Sådan analyseres data fra spørgeundersøgelser

Resultaterne er kommet tilbage fra dine online spørgeundersøgelser. Nu er det tid til at analysere dine spørgeundersøgelsesdata og omdanne dem til meningsfuld information, som du kan handle på. Denne vejledning følger dig hele vejen: Ryd op i dine data, opsummer tallene, forbind åben feedback og opbyg en klar historie til interessenterne.

Guiden beskriver, hvad spørgeundersøgelsesanalyse er, de forskellige typer data, du kan interagere med, samt seks trin til at gennemføre en effektiv analyse af dine data.

Spørgeundersøgelsesanalyse er processen med at omdanne rå spørgeundersøgelsesdata til indsigt, som du kan handle på. Analysen fokuserer på mønstre, tendenser og sammenhæng i dine besvarelser ved hjælp af deskriptive analysemetoder (som f.eks. antal, procenttal og gennemsnit) og konkluderende metoder (som f.eks. korrelationer og signifikanstest) til at fortolke spørgeundersøgelsesresultater og understøtte beslutninger.

En god analyse af spørgeundersøgelsesdata begynder med en intention, fordi de fleste spørgeundersøgelser kombinerer lukkede spørgsmål med åbne. Når du går ind i analyse af en spørgeundersøgelse med en plan – i form af tydelige mål, et lille sæt af prioriterede spørgsmål og en fornemmelse af, hvem der skal bruge resultaterne – bliver det nemmere at beslutte, hvordan du skal analysere spørgeundersøgelsesresultaterne, og hvilke output, der har størst betydning.

Relateret læsning: Sådan bruger du et spørgeundersøgelsesdesign og en plan for dataanalyse til at generere bedre indsigt

De spørgsmål, du stiller i en spørgeundersøgelse, refererer direkte til den datatype, du modtager. Data kan enten være kvantitativ eller kvalitativ. 

Kvantitative data er numeriske besvarelser på lukkede spørgsmål. I en NPS®-spørgeundersøgelse (Net Promoter Score) ligger bedømmelserne f.eks. på en skala fra 0‑10 – tallene kan tælles, gennemsnit kan beregnes og sammenlignes på tværs af grupper eller over en tidsperiode.

Et eksempel på spørgsmål til spørgeundersøgelse: “Hvor sandsynligt er det, at du vil anbefale vores virksomhed til en ven eller kollega? (0-10)"

Numeriske data er fantastiske til at spore udviklingen over en periode. Men hvis du vil have indsigt i, hvorfor nogen har svaret, som de har gjort, er et opfølgende spørgsmål, der vil give kvalitative data, en god idé.

Kvalitative data er åbne besvarelser, hvor respondenter forklarer deres valg med egne ord. Deres svar afslører motivationer, smertepunkter og sammenhæng bag resultaterne.

Et eksempel på spørgsmål til spørgeundersøgelse: "Hvad er den primære årsag til din vurdering?"

Når besvarelserne begynder at strømme ind, kan det være svært at finde ud af, hvor man skal begynde. Disse seks trin gør analyse af spørgeundersøgelsesdata til en arbejdsproces, der kan gentages. Disse trin hjælper dig med at beslutte, hvad der er vigtigst, med at strukturere dine spørgeundersøgelsesdata og opbygge en historie, der er præcis, rimelig og nem for interessenter at handle på.

Inden du begynder på at analysere din spørgeundersøgelse, skal du sikre dig, at dine spørgeundersøgelsesdata er brugbare. Oprydning af spørgeundersøgelsesdata indebærer, at du skal beslutte, hvilke respondenter, du vil udelukke fra din analyse, at du skal fjerne besvarelser af lav kvalitet og fjerne identiske besvarelser.

Nogle respondenter har måske kun besvaret et lille udsnit af dine samlede spørgsmål, mens andre kan have stormet gennem din spørgeundersøgelse uden at tænke så meget over deres svar. I alle tilfælde bidrager det til data i lav kvalitet, hvilket kan påvirke nøjagtigheden af dine endelige resultater.

Ved at udføre en analyse af besvarelseskvaliteten kan du identificere besvarelser i spørgeundersøgelser, som ikke opfylder dine kriterier. Hvis du for eksempel indsamler data, der er relateret til kundernes mening, vil en besvarelse fra en person, som ikke er kunde, ikke være smart.

Du forbereder dine spørgeundersøgelsesdata til analyse ved at gøre dem læsbare, formatere og ordne dem, så du har et rent og klart datasæt til analyse.

Et vigtigt spørgsmål er din primus motor i en spørgeundersøgelse. Disse vigtige spørgsmål relaterer sig til din analyses målsætninger, som du skal have fastsat, da du fastlagde et mål for spørgeundersøgelsen.

Inden du dykker ned i detaljerne om dine data, skal du begynde med dit vigtigste spørgsmål. Hvis dit spørgsmål for eksempel var "Vil du være interesseret i at købe dette nye produkt?", så skal du begynde med nedenstående resultattabel.

Ville du købe dette produkt, hvis det var tilgængeligt i dag?

Som du kan se, svarede langt de fleste positivt. Men husk, at du kan fortsætte med data fra andre spørgsmål til at indsamle mere information om dette produkt.

Bredere spørgsmål i den vigtige kategori kan hjælpe dig med at lokalisere primære meninger og idéer i dine data. Når du har lagt dette fundament, kan du gå videre til de mere komplekse dele af dataanalysen, der svarer til dine spørgsmål. 

En af de bedste måder til en bedre forståelse af data er ofte at bryde dem ned. Din virksomhed kan bruge krydstabuleringer til at opdele data i mindre grupper baseret på identiske egenskaber. For eksempel kan du filtrere data efter besvarelser fra respondenter med en særlig baggrund. Du kan filtrere, sammenligne og oprette regler til at analysere data for hvert brugersegment.

Datafiltre er en effektiv metode til at få omfattende indsigt i dine data. Hvis du for eksempel vil vide, hvordan et produkt klarede sig i forskellige grupper, kan du inkludere demografiske spørgsmål i din spørgeundersøgelse. Når respondenterne vælger deres aldersgruppe, kan du med det samme filtrere besvarelserne fra hver gruppe. Sammenligning af disse datasæt vil derefter vise, hvor meget hver aldersgruppe kan lide dit produkt, og det hjælper dig med at spotte afvigende eller utilfredse demografier.

Du kan filtrere efter:

Selvom kvalitative data ikke giver de procentdele eller rå tal, som du kan bruge her, kan du altid bruge værktøjerne til tekstanalyse. Ved at indsamle skriftlige besvarelser og bruge dem i et af disse værktøjer kan du oprette en meningsanalyse, der viser, hvad dine kunder føler. 

Konvertering af rå data til indsigt kræver dokumentation af statistisk signifikans. Du skal trods alt sikre dig, at dine data er konkluderende i stedet for blot at udvælge enkelte svar. Statistiske analyser afslører, om de tendenser, du observerer, er meningsfulde, og hvad dataene antyder, når de anvendes sammen med andre datasæt. 

Du kan buge flere forskellige metoder til at bevise statistisk signifikans:

Udover rå analyse er der andre faktorer, der afgør, om du har meningsfulde resultater. For eksempel vil det samlede antal besvarelser og gennemførelsesprocenterne sammenlignet med din samlede stikprøvestørrelse indikere, om dine resultater udgør en statistisk signifikant gruppe.

Det er ligeledes en god ide at overveje fejlmargenen i din spørgeundersøgelses resultater. En fejlmargen viser, hvor tæt dine resultater afspejler hele populationen. En lille fejlmargen indikerer, at du har stor tiltro til dine resultaters nøjagtighed, mens det modsatte antyder, at dine resultater muligvis ikke repræsenterer det bredere marked. 

Hvis du har brug for flere besvarelser til at tilføje et autoritetsniveau til spørgeundersøgelsens resultater, kan SurveyMonkey Audience hjælpe dig. 

Benchmarking er den proces, hvor du sammenligner dine resultater med andre virksomheder eller branchegennemsnittet. Du kan endda sammenligne dine resultater med dine egne gennemførte spørgeundersøgelser, der indsamler data på tværs af forskellige kvartaler eller år. 

Virksomheder over hele verden bruger benchmarking af kundeoplevelsen til at fastslå, hvordan deres kunder opfatter dem i forhold til deres konkurrenter. 

Ved at gennemføre en længdesnitsundersøgelse kan du finde ud af, hvordan resultaterne af dine spørgeundersøgelser har ændret sig over tid. Hvis du for eksempel er vært for en årlig konference, kan du bede deltagerne om at vurdere deres tilfredshed med arrangementet ved hjælp af en spørgeundersøgelse til feedback på konference. Hvis det gennemsnitlige tilfredshedsniveau falder over tid, har du en interessant mulighed for at undersøge det yderligere.

Du kan kombinere spørgsmålet om tilfredshed med et åbent spørgsmål, hvor du beder respondenterne om at begrunde deres valg. Disse kvalitative data kan belyse, hvad der kan være årsagen til den faldende tilfredshed og hjælpe dig med at tage handlingsrettede tiltag for at løse problemet. 

Du kan endda spore data for forskellige undergrupper. Hvis tilfredshedsniveauet for eksempel stiger år for år i marketingafdelingen, men ikke i administrationen. Så vil det måske være en god idé at kigge nærmere på administrationsmedarbejdernes besvarelser, for at undersøge om der er et svar på, hvorfor de er mindre tilfredse end undersøgelsens andre deltagere.

Din spørgeundersøgelse kan fortælle en spændende historie. Begynd med undersøgelsens vigtigste spørgsmål, beskriv dine resultater og tag den derfra. Hvad ønskede du at finde ud af? Hvad lærte du fra dine data? Hvilke specifikke resultater skiller sig ud eller er særligt interessante?

Hvor det er muligt, er det en god idé at bruge illustrationer til at understøtte din rapport. Dine læsere orker ofte ikke at kæmpe sig gennem lange rækker af tekst og tal. En enkel graf eller ordsky kan nemt opsummere dine resultater, så læserne intuitivt forstår, hvad dataene fortæller. 

Nu, hvor du har analyseret dine data og fundet statistisk signifikans, er det tid til at præsentere det for verden. En flot rapport, der præsenterer dine resultater, er det sidste trin i den praktiske del af din spørgeundersøgelsesanalyse. Med denne rapport kan du dele dine resultater med kolleger, som du kan inspirere til forandringer i din organisation. 

Relateret læsning: Sådan anvendes seks grundlæggende diagrammer til at skabe effektive rapporter

Selv påpasselige teams løber ind i de samme faldgruber ved analyse af spørgeundersøgelser. Faldgruberne kan typisk inddeles i to kategorier: problemer, der svækker resultaterne og rapporteringsvaner, der får resultaterne til at virke stærkere eller smallere, end de reelt er. Når du genkender disse mønstre, er det nemmere at få øje på dem tidligt og fundere analysen af spørgeundersøgelsesdata i virkeligheden.

Brug mønstrene som en hurtig kontrol, inden du færdiggør din analyse af spørgeundersøgelsesdata, så de typiske fejl ikke finder vej ind i dine resultater eller rapportering.

Den mest almindelige fejl, som nybegyndere i analyse af spørgeundersøgelsesresultater begår, er at forveksle korrelation med årsagsforhold.. Årsagsforhold er, når en faktor resulterer i en anden. Korrelation derimod, er når to variabler bevæger sig sammen, men måske ikke er relaterede.

Et godt eksempel på dette er effekten af koldt vejr. At drikke varm kakao og have vanter på er to variabler, der er korreleret – de har en tendens til at følges ad op og ned. Den ene variabel er dog ikke årsag til den anden. Faktisk skyldes de begge en tredje faktor, nemlig kulde.

Bare fordi to faktorer bevæger sig sammen, betyder det ikke, at de hænger sammen. Korrelationsanalyser hjælper dig med at identificere forholdet mellem dine data.

Du kan forbinde to datastykker med et tertiært motiv, hvis du forveksler korrelation og årsagsforhold. 

Som nævnt kan du se på din spørgeundersøgelses resultater som en historie. Men du mangler muligvis det store billede, hvis du udvælger få data, det vil sige, udvælger vigtige datapunkter, der validerer din hypotese.

Når du sætter dig for at bevise noget med en spørgeundersøgelse, kan det være frustrerende, når dine data ikke stemmer overens. Måske er nogle kunder ganske enkelt uenige i et centralt udsagn, eller også er de fleste af dine data ikke statistisk signifikante. Uanset hvad du støder på, er det sidste, du bør gøre, at være super selektiv med hensyn til de datapunkter, du bruger.

Hvis du skal vælge og vrage, hvilke data der skal bruges i dine beregninger, underminerer du nøjagtigheden af din spørgeundersøgelses resultater.

SurveyMonkey ved bedre end nogen andre, at det kan være enormt spændende at gennemføre spørgeundersøgelser og indsamle resultater. Når det er sagt, skal du passe på, når du beregner resultaterne af spørgeundersøgelsen, at du ikke i skyndingen overser vigtige data, som endnu ikke er blevet udfyldt. 

Spørgeundersøgelser skal ofte have mange besvarelser for at øge dine datas konfidensniveau. Hvis du skynder dig for at beregne resultaterne så hurtigt som muligt, har du måske færre besvarelser, end du skal bruge for at bevise statistisk signifikans. 

Forestil dig, hvis resultaterne af din spørgeundersøgelse viser, at 100 % af kunderne er interesseret i en ny produktfunktion. Selvom det lyder fantastisk, hvor sikker kan du så være på, at din pulje af besvarelser virkelig afspejler din bredere kundebase, hvis blot én person besvarede din spørgeundersøgelse?

De spørgsmål, du inkluderer i din spørgeundersøgelse, afspejles direkte i den datatype og datakvalitet, du modtager. Det betyder, at dine spørgeundersøgelsesdata kun er så gode som dine spørgsmål. 

Her er et par tips:

Ved at forbedre kvaliteten af de spørgeundersøgelser du skriver og sender ud, indsamler du helt naturligt data af højere kvalitet.

Der er mange aspekter ved markedsanalyse med spørgeundersøgelser, lige fra at undersøge dine topresultater til opdeling af dine data og rapporting om resultaterne. 

SurveyMonkey tilbyder værktøjer til analyse af spørgeundersøgelser og skabeloner, der gør det nemmere end nogensinde før at nå din målgruppe og få pålidelige resultater. 

Tilmeld dig for at anvende skabeloner og værktøjer, der er udviklet af eksperter.

NPS, Net Promoter og Net Promoter® Score er registrerede varemærker tilhørende Satmetrix Systems, Inc., Bain & Company og Fred Reichheld.