MBA/EMBA毕业论文数据应如何收集整理？

MBA/EMBA毕业论文的核心是通过数据支撑研究结论，其数据的收集与整理直接影响论文的严谨性和说服力。由于MBA/EMBA毕业论文更侧重实践应用（如企业管理、市场策略、组织行为等），数据类型往往兼具定量与定性，收集与整理需结合研究问题、研究方法（如案例研究、实证分析、问卷调查等）针对性设计。

一、数据收集前的核心准备
1、锚定研究问题
从毕业论文选题出发，明确核心研究问题（如“某新能源企业供应链韧性提升路径”“直播电商用户复购意愿影响因素”），倒推所需数据类型（如供应链中断频率、用户消费行为数据等）。
2、确定数据维度
根据研究框架拆解变量，例如研究“企业数字化转型对绩效的影响”，需明确“数字化转型程度”（自变量，如数字化投入占比、系统覆盖率）和“企业绩效”（因变量，如营收增长率、ROE）的衡量指标，再确定需要哪些数据支撑这些指标。
3、评估数据可获得性
提前判断数据是否可获取（如企业内部数据是否能通过合作获取、问卷样本是否易触达），避免因数据缺失导致研究无法推进（例如研究非上市公司的内部管理数据，若无法接触企业则需调整选题）。


二、数据收集方法
1、问卷法：用于定量研究（如影响因素分析、满意度调研）
• 设计问卷：基于研究变量（参考已有文献的成熟量表，如“客户满意度”可采用SCSB量表），确保问题逻辑清晰（从基本信息→核心问题→demographic信息），避免模糊表述（如“你是否经常购买？”改为“过去3个月内，你购买该产品的频率是？A.1次及以下/B.2-3次/...”）。
• 信效度检验：预调研（发放50-100份）后，用SPSS检验信度（Cronbach’sα系数>0.7）和效度（探索性因子分析KMO>0.7），修正不合理问题。
• 发放与样本：根据研究对象确定渠道（如研究“职场人远程办公效率”，通过企业内部群、LinkedIn发放；研究“消费者偏好”，用问卷星+红包激励），样本量需满足分析方法要求（如回归分析样本量≥变量数的10倍，结构方程模型≥200份）。
2、访谈法：用于定性研究（如案例分析、深度原因挖掘）
确定访谈对象：根据研究问题选择关键信息提供者（如研究企业战略转型，访谈高管、部门负责人；研究员工离职原因，访谈离职员工与在职员工）。
• 设计访谈提纲：半结构化为主（固定核心问题+灵活追问），例如研究“家族企业代际传承困境”，核心问题包括“现任管理者对传承的规划”“继承人面临的最大挑战”，追问如“您提到‘信任问题’，能否举例说明？”。
• 执行与记录：提前沟通访谈目的并征得同意（可录音/录像，注明“仅用于研究”），访谈后24小时内转录文字（标注非语言信息，如“受访者沉默3秒后说…”），避免信息遗漏。
3、实地观察法：用于流程、行为类研究（如门店服务效率、生产车间管理）
• 明确观察维度：例如研究“超市收银台排队优化”，需记录“每笔结算时间”“顾客等待时长”“收银员操作步骤”等。
• 记录方式：用表格实时记录（如时间轴+行为描述），或拍摄视频（征得同意）后后期分析，避免主观判断（如不写“收银员效率低”，而写“10分钟内完成5笔结算，其中3笔因扫码失败延误”）。


三、数据整理：从“原始数据”到“可用数据”的关键步骤
1、处理缺失值
• 轻度缺失（缺失率<5%）：若为定量数据（如年龄、收入），用“均值/中位数填充”；若为分类数据（如性别、职业），用“众数填充”。
• 重度缺失（缺失率>30%）：直接删除该样本（如问卷中核心问题未作答），或在分析时注明“因数据缺失，样本量调整为XX”。
2、识别与处理异常值
• 定量数据：用“四分位法”（IQR=Q3-Q1，超出Q3+1.5IQR或Q1-1.5IQR的值为异常值），或绘制箱线图/直方图直观判断。处理方式：若为录入错误（如“年龄=200岁”），修正；若为真实极端值（如“年收入1亿元”），保留但在分析中注明。
·定性数据：如访谈中出现与研究无关的内容（如受访者闲聊家常），可标记为“无关信息”并剔除。

四、数据转换：统一“数据尺度”
为满足分析模型要求（如回归分析、因子分析），需对数据进行转换。
1、标准化
将不同量级数据转化为均值=0、标准差=1的标准分（公式：Z=(X-μ)/σ），适用于比较不同维度数据（如“广告投入（万元）”与“用户增长率（%）”）。
2、归一化
将数据压缩至[ 0,1 ]区间（公式：X′= ( X - Xmin ) / ( Xmax - Xmin )），适用于机器学习类分析（如决策树模型）。
分类变量哑变量化：将多分类变量（如“行业=制造业/服务业/农业”）转化为哑变量（制造业=1,0,0；服务业=0,1,0），避免模型误判“类别有序”。

MBA/EMBA毕业论文的数据收集与整理需紧扣“研究问题”，先明确需求，再选择合适的一手/二手方法收集，最后通过转换、整合形成“干净、可用”的数据。核心原则是：数据服务于结论，而非为了“有数据”而收集。若过程中遇到数据不足，可通过补充访谈、扩大样本、调整研究范围等方式补救，确保结论有扎实的数据支撑。

想了解项目明细及获取内部资料请联系社科赛斯吕老师：13683103526

社科赛斯祝您论文顺利，成功通过答辩！