Kyselytutkimustietojen analysointi

Kyselytutkimusten tulokset on analysoitava ja havainnot esitettävä ymmärrettävässä ja käyttökelpoisessa muodossa. Kun olet kerännyt tilastollisia kyselytutkimusvastauksia ja tehnyt suunnitelman datan analysointia varten, on aika ryhtyä toimeen. Kyselytutkimusasiantuntijamme saavat selkeän käsityksen määrällisestä datasta (laadulliseen dataan verrattuna) jäsentelemällä raporttinsa tutkimuskysymyksiin vastaavien kyselytutkimusvastausten perusteella. Jopa asiantuntijoiden on hankala tehdä havaintoja raakadatasta. 

Voit saavuttaa tutkimustavoitteesi, kun toimit asiantuntijoidemme kyselytutkimusohjeiden mukaan. Vastaukset saatuasi voit analysoida ne tehokkaasti hyödyntämällä kaikkia saatavillasi olevia työkaluja, kuten tilasto- ja data-analyysia sekä kyselytutkimusmittarit esittäviä kaavioita ja diagrammeja.

Luotettava data-analyysi tarjoaa kaiken sen, mitä tarvitset parempien liiketoimintapäätösten tekemiseen. Tärkeää on myös huomioida mahdolliset haasteet, jotka voivat vaikeuttaa analysointia tai jopa vääristää tuloksia. 

Jos esität liian monta avointa kysymystä, saatat hankaloittaa analysointia, sillä laadulliset tulokset eivät ole numeerisia. Sitä vastoin suljettuihin kysymyksiin annettujen vastausten analysointi on helpompaa. Johdattelevien tai puolueellisten kysymysten lisäksi analysointia voivat hidastaa myös hämmentävästi tai sekavasti esitetyt kysymykset. Kun hyödynnät oikeita työkaluja oikeilla tavoilla, analysoit kyselytutkimuksia tehokkaasti.

Lue lisää suljetuista ja avoimista kysymyksistä.

SurveyMonkey tarjoaa useita datan analysointikeinoja, jotka helpottavat raakadatan muuttamista käyttökelpoisiksi havainnoiksi helposti käsitettävissä esitysmuodoissa, vaikkapa automaattisissa diagrammeissa ja kaavioissa sekä sanapilvissä. Esimerkiksi asenneanalyysi antaa kätevän yhteenvedon tuhansien tai jopa miljoonien ihmisten antamista avoimista vastauksista. Voit havaita myönteiset, neutraalit ja kielteiset asenteet, huomata parannusta vaativat osa-alueet sekä tehdä syvällisempiä havaintoja suodattamalla kysymyksiä asenteiden mukaan. Tällä tavoin voit muuntaa tekstivastaukset määrälliseksi datajoukoksi.

Sanapilvissä avoimia vastauksia voi tulkita näppärästi, kun eniten käytetyt sanat merkataan visuaalisesti. Voit mukauttaa sanapilvien ulkoasua eri tavoilla, kuten korostamalla tietyt sanat eri värein tai fontein tai piilottamalla tarpeettomat sanat.

Laaja ominaisuuksien ja työkalujen valikoimamme voi auttaa pureutumaan analysoinnin haasteisiin sekä luomaan nopeasti graafisia esityksiä ja luotettavia raportteja. Katso, miten pikainen raporttipyyntö ratkaistaan käden käänteessä SurveyMonkeyn kautta.

Voit laskea tärkeimpien kyselytutkimuskysymysten tulokset helpommin, jos olet esittänyt empiirisiä tutkimuskysymyksiä ja käyttänyt todennäköisyyteen perustuvaa otantaa. Muistathan, että tärkeimmät tutkimuskysymykset on päätettävä samalla kun päätät kyselytutkimuksesi tavoitteen.

Jos esimerkiksi järjestit koulutuskonferenssin ja pyysit osallistujia antamaan palautetta tapahtuman jälkeen, eräs tärkeimmistä tutkimuskysymyksistäsi voisi olla tämä: ”Millaisen yleisarvosanan osallistujat antoivat konferenssille?” Katso nyt vastauksia, jotka sait tärkeään tutkimuskysymykseen:

Aiotko osallistua tähän konferenssiin ensi vuonna?

Huomaa, että vastauksissa on joitakin prosenttilukuja (kuten 71 % ja 18 %) sekä joitakin raakalukuja (kuten 852 ja 216). Prosenttiluvut tarkoittavat tietenkin tietyn vastauksen antaneiden ihmisten prosenttiosuutta. Toisin sanottuna prosenttiosuudet kuvaavat kaikkien vastanneiden joukosta sitä ihmisten määrää, joka antoi kysymykseen tietyn vastauksen. Tämä tarkoittaa, että 71 % kyselytutkimuksen vastaajista (852 vastannutta 1 200 vastanneesta) aikoo osallistua uudelleen ensi vuonna.

Tämä taulukko osoittaa myös, että 18 % sanoo, että he eivät suunnittele palaavansa, ja 11 % ilmoittaa, ettei ole varma.

Kun sinulla on hyvä käsitys otoskoosta, osaat analysoida kyselytutkimuksen tuloksia tarkasti ja tehokkaasti. Otoskoko tarkoittaa sitä, kuinka monen ihmisen on vastattava kyselytutkimuksesi kaikkiin kysymyksiin, jotta tutkimuksesi olisi tilastollisesti kelvollinen. Otoskoon määrittäminen voi olla tilastotieteilijöillekin kova pähkinä purtavaksi. SurveyMonkeyn ansiosta asiaa ei kuitenkaan tarvitse pähkäillä pitkään, sillä kätevä virhemarginaalilaskuri auttaa selvittämään, kuinka monen ihmisen on vastattava kyselytutkimukseen, jotta virhemarginaali olisi mahdollisimman pieni.

Muistat varmaan, että asettaessasi kyselytutkimuksellesi tavoitteen ja tehdessäsi analysointisuunnitelman päätit myös, mitä alaryhmiä halusit analysoida ja vertailla. Nyt kaikesta tuosta suunnittelusta on hyötyä. Sanotaan vaikka, että haluat verrata keskenään opettajien, opiskelijoiden ja hallintotyöntekijöiden aikeita osallistua ensi vuoden konferenssiin. Tässä vastausprosentit selvitetään ristiintaulukoinnilla, jossa konferenssikysymyksen tulokset näytetään alaryhmän mukaan:

Tästä taulukosta näet, että suurin osa opiskelijoista (86 %) ja opettajista (80 %) aikoo osallistua myös ensi vuonna. Konferenssiisi osallistuneista hallinnon edustajista kuitenkin vain alle puolet (46 %) aikoo osallistua seuraavaan konferenssiin! Toivottavasti muut kysymyksesi auttavat sinua selvittämään miksi näin on ja mitä voit tehdä, jotta konferenssisi olisi parempi hallintohenkilöstölle ja saisi heidät palaamaan joka vuosi.

Datamallinnuksessa voit käyttää datan analysointiin myös suodatusta, eli keskittyä tarkemmin johonkin tiettyyn osajoukkoon huomioimatta muita. Alaryhmien vertailemisen sijaan tässä katsotaan vain sitä, miten jokin tietty alaryhmä vastasi kysymykseen. Kun yhdistät suodattimia, voit saada datasta vieläkin tarkempaa tietoa.

Voit rajoittaa painopisteen esimerkiksi vain naisiin tai miehiin, minkä jälkeen voit tehdä ristiintaulukoinnin uudelleen osallistujatyypin perusteella. Näin voit verrata keskenään vaikkapa naispuolisia hallintotyöntekijöitä, opettajia ja opiskelijoita. Muista kuitenkin eräs tärkeä seikka tuloksia pilkkoessasi: aina kun lisäät suodattimen tai teet ristiintaulukoinnin, otoskoko pienenee. Voit varmistaa tulosten tilastollisen merkitsevyyden, kun käytät otoskoon laskuria.

Diagrammeissa voit esitellä data-analyysin tulokset helposti ymmärrettävällä tavalla. SurveyMonkey helpottaa selkeiden ja asiayhteyden osoittavien diagrammien luomista, mikä auttaa hyödyntämään dataa kohdennetuilla ja käyttökelpoisilla tavoilla.  

Ristiintaulukoinnin avulla dataa voidaan analysoida tavallista tarkemmin. Tällöin data jäsennellään taulukkoon, jossa vastaajat on ryhmitelty yhteisten taustatietojen tai kyselytutkimusvastausten mukaan. Tämä helpottaa kunkin ryhmän vastausten vertailua toisiinsa sekä auttaa ymmärtämään kutakin vastaajaryhmää ja ryhmien eroja.

Sanotaan vaikka, että ”Miten tyytyväinen olit konferenssiin yleisesti?” on keskeinen kysymys konferenssipalautteen kyselytutkimuksessa. 

Tulostesi perusteella 75 % osanottajista oli tyytyväinen konferenssiin. Kuulostaa aika hyvältä. Mutta etkö haluaisi hieman kontekstia? Jotain vertailupohjaa? Onko se parempi vai huonompi tulos kuin edellisenä vuonna? Miten se pärjää muihin konferensseihin verrattuna?

Vertailuarvot voivat antaa vastauksia näihin kysymyksiin. Niiden ansiosta aiemman ja uuden datan vertaaminen on vaivatonta, joten voit löytää suuntauksia toimialallasi ja markkinoillasi sekä nähdä, miten pärjäät niiden suhteen.

Jos esitit tämän kysymyksen edellisen vuoden konferenssipalautteen kyselytutkimuksessa, voit nyt verrata suuntauksia. Mielipidetiedustelujen ammattilaiset eivät ehkä ole parhaita koomikoita, mutta heilläkin on lempisanonta: ”trendi on frendi”. Jos viime vuoden tyytyväisyysaste oli 60 %, olet lisännyt tyytyväisyyttä 15 prosenttiyksikön verran. Mikä tämän sai aikaan? Toivon mukaan saat sen selville muiden esittämiesi kysymysten vastauksista.

Jos sinulla ei ole dataa edellisvuosien konferensseista, ota nyt tavaksi palautteen kerääminen jokaisen konferenssin jälkeen. Tätä kutsutaan vertailuarvon asettamiseksi: ensin asetetaan vertailuarvo tai perusluku, ja myöhemmin näet muuttuuko se ja miten. Vertailuarvoksi voidaan asettaa osallistujien tyytyväisyyden lisäksi myös muita tekijöitä, ja voit seurata vuosi vuodelta, mitä mieltä osallistujat ovat konferenssista. Näin teet pitkittäisanalyysia.

Voit seurata tietoja myös eri alaryhmiltä. Esimerkiksi jos tyytyväisyysprosentti kasvaa vuosi vuodelta opiskelijoiden ja opettajien osalta, mutta ei hallintohenkilöstön osalta, haluat ehkä tarkastella hallintohenkilöstön vastauksia joihinkin kysymyksiin saadaksesi selville, miksi he ovat tyytymättömämpiä kuin muut osanottajat.

Tiedät, kuinka moni vastaaja ilmoitti osallistuvansa uudelleen, mutta miten tiedät oletko saanut luotettavia vastauksia, joita voit käyttää tulevien päätösten tukena? Datan laatuun sekä tilastollisen merkitsevyyden elementteihin kannattaa kiinnittää huomiota.

Päivittäisessä kielenkäytössä ”merkitsevä" tarkoittaa tärkeää tai huomattavaa. Kyselytutkimusten analysoinnissa ja tilastotieteessä se kuitenkin tarkoittaa ”tarkkuuden arviointia”, ja tässä kyselytutkimustyöhön astuu vääjäämättä plus- tai miinusmerkki. Se tarkoittaa erityisesti sitä, että kyselytutkimustulokset ovat tarkkoja tietyllä luotettavuustasolla, eivätkä sattumanvaraisia. Päätelmien tekeminen virheellisistä (eli ei tilastollisesti merkitsevistä) tuloksista on riskialtista. Tilastollisen merkitsevyyden arvioinnissa on pohdittava ensin otoksen edustavuutta, eli missä määrin kyselytutkimuksessa mukana ollut ihmisjoukko ”näyttää” siltä kokonaisjoukolta, josta haluat tehdä päätelmiä.

Edessäsi on ongelma, jos 90 % kyselytutkimukseen vastanneista konferenssin osallistujista oli miehiä, mutta vain 15 % kaikista osallistujista oli miehiä. Mitä enemmän tiedät kohderyhmästäsi, sitä paremmin voit määrittää, ovatko saamasi luvut luotettavia. Erityisesti sukupuolen kohdalla voit olla mielissäsi, jos miesten osuus kyselytutkimukseen vastanneista on 15 % tässä esimerkissä.

Jos kyselytutkimuksen otos on valittu satunnaisesti tunnetusta populaatiosta, tilastollinen merkitsevyys voidaan laskea helposti. Tässä tärkein tekijä on otoskoko. Oletetaan, että 50 ihmistä 1 000 osallistujan joukosta vastasi kyselytutkimukseen. Viisikymmentä (50) on pieni otoskoko, minkä vuoksi virhemarginaali on suuri. Lyhyesti sanottuna tuloksilla ei ole juurikaan painoarvoa.

Sanotaan, että kysyit vastaajilta kuinka moneen konferenssin kymmenestä istunnosta he osallistuivat, ja että tuloksesi näyttävät tältä:

Haluat kenties analysoida keskilukua. Muistat ehkä, että keskilukuja on kolme: keskiarvo, mediaani ja moodi.

Yllä olevassa taulukossa istuntojen keskiarvo on 6,1. Tässä ilmoitettu keskiluku on keskiarvo, joka on luultavasti tutuin kolmesta. Keskiarvo määritetään laskemalla yhteen tiedot ja jakamalla ne yhteenlaskettujen lukujen lukumäärällä. Tässä esimerkissä on 100 ihmistä, jotka osallistuivat yhteen istuntoon, 50 ihmistä, jotka osallistuivat neljään istuntoon, sata ihmistä, jotka osallistuivat viiteen istuntoon jne. Kaikki parit siis kerrotaan keskenään, lasketaan yhteen ja jaetaan ihmisten kokonaismäärällä.

Mediaani on toisenlainen keskiluku: se on keskellä oleva arvo, eli 50 prosentin kohta. Tämä tarkoittaa, että etsisimme edellä näkyvästä taulukosta sen istuntojen lukumäärän, josta katsottuna 500 ihmistä on luvun vasemmalla ja 500 oikealla puolella, eli mediaani on tässä tapauksessa kuusi istuntoa. Näin voit eliminoida poikkeamat, jotka voivat vaikuttaa dataan epäsuotuisasti.

Viimeinen keskiluku on moodi. Moodi tarkoittaa yleisintä vastausta. Tässä tapauksessa vastaus on kuusi. 260 kyselyyn vastanneista kävi kuudessa istunnossa, joka on enemmän kuin minkään muun verran istunnoissa käyneitä.

Keskiluvuista ja keskiarvoista voi olla hyötyä myös laskiessasi Likert-asteikkojen tuloksia.

Kyselytutkimustulosten raportoinnissa kannattaa miettiä, millaisen tarinan data kertoo.

Oletetaan, että konferenssin yleisarvosanat olivat keskinkertaisia, joten haluat tutkia asiaa tarkemmin. Data osoittaa, että osallistujat antoivat hyvin korkeita arvosanoja lähes kaikille konferenssin osa-alueille, kuten istunnoille, koulutustilaisuuksille, sosiaalisille tilaisuuksille ja hotellille, mutta he eivät pitäneet lainkaan pitopaikaksi valitusta kaupungista. (Ehkä konferenssi pidettiin lähellä merenrantaa tammikuussa ja ulkona ei voinut olla liian kylmän ja navakan tuulen vuoksi.) 

Tämä on osa kokonaiskuvaa – konferenssi oli muuten upea, mutta sijainti jätti parantamisen varaa. Talvella kannattaa mieluummin järjestää kaikki toiminta sisätiloihin.

Datan analysoinnissa ja raportoinnissa on ajateltava myös syy-seuraussuhdetta ja korrelaatiota.

Tietoa käsitellään ja omaksutaan useilla erilaisilla tavoilla. Kaikeksi onneksi SurveyMonkey tarjoaa välineet kyselytutkimusdatan analysointiin, joten voit arvioida ja esitellä tietoa tavoitteidesi kannalta hyödyllisellä tavalla. Tulosten ymmärtäminen helpottuu myös diagrammeja, kaavioita ja raportteja käyttämällä.

Nämä usein esitetyt kysymykset ovat avuksi sinulle sopivien analyysien tekemisessä:

Pitkän aikavälin analyysi (jota usein kutsutaan myös ”muutossuuntien analyysiksi” tai "trendianalyysiksi") tarkoittaa periaatteessa sitä, että seurataan, kuinka tietyistä kysymyksistä saadut löydökset muuttuvat ajan mittaan. Kun vertailuarvo on määritetty, voit selvittää, millaisia muutoksia luvuissa tapahtuu, jos tapahtuu. Jos konferenssisi tyytyväisyysprosentti oli 50 % kolme vuotta sitten, 55 % kaksi vuotta sitten, 65 % viime vuonna ja 75 % tänä vuonna, voimme vain onnitella sinua! Pitkän aikavälin analyysisi osoittaa vakaan suuntauksen tyytyväisyyden lisääntymisessä.

Siirry ylös

Syy-seuraussuhteessa yksi tekijä saa aikaan toisen, kun taas korrelaatiossa kaksi tekijää muuttuu rinnakkain yhden vaikuttamatta toiseen. Esimerkiksi kuuman kaakaon juominen ja käsineiden käyttäminen korreloivat keskenään, eli ne lisääntyvät ja vähenevät samaan aikaan. Yksi tekijä ei kuitenkaan aiheuta toista. Todellisuudessa ne molemmat johtuvat kolmannesta tekijästä, eli kylmästä säästä. 

Kylmä sää vaikuttaa sekä kuuman kaakaon juontiin että käsineiden käyttämiseen. Kylmä sää on siis riippumaton muuttuja, kun taas kuuman kaakaon juominen ja käsineiden käyttäminen ovat riippuvia muuttujia. Konferenssipalautteen kyselytutkimuksessa kylmä sää todennäköisesti vaikutti osallistujien yleiseen tyytymättömyyteen tapahtumapaikasta ja konferenssista. 

Lopuksi, voidaksesi tarkastella muuttujen välistä suhdetta kyselytutkimuksessasi sinun tarvitsee ehkä suorittaa regressioanalyysi.

Siirry ylös

Regressioanalyysissä dataa havainnollistetaan ja analysoidaan tarkemmin, mikä tuo esiin kahden tai useamman muuttujan välisiä suhteita. Regressioanalyysin voi tehdä useilla tavoilla, ja valinta tehdään tutkittavien muuttujien mukaan. Kaikille regressioanalyyseille on kuitenkin yhteistä se, että niissä tutkitaan yhden tai useamman riippumattoman muuttujan vaikutusta riippuvaan muuttujaan. Kyselytutkimusdatan analysoinnissa halutaan ehkä selvittää, mitkä tekijät vaikuttivat eniten osallistujien tyytyväisyyteen konferenssin suhteen: oliko syy istuntojen lukumäärä, pääpuhuja, sosiaaliset tilaisuudet vai tapahtumapaikka? Regressioanalyysin avulla tutkijat voivat selvittää, miten ja missä määrin tyytyväisyys konferenssin eri osa-alueisiin vaikuttaa yleiseen tyytyväisyyteen.

Tämä puolestaan auttaa päättämään, mihin konferenssin osa-alueisiin kannattaa tehdä muutoksia. Sanotaan vaikka, että maksoit avauspuheen pitäjälle tuntuvan palkkion, ja osallistujat arvioivat sekä puhujan että konferenssin erittäin myönteisesti. Näiden kahden seikan perusteella saatat ehkä päätellä, että konferenssit onnistuvat lähinnä loistavan (ja kalliin) puhujan ansiosta. Regressioanalyysi voi paljastaa, onko asia todella näin. Saatat huomata, että pääpuhujan suosio vaikutti voimakkaasti osallistujien tyytyväisyyteen, joten haluat tietysti järjestää yhtä pätevän pääpuhujan myös ensi vuoden konferenssiin. Oletetaan kuitenkin, että regressioanalyysi osoittaa kaikkien pitäneen tästä puhujasta, mutta se ei kuitenkaan suuremmin vaikuttanut osallistujien yleiseen tyytyväisyyteen. Tässä tapauksessa puhujan palkkioon käytetyt varat kannattaa suunnata toisaalle. 

Jos analysoit huolellisesti kyselytutkimustietojesi luotettavuuden, voit jo alkaa tehdä hyviä päätöksiä vastausten perusteella.

Kyselytutkimusdata voi olla tehokas työkalu

Kun analysoit dataa ajankohtaisilla, kiinnostavilla ja havainnoivilla tavoilla, voit edesauttaa yrityksesi kasvua, syventää asiakassuhteita ja pysyä kilpailijoiden edellä. SurveyMonkeylla on lukuisia vaihtoehtoja jokaiseen budjettiin. 

Kyselytutkimustietojen kerääminen tarkoittaa tietojen keräämistä tietyiltä vastaajilta kyselytutkimusten avulla. Kyselytutkimustietojen kerääminen voi korvata tai täydentää muita tiedonkeruutapoja kuten haastatteluita, kohderyhmiä ja muita. Kyselytutkimuksista saadut tiedot voivat parantaa työntekijöiden sitoutumista, auttaa ymmärtämään ostajien käyttäytymistä ja kehittää asiakaskokemuksia.

Siirry ylös

Pitkän aikavälin analyysi (jota usein kutsutaan myös ”muutossuuntien analyysiksi” tai "trendianalyysiksi") tarkoittaa periaatteessa sitä, että seurataan, kuinka tietyistä kysymyksistä saadut löydökset muuttuvat ajan mittaan. Kun vertailuarvo on määritetty, voit selvittää, millaisia muutoksia luvuissa tapahtuu, jos tapahtuu. Jos konferenssisi tyytyväisyysprosentti oli 50 % kolme vuotta sitten, 55 % kaksi vuotta sitten, 65 % viime vuonna ja 75 % tänä vuonna, voimme vain onnitella sinua! Pitkän aikavälin analyysisi osoittaa vakaan suuntauksen tyytyväisyyden lisääntymisessä.

Siirry ylös

Syy-yhteys tarkoittaa sitä, että yksi tekijä aiheuttaa toisen. Korrelaatiossa taas kaksi muuttujaa liikkuu yhdessä, mutta toinen ei aiheuta toista eikä vaikuta siihen. Esimerkiksi kuuman kaakaon nauttiminen ja lapasten käyttäminen ovat kaksi muuttujaa, jotka korreloivat. Niiden esiintyvyys liikkuu samassa suhteessa. Kumpikaan ei kuitenkaan aiheuta toisen tapahtumista. Itse asiassa molemmat johtuvat kolmannesta tekijästä: kylmästä säästä. Kylmä sää vaikuttaa sekä kuuman kaakaon kulutukseen että todennäköisyyteen käyttää lapasia. Kylmä sää on riippumaton muuttuja, ja kuuman kaakaon kulutus ja lapasten käytön todennäköisyys ovat riippuvaisia muuttujia. Konferenssipalautteen tapauksessamme kylmä sää todennäköisesti vaikutti osanottajien tyytymättömyyteen konferenssikaupungin suhteen ja konferenssiin ylipäätään. Lopuksi, voidaksesi tarkastella muuttujien välistä suhdetta kyselytutkimuksessasi, sinun on ehkä suoritettava regressioanalyysi.

Siirry ylös

Regressioanalyysi on edistynyt tietojen visualisoinnin ja analysoinnin menetelmä, jonka avulla voit tarkastella kahden tai useamman muuttujan välistä suhdetta. Regressioanalyysiä on monenlaista, ja tutkijan valitsema tyyppi riippuu tutkittavista muuttujista. Kaikille regressioanalyysin tyypeille on kuitenkin yhteistä se, että niillä tarkastellaan yhden tai useamman riippumattoman muuttujan vaikutusta riippuvaiseen muuttujaan. Meidän tapauksessamme voisimme olla kiinnostuneita tietämään, mitkä tekijät vaikuttivat osallistujien konferenssityytyväisyyteen eniten. Istuntojen määrä? Pääpuhuja? Sosiaaliset tapahtumat? Paikka? Regressioanalyysin keinoin tutkija voi määrittää, miten tyytyväisyys näihin osatekijöihin vaikutti yleiseen tyytyväisyyteen ja missä määrin.

Tämä puolestaan antaa tietoa siitä, mitä konferenssin osa-alueita haluat ehkä muuttaa ensi kerralla. Jos esimerkiksi maksoit suuren palkkion saadaksesi huippupuhujan aloitusseminaariin ja osanottajat antoivat tälle puhujalle sekä koko konferenssille huippuarvosanat, saattaisit näiden kahden tosiasian perusteella ajatella, että erinomainen (ja kallis) pääesiintyjä on merkittävä asia konferenssin onnistumisen kannalta. Regressioanalyysi auttaa päättelemään, onko asia todella näin. Saatat saada selville, että pääesiintyjän suosittuus oli merkittävä syy konferenssityytyväisyyteen. Jos näin on, haluat varmasti hankkia hyvän pääesiintyjän seuraavallakin kerralla. Mutta jos regressiosta ilmenee, että vaikka kaikki pitivätkin pääpuhujasta, se ei vaikuttanut paljoa osanottajien konferenssityytyväisyyteen, saattaa olla parempi investoida puhujapalkkioon käytetyt rahat johonkin muuhun. Jos analysoit huolellisesti kyselytutkimustietojesi luotettavuuden, voit jo alkaa tehdä hyviä päätöksiä vastausten perusteella.