アンケートデータの分析方法

オンラインアンケートの結果が戻ってきたら、次はデータ分析の機能を活用して結果を解釈し、わかりやすい実用的な形で提示する必要があります。アンケート結果を集め、データ分析計画を立てたところで、アンケート結果の集計に取り掛かります。SurveyMonkeyのアンケート調査専門家が（質的データではない）量的データを解釈する際のやり方をご紹介しましょう。彼らは、調査の主題である質問に答えている回答をレポートの中心に据えます。専門家にとっても、生データから洞察を抽出するのは簡単なことではありません。

アンケートの目標を達成するには、まず、SurveyMonkeyの専門家に提案されたアンケート手法から始めてみましょう。そうして結果が集まったら、統計分析、データ分析、チャート・グラフといったデータ分析ツールを使って指標を算出し、効果的に分析することができます。

確実なデータ分析は、必要な情報・洞察を得てより良いビジネス決定を下すための鍵となります。ただし、分析を困難にする要素や結果をゆがませる要素の存在に注意することが大切です。

自由形式の質問を多数含めると、数値で表されない質的な結果が大量にもたらされるため、分析が複雑で時間もかかります。一方、選択回答形式の質問をすると、分析しやすい結果が得られます。誘導的な質問や偏った質問、あるいは混乱を招く質問や複雑すぎる質問をした場合も、分析がしにくくなります。適切なツールとノウハウを準備することが、アンケート分析の簡単かつ効果的な実施を確実にします。

選択回答形式vs.自由回答形式の質問の使い方について詳細をご覧ください。

SurveyMonkeyには多数のデータ分析手法が用意されているため、手軽に生データを実用的な洞察に変換してわかりやすく表示することができます。自動チャート・グラフやワードクラウドといった機能がデータに息を吹き込みます。たとえば感情分析を使うと、自由形式の回答が何千、あるいは何百万ある場合でも、回答者の感情をすばやく把握できます。肯定的・中立・否定的な感情が一目でわかるだけでなく、質問を感情別にフィルタリングすれば、さらに深い洞察が得られ、重要な領域が特定できます。テキストの回答を量的データに変換できたなら、どうでしょう。

ワードクラウドを使うと、自由形式の回答の中で最も頻繁に使用されている言葉が強調して表示されるため、すばやい解釈が可能になります。ワードクラウドの表示形式は、特定の言葉の色やフォントを指定する、関連性の低い言葉を非表示にするなど、さまざまな方法でカスタマイズできます。

SurveyMonkeyの広範な機能とツールが、分析上の課題を克服してグラフや説得力のあるレポートをすばやく作成するお手伝いをします。終業間際に依頼されたレポートをSurveyMonkeyで簡単に作成する様子をご覧ください。

アンケート結果の計算に取り組む方法について、まずは、最も重要な質問の結果を分析する方法を見てみましょう。実証済みの質問を活用しましたか？確率抽出法を検討しましたか？最も重要な問いが何かを特定してから、アンケートの目標を設定することが大切です。

たとえば、教育会議を開き、出席者にイベント後に記入してもらうフィードバックアンケートを配布した場合だと、最も重要な問いの1つは「出席者が会議全体をどのように評価しているか」でしょう。次に、その問いに関連したアンケート質問の回答を見てみます。

来年もこの会議に参加したいと思いますか。

回答を見ると、パーセンテージ（71%、18%）もあれば、数字（852、216）もあります。パーセンテージはそのままの意味で、特定の回答を記入した人の割合を示します。つまり、その質問に答えた人のうち、それぞれの回答を記入した人のパーセンテージです。アンケート回答者の71%（1200人中852人）が、来年もまた出席する予定でいます。

この表を見ると、18%が来年は出席しないと回答し、11%がわからないと回答していることもわかります。

標本サイズを正しく理解することも、アンケート結果を正確かつ効果的に分析するうえでカギを握ります。標本サイズとは、統計的に意味のあるデータを得るために何人がアンケートに回答する必要があるか、を示す数値です。統計学者にとっても、アンケートの標本サイズを決定する作業は簡単ではありません。しかし、SurveyMonkeyには許容誤差計算ツールが用意されているため、当て推量ではなく複雑でもない堅実な方法で必要な回答者の数を特定することができます。

アンケートの目標を設定し、分析プランを作成した際、分析・比較したいサブグループが脳裏にあったことでしょう。そのプランを実行する時が来ました。たとえば、翌年の会議への参加について聞く質問で、教師・学生・職員の回答を比較したかったとします。それには、質問の結果をサブグループごとに分けたクロスタブ集計またはクロス タブ レポートを作成して、回答率を細かく調べます。

この表を見ると、学生の大部分（86%）と教師の大部分（80%）が来年また出席すると回答しています。しかし、会議に出席した事務員を見てみると様子が多少違うようで、来年出席予定の人は半分にも達していません（46%）。他の質問から、なぜこのような結果になったのかが理解できれば、事務員にとっての会議の質を改善し、また出席したいと考える人を増やすことも可能でしょう。

データをモデル化して分析するもう1つの方法は、フィルタリングです。フィルタリングを行うと、特定の1つのサブグループだけに焦点を当て、他のサブグループを除外できます。サブグループ同士を比較するのではなく、1つのサブグループがその質問にどのように回答したかを調べることができます。フィルターを組み合わせれば、データの一部に的確に焦点を当てることができます。

たとえば、女性だけ（あるいは男性だけ）に注目してクロスタブをもう一度作成し、女性職員、女性教師、女学生を比較します。結果を細かく分割するときに注意すべき点は、フィルターまたはクロスタブを適用するたびに、標本サイズが小さくなることです。統計的に有意な結果を出すためには、標本サイズ計算ツールが役に立ちます。

データの分析結果を誰にでもわかる形ですばやく提示したいとき、よく使われるのがグラフです。SurveyMonkeyでは、簡単にグラフを作成して分析結果を背景情報と共にわかりやすく表示できます。それにより、的確かつ実用的な方法でデータが活用できるようになります。

クロスタブ集計（クロス タブ レポート）は、データを深く掘り下げるうえで有効なツールです。クロスタブでは、回答者を共通の背景情報または回答に従ってグループに分け、データを表形式で整理するので、グループ間での回答の比較が可能になります。それにより、各回答者グループを深く理解し、各グループの違いを見つけることができます。

会議のフィードバックアンケートに関して言えば、重要な問いの1つは「会議全体にどの程度満足したか」です。

結果を見ると、出席者の75%が会議に満足しています。これは、かなり良い結果と言えるでしょう。でも、何らかの背景情報も欲しいですよね。何かと比較してみたらどうでしょうか。去年と比べてどうなのでしょうか。他の会議と比べるとどうなのでしょうか。

ベンチマーク比較を行うとこのような問いの答えが見つかります。過去・現在のデータと比較して業界・市場のトレンドを特定したり、自分の会社のポジションを把握したりできます。

たとえば、昨年の会議の後にもフィードバックアンケートを行い、同じ質問をしたとします。その場合は、トレンド比較が可能になります。世論調査のプロは、あまり面白いジョークが言えない人が多いのですが、繰り返し聞くのは「トレンドに乗れ」というフレーズです。昨年満足した人の割合が60%だったのなら、今年は15パーセンテージポイントも上がったことになります！何が満足度の向上につながったのでしょうか。アンケートの他の質問に対する回答から、ヒントが得られれば理想的です。

昨年の会議のデータがない場合は、今年から、毎年フィードバックを収集するようにしましょう。これを、ベンチマーク比較といいます。ベンチマーク、つまり基準となる数値を確立すれば、以降、どのような変化があったのかを調べることができます。出席者の満足度だけでなく、他の質問についてもベンチマークを確立できます。それにより、毎年、会議の出席者の意見を追跡できるようになります。これを、時系列データ分析といいます。

異なるサブグループのデータを追跡することもできます。たとえば、満足した人の割合が学生と教師の間では増加しているのに、事務員では増加していないとしましょう。その場合は、事務員たちが他の質問にどう答えているかを調べ、なぜ他の出席者より満足度が低いのかを示すヒントを探します。

来年も出席したいと答えた人の数はわかっても、アンケートの回答が信頼できるものなのか、回答を参考に今後の会議を準備していいものなのかは、確信できますか。データの品質に注目し、統計的有意性を左右する要素を理解することが大切です。

「有意」というのは、意味がある、重要であるという意味です。アンケート分析や統計における「有意」は、「正確度を評価したもの」です。これこそ、アンケート分析で例の「プラスマイナス」が登場する場面です。具体的には、アンケート結果が、特定の信頼水準において正確であり、偶然によって発生したものではない、ということを意味します。正確でない（統計的に有意でない）結果から結論を導き出すのは危険です。統計的有意性を評価する際、最初に考慮すべき要因は、標本の代表性です。つまり、アンケートに参加した人のグループが、結論を導き出す対象である母集団全体にどの程度「似ている」か、です。

会議に出席した人のうち、男性が占める割合は15%だったのに、アンケートに回答した出席者の90%が男性だったら、それは問題です。調査対象である母集団について多くのデータを用意しておけば、アンケートがそれに従っているとき、結果が正確であると確信することができます。少なくとも性別について言えば、この例でアンケート回答者の15%が男性であるとき、結果を信頼することができます。

アンケートの標本が、既知の母集団からランダムに選択したものであれば、統計的有意性は単純に計算できます。主要な因子は、標本サイズです。会議に出席した1,000人のうち、50人がアンケートに答えたとしましょう。50人というのは標本サイズとしては小さいため、許容誤差が大きくなります。つまり、結果にはあまり重みがありません。

たとえばアンケートの回答者に対し、会議中に催された10のセッションのうち、いくつに出席したかを聞いたとしましょう。次のような結果になったとします。

その場合、平均を分析したいと考えるでしょう。ここでおさらいですが、一口に平均と言っても、統計では平均、中央値、最頻値の3つに区別されます。

上の表では、出席したセッション数の平均が6.1です。ここで計算した値は、皆さんになじみの深い「平均」です。平均の値は、数値を加算し、それを加算した数値の数で割ったものです。この例では、10人が1つのセッション、50人が4つのセッション、100人が5つのセッションなどに出席したと回答しました。そこで、人数とセッション数を掛け合わせたものを合計し、それを総人数で割ります。

中央値は、平均とは別の概念です。中央値は、中央にある値、つまり50%の位置にある値です。上の表で言うと、その左側に500人、右側にも500人がいるようなセッション数を探します。中央値は、この例では6です。中央値を使うと、データに悪影響を及ぼす可能性がある外れ値の作用を除外することができます。

3つ目の概念は最頻値です。最頻値とは、出現頻度が最も高い回答を指します。この例では、6という回答がそれです。260人の参加者が6つのセッションに出席したと答えていて、これは他のどのセッション数より多い回答です。

平均・中央値・最頻値は、リッカート尺度による回答からも計算できます。

アンケート結果についてレポートする場合は、データにどのようなストーリーがあるかを検討しましょう。

たとえば、会議に対する評価がいまひとつだったとします。何が問題だったのかを理解するため、掘り下げてみます。データを見ると、セッション・クラス・交流イベント・ホテルといった会議のほとんどの要素が出席者から高く評価されたことがわかります。しかし、出席者が何と言っても嫌だったのは、会議の開催場所に選ばれた都市でした。（1月の会議をシカゴで開催したら寒すぎて外に出られなかった、とか・・・。）

すばらしい会議なのに場所の選択が最悪、というのもストーリーの一部なのです。冬の会議なら、マイアミやサンディエゴにした方がいいでしょう。

データを分析してレポートする際に考慮すべき点として、因果関係と相関関係が挙げられます。

情報の理解の仕方は、人によって大きく異なります。幸い、SurveyMonkeyには多数の手法が用意されているので、誰もが目標を達成できるような形で情報を評価・表示し、グラフやチャートを作成し、わかりやすく結果を表示したレポートを作成することができます。

ここで、アンケートの分析を段階的に進めていくうえで参考になる概念をいくつかご紹介しましょう。

時系列データ分析（またはトレンド分析）では、特定の問いに対する答えを長期にわたって追跡します。ベンチマークが確立されたら、数値が推移するか、どのように推移するかを調べることができます。たとえば、会議に満足した人の割合が3年前は50%、2年前は55%、昨年は65%、今年は75%だったとしましょう。これは極めて良い傾向ですね！満足度の時系列データ分析が示しているのは、安定した上昇傾向です。

戻る

因果関係では、ある因子が別の因子に起因します。相関関係では、2つの変数が一緒に変動しますが、相互に影響したり起因したりはしません。たとえば、ココアを飲む人の数と手袋をはめる人の数は、同じ時期に増加し、同じ時期に減少するので、相関しています。しかし、ココアが手袋に起因するわけでも、手袋がココアに起因するわけでもありません。実際は、どちらの因子も第三の因子である寒さに起因しています。

寒さが、ココアの消費と手袋の着用に影響しているのです。寒さは独立変数で、ココアの消費と手袋の着用は従属変数です。会議のフィードバックアンケートの例で言うと、寒さが会議の開催地、ひいては会議全体に対する出席者の不満に影響したと考えられます。

最後に、アンケートに含まれる変数の関係をさらに詳しく調べるには、回帰分析を実行するのがいいでしょう。

戻る

回帰分析は、データを可視化・分析する高度な手法で、2つ以上の変数の関係を調べることができます。回帰分析にはいろいろな種類があり、アンケートにどの手法が適しているかは、分析の対象である変数によって決まります。すべての回帰分析に共通しているのは、ある従属変数に1つまたは複数の独立変数が及ぼす影響を調べる、という点です。会議に関するアンケートで知りたいことは、会議に対する出席者の満足度に最も影響する因子はどれかということでしょう。セッションの数でしょうか。基調講演のスピーカーでしょうか。交流イベントでしょうか。それとも会場？回帰分析を行うと、会議のさまざまな属性に対する満足度が、全体の満足度に寄与するかどうか、寄与するのであればどの程度かを特定できます。

それが、次回の会議でどの要素を変更すればよいかのヒントになります。たとえば、オープニングセッションの基調講演のために、高額な報酬を支払って一流のスピーカーを招待したとします。出席者は、このスピーカーと会議全体を高く評価しました。この2つの事実からは、優れた（ギャラの高い）基調講演スピーカーを招くことは会議を成功させるために重要であると考えられます。回帰分析を行えば、本当にそうなのかを判断することができます。回帰分析で、基調講演のスピーカーの人気が会議に対する満足度に大きく貢献することがわかったとしましょう。その場合、来年の基調講演にも優れたスピーカーを招待すべきでしょう。しかし回帰分析の結果、誰もがスピーカーを高く評価していながら、それが会議に対する満足度につながったわけではないとわかったとします。その場合は、スピーカーの報酬に使ったお金を別のものに費やした方がいいかも知れません。

時間をかけてアンケートデータを深く、慎重に分析すれば、回答を十分に活用した上で適切な決定を下すことができます。

アンケートデータはパワフルなツール

データを、新鮮なうちに豊富な洞察が得られるような意欲的な方法で分析すれば、会社の成長を助け、顧客との関係を深め、競合企業の先を行くことができます。SurveyMonkeyには、あらゆる規模の予算に対応した広範なオプションが揃っています。

アンケートデータ収集では、アンケートを使って特定の回答者から情報を集めます。アンケートデータ収集で、インタビューやフォーカスグループなどの他のデータ収集方法を置き換えたり、補完したりできます。アンケートによって収集したデータは、従業員エンゲージメントを向上させたり、購入者の行動を理解したり、顧客体験を改善したりするために役立てられます。

戻る

時系列データ分析（またはトレンド分析）では、特定の問いに対する答えを長期にわたって追跡します。ベンチマークが確立されたら、数値が推移するか、どのように推移するかを調べることができます。たとえば、会議に満足した人の割合が3年前は50%、2年前は55%、昨年は65%、今年は75%だったとしましょう。これは極めて良い傾向ですね！満足度の時系列データ分析が示しているのは、安定した上昇傾向です。

戻る

因果関係では、ある因子が別の因子に起因します。相関関係では、2つの変数が一緒に変動しますが、相互に影響したり、起因したりはしません。たとえば、ココアを飲む人の数と手袋をはめる人の数は、同じ時期に増加し、同じ時期に減少するので、相関しています。しかし、ココアが手袋に起因するのでも、手袋がココアに起因するのでもありません。実際は、どちらの因子も第三の因子である寒さに起因しています。寒さがココアの消費と手袋の着用に影響しているのです。寒さは独立変数で、ココアの消費と手袋の着用は従属変数です。会議のフィードバックアンケートの例で言うと、寒さが会議の開催地、ひいては会議全体に対する出席者の不満に影響したと考えられます。最後に、アンケートに含まれる変数の関係をさらに詳しく調べるには、回帰分析を実行するのがいいでしょう。

戻る

回帰分析は、データを可視化・分析する高度な手法で、2つ以上の変数の関係を調べることができます。回帰分析にはいろいろな種類があり、アンケートにどの手法が適しているかは、分析の対象である変数によって決まります。すべての回帰分析に共通しているのは、ある従属変数に1つまたは複数の独立変数が及ぼす影響を調べる、という点です。会議に関するアンケートで知りたいことは、会議に対する出席者の満足度に最も影響する因子はどれかということでしょう。セッションの数でしょうか。基調講演のスピーカーでしょうか。交流イベントでしょうか。それとも会場？回帰分析を行うと、会議のさまざまな属性に対する満足度が、全体の満足度に寄与するかどうか、寄与するのであればどの程度かを特定できます。

それが、次回の会議でどの要素を変更すればよいかのヒントになります。たとえば、オープニングセッションの基調講演のために、高額な報酬を支払って一流のスピーカーを招待したとします。出席者は、このスピーカーと会議全体を高く評価しました。この2つの事実からは、優れた（高価な）基調講演スピーカーを招くことは会議を成功させるために重要であると考えられます。回帰分析を行えば、本当にそうなのかを判断することができます。回帰分析で、基調講演のスピーカーの人気が会議に対する満足度に大きく貢献することがわかったとしましょう。その場合、来年の基調講演にも優れたスピーカーを招待すべきでしょう。しかし回帰分析の結果、誰もがスピーカーを高く評価していながら、それが会議に対する満足度につながったわけではないとわかったとします。その場合は、スピーカーの報酬に使ったお金を別のものに費やした方がいいかも知れません。時間をかけてアンケートデータを深く、慎重に分析すれば、回答を十分に活用した上で適切な決定を下すことができます。