Bagaimana Menganalisis Data Survei Anda Layaknya Seorang Ahli

 

SurveyMonkey vs. Google Forms

Sekarang Anda sudah menerima feedback atau respon dari responden Anda setelah mereka mengisi form survei Anda. Sekarang saatnya Anda merencanakan bagaimana Anda akan membaca data tersebut dan mulai menganalisisnya.

Mari lihat bagaimana para ahli dari SurveyMonkey membaca data kualitatif maupun kuantitatif dari jawaban para responden dan bagaimana mereka menganalisisnya dengan melihat pertanyaan kunci dan goal survei itu sendiri.

Lihat pertanyaan apa yang Anda fokuskan dalam survei Anda

Jika Anda melakukan survei terhadap acara konferensi yang baru saja Anda selenggarakan, mungkin hal utama yang ingin Anda ketahui adalah:

“Bagaimana para peserta menilai pameran tersebut secara keseluruhan?”

Sekarang lihat pertanyaan survei yang menjurus ke pertanyaan tersebut:

Perhatikan bahwa Anda mendapatkan respon berupa persentase (71%, 18%, dan 11%), dan respon berupa angka mentah (852, 216, dan 132).

Persentase itu hanyalah persen dari orang-orang yang memberikan jawaban tertentu. Dengan kata lain, persentase merupakan jumlah orang yang memberikan setiap jawaban sebagai proporsi jumlah orang yang menjawab pertanyaan itu.

Jadi, sebanyak 71% (852 dari 1.200 orang) berencana untuk hadir kembali tahun depan, 18% mengatakan mereka tidak akan datang kembali, dan sebanyak 11% ragu-ragu.

Angka 852 adalah angka mentah dimana setiap orang menjawab, “Ya, saya akan datang lagi tahun depan!”

Jika angka mereka yang menyatakan akan datang kembali dan mereka yang ragu-ragu hadir pada konferensi tahun depan, Anda bisa memperkirakan berapa orang yang datang ke konferensi tahun depan.

Anda akan mendapatkan hasil yang lebih baik jika semua hadirin yang datang ke konferensi tersebut mengisi form survei Anda.

Membuat tabel dan menyaring hasil survei

Ingatlah bahwa ketika Anda menetapkan tujuan untuk survei dan mengembangkan rencana analisis Anda, Anda berpikir tentang apa yang akan Anda analisis dan bandingkan dari sub-sub kelompok tersebut.

Misalnya Anda ingin membandingkan antara para guru, administrator, dan murid mengenai rencana mereka untuk kembali menghadiri konferensi tahun depan. Untuk mengetahuinya, Anda harus membuat tabel dari jawaban masing-masing sub-kelompok itu.

Dari data tersebut Anda dapat lihat bahwa guru (80%) dan murid (86%) berencana untuk kembali menghadiri konferensi tahun depan, sementara administrator sedikit berbeda, hanya 46% (tidak sampai setengahnya). Maka dari itu, berdasarkan hasil ini Anda bisa meneliti mengapa itu terjadi dan bagaimana mendorong lebih banyak administrator untuk datang ke konferensi tahun depan.

Fitur filter adalah tools lain yang berguna untuk menganalisis data. Menyaring berarti mempersempit fokus Anda ke salah satu sub-kelompok tertentu, dan menyaring yang lain. Jadi, bukannya membandingkan sub-kelompok satu sama lain, di sini kita hanya melihat bagaimana satu sub-kelompok menjawab pertanyaan itu.

Misalnya, Anda dapat membatasi fokus Anda untuk hanya wanita, atau hanya laki-laki, kemudian kembali membuat tabel untuk membandingkan administrator perempuan, guru perempuan, dan siswa perempuan. Satu hal hanya harus Anda waspadai adalah Anda harus memilah-milah hasil Anda: Setiap kali Anda menerapkan filter atau tabulasi, ukuran sampel Anda menurun. Untuk memastikan hasil Anda signifikan secara statistik, mungkin akan membantu jika Anda menggunakan sample size calculator.

Benchmarking, tren, dan data pembanding

Anggap dalam survei konferensi Anda, pertanyaan kunci yang Anda ajukan adalah “Bagaimana para hadirin menilai konferensi tersebut secara keseluruhan?”. 75% dari hasil yang didapat menunjukkan mereka puas dengan konferensi tersebut, maka itu bagus. Tapi bukankah Anda butuh suatu pembanding untuk menjadi tolak ukur? Misalkan apakah konferensi ini lebih baik atau lebih buruk dari tahun lalu? Bagaimana jika dibandingkan dengan konferensi yang lain?

Katakanlah Anda mengajukan pertanyaan ini dalam survei feedback konferensi tahun lalu. Anda akan bisa membuat perbandingan tren. Lembaga survei profesional membuat satu baris favorit yang bunyinya adalah “tren adalah teman Anda.”

Jika Anda tidak memiliki data dari konferensi tahun sebelumnya, buatlah konferensi ini sebagai tahun pertama Anda mulai mengumpulkan feedback setelah setiap konferensi terselenggarakan. Ini disebut benchmarking. Anda membangun sebuah tolak ukur atau jumlah dasar dan, itu terus dilakukan, sehingga Anda dapat melihat apakah dan bagaimana nilai itu berubah. Anda bisa membuat tolak ukur bukan hanya kepuasan peserta, namun pertanyaan lain juga. Anda akan dapat melacak, tahun demi tahun, apa yang peserta pikirkan tentang konferensi. Ini disebut analisis data longitudinal.

Anda dapat lebih mempelajari tentang benchmarking di SurveyMonkey Benchmarks.

Apa itu analisis longitudinal?

Analisis data longitudinal (sering disebut “analisis tren”) pada dasarnya melacak bagaimana jawaban untuk pertanyaan spesifik berubah dari waktu ke waktu. Misalkan tingkat kepuasan tamu terhadap acara konferensi Anda adalah 50% tiga tahun lalu, 55% dua tahun lalu, 65% tahun lalu, dan 75% tahun ini. Selamat karena itu terus meningkat! Analisis data longitudinal Anda menunjukkan meningkatnya angka kepuasan.

Anda bahkan dapat melacak data untuk sub-kelompok yang berbeda. Katakanlah bahwa tingkat kepuasan meningkat dari tahun ke tahun untuk siswa dan guru, tetapi tidak untuk administrator. Anda mungkin ingin melihat respon administrator di berbagai pertanyaan untuk melihat apakah Anda dapat mendapatkan informasi tentang mengapa mereka kurang puas dibandingkan peserta lainnya.

Mengolah angka-angka yang ada

Anda tahu berapa banyak orang mengatakan mereka akan datang kembali, tapi bagaimana Anda tahu apakah survei Anda telah menghasilkan jawaban yang dapat Anda percaya dan jawaban yang dapat Anda gunakan untuk membuat keputusan di masa depan? Sangat penting untuk memperhatikan kualitas data dan memahami komponen statistik signifikan.

Dalam percakapan sehari-hari, kata “signifikan” berarti penting atau bermakna. Dalam analisis survei dan statistik, signifikan berarti “penilaian akurasi”. Di sinilah “plus atau minus” tidak dapat dihindari. Secara khusus, itu berarti bahwa hasil survei akan akurat dalam tingkat kepercayaan tertentu dan bukan karena kebetulan. Menarik kesimpulan berdasarkan hasil yang tidak akurat (yaitu tidak signifikan secara statistik) sangat berisiko.

Faktor pertama yang perlu dipertimbangkan dalam penilaian signifikansi statistik adalah keterwakilan sampel Anda, sejauh mana sekelompok orang yang dilibatkan dalam survei Anda “terlihat seperti” total populasi orang yang Anda ingin simpulkan.

Anda akan memiliki masalah jika 90% dari peserta konferensi yang menyelesaikan survei adalah laki-laki, tetapi hanya 15% dari semua peserta konferensi Anda adalah laki-laki. Semakin banyak Anda tahu tentang populasi yang Anda ingin pelajari, Anda dapat semakin percaya diri ketika survei Anda berhadapan dengan angka-angka. Setidaknya ketika membahas gender, feeling Anda akan bermain dengan baik dengan membuat pria berkisar 15% dari responden survei dalam contoh ini.

Jika sampel survei Anda adalah pilihan acak dari sebuah populasi, signifikansi statistik dapat dihitung secara langsung. Faktor utamanya di sini adalah ukuran sampel. Misalkan 50 dari 1.000 orang yang menghadiri konferensi Anda menjawab survei. Lima puluh (50) adalah ukuran sampel yang kecil dan menghasilkan kesalahan margin. Singkatnya, hasil Anda tidak akan membawa banyak beban.

Katakanlah Anda menanyakan kepada responden survei Anda berapa banyak dari 10 sesi yang mereka hadiri selama konferensi. Dan hasilnya terlihat seperti ini:

Anda mungkin ingin menganalisis rata-ratanya. Seperti yang Anda tahu, ada tiga jenis rata-rata: mean, median dan modus.

Dalam tabel di atas, rata-rata jumlah sesi yang dihadiri adalah 6,3. Rata-rata yang dihasilkan di sini adalah mean, jenis rata-rata yang mungkin paling akrab bagi Anda. Untuk menentukan mean Anda menambahkan semua data dan membaginya dengan jumlah data angka. Dalam contoh ini, Anda memiliki 10 orang mengatakan mereka menghadiri satu sesi, 50 orang untuk empat sesi, 100 orang untuk lima sesi, dll. Jadi, Anda kalikan semua pasangan angka ini bersamaan, jumlahkan mereka, dan bagi dengan jumlah total orang.

lain juga dapat digunakan jika hasil Anda didasarkan pada skala Likert.

Mengambil kesimpulan

Ketika Anda tiba di saat pelaporan hasil survei, pikirkan data-data di atas.

Katakan konferensi Anda secara keseluruhan mendapat peringkat biasa-biasa saja. Anda akan menggali lebih dalam untuk mencari tahu apa yang terjadi. Data menunjukkan bahwa peserta memberi peringkat sangat tinggi untuk hampir semua aspek konferensi Anda—sesi dan kelas, event-event, dan hotel—tetapi mereka benar-benar tidak menyukai kota yang dipilih untuk konferensi. (Mungkin konferensi diadakan di Chicago pada bulan Januari dan itu terlalu dingin bagi siapa pun untuk pergi ke luar). Berarti kesalahan yang Anda buat terletak pada lokasi. Miami atau San Diego mungkin menjadi pilihan yang lebih baik untuk konferensi musim dingin.

Salah satu aspek dari analisis data dan pelaporan yang harus Anda pertimbangkan adalah penyebab (causation) vs korelasi.

Apa perbedaan penyebab (causation) dan korelasi?

Penyebab adalah ketika salah satu faktor menjadi penyebab faktor lain, sementara korelasi adalah ketika dua variabel bergerak bersama-sama, tapi salah satu variabel tidak mempengaruhi atau menyebabkan yang lain.

Misalnya, minum cokelat panas dan memakai sarung tangan adalah dua variabel yang berkorelasi—mereka cenderung berkesinambungan. Namun, satu tidak menyebabkan yang lain. Bahkan, keduanya disebabkan oleh faktor ketiga, cuaca dingin. Cuaca dingin mempengaruhi baik konsumsi cokelat panas dan kemungkinan memakai sarung tangan.

Cuaca dingin adalah variabel independen dan konsumsi cokelat panas dan kemungkinan memakai sarung tangan adalah variabel dependen.

Dalam kasus survei feedback konferensi, cuaca dingin cenderung mempengaruhi ketidakpuasan peserta dengan kota konferensi dan konferensi secara keseluruhan. Akhirnya, untuk lebih menguji hubungan antara variabel dalam survei Anda, Anda mungkin perlu untuk melakukan analisis regresi.

Apa itu analisis regresi?

Analisis regresi adalah metode analisis data canggih yang memungkinkan Anda untuk melihat hubungan antara dua variabel atau lebih. Apa kesamaan dari semua jenis analisis regresi adalah bahwa mereka melihat pengaruh satu atau lebih variabel independen pada variabel dependen.

Dalam menganalisis data survei kita, kita mungkin akan tertarik untuk mengetahui faktor apa yang paling memiliki dampak terhadap kepuasan peserta dengan konferensi. Apakah itu soal jumlah sesi? Pembicara? Event-event? Situs? Dengan menggunakan analisis regresi, seorang ilmuwan survei dapat menentukan apakah dan sejauh mana atribut-atribut yang berbeda dalam konferensi berkontribusi terhadap kepuasan peserta secara keseluruhan. Hal ini, pada gilirannya, memberikan wawasan tentang apa aspek konferensi Anda yang mungkin ingin Anda ubah di waktu berikutnya.

Katakanlah, misalnya, Anda membayarkan biaya tinggi untuk menerbangkan pembicara untuk sesi konferensi Anda. Peserta memberikan nilai tinggi kepada pembicara ini dan konferensi secara keseluruhan. Berdasarkan kedua fakta tersebut Anda mungkin berpikir bahwa memiliki seorang pembicara yang hebat (dan mahal) adalah kunci keberhasilan konferensi.

Analisis regresi dapat membantu Anda menentukan apakah ini memang terjadi. Anda mungkin menemukan bahwa popularitas pembicara adalah pendorong utama kepuasan terhadap konferensi. Jika demikian, tahun depan Anda akan ingin mendapatkan pembicara utama yang lebih terkenal lagi. Tetapi katakanlah jika regresi menunjukkan bahwa semua orang menyukai pembicara, tetapi tidak memberikan kontribusi banyak untuk kepuasan peserta dengan konferensi. Jika itu terjadi, Anda menyesali banyak uang yang dihabiskan untuk pembicara yang mungkin lebih baik dihabiskan di area lain.

Jika Anda meluangkan waktu untuk dengan hati-hati menganalisis data survei Anda, Anda akan berada di arah yang benar dengan menggunakan jawaban-jawaban tersebut untuk membantu Anda membuat keputusan.