Umfragedaten analysieren – so geht's

Die Ergebnisse aus Ihren Befragungen sind eingegangen. Jetzt ist er Moment gekommen, die gewonnenen Daten zu analysieren, sie zu interpretieren und auf verständliche Weise für andere darzustellen.

In diesem Leitfaden gehen wir darauf ein, was Umfrageanalyse bedeutet und welche verschiedenen Datentypen Sie einsetzen können. Darüber hinaus erfahren Sie, wie Sie in sechs Schritten eine effektive und erfolgreiche Auswertung Ihrer Umfragedaten durchführen.

Beim Auswerten einer Umfrage werden die gewonnenen Daten in Ergebnisse und umsetzbare Insights umwandelt. Dabei werden die erfassten Informationen, die Rohdaten, in konkrete Ergebnisse konvertiert, die als Gesprächs- oder auch Entscheidungsgrundlage dienen. 

Wertvolle Erkenntnisse zu erhalten ist immer einfacher, wenn hinter der Umfrageanalyse ein klarer Plan steht. Wenn Sie genau wissen, was Sie mit der Analyse erreichen wollen, können Sie die Umfragedaten effektiver auswerten.

Für weitere Informationen und Anleitungen für das Entwerfen und Analysieren Ihrer Umfragen empfehlen wir unser Webinar.

Welche Fragetypen Sie in Ihrer Umfrage einsetzen, hat direkte Auswirkungen auf die gewonnenen Daten. Diese sind entweder quantitativer oder qualitativer Natur. 

Quantitative Daten beziehen sich auf Informationen in Zahlenform. Die Beantwortung einer Net Promoter® Score (NPS)-Umfrage beispielsweise erfolgt auf einer Skala von 1 bis 10. Sie wissen demnach, dass alle Informationen, die Sie mithilfe dieser Frage erfassen, numerisch sein werden und damit quantitative Daten liefern. Dieser Datentyp ist für direkte Vergleiche und statistische Auswertungen optimal.

Qualitativen Daten dagegen konzentrieren sich auf nicht-numerische Informationen. Sie dienen auch dazu, das Warum hinter den numerischen Daten ans Licht zu bringen. So könnten Sie Ihre Zielgruppe beispielsweise fragen, warum sie diese oder jene Bewertung ausgewählt hat. Am sinnvollsten sind hier Freifelder, in die eine eigene Antwort eingegeben werden kann. Auch wenn qualitative Daten schwerer auszuwerten sind, ist das Verständnis jenseits quantitativer Daten unerlässlich für erfolgreiche Ergebnisse.

Numerische Daten sind optimal geeignet, um Prozesse im zeitlichen Verlauf zu beobachten. Aber wenn Sie wissen möchten oder müssen, warum die Menschen eine bestimmte Antwort ausgewählt haben, ist eine Folgefrage, die qualitative Daten liefert, von unschätzbarem Wert.

Im Folgenden erklären wir, wie Sie die Zahlen und die Bedeutung Ihrer Ergebnisse verstehen. 

Bevor Sie mit der Auswertung der Umfragedaten beginnen, müssen Sie die Spreu vom Weizen trennen. Welche Daten sind brauchbar? Welche nicht? Durch Säubern Ihrer Umfragedaten entscheiden Sie, welche Befragten von der Auswertung ausgeschlossen werden. In diesem Prozess entfernen Sie auch unzureichende Antworten und löschen Duplikate.

Einige Antworten wurden unter Umständen nur zu einigen Ihrer Fragen gegeben oder die Teilnehmenden sind die Umfrage schnell durchgegangen, ohne viel nachzudenken. In all diesen Fällen erhalten Sie minderwertige Daten, die die Genauigkeit Ihrer Ergebnisse beeinträchtigen können.

Hier schafft eine Analyse der Beantwortungsqualität Abhilfe. Sie macht sichtbar, welche Beantwortungen nicht den festgelegten Kriterien entsprechen. Angenommen, Sie erfassen Daten zur Kundenstimmung. Dann helfen Ihnen Daten von einem Nichtkunden nicht weiter.

Bereiten Sie Ihre Umfragedaten für die Analyse auf: Bringen Sie die Daten in ein lesbares, einheitliches Format und sortieren Sie sie so, dass Sie für die folgende Datenauswertung einen sauberen Datensatz zur Verfügung haben.

Die Hauptfragen sind wie eine Richtschnur für Ihre Umfrage. Diese Fragen beziehen sich auf das Ziel Ihrer Forschung, das Sie zu Beginn des Prozesses festgelegt haben sollten.

Bevor Sie also sich in den Details Ihrer Daten verlieren, starten Sie mit den Antworten auf Ihre Hauptfrage. Wenn Sie zum Beispiel gefragt haben: „Würden Sie dieses neue Produkt kaufen?“, dann ist die darauffolgende Ergebnistabelle Ihr Ausgangspunkt für die Analyse.

Wie Sie sehen, hat sich die Mehrzahl der Befragten positiv geäußert. Behalten Sie diese Information im Hinterkopf und fahren Sie mit den Daten zu anderen Fragen fort, um mehr Insights zu diesem Produkt zu erhalten.

Breit angelegte allgemeine Fragen helfen Ihnen dabei, die Grundstimmung hinter den Daten ans Licht zu bringen. Auf dieser Grundlage können Sie nun tiefer in die Datenanalyse einsteigen und auf die verschiedenen Fragen Ihrer Erhebung eingehen. 

Häufig ist der beste Weg zu einem besseren Verständnis der Daten deren Aufschlüsselung. Mithilfe von Kreuztabellen kann Ihr Unternehmen die Daten in kleinere Gruppen mit gemeinsamen Merkmalen aufsplitten. So könnten Sie die Daten auf Basis der Beantwortungen von Befragten filtern, die einen bestimmten Hintergrund haben. Anschließend können Sie die Daten filtern, vergleichen und Regeln erstellen, um die Daten für jedes Segment auszuwerten.

Datenfilter sind leistungsstarke Werkzeuge, mit denen Sie aus den Daten umfassende Erkenntnisse gewinnen. Nehmen wir dieses Beispiel: Sie möchten wissen, wie ein Produkt bei verschiedenen Gruppen angekommen ist. Es ist also eine gute Idee, einige demografische Fragen zu stellen. Wenn die Befragten dann ihre Altersgruppe wählen, können Sie die Beantwortungen für jede Altersgruppe umgehend filtern. Beim Vergleich der Datensätze würden Sie sehen, in welchem Maße Ihr Produkt welcher Altersgruppe gefällt. Ausreißer oder unzufriedene Gruppen sind hiermit leicht zu erkennen.

Sinnvolle Filter sind:

Qualitative Daten liefern Ihnen zwar nicht die Prozentanteile und rohen Zahlen, die Sie hier unmittelbar nutzen können, ermöglichen aber eine Textanalyse der Beantwortungen. So können Sie eine Stimmungsanalyse durchführen, die zeigt, was Ihre Kundinnen und Kunden von Ihrem Kundenservice halten. 

Auf dem Weg von den Rohdaten zu wertvollen Erkenntnisse liegt noch ein wesentlicher Schritt: der Nachweis der statistischen Signifikanz. Denn Sie müssen belegen, dass die Ergebnisse nicht einfach durch Zufall entstanden sind. Durch statistische Analyse erkennen Sie bedeutsame Trends und erfahren, was die Daten in Verbindung mit anderen Datensätzen aussagen. 

Die statistische Signifikanz lässt sich über verschiedene Methoden nachweisen:

Neben der Rohdatenanalyse bestimmen noch weitere Faktoren, ob Ihre Ergebnisse Aussagekraft besitzen. Die Anzahl der Beantwortungen und die Abschlussquoten im Vergleich zur Gesamtstichprobe weisen zum Beispiel darauf hin, ob Ihre Ergebnisse eine statistisch signifikante Gruppe repräsentieren.

Eine weitere Größe, die es zu beachten gilt, ist die Fehlerspanne in Ihren Umfrageergebnissen. Sie zeigt, wie gut Ihre Stichprobe die Gesamtpopulation widerspiegelt. Eine kleine Fehlerspanne bedeutet, dass die Genauigkeit Ihrer Ergebnisse ziemlich hoch ist, während ein großer Wert darauf hindeutet, dass Ihre Ergebnisse nicht repräsentativ sind. 

Für den Fall, dass Sie weitere Umfragebeantwortungen benötigen, um die Aussagekraft Ihrer Ergebnisse zu erhöhen, steht Ihnen SurveyMonkey Audience zur Verfügung. 

Das Benchmarking ist der Vergleich Ihrer Ergebnisse mit denen anderer Unternehmen oder mit dem Branchendurchschnitt. Ein weiterer nützlicher Schritt ist das Vergleichen mit früheren von Ihnen durchgeführten Befragungen. Dazu müssen Sie lediglich über einen bestimmten Zeitraum Ihre (immer gleiche) Umfrage regelmäßig durchführen, sei es vierteljährlich oder jährlich. 

Weltweit wird das Benchmarking der Kundenerfahrung eingesetzt, um zu erfahren, wie das Unternehmen im Vergleich zu den Mitbewerbern abschneidet. 

Mithilfe einer Langzeitanalyse sehen Sie, ob und wie sich die Ergebnisse im Laufe der Zeit verändert haben. Ein Beispiel: Jedes Jahr veranstalten Sie eine bestimmte Konferenz. Sie bitten die Teilnehmenden anschließend immer um eine Bewertung und nutzen dazu eine Feedbackumfrage bei Konferenzen. Falls die durchschnittliche Zufriedenheit im zeitlichen Verlauf gesunken ist, haben Sie einen wichtigen Einstiegspunkt für weitere Recherchen.

Die Frage nach der Zufriedenheit können Sie sinnvollerweise mit einer offenen Frage kombinieren, in der die Teilnehmenden den Grund für ihre Bewertung angeben. Anhand der gewonnenen qualitativen Daten sehen Sie, warum die Zufriedenheit abgenommen hat, und können entsprechende Korrekturmaßnahmen einleiten. 

Sie können auch Daten für unterschiedliche Untergruppen unter die Lupe nehmen. Nehmen wir an, die Zufriedenheitsquote steigt bei den Marketingfachleuten Jahr für Jahr, bei den Verwaltungsangehörigen aber nicht. In diesem Fall sollten Sie sich genau ansehen, wie letztere die verschiedenen Fragen beantwortet haben. Denn so bekommen Sie möglicherweise heraus, warum diese Gruppe weniger zufrieden ist als die andere.

Ihre Umfragedaten haben das Potenzial, Geschichten zu erzählen. Beginnen Sie mit der Hauptfrage, umreißen Sie Ihre Ergebnisse und fahren Sie dann fort. Was wollten Sie ermitteln? Was haben Sie durch die Daten gelernt? Welche Ergebnisse sind besonders interessant?

Unterstützen Sie Ihren Bericht möglichst mit visuellen Elementen. Denn Ihre Leser und Leserinnen haben keine Lust auf seitenweise Zahlen. Lockern Sie das Ganze auf. Mit einer einfachen Grafik oder einer verbalen Zusammenfassung mit Ergebnissen verstehen die Menschen intuitiv, was gemeint ist. 

Sie haben Ihre Daten analysiert und die statistische Signifikanz nachgewiesen. Jetzt wird es Zeit, die Ergebnisse zu teilen. Der letzte und für die Außenwirkung ungemein wichtige Schritt der Umfrageanalyse ist eine ansprechende Präsentation. Mit diesem Bericht teilen Sie Ihre Resultate mit Kolleg:innen, was Veränderungen in Ihrer Organisation anregen kann. 

Passend dazu: Die 6 Hauptdiagramme für effektive Berichte

Wie überall gibt es auch in der Umfrageanalyse Stolpersteine. Im Folgenden haben wir einige dieser Hindernisse aufgeführt, die es zu vermeiden gilt:

Einer der von Neulingen am häufigsten gemachten Fehler in der Marktforschung ist die Verwechslung von Korrelation und Kausalität. Kausalität liegt dann vor, wenn ein Faktor direkte Ursache eines anderen ist. Korrelation dagegen besteht, wenn zwei Faktoren, die nicht unbedingt zusammengehören, sich gleichzeitig bewegen.

Ein anschauliches Beispiel hierfür ist kaltes Wetter. Bei kaltem Wetter wird heiße Schokolade getrunken und die Wollsachen werden aus dem Schrank geholt. Zwischen diesen beiden Faktoren besteht eine Korrelation, ein Zusammenhang, denn die Werte steigen und sinken in der Regel gleichzeitig. Und doch bewirkt nicht das eine das andere. Es liegt keine Kausalität vor, denn Sie trinken keine heiße Schokolade, WEIL Sie Wollsachen tragen. Nein, hier ist ein dritter Faktor der Verursacher: das kalte Wetter.

Das bedeutet: Nur dadurch, dass zwei Faktoren sich gleichzeitig verändern, muss kein Zusammenhang zwischen ihnen bestehen. Ob dieser besteht, finden Sie mithilfe der Korrelationsanalyse heraus.

Wenn Sie Korrelation und Kausalität miteinander verwechseln, könnten Sie fälschlicherweise annehmen, dass zwei Faktoren, die aus einem dritten Grund passieren, unmittelbar miteinander in Zusammenhang stehen oder miteinander korrelieren. 

Wie bereits erwähnt können Ihre Umfrageergebnisse eine Geschichte erzählen. Jedoch könnten Sie das große Ganze aus den Augen verlieren, falls Sie nur die Datenpunkte herausgreifen, die Ihre Hypothese stützen.

Mit Ihrer Umfrage möchten Sie etwas Bestimmtes nachweisen. Daher kann es frustrierend sein, wenn Ihre Daten nicht zu Ihren Annahmen passen. Eventuell stimmen einige Kunden nicht mit Ihrer Kernaussage überein oder die Daten zeigen keine statistisch signifikante Mehrheit für diese Aussage. Wie auch immer Ihre Ergebnisse aussehen, Sie sollten bei der Auswahl Ihrer Datenpunkte nicht zu wählerisch sein.

Denn wenn Sie die Daten für Ihre Berechnungen handverlesen, setzen Sie die Genauigkeit Ihrer Umfrageergebnisse aufs Spiel.

SurveyMonkey weiß am besten, wie spannend Umfragen und ihre Ergebnisse sein können. Umso mehr sollten Sie die Ergebnisse nicht überhastet berechnen. Denn dabei könnten Sie wichtige Daten unberücksichtigt lassen, da diese noch nicht zur Verfügung stehen. 

Für Umfragen wird oft eine Vielzahl an Beantwortungen benötigt, um ein hohes Konfidenzniveau der Daten zu erreichen. Starten Sie die Berechnung übereilt, könnten noch nicht ausreichend Beantwortungen vorliegen, um die statistische Signifikanz zu beweisen. 

Zur Verdeutlichung: Angenommen, Ihre Umfrageergebnisse zeigen, dass 100 % der Befragten sich für ein neues Produktfeature interessieren. Das klingt toll. Aber was, wenn dieses Ergebnis zustande gekommen ist, weil nur eine einzige Person Ihre Umfrage beantwortet hat? Wie sicher können Sie sein, dass diese eine Antwort ein Spiegelbild Ihres gesamten Kundenstamms ist?

Die Fragen, die Sie in Ihrer Studie stellen, stehen in direktem Zusammenhang mit dem Datentyp und der Datenqualität, die Sie erhalten. Das bedeutet, dass Ihre Umfragedaten immer nur so gut sein können wie Ihre Fragen. 

Hier sind einige bewährte Tipps:

Eine höhere Qualität Ihrer Umfragen führt natürlicherweise zu einer höheren Datenqualität.

Bei der Datenanalyse sind viele Aspekte zu beachten, von der Betrachtung der Hauptergebnisse über das detaillierte Aufschlüsseln der Daten bis hin zum Reporting. 

SurveyMonkey bietet verschiedene Werkzeuge und Vorlagen für die Umfrageanalyse und macht es Ihnen so einfach wie nie zuvor, belastbare Ergebnisse zu erhalten und Ihre Zielgruppe zu erreichen. 

Registrieren Sie sich und nutzen Sie die volle Bandbreite unserer von Fachleuten entwickelten Tools und Vorlagen für Ihren Erfolg.