di analisi, ma l’idea generale è quello di prendere familiarità con ogni singolo caso come un’entità a sé stante. Questo processo permette di far emergere le peculiarità di ogni singolo caso, prima che il ricercatore inizi a generalizzare le caratteristiche comuni tra i vari case study. Inoltre, permette al ricercatore di ottenere una ricca

comprensione di ciascun caso, accelerando così il processo di confronto cross-

case (Eisenhardt, 1989).

All’analisi within-case viene associata la ricerca di modelli cross-case. Questa tecnica di analisi parte da presupposto che le persone sono notoriamente povere di informazioni: saltano a conclusioni basandosi su dati limitati (Kahneman e Tversky, 1973), sono eccessivamente influenzati dalla chiarezza dei concetti (Nisbett e Ross, 1980) o dagli intervistati più influenti (Miles e Huberman, 1994), ignorano le proprietà statistiche di base (Kahneman e Tversky, 1973) e a volte eliminano inavvertitamente prove contrarie (Nisbett e Ross, 1980). Il pericolo è che il ricercatore giunga a conclusioni premature, e talvolta anche false, a causa di questi errori e pregiudizi nella fase di elaborazione delle informazioni. Dunque, la chiave per un buon confronto cross-case è evitare questa propensione, osservando i dati con molteplici prospettive diverse, utilizzando alcune strategie suggerite da Eisenhardt (1989).

Una strategia adottata è quella di selezionare categorie o dimensioni e di cercare similitudini all’interno di un gruppo e differenze tra i gruppi. Le dimensioni da analizzare possono derivare dal tema di ricerca o dalla letteratura esistente, o il ricercatore può semplicemente selezionare alcune dimensioni che interessano la sua ricerca.

ricercatore a cercare le minime somiglianze e differenze tra i casi. L’affiancamento di casi apparentemente simili da parte di un ricercatore che ne ricerca le differenze può portare alla rottura di schemi semplicistici. Allo stesso modo, la ricerca di somiglianze in una coppia di casi apparentemente differenti può portare ad una comprensione maggiormente raffinata. Il risultato di questi confronti forzati può essere una nuova serie di categorie e concetti che il ricercatore non aveva previsto.

La terza strategia è quella di separare i dati dalla loro sorgente. Ad esempio, un ricercatore setaccia i dati dell’osservazione, mentre un altro esamina le interviste e un altro ancora opera sugli elementi emersi dal questionario. Questa strategia sfrutta le intuizioni che possono derivare da diverse tipologie di raccolta dei dati.

In sostanza, l’idea alla base di queste strategie di ricerca cross-case è quella di obbligare il ricercatore a superare le impressioni iniziali, in particolare attraverso l’utilizzo di prospettive strutturate e diverse. Queste strategie migliorano la probabilità di una teoria precisa e affidabile, in quanto è una teoria in linea con i dati raccolti. Inoltre, le strategie di ricerca cross-case aumentano la probabilità che il ricercatore riesca ad intuire nuovi findings che potrebbero emergere dai dati raccolti (Eisenhardt, 1989).