Ta reda på hur SurveyMonkey kan hjälpa dig att analysera enkätdata effektivt och enklare skapa bättre enkäter.
Svaren på dina webbenkäter har kommit. Då är det dags att utnyttja dataanalys för att tolka resultatet och presentera det på ett sätt som är lätt att förstå och arbeta vidare med. När du har samlat in statistiska enkätdata och har en plan för dataanalysen är det dags att börja bearbeta de svar du fick in. Så här tolkar våra enkätexperter kvantitativa data (till skillnad från kvalitativa data). De strukturerar rapporterna kring enkätsvar som besvarar undersökningsfrågorna. Till och med för experter kan det ibland vara svårt att hitta insikter i rådata.
För att nå enkätmålen börjar du med att använda den enkätmetod som våra experter föreslår. När du sedan får resultatet kan du analysera det effektivt med hjälp av de tillgängliga analysverktygen, som statistisk analys, dataanalys samt grafer och diagram som illustrerar enkätsiffrorna.
Lägg till analytiker i en teamplan för ännu större påverkan.
Grundlig dataanalys är avgörande för att få den information och de insikter du behöver för att fatta smartare affärsbeslut. Men det är också viktigt att vara medveten om de faktorer som kan göra analysen svårare eller till och med snedvrida resultatet.
Om du ställer för många öppna frågor kan analysen ta längre tid och bli mer komplex, eftersom dessa ger ett kvalitativt resultat som inte är sifferbaserat. Slutna frågor ger å andra sidan resultat som är enklare att analysera. Analysen kan också påverkas av ledande eller vinklade frågor eller frågor som är förvirrande eller för komplexa. Med rätt verktyg och kunskap kan du försäkra dig om att enkätanalysen går snabbt och lätt.
Läs mer om hur du använder slutna frågor jämfört med öppna.
Med SurveyMonkey är det enkelt att omvandla rådata till användbara insikter och presentera dem i lättfattliga format, eftersom du kan analysera data på många olika sätt. Funktioner som automatiska diagram och grafer samt ordmoln väcker data till liv. Med attitydanalys kan du till exempel få en omedelbar överblick över vad människor tycker från tusentals eller till och med miljontals svar på öppna frågor. Du kan granska positiva, neutrala och negativa attityder direkt och filtrera efter attityd för att identifiera sådant som behöver åtgärdas, samt för att få ännu mer djupgående insikter. Tänk dig att kunna omvandla alla textsvar till en samlad uppsättning kvantitativa data.
Med ordmoln kan du snabbt tolka svaren på öppna frågor genom att visa de vanligaste orden i ett ordmoln. Du kan anpassa utseendet på ordmoln på olika sätt, bland annat välja färg och teckensnitt för specifika ord och enkelt dölja ord som inte är relevanta.
Med vår stora samling funktioner och verktyg kan du enklare klara utmaningarna med analysarbetet och snabbt ta fram bilder och gedigna rapporter. Ta en titt på hur du enkelt ordnar en rapport i sista minuten med hjälp av SurveyMonkey.
Redo att sätta igång?
Vi börjar med att se på hur du analyserar resultatet för de viktigaste undersökningsfrågorna. Använde du empiriska undersökningsfrågor? Sannolikhetsurval? Tänk på att du bör ha formulerat de viktigaste undersökningsfrågorna när du satte upp målet för enkäten.
Om du till exempel har hållit en utbildningskonferens, där du gav deltagarna en enkät för att få feedback efter evenemanget, kan en av de viktigaste frågorna vara ”Vilket betyg gav deltagarna konferensen överlag?”. Titta sedan på svaren du samlade in för den enkätfråga som är mest relevant för den undersökningsfrågan:
Planerar du att komma på konferensen nästa år?
svarsalternativ | ||
Ja | 71 % | 852 |
Nej | 18 % | 216 |
Osäker | 11 % | 132 |
totalt | 1 200 |
I svaren får du både procentandelar (71 %, 18 %) och rena siffror (852, 216). Procentandelarna är vad de är – den procentandel personer som svarade på ett visst sätt. En procentandel motsvarar det antal personer som svarade på ett visst sätt uttryckt som en del av det totala antalet personer som svarade på frågan. Så 71 % av de svarande (852 av de 1 200 personer som deltog i enkäten) tänker komma tillbaka nästa år.
Den här tabellen visar också att 18 % säger att de inte tänker komma tillbaka och 11 % säger att de är osäkra.
En god förståelse för begreppet provgruppsstorlek är också viktigt för att vara säker på att du analyserar enkätresultatet effektivt och korrekt. Provgruppsstorleken är hur många människor som måste delta i enkäten och slutföra den för att resultatet ska vara statistiskt tillförlitligt. Även för statistiker kan det vara klurigt att fastställa rätt provgruppsstorlek för en enkät. Med SurveyMonkey slipper du gissa och arbetet blir enklare tack vare vår lättanvända funktion för beräkning av felmarginal, som hjälper dig att avgöra hur många människor du måste skicka enkäten till för att försäkra dig om att du får så liten felmarginal som möjligt.
Lita på panelen med svarande från SurveyMonkey Audience – över 175 miljoner personer i fler än 130 länder.
Om du tänker tillbaka minns du säkert att du, när du satte upp mål för enkäten och utvecklade en analysplan, också funderade på vilka undergrupper du skulle analysera och jämföra. Det är nu du får lön för all den mödan. Säg till exempel att du vill jämföra hur lärare, studenter och administratörer svarade på frågan om nästa års konferens. För att räkna ut detta utforskar du svarsfrekvensen med hjälp av korstabulering, eller använder korstabellrapporter, och visar resultatet från konferensfrågan efter undergrupp:
Ja | Nej | Osäker | totalt | |
Lärare | 80 % 320 | 7 % 28 | 13 % 52 | 400 |
Administratör | 46 % 184 | 40 % 160 | 14 % 56 | 400 |
Student | 86 % 344 | 8 % 32 | 6 % 24 | 400 |
Totalt antal svaranden | 852 | 216 | 132 | 1 200 |
I den här tabellen ser du att en stor andel av eleverna (86 %) och lärare (80 %) planerar att komma tillbaka nästa år. Annat är resultatet för administratörerna som deltog, mindre än hälften (46 %) av dem tänker komma tillbaka! Förhoppningsvis kommer några av våra andra frågor att hjälpa dig ta reda på orsaken och vad du kan göra för att förbättra konferensen för administratörer så att fler av dem kommer tillbaka år efter år.
Ett filter är ett annat sätt att analysera data när du skapar modeller. När du filtrerar fokuserar du på en viss undergrupp och filtrerar bort allt annat. Så i stället för att jämföra undergrupper med varandra tittar du här bara på hur en viss undergrupp besvarade frågan. Genom att kombinera filter kan du få exakt precision.
Du kan till exempel begränsa dig till bara kvinnor, eller bara män, och sedan korstabulera igen efter typ av deltagare för att jämföra kvinnliga administratörer, kvinnliga lärare och kvinnliga studenter. Men du bör vara medveten om en sak när du utforskar resultatet: varje gång du filtrerar eller korstabulerar minskar storleken på provgruppen. Se till att resultatet ändå förblir statistiskt signifikant genom att beräkna provgruppsstorleken.
Det är ofta praktiskt att använda diagram för att snabbt visa resultatet av en dataanalys på ett sätt som alla kan förstå. Det är enkelt att skapa diagram med SurveyMonkey, vilket gör analysen tydligare och sätter den i ett sammanhang. Det i sin tur gör det enklare att utnyttja data på ett mer fokuserat och användbart sätt.
Korstabulering, som också kallas korstabellrapporter, är användbart när du vill göra en djupdykning i data. Korstabellerna strukturerar data i en tabell som grupperar de svarande baserat på bakgrundsinformation eller enkätsvar som de har gemensamt, så att du kan jämföra en grupps svar med en annans. På så sätt blir det enklare att förstå varje enskild grupp med svaranden och hitta skillnaderna mellan dem.
Anta att en av de viktiga frågorna i feedbackenkäten är ”Hur nöjd är du på det stora hela med konferensen?”.
Resultatet visar att 75 % av deltagarna är nöjda med konferensen. Det låter väl bra. Men skulle du inte vilja sätta det i ett sammanhang? Så att du har något att jämföra med? Är det bättre eller sämre än förra året? Hur ser det ut om du jämför med andra konferenser?
Med referenspunkter kan du få svar på de här frågorna och andra, eftersom du kan jämföra gamla och aktuella data för att identifiera trender i branschen och på marknaden och se hur ni står er i konkurrensen.
Anta att du faktiskt frågade om detta i förra årets enkät om konferensfeedback. Då kan du göra en trendjämförelse. Professionella opinionsundersökare underskattar aldrig trender. Om 60 % av deltagarna var nöjda förra året har du lyckats höja resultatet med 15 procentenheter! Vad beror det på? Förhoppningsvis kan du räkna ut hur det kommer sig med hjälp av några av de andra enkätsvaren.
Om du inte har några data från tidigare konferenser kan du börja samla in feedback efter varje konferens från och med i år. Det kallas att skapa en referenspunkt. Du skapar en referenspunkt eller ett baslinjevärde, och utifrån det kan du se om och hur något ändras. Du kan skapa referenspunkter för vilka frågor du vill, inte bara hur nöjda deltagarna är. På så sätt kan du spåra vad de tycker om konferensen, år efter år. Det här kallas longitudinell dataanalys.
Du kan till och med spåra data för olika undergrupper. Anta till exempel att nöjdheten ökar varje år för studenter och lärare, men inte för administratörer. 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.
Du vet hur många som uppgav att de skulle komma tillbaka, men hur vet du att du kan lita på enkätsvaren och använda dem som underlag för framtida beslut? Det är viktigt att du har koll på datakvaliteten och förstår begreppet statistisk signifikans.
På vardagsspråk avser ”signifikans” betydelse eller vikt. När det gäller enkätanalys och statistik avser det i stället en uppskattning av riktighet. Det är här som det ofrånkomliga ”plus/minus” kommer in i bilden. Det innebär att enkätresultatet är korrekt inom ett givet konfidensintervall och inte beror på slumpen. Det är riskfyllt att dra slutsatser från felaktiga resultat (d.v.s. resultat som inte är statistiskt signifikanta). Den första faktorn att ta hänsyn till när det handlar om att utvärdera statistisk signifikans är provgruppens representativitet, alltså i hur stor grad den grupp personer som ingår i enkäten liknar den totala population som du vill dra slutsatser om.
Du får problem om 90 % av de konferensdeltagare som slutförde enkäten är män om bara 15 % av det totala antalet deltagare var män. Ju mer du vet om den population du vill undersöka, desto mer kan du lita på resultatet av enkäten. När det gäller könsfördelningen ska du vara nöjd om män utgör 15 % av de svarande i det här exemplet.
Om enkätens provgrupp är ett slumpmässigt urval av en känd population är det enklare att beräkna den statistiska signifikansen. En primär faktor här är provgruppsstorleken. Anta att 50 av de 1 000 personer som deltog på konferensen har fyllt i enkäten. Femtio (50) är en liten provgrupp och medför en hög felmarginal. Resultatet blir därmed inte mycket att hänga i julgranen.
Anta att du frågade enkätdeltagarna om hur många av de 10 tillgängliga sessionerna de deltog i under konferensens lopp. Och resultatet blev det här:
1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | totalt | i medelbetyg | |
antal besökta sessioner | 10 % 100 | 0 % 0 | 0 % 0 | 5 % 50 | 10 % 100 | 26 % 280 | 24 % 240 | 19 % 190 | 5 % 50 | 1 % 10 | 1 000 | 6,1 |
Du kan här analysera genomsnittet. Som du kanske minns finns det tre sorters genomsnitt: medelvärde, median och typvärde.
I tabellen ovan är det genomsnittliga antalet sessioner de svarande deltog i 6,1. Det här genomsnittet är medelvärdet, den typen av genomsnitt du är van vid. För att räkna ut medelvärdet summerar du data och delar sedan summan med antalet poster du summerade. I det här exemplet säger 10 personer att de deltog i en session, 50 personer i fyra sessioner, 100 personer i fem sessioner och så vidare. Så du multiplicerar alla de här paren med varandra, summerar dem och dividerar sedan med det totala antalet personer.
Medianen är en annan typ av genomsnitt. Medianen är värdet i mitten, 50 %-strecket. I tabellen ovan är medianen det värde där antalet sessioner är 500 både till vänster och till höger om det. Medianen är i det här fallet sex sessioner. Med hjälp av medianen kan du enklare utesluta ytterlighetsvärden, som kan påverka data negativt.