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.