Como analisar dados de pesquisa

As respostas das suas pesquisas online chegaram. Agora é hora de aproveitar o poder da análise de dados para interpretar as respostas e apresentá-las de maneiras fáceis de entender e reagir. Depois de coletar os dados estatísticos da pesquisa e criar um plano de análise de dados, será hora de começar o processo de calcular esses resultados. Agora, você saberá como nossos especialistas em metodologia de pesquisa interpretam dados quantitativos (que são diferentes dos dados qualitativos). Eles estruturam seus relatórios em função das respostas que trazem conclusões para a equipe da pesquisa. Mesmo para especialistas, pode ser difícil extrair os insights dos dados brutos.

Para alcançar o objetivo da sua pesquisa, você precisa começar escolhendo a metodologia de pesquisa sugerida por nossos especialistas. Quando os resultados chegarem, você pode analisá-los usando todas as ferramentas de análise de dados disponíveis, incluindo a análise estatística e a análise de dados, além de gráficos e diagramas que capturam as métricas da sua pesquisa.

Uma análise de dados bem feita é fundamental para obter as informações e os insights de que você precisa para tomar as melhores decisões de negócios. Ainda assim, é importante estar ciente dos possíveis desafios que podem dificultar a análise ou até desviar os resultados.

Fazer perguntas abertas em excesso pode tornar a análise mais demorada e complexa, pois elas produzem resultados qualitativos que não são baseados em números. Por outro lado, as perguntas fechadas geram resultados mais fáceis de analisar. A análise também pode ser prejudicada por perguntas sugestivas ou enviesadas ou que sejam apenas muito confusas ou complicadas. Ter em mãos as ferramentas certas e o conhecimento necessário ajuda a garantir uma análise menos trabalhosa e mais eficaz.

Leia mais sobre como usar perguntas fechadas e perguntas abertas.

Com suas várias técnicas de análise de dados, a SurveyMonkey torna fácil para você transformar seus dados brutos em insights práticos apresentados em formatos fáceis de entender. Os recursos como gráficos e diagramas automáticos e nuvens de palavra dão vida aos seus dados. Por exemplo, a análise de sentimento permite ver um resumo instantâneo de como as pessoas se sentem sobre um tema entre milhares ou até milhões de respostas abertas de texto. Você pode visualizar sentimentos positivos, neutros e negativos rapidamente ou filtrar as respostas por sentimento para identificar queixas que exijam sua atenção. Para insights ainda mais profundos, você pode filtrar uma pergunta por sentimento. Imagine poder transformar todas aquelas respostas de texto em dados quantitativos.

As Nuvens de palavras permitem interpretar respostas abertas rapidamente por meio de uma representação visual das palavras usadas com maior frequência. Você pode personalizar a aparência da nuvem de palavras de várias maneiras, desde cores e fontes para palavras específicas até facilmente ocultar palavras de baixa relevância.

Nossa ampla variedade de recursos e ferramentas te ajuda a analisar seus dados e a rapidamente gerar gráficos e relatórios robustos. Confira como atender a um pedido de relatório de última hora com a SurveyMonkey.

Primeiro, veremos como calcular os resultados da pesquisa a partir das suas principais perguntas. Você tinha perguntas empíricas? Você considerou o uso de amostragem de probabilidade? Lembre-se de que as principais perguntas são definidas ao determinar as metas da pesquisa.

Por exemplo, se você realizou um congresso de educação e entregou um questionário de feedback pós-evento aos participantes, uma das principais perguntas da pesquisa pode ser: como os participantes avaliaram o congresso como um todo? Agora, analise as respostas coletadas em uma pergunta específica do questionário relacionada a essa pergunta principal da pesquisa:

Você pretende participar do congresso no ano que vem?

Nas respostas, você obteve algumas porcentagens (71%, 18%) e alguns números (852, 216). Os percentuais são simplesmente isto: o percentual de pessoas que deram uma resposta específica. Em outras palavras, os percentuais representam a proporção entre o número de pessoas que deram cada resposta e o total de pessoas que responderam à pergunta. Dessa forma, 71% dos respondentes da pesquisa (852 de 1.200 respondentes) pretendem voltar no ano que vem.

Essa tabela também mostra que 18% dizem que não pretendem voltar e 11% dizem que não têm certeza.

Ter uma boa compreensão do tamanho da amostra também é crucial para analisar seus resultados com precisão e eficácia. O tamanho da amostra corresponde a quantas pessoas você precisa que responda à pesquisa para ter resultados estatisticamente viáveis. Mesmo para uma pessoa formada em Estatística, determinar o tamanho da amostra para uma pesquisa pode ser difícil. No entanto, a SurveyMonkey remove as suposições e a complicação do processo com a calculadora de margem de erro, que ajuda a determinar quantas pessoas você precisará entrevistar para que seus resultados reduzam a margem de erro.

Lembre-se de que, quando você definiu uma meta para sua pesquisa e desenvolveu seu plano de análise, você pensou nos subgrupos que analisaria e compararia. É nessa hora que todo o planejamento traz resultados. Por exemplo, se você quiser comparar como professores, alunos e administradores responderam à pergunta sobre comparecer ao congresso do ano que vem. Para entender isso, analise as taxas de resposta por meio de um relatório de tabulação cruzada, que mostra os resultados da pergunta para cada subgrupo:

Segundo a tabela, a grande maioria dos estudantes (86%) e professores (80%) pretende voltar no ano que vem. Contudo, os administradores que participaram do congresso têm uma opinião diferente, já que menos da metade deles (46%) pretende voltar. Com sorte, outras perguntas ajudarão a entender por que isso acontece e o que pode ser feito para melhorar o congresso para que mais administradores voltem a cada ano.

Outro método de análise ao modelar seus dados é o filtro. Filtrar significa especificar seu foco em um subgrupo específico e descartar os demais. Dessa forma, em vez de comparar subgrupos entre si, vemos apenas como um subgrupo respondeu à pergunta. Ao combinar filtros, você tem muito mais precisão ao interpretar seus dados.

Por exemplo, é possível limitar o foco a apenas mulheres, ou homens, e executar novamente a tabulação cruzada por tipo de participante para comparar administradoras, professoras e alunas. Ao selecionar e analisar os resultados, é importante estar ciente de que, sempre que um filtro ou tabulação cruzada é aplicado, o tamanho da amostra diminui. Para que os resultados tenham relevância estatística, pode ser útil usar uma calculadora de tamanho da amostra.

Gráficos podem ser uma ferramenta frequente para demonstrar rapidamente os resultados da sua análise de dados de maneira fácil de entender para todos. Com a SurveyMonkey, é fácil criar gráficos que trazem clareza e contexto à sua análise, o que torna possível usar os dados de maneiras mais direcionadas e práticas.  

A tabulação cruzada é um relatório útil para se aprofundar mais nos seus dados. Ela estrutura seus dados em uma tabela que agrupa os respondentes com base em informações de perfil ou respostas em comum, permitindo comparar as respostas de cada grupo. Isso ajuda a entender melhor cada grupo de respondentes e descobrir suas diferenças.

Suponhamos que na pesquisa de feedback da conferência, uma pergunta era "Em geral, em que medida você ficou satisfeito com a conferência?"

Os resultados mostram que 75% dos participantes ficaram satisfeitos com a conferência. Isso parece ótimo. Mas não seria bom ter mais contexto? Algo com o qual comparar isso? Isso é melhor ou pior que o ano passado, por exemplo? Como ficam esses dados em comparação com os de outras conferências?

A comparação a referências pode trazer respostas a essas e outras perguntas permitindo rapidamente que você faça comparações a dados passados e atuais para identificar tendências no seu setor e mercado e ver como você está se saindo em comparação a elas.

Vamos supor, por exemplo, que você tenha feito essa pergunta na pesquisa de feedback do congresso do ano passado. Você poderá fazer uma comparação de tendência. Os pesquisadores profissionais de opinião conhecem muito bem a utilidade das tendências. Se a taxa de satisfação do ano passado foi de 60%, houve um aumento de 15 pontos percentuais na satisfação deste ano! O que provocou esse aumento da satisfação? Com sorte, as respostas de outras perguntas da pesquisa darão algumas informações a respeito.

Se você não tiver dados do congresso dos anos anteriores, faça deste ano o primeiro e comece a coletar feedback depois de todos os próximos congressos. Isso se chama comparação a referências. Você estabelece uma referência ou um número base e, posteriormente, pode ver se isso mudou e como. É possível comparar não apenas a satisfação dos participantes a uma referência, como também outras perguntas. É possível monitorar anualmente a opinião dos participantes sobre o congresso. Isso se chama análise de dados longitudinais.

É possível até mesmo monitorar dados de diferentes subgrupos. Vamos supor, por exemplo, que as taxas de satisfação vêm aumentando anualmente para alunos e professores, mas não para administradores. Pode ser interessante analisar as respostas dos administradores a várias perguntas para ver se é possível ter alguma ideia do motivo de eles estarem menos satisfeitos que os demais participantes.

Você sabe quantas pessoas disseram que voltariam, mas como sabe se pode confiar nas respostas à sua pesquisa e usá-las com segurança para embasar futuras decisões? É importante prestar atenção na qualidade dos seus dados e entender os componentes da relevância estatística.

Na linguagem cotidiana, "relevante" quer dizer importante ou significativo. Em análise de pesquisa e estatística, relevância se refere a uma "avaliação da precisão". É o ponto em que o inevitável "mais ou menos" entra na pesquisa. Isso significa que os resultados da pesquisa são precisos apenas dentro de uma margem de confiança específica, não por aleatoriedade. É arriscado tirar conclusões baseadas em resultados imprecisos (ou seja, sem relevância estatística). O primeiro fator a ser considerado em qualquer avaliação da relevância estatística é a representatividade da amostra, ou seja, até que ponto o grupo de pessoas incluído na pesquisa se assemelha à população total sobre a qual você quer tirar conclusões.

Se 90% dos participantes do congresso que responderam à pesquisa fossem homens, mas apenas 15% de todos os participantes fossem homens, teríamos um problema. Quanto mais se sabe sobre a população sendo estudada, mais confiante você poderá ficar quando os resultados das pesquisas se alinharem a esses números. No exemplo que estamos vendo, se 15% dos respondentes forem homens, isso é bom.

Se a amostra da pesquisa é escolhida aleatoriamente entre uma população conhecida, a relevância estatística pode ser calculada de maneira direta. O principal fator aqui é o tamanho da amostra. Suponhamos que 50 das 1.000 pessoas que participaram do congresso responderam à pesquisa. Cinquenta (50) é uma amostra pequena, e os resultados terão uma margem de erro grande. Em outras palavras, os resultados não terão muita relevância.