Så här analyserar du enkätdata

Du har samlat in enkätresultat och har en plan för dataanalysen. Nu är det dags att kavla upp ärmarna och börja sortera och analysera uppgifterna.

Dataanalyser av enkäter – lätt och smidigt

Resultaten har kommit in från dina onlineenkäter. Nu när du har samlat in statistiska enkätresultat och har en plan för dataanalys är det dags att börja beräkna de enkätresultat du har fått in. Så här får våra enkätspecialister fram information ur kvantitativa data (jämfört med att förstå kvalitativa data), från att titta på svaren och fokusera på de viktigaste enkätfrågorna och enkätmålen till att analysera siffrorna och dra slutsatser av dem.

Se hur SurveyMonkey gör det enkelt och smidigt att analysera resultat

Redo att sätta igång?

Följ dessa fyra steg för att börja beräkna enkätresultaten mer effektivt:

  1. Ta en titt på dina viktigaste frågor
  2. Korstabulera och filtrera resultaten
  3. Analysera siffrorna
  4. Dra slutsatser

Ta en titt på de viktigaste undersökningsfrågorna

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 och gav deltagarna en enkät för att få feedback efter evenemanget kan en av de viktigaste undersökningsfrågorna 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
Ja71 %852
Nej18 %216
Osäker11 %132
Totalt1 200

I svaren får du både procent (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.

Korstabulering och filtrering av resultaten

Kom ihåg att när du fastställde ett mål för din enkät och utvecklade analysplanen tänkte du på vilka undergrupper du skulle analysera och jämföra. Det är här den planeringen lönar sig. Säg till exempel att du ville se hur lärare, studenter och administratörer svarade på frågan om nästa års konferens jämfört med varandra. För att räkna ut detta utforskar du svarsfrekvensen med hjälp av korstabulering, och visar resultaten av konferensfrågan per undergrupp:

JaNejOsäkerTotalt
Lärare80 %
320
7 %
28
13 %
52
400
Administratör46 %
184
40 %
160
14 %
56
400
Student86 %
344
8 %
32
6 %
24
400
Totalt antal svarande8522161321 200

I den här tabellen ser du att en stor andel av eleverna (86 %) och lärarna (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 hjälpa dig att 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.

Filter är ett annat praktiskt verktyg för datamodellering. När du filtrerar fokuserar du på en viss undergrupp och filtrerar bort de andra. Så i stället för att jämföra undergrupper med varandra tittar du här bara på hur en viss undergrupp besvarade frågan. 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 att varje gång du filtrerar eller korstabulerar minskar storleken på provgruppen. Se till att resultatet ändå förblir statistiskt signifikant genom att beräkna provgruppsstorleken.

Referenspunkter, trender och jämförande data

Anta att en av de viktiga frågorna i din feedbackenkät 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?

Anta att du faktiskt frågade om detta i förra årets feedbackenkät. 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 data från tidigare års konferenser kan du börja med det i år. Det kallas att använda referenspunkter. Du fastställer en referenspunkt eller ett baslinjetal och över tid kan du se om och hur talet förändras. Du kan jämföra hur nöjda deltagarna är, men också andra frågor. Du kommer att kunna spåra, år efter år, vad deltagarna tycker om konferensen. Detta 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.

Analysera siffrorna

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 är ”signifikans” samma som betydelse eller vikt. När det gäller enkätanalys och statistik handlar det i stället om 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 provgruppens storlek. 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:

12345678910TotaltMedelbetyg
Antal sessioner de deltagit i10 %
100
0 %
0
0 %
0
5 %
50
10 %
100
26 %
260
24 %
240
19 %
190
5 %
50
1 %
10
1 0006,1

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 typ 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.

Median 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 6 sessioner. På så sätt kan du enklare utesluta ytterlighetsvärden, som kan påverka data negativt.

Den sista sortens genomsnitt är typvärde. Typvärdet är det vanligaste svaret. I det här fallet är det 6 sessioner. 260 enkätdeltagare deltog i 6 sessioner, fler än för något annat antal sessioner.

Du kan också använda medelvärden och andra typer av genomsnitt om resultatet bygger på likertskalor.

Dra slutsatser

När det gäller hur du ska rapportera enkätresultatet bör du fundera på vad som egentligen ligger bakom informationen.

Anta att konferensen fick ett mediokert betyg överlag. Du undersöker vad det här kan bero på. Informationen visar att deltagarna gav nästan alla delar av konferensen mycket högt betyg – sessionerna, kurserna, de sociala evenemangen och hotellet – men de tyckte inte alls om den stad där konferensen hölls. (Konferensen kanske var i Kiruna mitt i vintern och det var för kallt för att gå ut?) Det är en viktigt pusselbit för dig – en överlag fantastisk konferens, men en illa vald plats. Det kanske hade varit bättre att välja en stad längre söderut för en konferens mitt i vintern.

En aspekt när det gäller dataanalys och rapporter är kausalitet och korrelation.

Analysera nästa enkät med SurveyMonkey

Bilaga

Vad är insamling av enkätdata?

Vid insamling av enkätdata använder man enkäter för att samla information från specifika svarande. Insamling av enkätdata kan ersätta eller komplettera andra datainsamlingstyper, t.ex. intervjuer, fokusgrupper och annat. Data som samlas in från enkäter kan användas för att öka medarbetarnas engagemang, förstå köpares beteenden och förbättra kundupplevelser.

Vad är longitudinell analys?

Longitudinell dataanalys (som ofta kallas ”trendanalys”) innebär i princip att man spårar hur resultatet för specifika frågor förändras över tid. När du väl har skapat en referenspunkt kan du avgöra om och hur resultatet förändras. Anta att andelen som var nöjda med konferensen var 50 % för tre år sedan, 55 % för två år sedan, 65 % förra året och 75 % i år. Då är det bara att gratulera! Den longitudinella dataanalysen visar en stabil uppåtgående trend när det gäller nöjdhet.

Vad är skillnaden mellan korrelation och kausalitet?

Kausalitet är när en faktor orsakar en annan, medan korrelation är när två variabler rör sig tillsammans, utan att den ena påverkar eller orsakar den andra. Till exempel: att dricka varm choklad och ha vantar på sig är två variabler som har ett samband – de stiger och sjunker likadant. Men den ena orsakar inte den andra. Faktum är att de båda orsakas av en tredje faktor, kallt väder. Kallt väder påverkar både hur mycket varm choklad man dricker och sannolikheten att man har vantar. Kallt väder är den oberoende variabeln och varm choklad och vantar är beroende variabler. När det gäller enkäten om konferensfeedback hade det kalla vädret troligen en effekt på hur (miss)nöjda deltagarna var med valet av stad och med konferensen som helhet. Sist men inte minst kan du behöva utföra en regressionsanalys för att bättre förstå relationen mellan variablerna i enkäten.

Vad är regressionsanalys?

Regressionsanalys är en avancerad metod för datavisualisering och analys som gör att du kan titta på förhållandet mellan två eller flera variabler. Det finns många typer av regressionsanalys och den/de undersökningar som forskaren väljer beror på variablerna han eller hon undersöker. Det alla typer av regressionsanalys har gemensamt är att de ser hur en eller flera oberoende variabler påverkar en beroende variabel. När vi analyserar våra undersökningsdata kanske vi är intresserade av att veta vilka faktorer som mest påverkar deltagarnas tillfredsställelse med konferensen. Är det fråga om antalet sessioner? Den viktigaste föredragshållaren? De sociala evenemangen? Platsen? Med hjälp av regressionsanalys kan en enkätexpert avgöra om och i vilken utsträckning tillfredsställelse med dessa olika attribut på konferensen bidrar till den totala tillfredsställelsen.

Detta ger i sin tur insikt i vilka delar av konferensen som kan behöva ändras till nästa gång. Anta till exempel att du har betalat en stor summa för att få en välrenommerad föredragshållare till välkomstsessionen. Deltagarna gav den här talaren och konferensen högt betyg överlag. Baserat på dessa två fakta är det lätt att tro att en känd och dyr föredragshållare är nyckeln till en lyckad konferens. Med hjälp av regressionsanalys kan du ta reda på om det stämmer. Du kanske ser att föredragshållarens popularitet var avgörande för hur nöjda deltagarna var med konferensen i stort. I så fall är det bäst att satsa på en framstående föredragshållare även nästa år. Men anta att regressionsanalysen visar att valet av föredragshållare visserligen var populärt, men inte bidrog i någon större utsträckning till hur nöjda deltagarna var med själva konferensen. I så fall kanske det är bättre att lägga de pengarna på något annat. Om du tar dig tid att noga analysera hur tillförlitliga dina data är har du kommit en bra bit på vägen mot att fatta väl underbyggda beslut utifrån deltagarnas svar.