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.