Så här analyserar du enkätdata

Svaren på era webbenkäter har kommit. Nu är det dags att analysera dem och förvandla data till meningsfull information som ni kan använda för att bli bättre. Den här guiden innehåller alla steg: hur du rensar enkätdata, summerar siffrorna, kopplar samman svaren på öppna frågor och tar fram en tydlig berättelse för intressenterna.

I den här guiden kan du läsa om vad enkätanalys är, vilka olika datatyper du kan interagera med och hur du analyserar enkätdata effektivt i sex steg.

Enkätanalys går ut på att omvandla rådata från enkäter till insikter som ni kan använda. Analysarbetet handlar om att leta efter mönster, trender och relationer i svar och använda beskrivande metoder (som antal, procent och medeltal) och slutledningsmetoder (som korrelationer och signifikanstester) för att tolka enkätresultatet och ge beslutsunderlag.

En bra enkätanalys tar avstamp i avsikten, eftersom de flesta enkäter innehåller en blandning av slutna och öppna frågor. Om du har en färdig plan när du börjar analysera enkäten – tydliga mål, en liten uppsättning prioriterade frågor och en bild av vem som behöver ta del av resultatet – går arbetet lättare.

Läs också: Så här använder du en plan för enkätdesign och dataanalys för att få bättre insikter

De frågor du ställer i en enkät avgör vilken typ av data du får. Data kan vara antingen kvantitativa eller kvalitativa.

Kvantitativa data är numeriska svar från slutna frågor. I till exempel en NPS-enkät (Net Promoter Score®) ligger betygen på en skala från 0–10, och du kan summera dem, beräkna ett genomsnitt för dem och jämföra dem mellan grupper eller över tid.

Exempel på enkätfråga: ”Hur troligt är det att du skulle rekommendera det här företaget till en vän eller kollega? (0–10)”

Numeriska data är fantastiska för att spåra förlopp över tid. Men om du vill få en förståelse för varför någon har svarat på ett visst sätt är en uppföljningsfråga som ger kvalitativa data en utmärkt idé.

Kvalitativa data är svar på öppna frågor där deltagarna förklarar sina val med egna ord. De här svaren avslöjar de motiv, problem och sammanhang som ligger bakom betygen.

Exempel på enkätfråga: ”Vilket är det främsta skälet till ditt betyg?”

När svaren börjar strömma in kan det vara svårt att veta var du ska börja. Använd de här sex stegen för att omvandla enkätanalysen till ett arbetsflöde som kan upprepas. Med hjälp av dem blir det enklare att avgöra vad som är viktigast, strukturera enkätdata och skapa en berättelse som är korrekt, rättvis och lätt för alla att använda.

Innan du börjar analysera enkäten måste du se till att insamlade data är användbara. När du rensar enkätdata bestämmer du vilka svarande som ska uteslutas från analysen, tar bort svar av låg kvalitet och rensar bort dubblerade svar.

Vissa svarande kanske bara har besvarat en liten del av frågorna, medan andra kanske har stressat igenom enkäten utan att fundera så mycket på hur de svarar. I alla dessa fall får du data av låg kvalitet, som kan påverka slutresultatets korrekthet.

Om du utför en analys av svarskvaliteten kan du lättare identifiera enkätsvar som inte passar urvalskriterierna. Om du till exempel samlar in data om kundattityder har du ingen nytta av svar från någon som inte är kund.

Om du förbereder enkätdata för analys genom att göra dem lättolkade, enhetligt formaterade och sorterade får du en ren och tydlig uppsättning data för analys.

De viktigaste enkätfrågorna sätter tonen för hela enkäten. De här frågorna handlar om syftet med enkäten, som du bör formulera när du ställer upp mål för enkäten.

Innan du gräver ner dig i alla data bör du titta på de viktigaste enkätfrågorna. Om du till exempel frågade ”Skulle du vara intresserad av att köpa den här nya produkten?” bör du börja med nedanstående resultattabell.

Skulle du köpa den här produkten om den fanns idag?

Som du ser svarade de flesta positivt. Utifrån det kan du fortsätta med data från andra frågor för att samla mer information om den här produkten.

Allmänna, mer övergripande frågor hjälper dig att hitta de viktigaste åsikterna och idéerna i data. När du väl har lagt grunden kan du gå vidare till mer komplicerade typer av dataanalys för att få svar på dina frågor.

Ett av de bästa sätten att förstå data bättre är att dela upp dem. Företaget kan använda korstabeller (korstabulering) för att dela upp data i mindre uppsättningar utifrån gemensamma egenskaper. Du kan till exempel filtrera data efter deltagare med en viss bakgrund. Du kan filtrera, jämföra och skapa regler för att analysera data för vart och ett av segmenten.

Datafilter är ett effektivt verktyg för att få heltäckande insikt i data. Om du till exempel vill veta hur en produkt klarar sig i olika grupper kan du inkludera demografiska frågor i enkäten. När deltagarna anger sin åldersgrupp kan du direkt filtrera efter svar från olika grupper. Genom att jämföra de här datauppsättningarna kan du sedan se hur mycket varje åldersgrupp gillar produkten, så att du enklare kan identifiera utstickare eller mindre nöjda svarande.

Du kan filtrera efter:

Även om kvalitativa data inte ger procentsatser eller rena siffror du kan använda här, så kan du alltid använda verktyg för textanalys. Genom att samla skriftliga svar och bearbeta dem med något av de här verktygen kan du skapa en attitydanalys som visar vad kunderna tycker.

Konverteringen av rådata till insikter ställer krav på statistisk signifikans. Du måste trots allt försäkra dig om att du kan dra slutsatser av data och inte bara välja ut data som passar dig. Den statistiska analysen avslöjar om de trender du observerar är meningsfulla och vilken bild data målar upp när de används med andra datauppsättningar.

Du kan använda olika metoder för att påvisa statistisk signifikans:

Men det är inte bara råanalys som avgör om du får ett meningsfullt resultat, andra faktorer spelar också in. Det totala antalet svar och slutförandefrekvensen jämfört med den totala provgruppsstorleken visar till exempel om resultatet representerar en statistiskt signifikant grupp.

Det är också en bra idé att ta hänsyn till felmarginalen i enkätresultatet. Felmarginalen visar hur väl resultatet speglar hela populationen. En liten felmarginal tyder på att resultatet är i högsta grad tillförlitligt, medan motsatsen tyder på att resultatet kanske inte ger en rättvis bild av verkligheten.

Om du behöver fler svar för att enkätresultatet ska bli mer trovärdigt kan du använda SurveyMonkey Audience.

Referenspunkter används för att jämföra resultatet med andra företag eller med branschgenomsnitt. Du kan till och med jämföra resultatet med sig självt med hjälp av upprepade enkäter som samlar in data för olika kvartal eller år.

Företag i hela världen använder referenspunkter för kundupplevelsen för att avgöra hur deras kunder upplever den jämfört med konkurrenternas.

Genom att utföra en longitudinell analys kan du identifiera hur enkätresultatet har förändrats över tid. Om du till exempel är värd för en årlig konferens kan du be deltagarna att bedöma hur nöjda de är med evenemanget med hjälp av en enkät för konferensfeedback. Om den genomsnittliga nöjdheten minskar med tiden har du en intressant startpunkt för vidare undersökningar.

Du kan koppla nöjdhetsfrågan till en öppen fråga, där du ber deltagarna förklara sina val. Dessa kvalitativa data avslöjar vad den minskande nöjdheten beror på så att du enklare kan åtgärda det.

Du kan till och med spåra data för olika undergrupper. Anta till exempel att nöjdheten ökar varje år för marknadsförarna, men inte för administratörerna. Då kanske du ska titta extra noga på hur administratörerna har besvarat olika frågor för att ta reda på varför de inte är lika nöjda som de andra deltagarna.

Med enkätdata kan du berätta en övertygande historia. Börja med den viktigaste frågan, ange huvuddragen i resultatet och se vad du har. Vad ville du ta reda på? Vad fick du veta av insamlade data? Vilka delar av resultatet sticker ut eller är särskilt intressanta?

Använd om möjligt visuellt material som stöd för rapporten. Läsarna vill inte behöva läsa stycke upp och stycke ner med siffror. Ett enkelt diagram eller ordmoln kan sammanfatta resultatet och ge läsarna en lättolkad bild av det informationen målar upp.

Nu när du har analyserat data och visat att de är statistiskt signifikanta är det dags att dela med dig av resultatet. Att ta fram en slagkraftig rapport som visar upp resultatet är det sista steget i den praktiska enkätanalysen. I den här rapporten kan du dela resultatet med kollegor och kanske inspirera till förändringar i organisationen.

Läs också: Så använder du sex enkla diagram för att skapa effektiva rapporter

Alla team, hur försiktiga de än är, kan råka ut för fallgropar i enkätanalysen. Dessa kan vanligtvis delas in i två kategorier: problem som gör resultatet mindre tillförlitligt och rapporteringsvanor som gör att resultaten verkar säkrare eller mer irrelevanta än de verkligen är. Om du känner till de här mönstren blir det lättare att upptäcka dem tidigt och se till att enkätanalysen vilar på en gedigen grund.

Använd de här mönstren som en snabbkoll innan du slutför enkätanalysen, så att inga vanliga misstag slinker in i resultat eller rapporter.

Det vanligaste felet som nybörjare på enkäter gör i analysarbetet är att blanda ihop kausalitet och korrelation. Kausalitet är när en variabel direkt orsakar en annan. Korrelation å andra sidan är när två variabler rör sig tillsammans men inte nödvändigtvis är relaterade.

Ett bra exempel på detta är effekterna av kallt väder. Att till exempel dricka varm choklad och ha vantar på sig är två variabler som har ett samband, eftersom de ofta stiger och sjunker på samma sätt. Men den ena orsakar inte den andra. De orsakas båda av en tredje faktor, kallt väder.

Bara för att två faktorer rör sig tillsammans betyder det inte att de är relaterade. Med hjälp av korrelationsanalys kan du identifiera samband mellan data.

Om du blandar ihop korrelation och kausalitet kan du dra felaktiga slutsatser om hur olika variabler är relaterade.

Som vi redan nämnt kan du se på enkätresultatet som en sorts berättelse. Men du kanske inte ser hela bilden om du plockar russinen ur kakan, det vill säga väljer ut vissa datapunkter som bekräftar din hypotes.

När du tar dig för att bevisa något med en enkät kan det vara frustrerande när de data du samlat in inte ger stöd för din teori. Vissa kunder kanske inte alls håller med om ett viktigt påstående eller det kanske inte finns någon statistiskt signifikant majoritet. Oavsett vilket så är det sista du bör göra att vara superselektiv i de datapunkter du använder.

Om du måste välja ut vilka data som ska användas i beräkningar undergräver du resultatets riktighet.

Vi på SurveyMonkey vet bättre än någon annan att det kan vara otroligt spännande att göra enkäter och samla in resultat. Men om du har för brått med att beräkna resultatet riskerar du att missa viktiga data som inte kommit in än.

Enkäter kräver ofta stora mängder svar för att öka konfidensnivån för data. Om du skyndar med att analysera resultatet så fort som möjligt kanske du inte har så många svar som du behöver för att nå statistisk signifikans.

Tänk dig att enkätresultatet visar att 100 procent av kunderna är intresserade av en ny produktfunktion. Det låter fantastiskt, men om det bara var en person som besvarade enkäten, hur säker kan du då vara på att svaren verkligen speglar den större kundbasen?

De frågor du tar med i enkäten avgör vilken typ av data du får och vilken kvalitet de har. Kort sagt, enkätdata blir aldrig bättre än enkätfrågorna.

Några tips:

När du förbättrar kvaliteten på de enkäter du skapar och skickar ut får du förstås också data av högre kvalitet.

Det finns mycket att tänka på vid analys av enkätdata, från att titta på toppresultatet till att utforska data och rapportera om resultaten.

SurveyMonkey har verktyg och mallar för enkätanalys som gör det enklare än någonsin att nå rätt målgrupp och få tillförlitliga svar.

Registrera dig för att använda mallar och verktyg som har skapats av experter.

NPS, Net Promoter och Net Promoter® Score är registrerade varumärken som tillhör Satmetrix Systems, Inc., Bain & Company och Fred Reichheld.