Преодоление интерпретационного разрыва в веб-аналитике научной библиотеки посредством циклической модели синтеза количественных и качественных данных

Статья посвящена актуальным вызовам, стоящим перед научными библиотеками в условиях цифровизации и высокой конкуренции. Целью исследования является разработка и методологическое обоснование циклической модели синтеза количественных и качественных данных для преодоления интерпретационного разрыва в веб-аналитике. Анализируется проблема интерпретационного разрыва, возникающего при опоре исключительно на количественные данные веб-аналитики, которые не раскрывают мотивы и глубинные информационные потребности пользователей. В качестве решения предлагается разработанная автором циклическая модель, основанная на системной интеграции количественных данных веб-аналитики (ответ на вопрос «что?») и качественных методов исследования, таких как опросы и юзабилити- тестирование (ответ на вопрос «почему?»). Модель представлена как четырехэтапный управленческий фреймворк (сбор данных, анализ, оптимизация, оценка) для непрерывного улучшения цифровых сервисов. Основные результаты исследования: в теоретическом плане – методология преодоления интерпретационного разрыва, позволяющая перейти от анализа действий к глубокому пониманию пользователей; в практическом плане – управленческий фреймворк, внедрение которого позволяет библиотекам системно выявлять проблемы в цифровых сервисах и принимать обоснованные решения по их оптимизации. Применение модели позволяет трансформировать библиотеку в адаптивную экосистему, эффективно удовлетворяющую сложные информационные запросы научного сообщества.

1. Архипова Л. И. Data-driven-м аркетинг в принятии решений // Экономический рост Республики Беларусь: глобализация, инновационность, устойчивость. Минск, 2020. С. 369–370

2. Бакаев М. А. Современные тенденции в автоматизированной оценке юзабилити и поведенческие факторы в алгоритмах поисковых систем // Программные продукты и системы. 2017. Т. 30, № 3. С. 447–455

3. Балагинин В. А., Назаров А. Д. Вебвизор, или Как повысить конкурентоспособность компании // BI – технологии в оптимизации бизнес-процессов. Екатеринбург, 2014. С. 62–64

4. Денисов А. А. Сравнительный анализ Яндекс.Метрики и Google Analytics в качестве политических инструментов управления городской цифровой инфраструктурой // Постсоветский материк. 2024. № 1. С. 33–47

5. Жемчугов А. М., Жемчугов М. К. Цикл PDCA Деминга. Современное развитие // Проблемы экономики и менеджмента. 2016. № 2. С. 3–28

6. Земсков А. И. Библиотека – инструмент передачи знаний // Научные и технические библиотеки. 2010. № 6. С. 78–81

7. Имаи М. Кайдзен: ключ к успеху японских компаний. 5-е изд. Москва : Альпина Паблишер, 2011. 274 с.

8. Кашицына А. М., Косых О. И., Маркелова С. В. Сервис-дизайн – новый ход в управлении проектами // Экономика и социум. 2023. № 6-1. С. 763–767

9. Кряжева М. Ф., Нуждинова В. С. Веб-аналитический инструментарий: возможности использования в библиотечно-информационной деятельности // Культура: теория и практика. 2016. № 2. С. 61–62

10. Олевинский М. А. Веб аналитика. Сравнение систем веб аналитики // IN SITU. 2015. № 4. С. 46–48

11. Рыхторова А. Е., Ударцева О. М. Сегментирование пользователей сайта для продвижения библиотечных ресурсов и услуг // Библиосфера. 2018. № 3. С. 59–67

12. Савельева И. П., Никулин Д. Н. Оценка эффективности интернет-рекламы с помощью систем вебаналитики // Вестник Южно-У ральского государственного университета. 2014. Т. 8, № 3. С. 99–105

13. Стуков С. П., Елагина В. Б. Система “Кайдзен”: основы, преимущества и возможности введения в российских компаниях // Вестник магистратуры. 2018. № 1–3. С. 77–79

14. Ударцева О. М. Эффективный библиотечный сайт: data-driven-подход к управлению сайтом с применением аналитических инструментов // Библиосфера. 2021. № 2. С. 65–76DOI: https://doi.org/10.20913/13/1815-3186-2021-2-65-75

15. Ушакова О. Б. От руководства чтением к клиентоориентированности: смена парадигмы (Опыт технической библиотеки предприятия) // Научные и технические библиотеки. 2013. № 3. С. 14–21

16. Юлдашева О. У., Пирогов Д. Е. Становление концепции Data Driven маркетинга // Практический маркетинг. 2021. № 11. С. 3–9

17. Ярутич Д. А. Веб-аналитика как основа цифровой стратегии современной научной библиотеки // Веснік Беларускага дзяржаўнага ўніверсітэта культуры і мастацтваў. 2025. № 3. С. 93–102

18. Ali N. M., Novikov B. A. Big data: analytical solutions, research challenges and trends // Труды Института системного программирования РАН. 2020. Т. 32, № 1. С. 181–204 DOI: https://doi.org/10.15514/ISPRAS-2020-32(1)-10

19. Kuhlthau CC (1993) A principle of uncertainty for information seeking. Journal of Documentation 49 (4): 339–355. DOI: https://doi.org/10.1108/eb026918

20. Wilson TD (2000) Human information behavior. Informing Science: the International Journal of an Emerging Transdiscipline 3 (2): 49–55. DOI: https://doi.org/10.28945/576