Come analizzare i dati di un'indagine

Quando i tuoi sondaggi on-line sono stati completati e hanno dato i loro frutti, è il momento di ricorrere a tutta la potenza dell'analisi dei dati per dare un senso ai risultati ottenuti e presentarli in modo facilmente comprensibile e utilizzabile. Una volta raccolti i dati di indagine e definito un piano di analisi dei dati, si può dare inizio al processo di elaborazione dei risultati. Ecco come i nostri ricercatori analizzano i dati quantitativi (rispetto a quelli qualitativi). Essi strutturano i loro report in base alle risposte dei questionari che soddisfano le domande della ricerca. Anche per gli esperti può essere difficile dare significato ai dati grezzi. 

Per raggiungere i tuoi obiettivi nell'ambito del sondaggio, dovresti iniziare con l'affidarti alla metodologia suggerita dai nostri esperti. Quindi, una volta ottenuti i risultati, potrai analizzarli efficacemente utilizzando tutti gli strumenti di analisi a tua disposizione, tra cui l'analisi statistica, l'analisi dei dati, i grafici e le tabelle che catturano le metriche dell'indagine.

Un'analisi dei dati efficace è fondamentale per ottenere le informazioni e gli approfondimenti necessari per prendere decisioni aziendali migliori. È quindi importante conoscere i potenziali problemi che possono rendere l'analisi più difficile o addirittura falsare i risultati. 

Porre un numero eccessivo di domande aperte può complicare e allungare i tempi dell'analisi, perché genera risultati qualitativi che non sono basati su dati numerici. Le domande a risposta chiusa, invece, portano a risultati più facili da analizzare. Anche la formulazione di domande tendenziose o di parte, oppure di domande ambigue o troppo complesse, può falsare l'analisi. Con gli strumenti e il know-how giusti però, analizzare i risultati dei sondaggi sarà semplice ed efficace.

Scopri di più su domande aperte e domande a risposta chiusa a confronto.

Grazie a numerose tecniche di analisi dei dati, SurveyMonkey ti permette di trasformare facilmente i dati grezzi in informazioni fruibili e di facile comprensione. Con funzioni quali grafici e diagrammi automatici e nuvole di parole, i dati prendono vita. Ad esempio, con l'analisi dello stato d'animo è possibile ottenere un riepilogo istantaneo del sentiment del pubblico a partire da migliaia o addirittura milioni di risposte di testo aperte. Si possono esaminare i giudizi positivi, neutri e negativi a colpo d'occhio, oppure filtrare i dati per sentiment e individuare le aree che necessitano di attenzione. Per ottenere informazioni ancora più approfondite, è possibile applicare filtri anche a singole domande. Grazie a questi strumenti, trasformare le risposte testuali in un insieme di dati quantitativi sarà semplicissimo.

Con le nuvole di parole puoi interpretare rapidamente le risposte aperte mediante la visualizzazione delle parole più usate. L'aspetto delle nuvole di parole può essere personalizzato in vari modi, ad esempio scegliendo colori o caratteri per parole specifiche o nascondendo facilmente le parole non pertinenti.

La nostra ampia gamma di funzioni e strumenti può aiutarti ad affrontare con sicurezza l'analisi dei dati e a creare rapidamente grafici e report di forte impatto. Con SurveyMonkey è anche possibile elaborare in poco tempo una relazione richiesta all'ultimo minuto.

Innanzitutto, vediamo come calcolare i risultati a partire dalle domande principali della tua ricerca. Hai proposto domande di ricerca di tipo empirico? Hai previsto un campionamento probabilistico? Ricorda che avresti dovuto delineare le domande principali della ricerca quando hai impostato l'obiettivo della tua indagine.

Ad esempio, se hai organizzato una conferenza sull'istruzione e hai distribuito ai partecipanti un questionario di feedback successivo all'evento, una delle domande principali della tua ricerca potrebbe essere: "Come hanno valutato complessivamente l'evento i partecipanti?". Ora, esaminiamo le risposte che hai raccolto per una domanda specifica del sondaggio destinata a fare luce sulla domanda principale:

Pensa di partecipare a questa conferenza anche il prossimo anno?

Come si può notare, le risposte contengono delle percentuali (71%, 18%) e dei numeri puri (852, 216). Le percentuali corrispondono al numero di persone, espresso in valore percentuale, che ha dato una determinata risposta. In altre parole, le percentuali rappresentano il numero di persone che ha dato ogni risposta, rispetto al numero di persone che ha risposto alla domanda. Quindi, il 71% dei rispondenti all'indagine (852 dei 1200 intervistati) prevede di ritornare il prossimo anno.

Questa tabella mostra anche che il 18% pensa di non ritornare e l'11% si dichiara incerto.

Anche una buona conoscenza della dimensione del campione è fondamentale per analizzare in modo accurato ed efficace i risultati del sondaggio. La dimensione del campione corrisponde al numero di persone che devono partecipare all'indagine e completarla per renderla valida da un punto di vista statistico. Anche per gli esperti di statistica, determinare la dimensione del campione di un sondaggio può essere complesso. Ma SurveyMonkey semplifica notevolmente il processo grazie al suo calcolatore del margine di errore, facile da usare, che aiuta a determinare il numero di persone da consultare per ridurre al minimo il margine di errore.

Come ricorderai, quando hai impostato un obiettivo per la tua indagine e sviluppato il tuo piano di analisi, hai individuato i sottogruppi da analizzare e confrontare. Ora è il momento di sfruttare tale pianificazione. Ad esempio, supponiamo che tu voglia confrontare le risposte di insegnanti, studenti e amministratori alla domanda relativa all'intenzione di partecipare alla conferenza del prossimo anno. Per farlo, dovrai esaminare i tassi di risposta mediante una tabulazione incrociata, oppure usare report a tabelle incrociate, in cui mostrare i risultati della domanda sulla conferenza per ogni sottogruppo.

Da questa tabella si vede che una grande maggioranza degli studenti (86%) e degli insegnanti (80%) prevede di tornare l'anno prossimo. Tuttavia, la percentuale relativa agli amministratori che hanno partecipato alla conferenza è ben diversa e indica che meno della metà (46%) di loro intende tornare. È auspicabile che alcune delle altre domande ti aiuteranno a capire il motivo di questa percentuale più bassa e cosa fare per rendere la conferenza più attraente per gli amministratori, in modo che molti di loro tornino anno dopo anno.

Applicare un filtro è un altro efficace metodo di analisi quando si tratta di elaborare un modello di dati. Filtrare significa restringere l'attenzione su un particolare sottogruppo escludendo gli altri. In questo modo, anziché confrontare i sottogruppi tra loro, si analizza il modo in cui un sottogruppo ha risposto alla domanda. Combinando più filtri si può ottenere la massima precisione dei dati.

Ad esempio, potresti focalizzarti solo sulle donne o solo sugli uomini, quindi eseguire di nuovo la tabulazione incrociata in base al tipo di partecipante, così da confrontare le risposte di amministratori, insegnanti e studenti di sesso femminile. Fai attenzione perché, quando analizzi i risultati, ogni volta che applichi un filtro o una tabulazione incrociata, la dimensione del campione diminuisce. Per assicurarti che i risultati siano statisticamente rilevanti, ti consigliamo di utilizzare un calcolatore della dimensione del campione.

I grafici possono essere un ottimo strumento per mostrare rapidamente i risultati dell'analisi dei dati in un modo facilmente comprensibile per chiunque. Con SurveyMonkey è facile creare grafici che forniscano chiarezza e contesto all'analisi e che, di conseguenza, permettano di utilizzare le informazioni in modo più mirato e funzionale.  

La tabulazione incrociata, o report a tabelle incrociate, permette di analizzare in modo approfondito i dati dei sondaggi. I dati vengono organizzati in tabelle che raggruppano gli intervistati in base a informazioni che hanno condiviso su se stessi oppure in base alle risposte fornite, per consentire il confronto tra le risposte di ciascun gruppo. In questo modo è possibile comprendere meglio ogni gruppo di rispondenti e scoprire come si differenziano gli uni dagli altri.

Supponiamo che la tua indagine di feedback sulla conferenza contenga la domanda chiave "Complessivamente, quanto è soddisfatto/a della conferenza?". 

I risultati mostrano che il 75% dei partecipanti si dichiara soddisfatto. Il risultato è piuttosto buono. Ma non vorresti avere un po' di contesto? Qualche dato di confronto? È meglio o peggio dell'anno scorso? Com'è in confronto alle altre conferenze?

Le analisi comparative possono fornire risposte a queste e altre domande, consentendoti di fare confronti con i dati passati e attuali per identificare le tendenze del settore e del mercato e vedere come ti posizioni rispetto ad esse.

Supponiamo che tu abbia posto la stessa domanda nel tuo sondaggio di feedback sulla conferenza dello scorso anno. Potresti eseguire un confronto delle tendenze. Come dicono i sondaggisti d'oltreoceano, "trend is your friend". Se il tasso di soddisfazione dell'anno scorso era del 60%, la soddisfazione è cresciuta del 15%! Che cosa ha determinato questo aumento della soddisfazione? Le risposte alle altre domande del sondaggio potranno fornire qualche chiarimento.

Se non disponi di dati delle conferenze degli anni precedenti, inizia da quest'anno a raccogliere il feedback dopo ogni evento. Questa tecnica è chiamata analisi comparativa. Puoi definire un parametro o valore di riferimento per vedere, da lì in poi, se e come cambia una risposta. Puoi confrontare non solo la soddisfazione dei partecipanti, ma anche altri aspetti, e potrai tenere traccia di cosa pensano i partecipanti della conferenza anno dopo anno. Questa tecnica è chiamata analisi dei dati longitudinali.

Puoi persino tenere traccia dei dati per diversi sottogruppi. Supponiamo, ad esempio, che i tassi di soddisfazione crescano anno dopo anno per gli studenti e gli insegnanti, ma non per gli amministratori. Potresti voler esaminare le risposte degli amministratori ad alcune domande per cercare di capire perché sono meno soddisfatti degli altri partecipanti.

Adesso sei a conoscenza di quante persone hanno affermato di voler ritornare, ma come puoi assicurarti che le risposte siano attendibili e possano essere utilizzate per prendere decisioni informate in futuro? È importante fare attenzione alla qualità dei dati e comprendere le componenti della rilevanza statistica.

Nell'uso comune, il termine "rilevante" indica qualcosa di importante o significativo. Nell'ambito dell'analisi dei dati, con questo termine si fa riferimento al "grado di accuratezza" di un'informazione. È qui che entra in gioco l'inevitabile "più o meno". In particolare, significa che i risultati di un sondaggio sono accurati entro un certo intervallo di confidenza e non per pura casualità. Trarre conclusioni in base a risultati non accurati, ovvero non statisticamente rilevanti, è rischioso. Il primo fattore da considerare in qualsiasi valutazione della rilevanza statistica è la rappresentatività del campione, vale a dire fino a che punto il gruppo di persone incluse nel sondaggio ha le medesime caratteristiche della popolazione totale che ti interessa analizzare.

Se il 90% dei partecipanti alla conferenza che hanno completato l'indagine erano uomini, ma solo il 15% di tutti i partecipanti era di sesso maschile, allora è un problema. Più informazioni hai sulla popolazione oggetto del tuo studio, più sicurezza avrai circa i risultati ottenuti dalla tua indagine. Almeno dal punto di vista del genere, in questo esempio sarebbe ideale che gli uomini fossero il 15% dei rispondenti.

Se il tuo campione è stato scelto casualmente a partire da una popolazione nota, la rilevanza statistica può essere calcolata in modo molto diretto. Un fattore fondamentale qui è rappresentato dalla dimensione del campione. Supponiamo che 50 delle 1000 persone che hanno partecipato alla conferenza abbiano risposto al questionario, allora 50 è una dimensione del campione molto ridotta che comporta un elevato margine di errore. In poche parole, i tuoi risultati saranno poco rilevanti.

Supponiamo che tu abbia chiesto ai rispondenti all'indagine a quante delle 10 sessioni disponibili del ciclo di conferenze hanno partecipato. I risultati che hai ottenuto sono i seguenti.

Potresti decidere di analizzare la media. Come forse ricorderai, ci sono tre tipi diversi di medie: media, mediana e moda.

Nella tabella riportata sopra, il numero medio di sessioni frequentate è 6,1. Questa è la media, il tipo con cui forse hai più familiarità. La media si calcola sommando i dati e dividendo il risultato per il numero dei dati stessi. In questo esempio, 10 persone dicono di aver partecipato a una sessione, 50 persone a quattro sessioni, 100 persone a cinque sessioni e così via. Quindi, si moltiplicano tra loro queste coppie di numeri, le si sommano e poi si dividono per il numero totale di persone.

La mediana è un altro tipo di media, corrispondente al valore intermedio, ovvero la soglia del 50%. Nella tabella riportata sopra dobbiamo individuare il numero di sessioni in cui 500 persone si trovano a sinistra e 500 a destra di tale valore. In questo caso, la mediana corrisponde a sei sessioni. Questo può aiutarti a eliminare eventuali anomalie che potrebbero compromettere i tuoi dati.

L'ultimo tipo di media è la moda. La moda è la risposta più frequente. In questo caso la risposta è 6.260 partecipanti all'indagine hanno preso parte a 6 sessioni, più di quanti abbiano partecipato a qualsiasi altro numero di sessioni.

Le medie, di vari tipi, possono anche essere utilizzate se i tuoi risultati si basano su scale Likert.

Al momento di trarre le conclusioni sui risultati dei sondaggi, pensa a cosa "raccontano" i dati.

Supponiamo che, in generale, la tua conferenza abbia ricevuto valutazioni mediocri. Hai eseguito un'analisi approfondita per individuare le cause di questo risultato. I dati mostrano che i partecipanti hanno espresso valutazioni molto positive nei confronti di quasi tutti gli aspetti della conferenza, come le sessioni, i corsi, gli eventi sociali e l'hotel, a eccezione del luogo dove si è tenuta. (Forse la conferenza si è tenuta in Lombardia nel mese di gennaio, quando il tempo era davvero poco clemente!) 

Che cosa raccontano questi dati? Ottima conferenza in generale, pessima location. La Puglia o la Sicilia potrebbero essere una scelta migliore per una conferenza invernale.

Quando analizzi i dati e trai delle conclusioni devi considerare due aspetti: la causalità e la correlazione.

Le persone assimilano e comprendono le informazioni in modi diversi. Fortunatamente, SurveyMonkey offre molte opzioni diverse per analizzare i dati delle indagini, in modo da poter valutare e presentare le informazioni nella maniera più efficace per i tuoi obiettivi, e creare grafici, diagrammi e report che rendano i risultati facilmente comprensibili.

Ecco alcuni dei quesiti più comuni che possiamo aiutarti a risolvere mentre sviluppi le tue capacità di analisi dei risultati.

L'analisi dei dati longitudinali (spesso chiamata "analisi delle tendenze") consiste sostanzialmente nel monitorare come le risposte a determinate domande cambiano nel tempo. Una volta definito un parametro di riferimento, è possibile determinare se e come cambiano i valori. Supponiamo che il tasso di soddisfazione relativo alla conferenza fosse del 50% tre anni fa, del 55% due anni fa, del 65% l'anno scorso e del 75% quest'anno. Complimenti! L'analisi dei dati longitudinali mostra una tendenza della soddisfazione in costante crescita.

Torna indietro

Si parla di causalità quando un fattore ne causa un altro e di correlazione quando due variabili cambiano insieme, ma una non influenza o provoca l'altra. Ad esempio, bere cioccolata calda e indossare guanti di lana sono due variabili correlate, tendono a salire e a scendere insieme. Tuttavia, una non è la causa dell'altra. Infatti, sono entrambe causate da un terzo fattore, il freddo. 

Il freddo influenza sia il consumo di cioccolata calda sia la probabilità di indossare guanti. Il freddo rappresenta la variabile indipendente, il consumo di cioccolata calda e la probabilità di indossare guanti sono invece le variabili dipendenti. Tornando al nostro sondaggio di feedback sulla conferenza, il cattivo tempo ha probabilmente influenzato l'insoddisfazione dei partecipanti rispetto alla location e all'evento in generale. 

Infine, per esaminare ulteriormente la relazione tra le variabili della tua indagine, potresti dover eseguire un'analisi di regressione.

Torna indietro

L'analisi di regressione è un metodo avanzato di analisi dei dati che consente di esaminare la relazione tra due o più variabili. Esistono svariati tipi di analisi di regressione e la scelta di quali utilizzare dipende dalle variabili esaminate. Ciò che accomuna tutti i tipi di analisi di regressione è l'esame dell'influenza di una o più variabili indipendenti su una variabile dipendente. Durante l'analisi dei dati del nostro sondaggio, potremmo voler conoscere i fattori che hanno maggiormente influenzato il grado di soddisfazione dei partecipanti nei confronti della conferenza. È legato al numero di sessioni? Al relatore? Agli eventi sociali? Al luogo dove si è tenuta? Con l'analisi di regressione, un esperto di indagini può determinare se e in che misura la soddisfazione rispetto a questi diversi attributi della conferenza contribuisce alla soddisfazione generale.

A sua volta, questa analisi offre utili informazioni sugli aspetti della conferenza che potresti modificare la prossima volta. Supponiamo, ad esempio, che tu abbia speso una grossa somma di denaro per assicurarti la partecipazione di un relatore d'eccellenza per la tua sessione di apertura. I partecipanti hanno assegnato punteggi elevati a questo relatore e alla conferenza in generale. Basandoti su questi due risultati potresti pensare che avere un relatore di spicco (e costoso) sia la chiave del successo della conferenza. L'analisi di regressione può aiutarti a verificare la fondatezza della tua supposizione. Potresti scoprire che la popolarità del relatore è stata uno dei principali fattori di soddisfazione nei confronti della conferenza, nel qual caso per il prossimo anno provvederai a reclutare di nuovo un relatore di spicco. Ma supponiamo che la regressione mostri che, nonostante il relatore sia stato apprezzato, questo non ha contribuito molto alla soddisfazione dei partecipanti. Se così fosse, il denaro speso per il relatore potrebbe essere investito diversamente. 

Se dedichi del tempo ad analizzare attentamente la fondatezza dei dati della tua indagine, sarai in grado di utilizzare le risposte per prendere decisioni informate.

Sfrutta l'enorme potenziale dei dati

Con un'analisi dei dati innovativa, coinvolgente e approfondita, puoi contribuire alla crescita della tua azienda, a rafforzare le relazioni con i clienti e a restare sempre un passo avanti alla concorrenza. SurveyMonkey offre una gamma completa di opzioni alla portata di qualunque budget. 

La raccolta dei dati di indagine utilizza dei questionari per raccogliere informazioni da rispondenti specifici. Tale raccolta può sostituire o integrare altri tipi di raccolta dati, comprese le interviste, i gruppi di discussione e altro ancora. I dati raccolti dalle indagini possono essere utilizzati per aumentare il coinvolgimento dei dipendenti, comprendere il comportamento degli acquirenti e migliorare le esperienze dei clienti.

Torna indietro

L'analisi dei dati longitudinali (spesso chiamata "analisi delle tendenze") consiste sostanzialmente nel monitorare come le risposte a determinate domande cambiano nel tempo. Una volta definito un parametro di riferimento, è possibile determinare se e come cambiano i valori. Supponiamo che il tasso di soddisfazione relativo alla conferenza fosse del 50% tre anni fa, del 55% due anni fa, del 65% l'anno scorso e del 75% quest'anno. Complimenti! L'analisi dei dati longitudinali mostra una tendenza della soddisfazione in costante crescita.

Torna indietro

Si parla di causalità quando un fattore ne causa un altro e di correlazione quando due variabili cambiano insieme, ma una non influenza o causa l'altra. Ad esempio, bere cioccolata calda e indossare guanti di lana sono due variabili correlate, tendono a salire e a scendere insieme. Tuttavia, una non causa l'altra. Difatti, sono entrambe causate da un terzo fattore, il freddo. Il freddo influenza sia il consumo di cioccolata calda sia la probabilità di indossare guanti. Il freddo è la variabile indipendente, il consumo di cioccolata calda e la probabilità di indossare guanti sono le variabili dipendenti. Tornando alla nostra indagine di feedback sulla conferenza, il freddo ha probabilmente influenzato l'insoddisfazione dei partecipanti nei confronti della location e dell'evento in generale. Infine, per approfondire ulteriormente la relazione tra le variabili della tua indagine, potresti dover eseguire un'analisi di regressione.

Torna indietro

L'analisi di regressione è un metodo avanzato di analisi dei dati che consente di esaminare la relazione tra due o più variabili. Esistono molti tipi di analisi di regressione e quelle scelte dagli esperti di indagini dipendono dalle variabili esaminate. Ciò che accomuna tutti i tipi di analisi di regressione è l'esame dell'influenza di una o più variabili indipendenti su una variabile dipendente. Quando analizziamo i dati della nostra indagine, potremmo voler conoscere i fattori che hanno maggiormente influenzato la soddisfazione dei partecipanti nei confronti della conferenza. Si tratta di un problema relativo al numero di sessioni? Al relatore? Agli eventi sociali? Al luogo dove si è tenuta? Con l'analisi di regressione, un esperto di indagini può determinare se e in che misura la soddisfazione nei confronti di questi diversi attributi della conferenza contribuisce alla soddisfazione generale.

A sua volta, questa analisi offre ulteriori informazioni sugli aspetti della conferenza che potresti voler cambiare la prossima volta. Supponiamo, ad esempio, che tu abbia speso una grossa somma di denaro per assicurarti la partecipazione di un relatore d'eccellenza per la tua sessione di apertura. I partecipanti hanno assegnato punteggi elevati a questo relatore e alla conferenza in generale. Basandoti su questi due risultati potresti pensare che avere un relatore di spicco (e costoso) sia la chiave del successo della conferenza. L'analisi di regressione può aiutarti a verificare la fondatezza della tua supposizione. Potresti scoprire che la popolarità del relatore è stata un fattore rilevante della soddisfazione nei confronti della conferenza, nel qual caso per il prossimo anno provvederai a reclutare di nuovo un relatore di spicco. Ma supponiamo che la regressione mostri che, benché il relatore sia stato di gradimento, questo non ha contribuito molto alla soddisfazione dei partecipanti alla conferenza. Se così fosse, il denaro speso per il relatore potrebbe essere investito diversamente. Se dedichi del tempo ad analizzare attentamente la fondatezza dei dati della tua indagine, sarai in grado di utilizzare le risposte per prendere decisioni informate.