설문조사 데이터 분석 방법

온라인 설문조사 결과를 받았습니다. 이제 설문조사 데이터 분석 역량을 발휘해 결과에서 의미를 찾아 이해하고 실행하기 쉬운 방법으로 제시해야 합니다. 통계적 설문조사 결과를 수집했고 데이터 분석 계획도 수립되어 있으므로 확보한 설문조사 결과를 계산하는 프로세스를 시작하면 됩니다. SurveyMonkey의 설문조사 리서치 과학자들은 정량적 데이터(정성적 데이터와 비교)를 파악하기 위해 설문조사 응답에 대한 보고 기능을 구축하여 리서치 질문에 대한 답을 얻습니다. 아무리 전문가라 할지라도 원시 데이터에서 인사이트를 찾아 설명하기란 어려운 일일 수 있습니다. 

설문조사 목표를 달성하기 위해서는 먼저 SurveyMonkey의 전문가가 추천한 설문조사 방법론을 믿고 사용해 보는 것이 좋습니다. 결과를 받은 후에는 통계 분석, 데이터 애널리틱스 및 설문조사 메트릭을 캡처하는 차트와 그래프 등 사용 가능한 모든 데이터 분석 도구를 통해 효과적으로 설문조사 결과를 분석할 수 있습니다.

더 나은 비즈니스 결정을 내리는 데 필요한 정보와 인사이트를 얻으려면 설문조사 데이터를 올바르고 철저하게 분석해야 합니다. 그렇지만 분석을 더 어렵게 만들거나 심지어 결과를 왜곡할 수 있는 난제가 있을 수 있다는 사실을 반드시 알고 있어야 합니다. 

개방형 질문을 너무 많이 하면 숫자에 기반하지 않는 정성적 결과를 생성하므로 분석이 복잡하고 시간도 오래 걸릴 수 있습니다. 반면, 폐쇄형 질문을 통해 생성되는 결과는 분석이 더 쉽습니다. 유도 질문 또는 편향된 질문을 하거나 혼동되거나 너무 복잡한 질문을 배치해도 분석에 방해가 될 수 있습니다. 올바른 도구와 노하우를 갖추어 설문조사 분석을 쉽고 효과적으로 하세요.

폐쇄형 질문과 개방형 질문 사용에 대해 자세히 알아보세요.

SurveyMonkey의 다양한 데이터 분석 기법으로 원시 데이터를 실행 가능한 인사이트로 전환하여 이해하기 쉬운 형식으로 표시할 수 있습니다. 자동 차트 및 그래프와 단어 클라우드 등의 기능이 설문조사 데이터를 유용하게 활용할 수 있도록 돕습니다. 예를 들어 감성 분석은 수천 또는 수백만 개의 개방형 텍스트 응답으로부터 응답자들의 생각과 느낌을 바로 요약해서 보여줄 수 있습니다. 긍정적, 중립적, 부정적 감성을 한눈에 살펴보거나, 더욱 심도 있는 인사이트를 원한다면 감성별로 필터링하여 주의가 필요한 영역을 파악할 수 있습니다. 그러한 모든 텍스트 응답을 정량적 데이터 집합으로 전환할 수 있다고 생각해 보세요.

단어 클라우드는 가장 자주 사용된 단어를 시각적으로 표시하여 개방형 응답을 신속하게 해석할 수 있게 해 줍니다. 특정 단어의 색이나 글꼴을 선택하는 것부터 관련 없는 단어를 쉽게 숨기는 것까지 다양한 방법으로 단어 클라우드의 모양을 사용자 지정할 수 있습니다.

SurveyMonkey의 다양한 기능과 도구가 분석 난제를 해결하고 신속하게 그래픽 요소와 탄탄한 보고서를 생성하도록 도울 수 있습니다. 촉박하게 요청한 보고서가 SurveyMonkey를 통해 어떻게 순식간에 준비될 수 있는지 확인해 보세요.

우선, 가장 핵심적인 리서치 질문으로부터 확보한 설문조사 결과를 어떻게 계산할지에 대한 이야기부터 해보겠습니다. 경험적 리서치 질문을 포함했습니까? 확률 표본추출을 고려했습니까? 설문조사의 목표를 정할 때 핵심적인 리서치 질문에 대한 윤곽도 정했어야 합니다.

예를 들어 교육 컨퍼런스를 주최하고 참석자들에게 이벤트 후 피드백 설문조사를 보냈다면 가장 핵심적인 리서치 질문 중 하나는 참석자들이 전반적으로 컨퍼런스를 어떻게 평가했는지에 대한 것일 수 있습니다. 이제 다음과 같은 특정 설문조사 질문에 대해 수집된 답변을 살펴보면 이 핵심적인 리서치 질문에 대한 답을 찾을 수 있습니다.

내년에 이 컨퍼런스에 참석할 계획이십니까?

응답을 살펴보면 백분율(71%, 18%)이 있고, 원시 수치(852, 216)가 있습니다. 백분율은 특정 답변을 제공한 사람들의 비율입니다. 이를 다른 말로 설명하면 백분율은 각 답변을 제공한 사람들의 수를 해당 질문에 답변을 제공한 사람들의 수에 대한 비율로서 나타내는 것입니다. 이 표에서는 설문조사 응답자의 71%(설문조사 대상 1,200명 중 852명)가 내년에 다시 참석할 계획임을 나타내고 있습니다.

18%의 사람들은 다시 참가할 의향이 없고 11%는 아직 결정하지 않았음을 보여줍니다.

표본 크기를 제대로 이해하고 있어야 설문조사 결과를 정확하고 효과적으로 분석할 수 있습니다. 표본 크기는 통계를 내는 데 필요한 만큼 설문조사에 참여하여 응답을 완성해야 하는 사람들의 수입니다. 통계학자조차 설문조사 표본 크기를 결정하는 일은 어려울 수 있습니다. SurveyMonkey는 오차 한계를 줄이는 데 도움이 되는 결과를 얻기 위해 설문조사에 필요한 응답자 수를 결정할 수 있는 간편한 오차 한계 계산기로 프로세스에서 추측과 복잡성을 배제합니다.

설문조사 목표를 세우고 분석 계획을 개발할 때 어떤 하위 그룹을 분석하고 비교할지 생각했던 것을 기억해 보세요. 지금이 바로 그 모든 계획이 진가를 발휘하는 때입니다. 예를 들어 내년에 열릴 컨퍼런스 참석 여부에 대한 교사, 학생 및 행정 담당자의 응답을 서로 비교해 보고 싶다고 가정해 보세요. 크로스 테이블이나 크로스탭 보고서를 사용하여 하위 그룹별로 컨퍼런스 질문에 대한 결과를 표시하여 응답률을 자세히 알아볼 수 있습니다.

이 표를 통해 학생 및 교사들의 대부분(각각 86% 및 80%)이 내년에 다시 참석할 계획임을 알 수 있습니다. 하지만 이와는 달리, 올해 컨퍼런스에 참석했던 행정 담당자 중 절반에 미치지 못하는(46%) 사람들이 내년에 참석할 계획임을 보여주고 있습니다. 다른 질문들을 통해 어째서 이런 현상이 벌어졌는지를 알아보고 행정 담당자들을 위해 컨퍼런스를 개선하여 내년에 더 많은 인원이 돌아올 수 있도록 할 수 있습니다.

필터는 데이터 모델링 시 사용할 수 있는 또 다른 데이터 분석 방법입니다. 필터링이란 하나의 특정 하위 그룹에 초점을 모으고 다른 하위 그룹들은 모두 걸러내는 것입니다. 따라서 하위 그룹들을 서로 비교하는 것이 아니라 하나의 하위 그룹이 질문에 어떻게 답변했는지만 보는 것입니다. 필터를 결합하면 데이터에서 더 정확한 부분을 찾아낼 수 있습니다.

예를 들어 여성 또는 남성으로만 초점을 제한한 다음 참석자 유형별로 크로스탭을 다시 실행하여 여성 행정 담당자, 여성 교사 및 여성 학생들을 비교할 수 있습니다. 이렇게 결과를 세분화하여 분석할 때 주의해야 할 점은 필터 또는 크로스탭을 적용할 때마다 표본 크기가 줄어든다는 것입니다. 통계적으로 유의성 있는 결과를 확보하기 위해 표본 크기 계산기를 사용하는 것이 유용할 수 있습니다.

누구든 쉽게 이해할 수 있는 방법으로 데이터 분석 결과를 신속하게 보여주는 것을 목표로 할 때 보통 사용할 수 있는 도구가 그래프입니다. SurveyMonkey로 더욱 명확하고 의미 있는 분석을 제공하는 그래프를 쉽게 만들어 타겟팅하는 대상 그룹에 더 잘 맞고 실행 가능한 방법으로 데이터를 사용할 수 있습니다.  

크로스탭 보고서로도 알려진 크로스 테이블은 데이터를 심층 분석할 수 있는 유용한 도구입니다. 크로스탭은 데이터를 공유 배경 정보나 설문조사 응답에 따라 응답자를 분류하는 테이블로 구성하여 각 그룹의 답변을 다른 그룹의 답변과 서로 비교할 수 있게 합니다. 이로써 각 응답자 그룹을 더 잘 이해하고 서로 어떻게 다른지 파악하는 데 도움이 됩니다.

컨퍼런스 피드백 설문조사에서 핵심 질문 중 하나가 “컨퍼런스에 대해 전반적으로 얼마나 만족하셨습니까?”였다고 가정해 보겠습니다. 

여기서 75%의 참가자들이 컨퍼런스에 만족했다고 답변했습니다. 꽤 높은 만족도입니다. 하지만 맥락이 필요할 것입니다. 비교해 볼 데이터가 있는지, 작년보다 더 나아진 수치인지, 혹은 하락한 수치인지, 다른 컨퍼런스와 비교했을 때는 어떤지 등이 있겠습니다.

벤치마크를 하면 손쉽게 과거와 현재의 데이터를 비교하여 업계와 시장의 트렌드를 파악하고 현재 상태가 어떤지 확인할 수 있어 그러한 질문 등에 대한 답을 찾을 수 있습니다.

작년 컨퍼런스 후 컨퍼런스 피드백 설문조사에서 이 질문을 했다고 가정해 보세요. 트렌드 비교를 할 수 있을 것입니다. 여론조사 전문가들이 하나같이 하는 말은 “트렌드를 알아야 길이 보인다”’는 것입니다. 작년 만족도가 60%였다면 올해에는 15%나 만족도가 상승되었습니다. 만족도를 상승시킨 요인은 무엇이었을까요? 설문조사의 다른 질문들에 대한 응답에서 이에 대한 답을 찾아볼 수 있을 것입니다.

지난 연간 컨퍼런스 데이터가 없는 경우, 올해가 매 컨퍼런스마다 피드백을 수집하기 시작하는 시점이 됩니다. 이를 벤치마크라고 합니다. 벤치마크나 기준치를 수립하고 나면 다음부터는 이러한 수치에 변화가 생겼는지, 어째서 변화가 생겼는지를 알 수 있게 됩니다. 참석자들의 만족도뿐만 아니라 다른 질문들도 벤치마크하여 참석자들이 컨퍼런스에 대해 어떻게 생각하는지 매년 확인할 수 있습니다. 이를 종단적 데이터 분석이라고 합니다.

서로 다른 하위 그룹에 대한 데이터도 추적할 수 있습니다. 예를 들어, 학생과 교사의 만족도는 매년 계속해서 상승하지만 행정 담당자의 만족도는 그렇지 않다고 가정하겠습니다. 이런 경우엔 행정 담당자들이 답변을 제공한 다른 여러 가지 질문들을 연구하여 왜 그 집단이 다른 참석자들보다 덜 만족하는지에 대한 인사이트를 확보할 수 있습니다.

다시 참석하겠다고 밝힌 사람들의 수는 알고 있지만, 설문조사로부터 확보한 답변이 얼마나 신뢰할 만하며 향후 의사 결정에 확신을 가지고 사용할 수 있을지 어떻게 알 수 있을까요? 데이터 질에 주의를 기울이고 통계적 유의성의 요소를 이해하는 것은 매우 중요합니다.

일상 대화에서 ‘의미 심장한’이라는 말은 중요하거나 의미가 있다는 뜻으로 사용됩니다. 설문조사 분석 및 통계학에서는 이 말이 '정확성에 대한 평가'를 뜻합니다. 바로 여기서 설문조사 작업에 ‘플러스 또는 마이너스’가 불가피하게 사용되기 시작합니다. 구체적으로 말하면 이는 설문조사 결과가 특정 신뢰 수준 내에서 정확하며 그 정확성이 임의적인 경우로 인한 것이 아님을 뜻합니다. 부정확한(즉, 통계적 유의성이 없는) 결과를 기반으로 도출한 추론은 위험성을 지닙니다. 모든 통계적 유의성 평가에서 첫 번째로 고려해야 하는 요소는 표본의 대표성입니다. 즉, 설문조사에 포함된 그룹의 사람들이 결론을 도출하고자 하는 상대인 사람들 전체를 얼마나 잘 대표하고 있는지 고려하는 것입니다.

설문조사를 완성한 컨퍼런스 참석자들 중 90%가 남성이지만 컨퍼런스 참석자들의 15%만이 남성이라면 여기서 얻은 수치를 확신할 수 없을 것입니다. 연구하고자 하는 인구 집단에 대해 더 많이 알면 알수록 이러한 수치와 설문조사가 일치할 때 설문조사로부터 확보하는 결과에 확신을 가지게 됩니다. 이 예에서 성별로 보자면 남성이 설문조사 응답자의 15%를 차지했다면 문제가 될 일이 없습니다.

알려진 모집단으로부터 무작위로 설문조사 표본을 선택한 경우에는 간단한 방법으로 통계적 유의성을 계산할 수 있습니다. 여기서 주된 요소는 표본 크기입니다. 컨퍼런스에 참석한 1,000명 중 50명이 설문조사에 응답했다고 가정해 보세요. 이 50명은 작은 표본 크기로 인해 넓은 오차 한계를 가지게 됩니다. 간단히 말해, 이 결과의 의미는 그다지 신뢰성이 없게 되는 것입니다.

이번엔 설문조사 응답자들에게 컨퍼런스 중 진행된 10개의 세션 중 몇 개에 참여했는지를 물었고 다음과 같은 결과를 확보하게 되었다고 가정하겠습니다.

여기서는 평균을 분석하고자 합니다. 평균에는 평균값, 중앙값, 최빈값의 세 가지 종류가 있습니다.

위의 표에서 보자면 참가한 세션의 평균치는 6.1개입니다. 표에 나와 있는 평균은 평균값으로 대부분의 사람들에게 익숙한 종류의 평균입니다. 평균값을 계산하려면 데이터를 모두 합한 후, 더한 수치의 수로 나눕니다. 이 예에서는 100명이 1개의 세션에 참가했고, 50명은 4개, 100명은 5개에 참가했음을 알 수 있습니다. 참가 세션 수와 인원 수 쌍을 서로 곱하고, 이 곱셈에서 나온 수치를 합하여 총 인원 수로 나눕니다.

중앙값은 평균의 또 다른 종류입니다. 중앙값은 중간에 있는 값, 즉 50% 지점을 뜻합니다. 위의 표에서는 500명이 세션 수의 왼쪽에 있고 다른 500명은 오른쪽에 있는 세션 수를 파악하고자 합니다. 이 경우 중앙값은 세션 6개입니다. 이렇게 하면 데이터에 부정적인 영향을 주는 이상치로부터의 영향을 제거할 수 있습니다.

마지막 종류의 평균은 최빈값입니다. 최빈값은 가장 빈번하게 나타나는 응답의 수치를 말합니다. 여기서 최빈값은 6입니다. 왜냐하면 6개의 세션에 참가한 응답 수가 다른 어떠한 참가 세션 수보다도 더 많았기 때문입니다.

리커트 척도에 기반한 결과인 경우에는 평균값 및 다른 유형의 평균을 사용할 수도 있습니다.

설문조사 결과에 대해 보고할 때에는 데이터가 전달하고자 하는 의미를 생각해야 합니다.

컨퍼런스가 전반적으로 그다지 좋지 않은 평가를 받았다고 가정해 보세요. 왜 그런 평가를 받았는지 좀 더 자세히 살펴보아야 합니다. 데이터를 살펴보면 세션 및 수업, 사교 이벤트, 호텔 등 컨퍼런스의 거의 모든 측면에서 참석자들이 매우 높은 등급을 주었으나 컨퍼런스가 열린 도시가 마음에 들지 않았다는 것을 알 수 있습니다. 아마 겨울철인 1월에 가장 추운 도시에서 컨퍼런스가 열려 너무 추워서 밖에 나가지도 못했기 때문일 수도 있습니다. 

바로 이러한 사항이 데이터가 전달하고자 하는 의미입니다. 컨퍼런스 자체는 매우 훌륭했으나 장소 면에서 좋지 않은 선택을 한 것입니다. 이러한 의미로부터 겨울에는 따뜻한 곳에서 컨퍼런스를 개최하는 개선점을 만들 수 있습니다.

데이터 분석 및 보고 요소들 중 고려해야 하는 한 가지는 인과관계와 상관관계입니다.

사람들은 다양한 방법으로 정보를 소화하고 이해합니다. 다행히 SurveyMonkey는 목표에 맞는 가장 유용한 방법으로 정보를 평가하고 제시하며, 결과가 쉽게 이해되는 그래프, 차트 및 보고서를 만들 수 있도록 설문조사 데이터를 분석하는 수많은 방법을 제공합니다.

다음은 설문조사 분석 절차를 구축해 나가면서 생각해 보게 될 몇 가지 일반적인 질문입니다.

종단적 데이터 분석(흔히 ‘추세 분석’이라고 함)은 기본적으로 특정 질문에 대해 알게 된 사항들이 시간의 경과에 따라 어떻게 변하는지를 추적하는 것입니다. 일단 벤치마크를 수립하고 나면 수치가 변하는지, 어떻게 변하는지 측정할 수 있습니다. 컨퍼런스에 대한 만족도가 3년 전에는 50%였고, 2년 전에는 55%, 작년에는 65%, 올해는 75%였다고 가정하겠습니다. 이 경우에는 종단적 데이터 분석이 만족도 면에서 계속 상승 추세를 보여주므로 바람직한 변화를 나타내고 있습니다.

돌아가기

인과관계란 한 가지 요소가 다른 요소의 원인이 되는 것이며, 상관관계는 두 가지 변수가 함께 움직이지만 서로 영향을 미치거나 서로 다른 변수의 원인이 되지는 않는 것을 의미합니다. 예를 들어 겨울철에 핫 초콜릿을 마시고 벙어리 장갑을 끼는 것은 상관관계가 있는 두 가지 변수입니다. 즉, 함께 상승하고 함께 하락합니다. 하지만 핫 초콜릿과 벙어리 장갑이 서로의 원인이 되지는 않으며, 둘 다 모두 추운 날씨인 제3의 요소가 원인이 됩니다. 

추운 날씨는 핫 초콜릿 소비와 벙어리 장갑을 끼게 되는 확률을 모두 높입니다. 추운 날씨는 독립 변수이며 핫 초콜릿 소비와 벙어리 장갑을 끼게 되는 확률은 종속 변수입니다. 예시로 들었던 컨퍼런스 피드백 설문조사에서는 추운 날씨가 컨퍼런스가 열린 도시와 컨퍼런스 전반에 있어 참석자들의 만족도에 영향을 미쳤습니다. 

최종적으로, 설문조사의 변수 간 관계를 더 심층적으로 조사하기 위해 회귀 분석을 실행해야 할 수도 있습니다.

돌아가기

회귀 분석은 고급 데이터 시각화 및 분석 방법으로 두 가지 이상의 변수들 간의 관계를 살펴볼 수 있습니다. 회귀 분석에는 여러 가지 종류가 있으며 설문조사 과학자가 선택하는 분석법은 조사하고자 하는 변수에 달려 있습니다. 하지만 모든 종류의 회귀 분석이 가지고 있는 공통점은 종속 변수에 미치는 한 가지 이상의 독립 변수의 영향을 파악한다는 것입니다. 설문조사 데이터 분석을 통해 참석자들의 컨퍼런스 만족도에 가장 큰 영향을 미치는 요소가 무엇인지 알아보고자 할 수도 있습니다. 영향을 미친 것이 세션 수입니까? 기조연설자입니까? 사교 이벤트입니까? 아니면 컨퍼런스 장소입니까? 설문조사 전문가는 회귀 분석을 사용하여 컨퍼런스의 이러한 서로 다른 요소들이 전체적인 만족도에 영향을 미쳤는지와 어느 정도로 영향을 미쳤는지를 측정할 수 있습니다.

이러한 측정을 통해 다음 컨퍼런스에서는 어떤 면을 개선할 것인지 알 수 있게 됩니다. 예를 들어 오프닝 세션에 최고의 기조연설자를 초빙하기 위해 매우 높은 사례금을 지불했다고 가정해 보세요. 참가자들이 이 연설자와 컨퍼런스에 전체적으로 높은 점수를 주었습니다. 이 두 가지 사실에 비추어 보면 비싸고 인기 있는 기조연설자를 초빙하는 것이 컨퍼런스의 성공에 중요한 역할을 한다고 결론을 내릴 수도 있습니다. 회귀 분석을 사용하여 정말 그런지 확인해 볼 수 있습니다. 기조연설자의 인기도가 컨퍼런스 만족도를 결정 짓는 주요 요소였다는 사실을 발견하게 될 수 있습니다. 이런 경우엔, 내년에도 다시 최고의 기조연설자를 초빙할 필요가 있습니다. 하지만 회귀 분석에서 참석자들이 연설자를 좋아했지만 이 사실이 참석자들의 컨퍼런스 만족도에 크게 영향을 미치지는 않았다는 사실을 알게 되었다고 가정해 보세요. 이런 경우엔 기조연설자 초빙에 지출한 높은 비용을 다른 곳에 사용해야 할 수 있습니다.

설문조사 데이터가 제시하는 의미를 신중하게 분석함으로써 답변을 통해 충분한 정보에 입각한 결정을 내리는 데 큰 도움을 받을 수 있습니다.

가장 강력한 도구 중 하나가 될 수 있는 설문조사 데이터

참신하고 호소력 있고 유용한 인사이트를 제공하는 방법으로 데이터를 분석하면 회사의 성장을 견인하고, 고객과의 관계를 더욱 돈독히 하며, 경쟁사보다 앞서 나가는 데 도움이 될 수 있습니다. SurveyMonkey는 예산에 맞게 선택할 수 있는 다양한 옵션을 제공합니다. 

설문조사 데이터 수집은 설문조사를 이용하여 특정 응답자들로부터 정보를 수집하는 것입니다. 설문조사 데이터 수집은 인터뷰, 포커스 그룹 등을 포함한 다른 데이터 수집 유형을 대체하거나 보완할 수 있습니다. 설문조사로부터 수집된 데이터는 직원 참여도를 높이고, 구매자 행동 유형을 이해하며, 고객 경험을 개선하는 데 이용할 수 있습니다.

돌아가기

종단적 데이터 분석(흔히 ‘추세 분석’이라고 함)은 기본적으로 특정 질문에 대해 알게 된 사항들이 시간의 경과에 따라 어떻게 변하는지를 추적하는 것입니다. 일단 벤치마크를 수립하고 나면 수치가 변하는지, 어떻게 변하는지 측정할 수 있습니다. 컨퍼런스에 대한 만족도가 3년 전에는 50%였고, 2년 전에는 55%, 작년에는 65%, 올해는 75%였다고 가정하겠습니다. 이 경우에는 종단적 데이터 분석이 만족도 면에서 계속 상승 추세를 보여주므로 바람직한 변화를 나타내고 있습니다.

돌아가기

인과관계는 한 가지 요소가 다른 요소의 원인이 되는 것이며, 상관관계는 두 가지 변수가 함께 움직이지만 서로 영향을 미치거나 서로 다른 변수의 원인이 되지는 않습니다. 예를 들어, 겨울철에 핫초콜릿을 마시고 벙어리 장갑을 끼는 것은 상관관계가 있는 두 가지 변수입니다. 즉, 함께 상승하거나 함께 하락합니다. 하지만 핫초콜릿과 벙어리 장갑이 서로의 원인이 되지는 않으며 둘 다 모두 추운 날씨와 같이 제3의 요소가 그 원인이 됩니다. 추운 날씨는 핫초콜릿 수요와 벙어리 장갑을 끼게 되는 확률을 모두 높입니다. 추운 날씨는 독립 변수이며 핫초콜릿 수요와 벙어리 장갑을 끼게 되는 확률은 종속 변수입니다. 여기서 설명한 컨퍼런스 피드백 설문조사에서는 추운 날씨가 컨퍼런스가 열린 도시와 컨퍼런스 전반에서 참석자들의 만족도에 영향을 미쳤습니다. 최종적으로, 설문조사의 변수 간 관계를 더 심층적으로 조사하기 위해 회귀 분석을 실행해야 할 수도 있습니다.

돌아가기

회귀 분석은 고급 데이터 분석 방법으로 두 가지 이상의 변수들 간의 관계를 연구할 수 있습니다. 회귀 분석에는 여러 가지 종류가 있으며 설문조사 전문가가 선택하는 분석법은 조사하고자 하는 변수에 달려 있습니다. 하지만 모든 종류의 회귀 분석이 가지고 있는 공통점은 종속 변수에 미치는 한 가지 이상의 독립 변수의 영향을 파악한다는 것입니다. 설문조사 데이터 분석을 통해 컨퍼런스 참석자들의 만족도에 가장 큰 영향을 미치는 요소가 무엇인지를 알아보고자 할 수도 있습니다. 영향을 미친 것이 세션 수였을까요? 기조연설자였을까요, 혹은 사교 행사였을까요? 아니면 행사 장소였을까요? 설문조사 전문가는 여기에서 회귀 분석을 사용하여 컨퍼런스의 서로 다른 이러한 요소들이 전체적인 만족도에 영향을 미쳤는지와 어느 정도로 영향을 미쳤는지를 측정할 수 있습니다.

이러한 측정을 통해 다음 번 컨퍼런스에서는 어떤 면을 개선할 것인지를 알게 됩니다. 예를 들어, 오프닝 세션에 최고의 기조연설자를 고용하기 위해 매우 높은 사례금을 지불했다고 가정하겠습니다. 참가자들이 이 연설자와 컨퍼런스에 전체적으로 높은 점수를 주었습니다. 이 두 가지만을 기반으로 하자면 비싸고 인기 있는 기조연설자를 고용하는 것이 컨퍼런스의 성공을 좌지우지한다고 결론을 내릴 수도 있습니다. 회귀 분석을 사용하여 이러한 결론이 정확한지를 알아볼 수 있습니다. 기조연설자의 인기도가 컨퍼런스 만족도를 결정 짓는 주요 요소였다는 사실을 발견하게 될 수 있습니다. 이런 경우엔, 내년에도 다시 최고의 기조연설자를 고용할 필요가 있습니다. 하지만 회귀 분석에서 참가자들이 연설자를 좋아는 했지만 이 사실이 참가자들의 만족도에 크게 영향을 미치지 않았다는 사실을 알게 되었을 수 있습니다. 이런 경우엔 기조연설자 고용에 소요한 높은 지출 비용을 다른 곳에 사용해야 할 수 있습니다. 설문조사 데이터가 제시하는 의미를 신중하게 분석함으로써 답변을 통해 충분한 정보에 입각한 결정을 내리는 데 큰 도움을 받을 수 있습니다.