Sådan analyseres data fra spørgeundersøgelser

Du har indsamlet dine spørgeundersøgelsesresultater, og har en plan parat til analyse af spørgeundersøgelsesdataene. Nu er det tid til at tage fat, begynde at sortere og analysere dataene.

Nem analyse af spørgeundersøgelsesdata

Du har fået resultaterne på dine online spørgeundersøgelser tilbage. Nu da du har indsamlet dine statistiske resultater af spørgeundersøgelsen, og du har en dataanalyseplan, er det tid til at begynde at beregne de spørgeundersøgelsesresultater, som du har modtaget. Her kan du se, hvordan vores spørgeundersøgelseseksperter får kvantitative data til at give mening (sammenlignet med at få kvalitative data til at give mening), fra at se på svarene og fokusere på deres vigtigste undersøgelsesspørgsmål og mål med spørgeundersøgelsen, til at bearbejde tallene og drage konklusioner.

Se hvordan SurveyMonkey gør det let at analysere resultater

Er du klar til at komme i gang?

Følg disse 4 trin for at beregne spørgeundersøgelsens resultater mere effektivt:

  1. Kig på dine vigtigste undersøgelsesspørgsmål
  2. Krydstabuler og filtrer dine resultater
  3. Bearbejd tallene
  4. Drag konklusioner.

Kig på dine vigtigste undersøgelsesspørgsmål

Lad os først tale om, hvordan du håndterer beregningen af spørgeundersøgelsesresultaterne fra dine vigtigste undersøgelsesspørgsmål. Havde du erfaringsbaserede spørgsmål i din spørgeundersøgelse? Overvejede du at benytte stikprøver med tilfældig udvælgelse? Husk, at du burde have skitseret dine vigtigste undersøgelsesspørgsmål, da du satte et mål med spørgeundersøgelsen.

Hvis du for eksempel afholder en uddannelseskonference og sender deltagerne en spørgeundersøgelse til feedback på afsluttet arrangement, vil et af dine vigtigste undersøgelsesspørgsmål måske se sådan ud: Hvordan vurderede deltagerne konferencen generelt? Kig nu på de svar, som du indsamlede til et specifikt spørgsmål i spørgeundersøgelsen, som fortæller noget om dette vigtige undersøgelsesspørgsmål:

Har du planer om at deltage i denne konference næste år?

Svarmuligheder
Ja71 %852
Nej18 %216
Ikke sikker11 %132
I alt1.200

Bemærk, at du har nogle procentdele (71 %, 18 %) og nogle rå tal (852, 216) i besvarelserne.

Procentdelene er lige præcis det – den procent af personer, som gav et bestemt svar. Sagt på en anden måde, så repræsenterer procentdelene det antal personer, som valgte det pågældende svar i forhold til det antal personer, som besvarede spørgsmålet. Så 71 % af dine respondenter (852 af de 1.200 adspurgte) har planer om at komme igen næste år.

Denne tabel viser dig også, at 18 % siger, at de ikke planlægger at komme igen, og 11 % siger, at de ikke er sikre på det.

Krydstabulering og filtrering af resultater

Husk, at da du satte dig et mål for din spørgeundersøgelse og udviklede din analyseplan, overvejede du hvilke undergrupper, du ville analysere og sammenligne. Det er nu, at denne planlægning giver pote. Lad os for eksempel sige, at du gerne vil se, hvordan lærere, studerende og administratorer ser ud ved indbyrdes sammenligning med hensyn til besvarelsen af spørgsmålet om næste års konference. For at finde ud af det, er du nødt til at grave ned i besvarelsesprocenterne ved hjælp af krydstabulering, hvor du kan se resultaterne af konferencespørgsmål pr. undergruppe:

JaNejIkke sikkerI alt
Lærer80 %
320
7 %
28
13 %
52
400
Administrator46 %
184
40 %
160
14 %
56
400
Studerende86 %
344
8 %
32
6 %
24
400
Respondenter i alt8522161321.200

Fra denne tabel kan du se, at størstedelen af de studerende (86 %) og lærerne (80 %) har planer om at komme tilbage næste år. Men de administratorer, som deltager i konferencen, ser dog anderledes på det, hvor kun under halvdelen (46 %) har tænkt sig at vende tilbage! Forhåbentligt vil nogle af vores andre spørgsmål hjælpe dig med at finde ud af, hvorfor dette er tilfældet, og hvad du kan gøre for at forbedre konferencen for administratorer, så flere af dem vender tilbage år efter år.

Et andet nyttigt redskab til at fremvise data er at bruge et filter. Filtrering er ensbetydende med at du indsnævrer dit fokus til en bestemt undergruppe, og filtrerer de andre fra. Så i stedet for at sammenligne undergrupper indbyrdes, ser vi her kun på, hvordan en undergruppe besvarede spørgsmålet. Du kan f.eks. begrænse dit fokus til udelukkende kvinder, eller bare mænd, og derefter køre krydstabuleringen igen efter deltagertype for at sammenligne kvindelige administratorer, kvindelige lærere og kvindelige studerende. Du bør være opmærksom på følgende, når du behandler dine resultater: Hver gang, du anvender et filter eller en krydstabulering, bliver din stikprøvestørrelse mindre. Du kan sikre dig, at dine resultater er statistisk signifikante ved at bruge en beregner til stikprøvestørrelse.

Benchmarking, tendenser og sammenligningsdata

Lad os sige, at et af de vigtigste spørgsmål i din spørgeundersøgelse til feedback om konferencen er: "Hvor tilfreds er du generelt med konferencen?" Dine resultater viser, at 75 % af deltagerne var tilfredse med konferencen. Det lyder jo meget godt. Men vil du ikke gerne have lidt sammenhæng? Vil du have noget at sammenligne med? Er det bedre eller værre end sidste år? Hvordan gik det i forhold til andre konferencer?

Lad os sige, at du stillede dette spørgsmål i din spørgeundersøgelse til feedback om konferencen efter sidste års konference. Du ville kunne foretage en sammenligning. Professionelle interviewere er ikke gode komikere, men vores yndlingsreplik er "tendensen er din ven".

Hvis sidste års tilfredshedsgrad var 60 %, så har du øget tilfredsheden med 15 procentpoint! Hvad forårsagede denne forøgelse af tilfredshed? Forhåbentligt kan du med besvarelserne på andre spørgsmål i din spørgeundersøgelse finde svar på dine spørgsmål.

Hvis du ikke har data fra tidligere års konference, så start i år med at indsamle feedback efter hver konference. Det kaldes benchmarking. Du etablerer et benchmark eller referencetal, og fremover kan du se, om og hvordan dette har ændret sig. Du kan benchmarke ikke alene deltagernes tilfredshed, men også andre spørgsmål. Du vil kunne måle, hvad deltagerne synes om konferencen år efter år. Dette kaldes longitudinal dataanalyse.

Du kan endda følge data for forskellige undergrupper. Lad os f.eks. sige, at tilfredshedsgraden stiger år efter år for studerende og lærere, men ikke for administratorer. Du bør se på administratorernes besvarelser af diverse spørgsmål for at se, om du kan få indsigt i, hvorfor de er mindre tilfredse end de andre deltagere.

Gennemgå tallene

Du ved, hvor mange personer, der sagde, at de ville komme igen, men hvordan ved du om din spørgeundersøgelse har givet svar, som du kan stole på, og svar, som du med sikkerhed kan bruge som grundlag for fremtidige beslutninger? Det er vigtigt at være opmærksom på datakvaliteten og at forstå komponenterne i statistisk signifikans.

I hverdagssprog betyder "signifikant" vigtigt eller meningsfyldt. I analyse og statistik vedrørende spørgeundersøgelse betyder "signifikant" "en vurdering af nøjagtighed". Her kommer det uundgåelige "plus eller minus" på banen. Det betyder især, at undersøgelsesresultater er nøjagtige inden for et vist konfidensniveau og ikke pga. vilkårlige tilfældigheder. Det er risikabelt at drage konklusioner på grundlag af resultater, som er unøjagtige (dvs. ikke statistisk signifikante). Den første faktor, som skal overvejes i enhver vurdering af statistisk signifikans er dit udvalgs repræsentativitet – dvs. i hvilken grad den gruppe personer, som var inkluderet i din spørgeundersøgelse "ser ud som" den samlede målgruppe, som du vil drage konklusioner om.

Det er problematisk, hvis 90 % af dine konferencedeltagere, som deltog i spørgeundersøgelsen var mænd, men kun 15 % af alle dine konferencedeltagere var mænd. Jo mere du ved om den målgruppe, som du er interesseret i at undersøge, desto mere sikker kan du være, når din spørgeundersøgelse stemmer overens med disse tal. Angående køn kan du stille dig tilfreds med, at mænd udgør op til 15 % af respondenter i dette eksempel.

Hvis din respondentgruppe til spørgeundersøgelsen er et vilkårligt valg fra en kendt befolkningsgruppe, kan statistisk signifikans beregnes på en simpel måde. Den primære faktor her er stikprøvestørrelsen. Lad os sige at 50 ud af de 1.000 personer, som deltog i konferencen, besvarede spørgeundersøgelsen. Halvtreds (50) er en lille stikprøvestørrelse og resulterer i en bredfejlmargen. Kort sagt, så vejer dine resultater ikke tungt.

Forestil dig, at du spørger dine respondenter, hvor mange af de 10 tilgængelige sessioner, de deltog i i løbet af konferencen. Og dine resultater ser sådan ud:

12345678910I altGennemsnitlig vurdering
overværede antal sessioner10 %
100
0 %
0
0 %
0
5 %
50
10 %
100
26 %
260
24 %
240
19 %
190
5 %
50
1 %
10
1.0006,1

Måske vil du analysere gennemsnittet. Som du måske husker, er der tre forskellige gennemsnit: middelværdi, median og typetal.

I tabellen ovenfor er det gennemsnitlige antal for deltagelse i sessioner 6,1. Det rapportede gennemsnit her er middelværdien, den slags gennemsnit, som du sandsynligvis er mest bekendt med. Du udregner middelværdien ved at lægge data sammen og dividere det med det antal, du har tilføjet. I dette eksempel har du 100 personer, som siger, at de har deltaget i en session, 50 personer har deltaget i fire sessioner, 100 personer har deltaget i fem sessioner, osv. Så du ganger alle disse par med hinanden, lægger dem sammen, og dividerer dem med det samlede antal personer.

Medianen er en anden slags gennemsnit. Medianen er midterværdien, 50 %-punktet. I tabellen ovenfor kan vi finde det antal sessioner, hvor 500 personer var til venstre for tallet og 500 personer til højre. Medianen er i dette tilfælde seks sessioner. Dette kan hjælpe dig med at eliminere indflydelsen af afvigende værdier, som kan påvirke dine data negativt.

Den sidste type gennemsnit er typetal. Typetallet er den hyppigste besvarelse. I dette tilfælde er det seks. 260 respondenter deltog i seks sessioner, der var ikke et andet antal sessioner, som havde et større antal deltagere.

Middelværdien – og andre gennemsnitstyper – kan også bruges, hvis dine resultater er baseret på Likert-skalaer.

Konklusioner

Med hensyn til rapportering af spørgeundersøgelsesresultater skal du tænke på den historie, dine data fortæller.

Forestil dig, at din konference samlet set fik middelmådige vurderinger. Du igangsætter en nærmere undersøgelse af, hvad der er på færde. Dataene viser, at respondenterne gav meget høje vurderinger af næsten alle aspekter af din konference – sessionerne og kurserne, de sociale arrangementer og hotellet – men de brød sig virkelig ikke om den by, hvor konferencen blev afholdt. (Måske blev konferencen afholdt i Chicago i januar, og det var for koldt til at gå udenfor!) Det er en del af det samlede billede – generelt set en fantastisk konference, men en dårlig placering. Miami eller San Diego er måske et bedre valg til en vinterkonference.

Et aspekt af dataanalyse og rapportering, som du skal overveje, er årsagsforhold sammenlignet med korrelation.

Analysér din næste spørgeundersøgelse med SurveyMonkey

Tillæg

Hvad er indsamling af spørgeundersøgelsesdata?

Indsamling af spørgeundersøgelsesdata benytter spørgeundersøgelser til at indhente oplysninger fra specifikke respondenter. Indsamling af spørgeundersøgelsesdata kan erstatte eller supplere andre former for dataindsamling, herunder interviews, fokusgrupper, m.m. De data, som indhentes fra spørgeundersøgelser, kan bruges til at forstærke medarbejderengagement, forstå køberadfærd og forbedre kundeoplevelser.

Hvad er longitudinal analyse?

Longitudinal analyse (ofte kaldet "tendensanalyse") er dybest set sporing af, hvordan resultater for specifikke spørgsmål ændres med tiden. Når et benchmark er etableret, kan du afgøre, om og hvordan tallene ændres. Lad os sige, at tilfredshedsgraden for din konference var 50 % for tre år siden, 55 % for to år siden, 65 % sidste år, og 75 % i år. Her er det på sin plads at sige tillykke! Din longitudinal analyse viser en stabil opadgående tendens tilfredshed.

Hvad er forskellen på korrelation og årsagsforhold?

Årsagsforhold er når en faktor resulterer i en anden, mens korrelation er når to variabler bevæger sig sammen, men den ene påvirker eller forårsager ikke den anden. F.eks.: At drikke varm kakao og have vanter på er to variabler, som er korrelerede – de går typisk op og ned sammen. Men den ene forårsager ikke den anden. Faktisk er de begge forårsaget af den tredje faktor, koldt vejr. Koldt vejr påvirker både indtagelse af varm kakao og sandsynligheden for at have vanter på. Koldt vejr er den uafhængige variabel, og indtagelse af varm kakao og sandsynligheden for at have vanter på er de afhængige variabler. I tilfældet med vores spørgeundersøgelse om feedback på konference påvirkede koldt vejr sandsynligvis deltagernes utilfredshed med konferencebyen og konferencen generelt. Afslutningsvis kan du undersøge forholdet mellem variabler i din spørgeundersøgelse yderligere ved at udføre en regressionsanalyse.

Hvad er regressionsanalyse?

Regressionsanalyse er en avanceret metode til at visualisere og analysere data, som giver dig mulighed for at se på forholdet mellem to eller flere variabler. Der er mange slags regressionsanalyser, og hvad en spørgeundersøgelsesekspert vælger, afhænger af de variabler, som undersøges. Det, som alle slags regressionsanalyser har til fælles, er at de ser på en eller flere uafhængige variablers påvirkning af en afhængig variabel. Når vi analyserer vores spørgeundersøgelsesdata, kan vi være interesserede i hvilke faktorer, der påvirker deltageres tilfredshed med konferencen mest. Er det et spørgsmål om antallet af sessioner? Hvem der er hovedtaleren? De sociale arrangementer? Stedet? Ved brug af regressionsanalyser kan en spørgeundersøgelsesekspert afgøre om og i hvilken grad tilfredshed med disse forskellige egenskaber ved konferencen bidrager til den samlede tilfredshed.

Dette giver desuden indsigt i hvilke aspekter af konferencen, du måske vil ændre næste gang. Lad os f.eks. sige, at du betalte et stort honorar for at få en rigtig god hovedtaler til din åbningssession. Deltagerne gav generelt denne taler og konferencen en god vurdering. Baseret på disse to fakta er det nærliggende at mene, at en fantastisk (og dyr) hovedtaler er nøglen til en vellykket konference. Regressionsanalyse kan hjælpe dig med at afgøre, om dette virkelig er tilfældet. Du opdager måske, at hovedtalerens popularitet var en primær drivkraft for tilfredsheden med konferencen. Hvis det er tilfældet, skal du have en virkelig god hovedtaler igen. Men hvis regressionen viser, at selvom alle godt kunne lide hovedtaleren, så bidrog dette ikke særlig meget til deltagernes tilfredshed med konferencen. Hvis dette er tilfældet, kan dine talerpenge bruges på en bedre måde. Hvis du tager dig tid til at analysere rigtigheden af dine undersøgelsesdata omhyggeligt, er du godt på vej til at bruge svarene til at hjælpe dig med at træffe informerede beslutninger.