Kyselytutkimustietojen analysointi

Olet kerännyt kyselytutkimuksesi tulokset ja tehnyt tietojen analysointisuunnitelman. Nyt on aika syventyä tietoihin, aloittaa niiden lajittelu ja analysoida tulokset.

Kyselytutkimustietojen helppo analyysi

Verkkokyselytutkimustesi tulokset ovat saapuneet. Nyt kun olet kerännyt tilastolliset kyselytutkimustulokset ja tehnyt tietojen analysointisuunnitelman, on aika aloittaa saamiesi tulosten laskentaprosessi. Katso tästä, miten kyselytutkimustieteilijämme ymmärtävät määrällistä tietoa (verrattuna laadulliseen tietoon) esimerkiksi tarkastelemalla vastauksia ja keskittymällä tärkeimpiin tutkimuskysymyksiinsä sekä kyselytutkimuksen tavoitteisiin tai tekemällä laskutoimituksia ja johtopäätöksiä.

Katso, miten SurveyMonkey tekee tulosten analysoinnista helppoa

Oletko valmis aloittamaan?

Laske kyselytutkimusten tuloksia tehokkaammin seuraamalla näitä neljää vaihetta:

  1. Tarkastele tärkeimpiä tutkimuskysymyksiäsi
  2. Ristiintaulukoi ja suodata tuloksesi
  3. Tee laskutoimitukset
  4. Tee johtopäätökset

Tarkastele tärkeimpiä tutkimuskysymyksiäsi

Puhutaan ensin siitä, miten laskisit tärkeimpien tutkimuskysymystesi tulokset. Kysyitkö empiirisiä kysymyksiä? Otitko huomioon todennäköisyyteen perustuvan otannan? Muista, että sinun olisi pitänyt hahmotella tärkeimmät tutkimuskysymyksesi siinä vaiheessa, kun asetit kyselytutkimuksellesi tavoitteen.

Jos esimerkiksi järjestit koulutuskonferenssin ja annoit osallistujille tapahtuman jälkeistä palautetta koskevan kyselytutkimuksen, eräs tärkeimmistä tutkimuskysymyksistäsi voisi näyttää tältä: Millaisen yleisarvosanan osallistujat antoivat konferenssille? Katso nyt tätä tutkimuskysymystä koskevan tietyn kyselytutkimuskysymyksen vastauksia:

Aiotko osallistua tähän konferenssiin ensi vuonna?

Vastausvaihtoehdot
Kyllä71 %852
En18 %216
En ole varma11 %132
Yhteensä1 200

Huomaa, että vastauksissa on sekä prosenttilukuja (71 %, 18 %) että raakoja numeroita (852, 216).

Prosenttiosuudet ovat sitä, miltä näyttävät: tietyn vastauksen antaneiden vastaajien prosenttiosuuksia. Toisin sanoen, prosenttiluku edustaa tietyn vastauksen antaneiden ihmisten määrää suhteessa kaikkiin kyseiseen kysymykseen vastanneisiin. Joten 71 % kyselytutkimuksesi vastaajista (852 vastaajaa 1 200 vastanneesta) suunnittelee tulevansa seuraavanakin vuonna.

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

Ristiintaulukointi ja tulosten suodattaminen

Mieti nyt, mitä alaryhmiä sinun oli tarkoitus verrata ja analysoida, kun asetit kyselytutkimuksellesi tavoitteen ja kehitit analyysisuunnitelmasi. Nyt tämä suunnittelu alkaa kannattamaan. Jos esimerkiksi haluat nähdä miten opettajat, opiskelijat ja hallinnon edustajat vastasivat ensi vuoden konferenssia koskevaan kysymykseen, voit vaikka ristiintaulukoida vastaukset, jolloin voit esittää kysymyksen tulokset alaryhmittäin:

KylläEnEn ole varmaYhteensä
Opettaja80 %
320
7 %
28
13 %
52
400
Hallintohenkilöstö46 %
184
40 %
160
14 %
56
400
Opiskelija86 %
344
8 %
32
6 %
24
400
Vastaajia yhteensä8522161321 200

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.

Suodatin on toinen tehokas työkalu tietojen mallintamiseen. Suodattaminen tarkoittaa huomion kohdistamista yhteen tiettyyn alaryhmään suodattamalla muut ryhmät pois. Eli sen sijaan että vertaisimme alaryhmiä toisiinsa, tarkastelemme vain sitä, miten yksi alaryhmä vastasi kysymykseen. Voit esimerkiksi ottaa huomioon vain naiset tai miehet ja suorittaa ristiintaulukoinnin uudelleen osanottajatyypin perusteella verrataksesi naispuolisia hallintohenkilöstön jäseniä, naisopettajia ja naisopiskelijoita. Sinun kannattaa kuitenkin kiinnittää huomiota yhteen asiaan työstäessäsi tuloksia: aina kun käytät suodatinta tai ristiintaulukointia, otantasi pienenee. Jotta voit olla varma tulostesi tilastollisesta merkitsevyydestä, voit käyttää otoskoon laskuria.

Vertailuarvot, kehityssuunnat ja vertailutiedot

Oletetaan, että konferenssisi palautekyselytutkimuksen yksi tärkeimmistä kysymyksistä on ”Kuinka tyytyväinen kaiken kaikkiaan olit konferenssiin?” Tulostesi perusteella 75 % osanottajista oli tyytyväisiä 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?

No, jos kysyit tämän kysymyksen edellisvuotisen konferenssisi palautekyselytutkimuksessa, voit tehdä suuntausvertailun. Mielipidetiedustelujen ammattilaiset eivät ole koomikoita, mutta heilläkin on eräs lempisanonta: ”trendi on frendi”.

Jos edellisen vuoden tyytyväisyysprosentti oli 60 %, tyytyväisyys lisääntyi 15 prosenttiyksikköä! Mistä tämä tyytyväisyyden lisääntyminen johtui? Toivottavasti vastaukset muihin kysymyksiisi tarjoavat lisätietoa.

Jos sinulla ei ole dataa edellisten vuosien konferensseista, aloita palautteen kerääminen tämän vuoden konferenssista. Tätä kutsutaan vertailuksi. Asetat vertailu- tai lähtöarvon, ja jatkossa näet onko se muuttunut ja millä tavalla. Voit vertailla osallistujien tyytyväisyyden lisäksi paljon muutakin. Voit seurata osallistujien ajatuksia konferenssista vuosi vuodelta. Tätä kutsutaan pitkittäistutkimukseksi.

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.

Laskutoimitusten tekeminen

Tiedät, kuinka moni ihminen sanoi palaavansa, mutta mistä tiedät, saitko kyselytutkimuksessasi luotettavia vastauksia ja sellaisia vastauksia, joita voit käyttää tulevien päätöksien perusteena? On tärkeää kiinnittää huomiota tietojen laatuun sekä ymmärtää tilastollisen merkitsevyyden osa-alueet.

Yleensä ”merkitsevä” tarkoittaa tärkeää tai merkityksellistä. Kyselytutkimusanalyysissä ja tilastotieteessä merkitsevä tarkoittaa ”tarkkuuden arviointia”. Tässä kohtaa vääjäämätön ”enemmän tai vähemmän” tulee osaksi kyselytutkimustasi. Se tarkoittaa erityisesti sitä, että kyselytutkimustulokset ovat tarkkoja tietyllä luotettavuustasolla eivätkä satunnaisesti. Päätelmien tekeminen epätarkkojen tulosten (eli ei tilastollisesti merkitsevien) perusteella on riskialtista. Aina arvioitaessa tilastollista merkitsevyyttä ensimmäisenä on arvioitava otannan edustavuus. Tällä tarkoitetaan sitä, missä määrin kyselytutkimukseesi osallistuneiden ihmisten joukko ”muistuttaa” koko sitä populaatiota, josta haluat tehdä johtopäätöksiä.

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 otantana on satunnaisotanta tietystä populaatiosta, tilastollinen merkitsevyys voidaan laskea helposti. Tärkeä tekijä tässä on otoskoko. Sanotaan, että 50 henkilöä tuhannesta konferenssiin osallistujasta vastasi kyselytutkimukseen. Viisikymmentä (50) on pieni otoskoko, ja tulokset sisältävät laajan virhemarginaalin. Lyhyesti sanottuna tuloksillasi ei ole paljon painoarvoa.

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

12345678910YhteensäKeskiarvo
Osallistuttujen istuntojen lukumäärä10 %
100
0 %
0
0 %
0
5 %
50
10 %
100
26 %
260
24 %
240
19 %
190
5 %
50
1 %
10
1 0006,1

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

Yllä olevassa taulukossa osallistuttujen istuntojen keskiluku on 6,1. Tässä ilmoitettu keskiluku on keskiarvo, joka on luultavasti tutuin kolmesta keskiluvusta. Keskiarvo määritetään laskemalla luvut yhteen ja jakamalla niiden summa 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. Mediaani on keskimmäinen arvo, 50 %:n kohdalla. Yllä olevasta taulukosta etsimme istuntojen lukumäärän kohdan, jonka sekä oikealla että vasemmalla puolella on 500 ihmistä. Mediaani on tässä tapauksessa kuusi istuntoa. Tämän avulla voit eliminoida poikkeavuudet, jotka saattavat vaikuttaa epäsuotuisasti tietoihisi.

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

Kaikenlaisia keskilukuja voidaan käyttää myös silloin, kun tuloksesi perustuvat Likert-asteikkoon.

Johtopäätösten tekeminen

Kun on aika raportoida kyselytutkimuksesi tulokset, ajattele, millaisen tarinan tiedot kertovat.

Jos konferenssisi sai esimerkiksi keskitason arviot, voit etsiä lisätietoja, miksi näin on. Tiedoista käy ilmi, että osanottajat antoivat erittäin hyvät arvioit lähes kaikille konferenssin osa-alueille – istunnoille ja luennoille, sosiaalisille tapahtumille ja hotellille – mutta he eivät lainkaan pitäneet tapahtumapaikaksi valitusta kaupungista. (Ehkä konferenssi pidettiin Rovaniemellä tammikuussa ja oli niin kylmä, ettei ulkona voinut olla!) Tämä tässä kuuluu tarinaan. Kaiken kaikkiaan mahtava konferenssi, huono valinta tapahtumapaikaksi. Helsinki tai Turku voisi olla parempi valinta talvella pidettävälle konferenssille.

Data-analyysissa ja raportoinnissa on ajateltava syy-yhteyttä ja korrelaatiota.

Analysoi seuraava kyselytutkimuksesi SurveyMonkeyn avulla

Liite

Mitä on kyselytutkimustietojen kerääminen?

Kyselytutkimustietojen keräämisessä kerätään tietoja tietyiltä vastaajilta kyselytutkimusten avulla. Kyselytutkimustietojen kerääminen voi korvata tai täydentää muita tiedonkeruutapoja kuten haastatteluita, kohderyhmiä ja muita. Kyselytutkimuksista saadut tiedot voivat lisätä työntekijöiden sitoutumista, auttaa ymmärtämään ostajien käyttäytymistä ja parantaa asiakaskokemuksia.

Mikä on pitkittäisanalyysi?

Pitkän aikavälin analyysi (jota usein kutsutaan ”muutossuuntien analyysiksi”) 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.

Mikä ero on korrelaatiolla ja syy-yhteydellä?

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.

Mikä on regressioanalyysi?

Regressioanalyysi on edistynyt tietojen visualisoinnin ja analysoinnin menetelmä, joka antaa sinun 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 mahtava (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, puhujapalkkioon käytetyt rahat voi olla parempi investoida johonkin muuhun. Jos analysoit huolellisesti kyselytutkimustietojesi luotettavuuden, voit jo alkaa tehdä hyviä päätöksiä vastausten perusteella.