Slik analyserer du spørreundersøkelsesdata

Du har fått tilbake resultatene fra nettbaserte spørreundersøkelser. Nå er det på tide å analysere spørreundersøkelsen, slik at resultatene kan settes i sammenheng og presenteres på en måte som er lett å forstå og handle ut ifra. Etter at du har innhentet data fra spørreundersøkelsen og har en dataanalyseplan, er det på tide å beregne resultatene fra spørreundersøkelsen. Her kan du se hvordan forskerne våre finner mening i kvantitative data (kontra kvalitative data). De strukturerer rapportene rundt svarene fra spørreundersøkelsene som svarer på forskningsspørsmålene. Selv for eksperter kan det være vanskelig å tolke innsiktene i rådata. 

For å nå målene du har med spørreundersøkelsen, er det lurt å begynne med å ha tillit til undersøkelsesmetodologien som våre eksperter foreslår. Når du har resultatene, kan du effektivt analysere dem ved hjelp av dine tilgjengelige dataanalyseverktøy, inkludert statistisk analyse, dataanalyse og diagrammer samt grafer som fremstiller måledataene fra spørreundersøkelsen.

En god analyse av dataene fra spørreundersøkelsen er viktig for å få informasjonen og innsikten du trenger for å ta bedre forretningsbeslutninger. Men det er viktig å være oppmerksom på potensielle utfordringer som kan gjøre analyse vanskeligere eller forvrenge resultatene. 

Hvis du stiller for mange åpne spørsmål, kan det gjøre analysen mer tidkrevende og kompleks fordi det gir kvalitative resultater som ikke bygger på tall. Samtidig gir lukkede spørsmål resultater som er lettere å analysere. Analysen kan også hemmes av at du har stilt ledende eller forutinntatte spørsmål eller spørsmål som er forvirrende eller for komplekse. Hvis du har de riktige verktøyene og ekspertisen, kan analyse av spørreundersøkelser være både enkelt og effektivt.

Les mer om å bruke lukkede kontra åpne spørsmål.

Med sine mange dataanalyseteknikker gjør SurveyMonkey det enkelt å gjøre rådata om til innsikt som igjen kan gjøres om til handling, og denne informasjonen presenteres i formater som er lette å forstå. Funksjoner som automatiske diagrammer, grafer og ordskyer får liv i dataene. Med holdningsanalyse kan du for eksempel få et øyeblikkelig sammendrag av hva folk tenker fra tusenvis eller til og med millionvis av åpne tekstsvar. Du kan gå gjennom positive, nøytrale og negative holdninger med ett øyekast for å finne områder som bør vies oppmerksomhet. Hvis du vil ha enda dypere innsikt, kan du filtrere et bestemt spørsmål etter holdning. Tenk hva det vi si å kunne gjøre alle tekstsvarene om til et kvantitativt datasett.

Med ordskyer kan du raskt tolke åpne svar ved hjelp av et visuelt hjelpemiddel som viser hvilke ord som brukes mest. Du kan tilpasse utseendet til ordskyene dine på flere forskjellige måter, fra å velge farger eller skrifttyper for bestemte ord, til å skjule irrelevante ord på en enkel måte.

Det store utvalget av funksjoner og verktøy kan hjelpe deg med å håndtere analyseutfordringer og raskt generere grafiske illustrasjoner og robuste rapporter. Ta en titt på hvordan en rapport du plutselig trenger, kan genereres i en fart med SurveyMonkey.

Først må vi se på hvordan du kan regne ut resultatene av spørreundersøkelsen fra de viktigste spørsmålene. Hadde du empiriske undersøkelsesspørsmål? Vurderte du sannsynlighetsutvalg? Husk at du burde ha skissert dine viktigste undersøkelsesspørsmål da du satte et mål for spørreundersøkelsen.

Hvis du for eksempel holder en utdanningskonferanse og gir deltakerne en spørreundersøkelse for tilbakemelding etter arrangementet, kan et av de viktigste undersøkelsesspørsmålene være: Hvilken samlet vurdering ga deltakerne konferansen? Se gjennom svarene du fikk på et bestemt spørsmål som omhandler dette spørsmålet:

Har du planer om å delta på konferansen igjen neste år?

Merk deg at svarene inneholder både prosentandeler (71 %, 18 %) og rene tall (852, 216). Prosentandelene er nettopp det – prosentandelen som oppga et bestemt svar. For å si det på en annen måte: Prosentandelene representerer antallet personer som oppga hvert enkelt svar, uttrykt som en andel av antallet personer som svarte på spørsmålet. 71 % av spørreundersøkelsens respondenter (852 av de 1200 som svarte) planlegger altså å komme tilbake neste år.

Denne tabellen viser også at 18 % sier at de ikke planlegger å komme tilbake og 11 % sier at de ikke er sikre.

Å ha en god forståelse av utvalgsstørrelsen er også viktig for å sikre at du analyserer resultatene fra spørreundersøkelsen på en nøyaktig og effektiv måte. Utvalgsstørrelse er hvor mange personer som må delta i og fullføre spørreundersøkelsen for at den skal bli statistisk gyldig. Selv som statistiker kan det være vanskelig å fastslå utvalgsstørrelsen. Men SurveyMonkey eliminerer gjetting og forviklinger i prosessen med en feilmarginskalkulator som er enkel å bruke og som hjelper deg finne ut hvor mange som må delta for at feilmarginen skal reduseres.

Husk at da du satte et mål for spørreundersøkelsen og utviklet analyseplanen, tenkte du gjennom hvilke undergrupper du skulle analysere og sammenligne. Nå får du høste fruktene av denne planleggingen. Du kan for eksempel sammenligne svarene lærere, elever/studenter og administratorer hadde på spørsmålet om neste års konferanse. For å finne ut av dette må du fordype deg i svarfrekvensen gjennom krysstabulering, eller ved å bruke krysstabuleringsrapporter, der du viser resultatene av konferansespørsmålet etter undergruppe:

Ut fra denne tabellen kan du se at en stor andel studenter (86 %) og lærere (80 %) planlegger å komme tilbake neste år. Administratorene som deltok har imidlertid svart annerledes, og under halvparten (46 %) av dem har planer om å komme tilbake. Forhåpentligvis vil noen av de andre spørsmålene hjelpe deg med å finne ut hvorfor dette har skjedd, og hva du kan gjøre for å forbedre konferansen for administratorer, slik at så mange av dem som mulig vil komme tilbake år etter år.

Filtrering er en annen dataanalysemetode for datamodellering. Filtrering betyr å fokusere på én bestemt undergruppe, mens de andre filtreres bort. Istedenfor at undergrupper sammenlignes med hverandre, ser vi derfor bare på hvordan én undergruppe besvarte spørsmålet. Ved å kombinere filtre kan du definere nøyaktigheten i dataene.

Du kan for eksempel begrense fokuset til bare kvinner eller menn, og deretter gjennomføre krysstabulering på nytt etter type deltakere for å sammenligne kvinnelige administratorer, kvinnelige lærere og kvinnelige studenter. Det er viktig å være klar over én ting når du deler opp resultatene på denne måten: Hver gang du bruker et filter eller krysstabulering, reduseres utvalgsstørrelsen. For å påse at resultatene har statistisk signifikans, kan det være nyttig å benytte en utvalgsstørrelsekalkulator.

Grafer kan være et vanlig verktøy å ty til når du raskt vil vise resultatene av dataanalysen på en måte som er lett å forstå. Det er enkelt å lage grafer med SurveyMonkey som gir klarhet og kontekst for analysen, og dette gjør det igjen enklere å bruke dataene på en mer målrettet måte.  

Krysstabulering, også kalt krysstabuleringsrapporter, brukes for å analysere spørreundersøkelsesdata i mer detalj. Krysstabulering strukturerer dataene i en tabell som grupperer respondenter basert på delt bakgrunnsinformasjon eller spørreundersøkelsessvar, og med dette kan du sammenligne svarene til én gruppe med en annen. På denne måten får du en bedre forståelse av hver gruppe med respondenter og avdekker hvordan de er forskjellige fra hverandre.

La oss si at konferansens spørreundersøkelse for tilbakemelding hadde nøkkelspørsmålet: «Hvor fornøyd er du totalt sett med konferansen?» 

Resultatene viser at 75 % av deltakerne var fornøyde med konferansen. Det høres bra ut. Men hadde det ikke vært greit med litt kontekst? Noe å sammenligne med? Er det bedre eller dårligere enn fjoråret? Hvordan er resultatene i forhold til andre konferanser?

Du kan få svar på disse spørsmålene og mer ved hjelp av kvalitetsreferanser. Ved å enkelt sammenligne tidligere og aktuelle data, kan du identifisere bransje- og markedsrelaterte trender og vurdere din egen ytelse i forhold til dem.

La oss si at du stilte dette spørsmålet i konferansens spørreundersøkelse for tilbakemelding etter fjorårets konferanse. Da ville du kunne foreta en trendbasert sammenligning. Profesjonelle meningsmålere er nok dårlige komikere, men ett av favorittuttrykkene er: «Trend er din venn». Hvis antall tilfredse personer i fjor var 60 %, har tilfredsheten økt med 15 prosentpoeng! Hva er årsaken til denne økningen i tilfredshet? Forhåpentligvis vil svarene på andre spørsmål i spørreundersøkelsen gi noen svar.

Hvis du ikke har data fra tidligere års konferanser, kan du begynne å innhente tilbakemeldinger etter hver konferanse fra og med i år. Dette kalles kvalitetsmåling eller benchmarking. Du etablerer en kvalitetsreferanse eller et grunnlinjetall, og fra nå av kan du se om og hvordan dette endrer seg. Det er ikke bare deltakernes tilfredshet du kan kvalitetsmåle, men også andre spørsmål. Du kan spore hva deltakerne synes om konferansen år etter år. Dette kalles langsgående dataanalyse.

Du kan til og med spore data for ulike undergrupper. Si for eksempel at antall tilfredse personer øker år etter år for studenter og lærere, men ikke for administratorer. Da vil du gjerne se på administratorenes svar på ulike spørsmål for å se om du kan få innsikt i hvorfor de er mindre tilfredse enn andre deltakere.

Du vet hvor mange personer som sa at de skulle komme tilbake, men hvordan vet du om spørreundersøkelsene har gitt pålitelige svar som du med trygghet kan bruke ved fremtidige avgjørelser? Det er viktig å følge med på dataenes kvalitet og forstå hva som gir statistisk signifikans.

I dagligtale betyr ordet «signifikant» viktig eller betydningsfullt. Ved analysering og statistikk for spørreundersøkelser, betyr signifikant «nøyaktighetsvurdering». Det er her det uunngåelige «pluss eller minus» dukker opp i arbeid med spørreundersøkelser. Dette betyr rent konkret at spørreundersøkelsesresultater er nøyaktige innen bestemte konfidensgrader, og ikke som følge av tilfeldighet. Det er risikabelt å trekke konklusjoner basert på unøyaktige resultater (f.eks. uten statistisk signifikans). Den første faktoren å ta hensyn når man vurderer statistisk signifikans, er hvor representativt utvalget er. Det vil si i hvilken grad de personene som deltok i spørreundersøkelsen, er representative for den samlede populasjonen du ønsker å trekke konklusjoner om.

Det er et problem hvis 90 % av konferansedeltakerne som fullførte spørreundersøkelsen var menn, mens kun 15 % av alle konferansedeltakerne var menn. Jo mer du vet om populasjonen du ønsker å studere, desto tryggere kan du være når spørreundersøkelsene samsvarer med disse tallene. Når det gjelder kjønn, er det et godt tegn om menn utgjør 15 % av spørreundersøkelsens respondenter i dette eksemplet.

Hvis spørreundersøkelsens utvalg er tilfeldig valgt fra en kjent populasjon, kan statistisk signifikans beregnes på en enkel måte. En av hovedfaktorene er utvalgsstørrelse. La oss si at 50 av de 1000 personene som deltok på konferansen, svarte på spørreundersøkelsen. Femti (50) er en liten utvalgsstørrelse og resulterer i betydelig feilmargin. Kort sagt vil ikke resultatene være spesielt pålitelige.

La oss si at du spurte spørreundersøkelsens respondenter om hvor mange av de ti tilgjengelige øktene de deltok på i løpet av konferansen. Resultatene ser slik ut:

Det kan være lurt å regne ut gjennomsnittet. Som du kanskje husker, finnes det tre ulike sentralitetsmål: gjennomsnitt, median og typetall.

Tabellen over viser at hver deltaker gjennomsnittlig deltok på 6,1 av øktene. Verdien rapportert her er gjennomsnittet, som trolig er sentralitetsmålet du kjenner best til. Gjennomsnittet fastslås ved å legge sammen dataene og dele på antall tall du la til. I dette eksempelet sier 100 personer at de deltok på en økt, 50 deltok på fire økter, 100 personer deltok på fem økter osv. Alle disse parene multipliseres med hverandre, summeres og deles på totalt antall personer.

Medianen er et annet type sentralitetsmål. Medianen er den midterste verdien, eller 50 %. I tabellen ovenfor finner du antallet økter hvor 500 personer er til venstre for tallet, og 500 personer er til høyre. I dette tilfellet er medianen seks økter. Dette kan gjøre det enklere å eliminere påvirkning fra utenforstående, som kan virke negativt på dataene.

Det siste sentralitetsmålet er typetall. Typetallet er svaret som oppstår flest ganger. I dette tilfellet er svaret seks. 260 deltakere i spørreundersøkelsen deltok på seks økter, noe som var mer enn for noen andre økter.

Gjennomsnitt og andre typer sentralitetsmål kan også brukes hvis resultatene er basert på Likert-skalaen.

Tenk på hvilken historie dataene forteller når du skal rapportere resultatene fra spørreundersøkelsen.

La oss si at konferansen totalt sett fikk middelmådige vurderinger. Du undersøker nærmere for å finne ut hva som foregår. Dataene viser at deltakere ga svært høy vurdering til nesten alle konferansens aspekter – øktene og kursene, de sosiale arrangementene og hotellet – men valget av by for konferansen likte de svært dårlig. (Kanskje konferansen ble holdt i Chicago i januar, og det var for kaldt til at noen kunne gå ut!) 

Det er dette som er en del av historien – en generelt utmerket konferanse, men elendig valg av plassering. Miami eller San Diego kan være et bedre valg for en vinterkonferanse.

En viktig del av dataanalysering og ‑rapportering er å vurdere årsakssammenheng kontra korrelasjon.

Folk tar inn og forstår informasjon på mange forskjellige måter. SurveyMonkey har heldigvis tonnevis av forskjellige måter du kan analysere spørreundersøkelsesdata på, slik at du kan vurdere og presentere informasjonen på best mulig måte for å oppfylle målene dine. Du kan også lage grafer, diagrammer og rapporter som gjør det enkelt å forstå resultatene.

Dette er noen vanlige spørsmål som vi kan hjelpe deg med å finne ut av mens du blir bedre til å analysere spørreundersøkelser:

Langsgående dataanalyse (ofte kalt «trendanalyse») er i bunn og grunn sporing av hvordan funn for bestemte spørsmål endres over tid. Når en kvalitetsreferanse er etablert, kan du fastslå om og hvordan tallene endrer seg. Anta at antall tilfredse personer ved konferansen var 50 % for tre år siden, 55 % for to år siden, 65 % i fjor og 75 % i år. Da er gratulasjoner på sin plass! De langsgående dataanalysene viser en solid stigende trend i tilfredshet.

Gå tilbake

Årsakssammenheng er når én av faktorene forårsaker en annen, mens korrelasjon er når to variabler beveger seg sammen, men den ene påvirker eller forårsaker ikke den andre. For eksempel er det å drikke kakao og bruke votter to variabler som er korrelerte – de går gjerne opp og ned sammen. Men den ene forårsaker ikke den andre. Begge forårsakes faktisk av en tredje faktor – kaldt vær. 

Kaldt vær påvirker både kakaodrikking og sannsynligheten for at det brukes votter. Kaldt vær er den uavhengige variabelen, mens kakaodrikking og sannsynligheten for at det brukes votter, er avhengige variabler. I vårt tilfelle med konferansens spørreundersøkelse for tilbakemelding, påvirket trolig kaldt vær deltakernes utilfredshet med konferansebyen og konferansen generelt. 

Til slutt, for å videre undersøke forholdet mellom variabler i spørreundersøkelsen, må du kanskje gjennomføre en regresjonsanalyse.

Gå tilbake

Regresjonsanalyse er en avansert metode for å visualisere og analysere data som lar deg se på forholdet mellom to eller flere variabler. Det finnes flere typer regresjonsanalyse, og hvilke(n) en spørreundersøkelsesforsker velger, avhenger av variablene han eller hun vil undersøke. Felles for alle typer regresjonsanalyser, er at de ser på hvordan én eller flere uavhengige variabler påvirker en avhengig variabel. Ved analyse av spørreundersøkelsesdata ønsker vi kanskje å vite hvilke faktorer som har størst påvirkning på deltakernes tilfredshet med konferansen. Er det et spørsmål om antall økter? Hovedtaleren? Sosiale arrangementer? Lokalet? Ved bruk av regresjonsanalyse kan en spørreundersøkelsesforsker fastslå om, og i hvilken grad, tilfredshet i forbindelse med konferansens ulike attributter bidrar til den samlede tilfredsheten.

Dette gir igjen innsikt om hvilke aspekter av konferansen du kanskje vil endre neste gang. La oss for eksempel si at du betalte et betydelig honorar for å få en av de beste hovedtalerne til åpningøkten. Deltakerne ga generelt denne taleren og konferansen gode karakterer. Basert på disse to faktumene, vil du kanskje tenke at det er viktig å ha en fabelaktig (og dyr) hovedtaler for at konferansen skal lykkes. Regresjonsanalyse kan gjøre det enklere å fastslå om dette faktisk er tilfellet. Du finner kanskje ut at hovedtalerens popularitet hadde mye å si for hvor fornøyde deltakerne var med konferansen. I så fall vil det være viktig å få tak i en utmerket hovedtaler også til neste år. Men regresjonsanalysen kan også vise at til tross for at alle likte taleren, bidro ikke dette mye til deltakernes tilfredshet med konferansen. Hvis dette er tilfellet, kan pengene som ble brukt på taleren komme til bedre nytte andre steder.

Hvis du tar deg tid til å analysere soliditeten av spørreundersøkelsesdataene nøye, vil du være i gang med å bruke svarene til å ta velbegrunnede avgjørelser lettere.

Spørreundersøkelsesdata kan være et av dine viktigste verktøy

Ved å analysere data på nye, engasjerende og innsiktsfulle måter, kan du bidra til at bedriften vokser, få bedre kunderelasjoner og holde deg i forkant av konkurrentene. SurveyMonkey har en rekke alternativer for å imøtekomme ethvert budsjett. 

Innsamling av spørreundersøkelsesdata bruker spørreundersøkelser for å samle informasjon fra spesifikke respondenter. Innsamling av spørreundersøkelsesdata kan erstatte eller gå sammen med andre typer datainnsamling, inkludert intervjuer, fokusgrupper og mer. Informasjonen som samles i spørreundersøkelser kan brukes for å styrke ansattes engasjement, forstå kundeatferd og forbedre kundeopplevelsene.

Gå tilbake

Langsgående dataanalyse (ofte kalt «trendanalyse») er i bunn og grunn sporing av hvordan funn for bestemte spørsmål endres over tid. Når en kvalitetsreferanse er etablert, kan du fastslå om og hvordan tallene endrer seg. Anta at antall tilfredse personer ved konferansen var 50 % for tre år siden, 55 % for to år siden, 65 % i fjor og 75 % i år. Da er gratulasjoner på sin plass! De langsgående dataanalysene viser en solid stigende trend i tilfredshet.

Gå tilbake

Årsakssammenheng er når en av faktorene forårsaker en annen, mens korrelasjon er når to variabler beveger seg sammen, men den ene påvirker eller forårsaker ikke den andre. For eksempel er drikking av varm sjokolade og bruk av votter to variabler som er korrelerte – de har en tendens til å gå opp og ned sammen. Men den ene forårsaker ikke den andre. Faktisk forårsakes de begge av en tredje faktor – kaldt vær. Kaldt vær påvirker både inntak av varm sjokolade og sannsynligheten for at det brukes votter. Kaldt vær er den uavhengige variabelen, mens inntak av varm sjokolade og sannsynligheten for at det brukes votter, er avhengige variabler. I vårt tilfelle med konferansens spørreundersøkelse for tilbakemelding, påvirket trolig kaldt vær deltakernes utilfredshet med konferansebyen og konferansen generelt. Til slutt, for å videre undersøke forholdet mellom variabler i spørreundersøkelsen, må du kanskje gjennomføre en regresjonsanalyse.

Gå tilbake

Regresjonsanalyse er en avansert metode for å visualisere og analysere data som lar deg se på forholdet mellom to eller flere variabler. Det finnes flere typer regresjonsanalyse, og hvilke(n) en spørreundersøkelsesforsker velger, avhenger av variablene han eller hun vil undersøke. Det alle typer regresjonsanalyse har til felles, er at de ser på påvirkningen en eller flere uavhengige variabler har på en avhengig variabel. Når vi analyserer spørreundersøkelsesdata, vil vi kanskje vite hvilke faktorer som påvirker deltakeres tilfredshet under konferansen. Handler det om antallet økter? Hovedtaleren? De sosiale arrangementene? Lokalet? Ved hjelp av regresjonsanalyse kan spørreundersøkelsesforskere avgjøre om, og til hvilken grad, tilfredshet med disse faktorene bidrar til den totale tilfredsheten.

Dette gir igjen innsikt om hvilke aspekter av konferansen du kanskje vil endre neste gang. Anta for eksempel at du betalte et betydelig honorar for å få en av de beste hovedtalerne til åpningøkten. Deltakerne gav generelt denne taleren og konferansen gode karakterer. Basert på disse to faktumene, vil du kanskje tenke at det er viktig å ha en fabelaktig (og dyr) hovedtaler for at konferansen skal lykkes. Regresjonsanalyse kan gjøre det enklere å fastslå om dette faktisk er tilfellet. Du finner kanskje ut at hovedtalerens popularitet hadde mye å si for konferansens tilfredshet. I så fall vil det være viktig å få tak i en utmerket hovedtaler også til neste år. Men regresjonsanalysen kan også vise at til tross for at alle likte taleren, bidro ikke dette mye til deltakernes tilfredshet med konferansen. Hvis dette er tilfellet, kan de store summene brukt på taleren komme til bedre nytte andre steder. Hvis du tar deg tid til å analysere soliditeten av spørreundersøkelsesdataene nøye, vil du være i gang med å bruke svarene til å ta velbegrunnede avgjørelser lettere.