Slik analyserer du spørreundersøkelsesdata

Dere har fått tilbake resultatene fra nettbaserte spørreundersøkelser. Nå er det på tide å utnytte kraften i analysering av spørreundersøkelsesdata for å forstå resultatene og presentere dem på måter som er enkle å forstå og handle ut fra.

I denne veiledningen finner dere ut hva spørreundersøkelsesanalyse er, de ulike typene spørreundersøkelsesdata dere kan samhandle med, og seks trinn for å gjennomføre effektiv analyse av spørreundersøkelsesdata.

Spørreundersøkelsesanalyse er prosessen med å gjøre spørreundersøkelsesdata om til resultater og handlekraftig innsikt. Basert på informasjonen som samles inn fra en spørreundersøkelse, vil undersøkelsesanalyse bidra til å gjøre rådataene til et utfall man kan diskutere. 

Det er alltid enklere å få verdifull innsikt fra dataene når man har en plan før man går inn i en analyse av spørreundersøkelsen. Når dere forstår hva dere ønsker å oppnå med analysen, blir det enklere å analysere undersøkelsesdataene mer effektivt.

Hvis dere vil ha mer informasjon og grundig veiledning om undersøkelsesdesign og -analyse, kan dere se på webinaret vårt.

Spørsmålene dere stiller i en spørreundersøkelse, tilsvarer dataene dere mottar. Data kan enten være kvantitative eller kvalitative. 

Kvantitative data viser til numerisk informasjon. I Net Promoter Score® (NPS)-undersøkelsen vil for eksempel kundene svare på en skala fra 1 til 10. Med det i bakhodet vil all informasjonen som samles inn være numerisk og gi kvantitative data. Denne formen for data kan brukes til direkte sammenligninger og statistisk analyse.

På den annen side fokuserer kvalitative data på ikke-numerisk informasjon. Denne undersøkelsen har som mål å avdekke bakgrunnen til de numeriske dataene, «hvorfor» og ikke «hva». Dere kunne for eksempel spørre respondentene om hvorfor de valgte tallet de valgte, og gi dem plass til å skrive et svar. Selv om kvalitative data er vanskeligere å analysere, er det viktig å avdekke historien bak dataene.

Numeriske data er fantastiske for å spore fremdrift over tid. Men hvis dere vil ha innsikt om hvorfor noen svarte som de gjorde, er et oppfølgingsspørsmål som gir kvalitative data en god idé.

Her forklarer vi hvordan dere kan forstå tallene og meningen bak resultatene. 

Før dere begynner med undersøkelsesanalyse, må dere forsikre dere om at undersøkelsesdataene er brukbare. Å rydde opp i undersøkelsesdataene innebærer å bestemme hvilke respondenter som skal ekskluderes fra analysen, fjerne svar av lav kvalitet og eliminere doble svar.

Noen respondenter kan ha besvart bare et lite utvalg av det totale antallet spørsmål, mens andre kan ha skyndet seg gjennom undersøkelsen uten å vurdere svarene. Alle disse tilfellene ville bidra til data av lav kvalitet, noe som kan påvirke nøyaktigheten til de endelige resultatene.

Gjennomføring av en analyse av svarkvaliteten gjør det enklere å identifisere spørreundersøkelsessvar som ikke passer kriteriene. Hvis dere for eksempel samler inn data relatert til kundens holdning, vil det ikke være gunstig med et svar fra noen som ikke er kunde.

Hvis dere forbereder undersøkelsesdataene ved å gjøre dem lesbare, likt formatert og sortert, får dere et rent og tydelig datasett for utføring av utføre analyser.

Viktige spørsmål er en veileder for en spørreundersøkelse. Disse spørsmålene er knyttet til planene for undersøkelsen, som dere forhåpentligvis valgte da dere satte et spørreundersøkelsesmål.

Før dere fordyper dere i de små detaljene i dataene, må dere begynne med det viktigste spørsmålet i spørreundersøkelsen. Hvis for eksempel spørsmålet var «Vil du være interessert i å kjøpe dette nye produktet?», er følgende tabell med resultater stedet å begynne.

Som vist her, svarte de fleste positivt. Med det i tankene kan dere fortsette med data fra andre spørsmål for å samle mer informasjon om dette produktet.

Med brede, viktige undersøkelsesspørsmål kan dere finne de viktigste meningene og ideene blant dataene. Når dere har lagt dette grunnlaget, kan dere gå inn i de mer intrikate delene av dataanalysen for å svare på undersøkelsesspørsmålene. 

En av de beste måtene å forstå data på, er ofte å «bryte dem ned». Bedriften kan bruke krysstabuleringer til å dele opp dataene i mindre grupper basert på egenskaper de har felles. Dere kan for eksempel filtrere dataene etter respondenter fra en bestemt bakgrunn. Dere kan filtrere, sammenligne og lage regler for å analysere data for hvert brukersegment.

Datafiltre er en effektiv måte å få omfattende innsikt i dataene på. Hvis dere for eksempel ville vite hvordan et produkt klarte seg med ulike grupper, kan dere ta med demografiske spørsmål i spørreundersøkelsen. Når folk velger aldersgruppe, kan dere umiddelbart filtrere etter svar fra hver gruppe. Ved å sammenligne disse datasettene, vil dere se hvor godt hver aldersgruppe liker produktet, og dette kan bidra til å oppdage avvikelser eller demografigrupper som ikke er så fornøyde med det samme.

Dere kan filtrere etter:

Selv om kvalitative data ikke gir de prosentandelene eller rå tallene dere kan bruke her, kan dere alltids bruke tekstanalyseverktøy. Ved å innhente skriftlige svar og bruke ett av disse verktøyene, kan dere lage en holdningsanalyse som viser hva kundene synes. 

Å konvertere rådata til innsikt innebærer å påvise statistisk signifikans. Dere må tross alt sørge for at dataene viser noe i stedet for å selektivt velge tilfeller. Statistisk analyse avslører om trendene dere ser er meningsfulle og hva dataene antyder når de brukes med andre datasett. 

Man kan påvise statistisk signifikans på flere måter:

I tillegg til rå analyse kan andre faktorer fastslå om dere har fått resultater som betyr noe. For eksempel vil det totale antallet svar og fullføringsfrekvensen sammenlignet med størrelsen på det totale utvalget fortelle hvorvidt resultatene representerer en statistisk signifikant gruppe.

På samme måte er det en god idé å vurdere feilmarginen i resultatene fra spørreundersøkelsene. Feilmarginen viser hvor tett resultatene gjenspeiler hele populasjonen. En liten feilmargin antyder at dere kan ha stor tillit til nøyaktigheten til resultatene, mens det motsatte antyder at resultatene ikke nødvendigvis representerer verden generelt. 

Hvis dere trenger flere spørreundersøkelsessvar for å gi spørreundersøkelsesresultatene mer tyngde, har SurveyMonkey Audience alt du trenger. 

Med kvalitetsreferanser kan dere sammenligne resultatene med andre selskaper eller bransjegjennomsnittet. Dere kan til og med sammenligne deres egne resultater ved hjelp av gjentatte undersøkelsesforsøk der dere samler inn data over ulike kvartaler eller år. 

Bedrifter over hele verden bruker kvalitetsreferanser for kundeopplevelser for å finne ut hvordan kundene deres oppfatter dem sammenlignet med konkurrentene. 

Ved å utføre en langsgående analyse vil dere oppdage hvordan undersøkelsesresultatene har endret seg over tid. Hvis dere for eksempel arrangerer en årlig konferanse, kan dere be deltakerne om å vurdere hvor fornøyde de er med arrangementet ved hjelp av en spørreundersøkelse for tilbakemeldinger på konferansen. Hvis den gjennomsnittlige tilfredsheten avtar over tid, har dere et interessant utgangspunkt for videre undersøkelser.

Dere kan koble tilfredshetsspørsmålet med et åpent spørsmål der dere ber folk forklare hvorfor de valgte det svaret de valgte. Disse kvalitative dataene vil belyse hva som kan være årsaken til den lave tilfredsheten, og kan hjelpe dere med å treffe handlekraftige tiltak for å rette opp problemet. 

Dere kan til og med spore data for ulike undergrupper. La oss for eksempel si at tilfredsheten øker år etter år for markedsføringsmedarbeiderne, men ikke for administratorer. Det kan være lurt å se på administratorenes svar på ulike spørsmål for å se om dere forstår hvorfor de er mindre fornøyde enn andre deltakere.

Spørreundersøkelsesdataene kan fortelle en historie. Start med det viktigste undersøkelsesspørsmålet, beskriv resultatene i store trekk og gå videre derfra. Hva prøvde dere å finne ut? Hva fortalte dataene dere? Hvilke spesifikke resultater skiller seg ut eller er spesielt interessante?

Der det er mulig, bør dere bruke visuelle elementer som støtte for rapporten. Leserne ønsker ikke å gå gjennom avsnitt etter avsnitt med masse tall. En enkel graf eller ett enkelt ord kan oppsummere resultatene og gjøre det mulig å intuitivt forstå hva dataene sier. 

Nå som dere har analysert dataene og funnet statistisk signifikans, er det på tide å vise det til andre. Det siste trinnet i den praktiske analysen av undersøkelser er å lage en flott rapport som viser resultatene. Med denne rapporten kan dere dele resultatene med kolleger, noe som kan inspirere til endringer innenfor organisasjonen. 

Les også: Slik bruker du seks enkle diagrammer for å lage effektive rapporter

Når man utfører analyse av spørreundersøkelser, er det flere vanlige fallgruver man kan havne i. Her er noen feil man bør unngå.

Den mest fremtredende feilen nybegynnere på undersøkelser gjør når de utfører analyser av spørreundersøkelser, er å forveksle korrelasjon og årsakssammenheng. Årsakssammenheng oppstår når en faktor direkte forårsaker en annen. Korrelasjon oppstår derimot når to variabler endrer seg samtidig, men det er kanskje ikke en sammenheng mellom dem.

Et godt eksempel på dette er effekten av kaldt vær. Å drikke kakao og bruke hansker er korrelerte variabler, siden de begge har en tendens til å gå opp og ned samtidig. Det ene forårsaker imidlertid ikke det andre. De er begge forårsaket av en tredje faktor: det kalde været.

Bare fordi to faktorer beveger seg sammen, betyr ikke det at de er relatert. Korrelasjonsanalyse gjør det enklere å identifisere sammenhengene mellom dataene.

Man kunne feilaktig koble sammen to datapunkter direkte med et tertiært motiv hvis man blander sammen korrelasjon og årsakssammenheng. 

Som nevnt kan man tenke på resultatene fra spørreundersøkelsen som en historie som fortelles. Det kan imidlertid hende dere går glipp av den større sammenhengen hvis dere selektivt velger ut data, det vil si velger viktige datapunkter som validerer hypotesen dere hadde fra før.

Når dere ønsker å bevise noe med en spørreundersøkelse, kan det være frustrerende når dataene ikke stemmer overens med hypotesen. Noen kunder er kanskje rett og slett ikke enig i et sentralt utsagn, eller så viser ikke dataene et statistisk signifikant flertall. Uansett hva dere støter på, er det ikke lurt å være hyperselektiv når det gjelder datapunktene dere bruker.

Hvis dere må velge og vrake hvilke data som skal brukes i beregningene, undergraver dere nøyaktigheten til undersøkelsesresultatene.

SurveyMonkey vet bedre enn noen annen at det å gjennomføre spørreundersøkelser og innhente resultater kan være fryktelig spennende. Når det er sagt, kan det hende dere overser viktige data som ikke er fylt ut ennå, hvis dere haster videre til beregningen av resultatene. 

Spørreundersøkelser trenger gjerne store svargrupper for å øke tilliten til dataene. Hvis dere skynder dere med å beregne resultater så snart som mulig, kan det hende dere får færre svar enn dere trenger for å bevise statistisk signifikans. 

Tenk om undersøkelsesresultatene viser at 100 % av kundene er interessert i en ny produktfunksjon. Dette høres jo utrolig ut, men tenk om bare én person har svart på spørreundersøkelsen – hvor sikker kan dere da være på at svarene virkelig gjenspeiler en bredere kundegruppe?

Spørsmålene dere tar med i spørreundersøkelsen, tilsvarer typen data og kvaliteten på dataene dere mottar. Med andre ord blir ikke spørreundersøkelsesdataene bedre enn spørsmålene dere har tatt med i spørreundersøkelsen.

Her er noen tips:

Ved å forbedre kvaliteten på spørreundersøkelsene dere lager og sender ut, får dere inn data av høyere kvalitet, helt naturlig.

Det er mange sider ved analyse av spørreundersøkelsesdata, fra å se på de viktigste resultatene til oppdeling av dataene og endelig rapportering av resultatene. 

SurveyMonkey har verktøy og maler for spørreundersøkelsesanalyse som gjør det enklere enn noen gang å få pålitelige svar og nå ut til målgruppen deres. 

Registrer dere for å bruke maler og verktøy laget av eksperter.