Comment analyser vos données de sondage ?

Vous avez reçu les résultats de votre sondage en ligne ? Il s’agit maintenant leur donner du sens. Grâce aux puissantes fonctionnalités d’analyse de SurveyMonkey, vous pourrez les présenter de manière claire et compréhensible pour toutes les parties prenantes. Après avoir collecté les données statistiques de vos sondages et conçu un plan d’analyse, vous pourrez passer à l’analyse de données à proprement parler. C’est ainsi que nos experts en sondages exploitent les données quantitatives (à distinguer des données qualitatives). Ils structurent leurs rapports à partir des résultats de sondages qui viennent répondre aux questions initiales de leur recherche. Mais même pour des spécialistes, il n’est pas toujours évident d’extraire des informations exploitables à partir de données brutes.

Pour atteindre vos objectifs en matière de sondage, appuyez-vous sur la méthodologie proposée par nos experts. Une fois que vous avez reçu vos réponses, analysez-les à l’aide de différents outils : fiche d’analyse statistique, tableaux, graphiques, etc.

Une analyse solide et rigoureuse des résultats est essentielle pour obtenir des informations pertinentes et prendre des décisions stratégiques. Il faudra néanmoins faire attention à certains écueils qui risquent de compliquer l’analyse ou de fausser ses résultats.

Si votre questionnaire comporte beaucoup de questions ouvertes, les réponses seront plus difficiles à analyser, puisqu’elles ne se basent pas sur des données chiffrées. Les questions fermées, en revanche, sont plus simples à analyser. L’analyse peut également être entravée si les questions sont biaisées, trop complexes, ou si elles prêtent à confusion. Si vous disposez des outils et du savoir-faire adéquats, votre analyse n’en sera que plus rapide et plus efficace.

En savoir plus sur les questions ouvertes et les questions fermées.

Grâce à ses nombreuses fonctionnalités d’analyse, SurveyMonkey transforme vos données brutes en informations facilement exploitables. Les fonctionnalités telles que les tableaux, les graphiques automatiques et les nuages de mots donnent vie à vos données de sondage. Par exemple, l’Analyse du ressenti permet d’obtenir instantanément un résumé concernant des milliers, voire de millions de réponses à des questions ouvertes. Visualisez en un coup d’œil l’ensemble des ressentis positifs, neutres et négatifs, ou triez vos réponses afin d’identifier des points qui nécessitent une attention particulière. Pour aller encore plus loin, vous pouvez même filtrer une question spécifique selon le ressenti des réponses. Transformez toutes vos réponses en texte libre en des données chiffrées, facilement exploitables.

L’option Nuages de mots vous aide à interpréter rapidement les réponses à des questions ouvertes en affichant sous forme de groupes de mots les termes qui reviennent le plus souvent. Vous pouvez personnaliser ces nuages de mots en définissant des couleurs ou des polices particulières pour certains mots, ou en masquant ceux que vous jugez non pertinents.

Notre large gamme d’outils vous aidera dans vos analyses les plus complexes, et vous permettra de générer en quelques clics des graphiques détaillés. Découvrez comment produire un rapport complet en un clin d’œil, grâce à SurveyMonkey.

Intéressons-nous d’abord à l’analyse de données à partir de quelques questions clés. Avez-vous posé des questions empiriques ? Avez-vous envisagé un échantillonnage aléatoire ? En principe, vous avez élaboré vos questions principales lorsque vous avez défini l’objectif de votre sondage.

Par exemple, si vous avez organisé une conférence éducative et fourni aux participants un sondage d’évaluation post-événementiel, l’une de vos questions principales pourrait être formulée de la manière suivante : « D’une manière générale, les participants ont-ils apprécié la conférence ? ». Considérez à présent les réponses que vous avez recueillies pour une question précise :

Pensez-vous participer à cette conférence l’an prochain ?

Notez que certaines réponses se présentent sous forme de pourcentages (71 %, 18 %), et d’autres sous forme de nombres (comme 852 ou 216). Les pourcentages correspondent à la proportion de participants qui ont donné une certaine réponse. Ils représentent le nombre de participants qui ont donné une certaine réponse, par rapport au nombre de personnes qui ont répondu à la question. Ainsi, 71 % des participants au sondage (soit 852 personnes sur les 1 200 interrogées) envisagent de revenir l’année prochaine.

Ce tableau indique aussi que 18 % des participants n’envisagent pas de revenir et que 11 % ne savent pas.

Pour que votre analyse soit précise et efficace, il est essentiel de bien comprendre la notion de taille de l’échantillon. La taille de l’échantillon correspond au nombre de personnes qui doivent répondre à l’intégralité de votre sondage pour obtenir des résultats statistiquement significatifs. Même pour un statisticien, déterminer la taille optimale d’un échantillon de sondage n’est pas évident. Gagnez du temps avec l’outil de calcul de marge d’erreur de SurveyMonkey et déterminez facilement combien de personnes vous devrez sonder pour obtenir des résultats fiables.

Lorsque vous avez défini l’objectif de votre sondage et élaboré votre plan d’analyse des données, vous avez dû réfléchir aux sous-groupes que vous vouliez analyser et comparer. Le moment est venu de récolter le fruit de ce travail préparatoire. Reprenons notre exemple de conférence sur l’éducation. Supposons que vous souhaitiez comparer les réponses des professeurs, des étudiants et du personnel administratif concernant leur éventuelle participation à la conférence de l’année prochaine. Il vous suffit pour cela d’utiliser un tableau croisé (également appelé analyse croisée ou tabulation croisée) qui répertorie les réponses par sous-groupe :

Ce tableau montre qu’une grande majorité des élèves (86 %) et des professeurs (80 %) ont prévu de revenir l’année prochaine. En revanche, parmi le personnel administratif, moins de la moitié (46 %) pensent assister à la conférence l’an prochain ! Voyons si les réponses à d’autres questions dans ce sondage nous aideront à comprendre les raisons de ce résultat. Nous pourrons alors identifier les points à améliorer et inciter le personnel administratif à revenir chaque année écouter cette conférence.

Le filtrage est une autre méthode d’analyse utilisée pour la modéliser les données. Appliquer un filtre revient à vous concentrer sur un sous-groupe en particulier, en faisant abstraction des autres. Au lieu de comparer plusieurs sous-groupes entre eux, vous pouvez ainsi étudier l’un d’entre eux plus en détail. En combinant des filtres, vous pouvez affiner encore plus vos données.

Vous pourriez par exemple vous concentrer uniquement sur les réponses des femmes, en réalisant une autre analyse croisée par catégorie afin de comparer les réponses des personnes de genre féminin. Gardez à l’esprit qu’à chaque fois que vous appliquez un filtre ou que vous recoupez vos données à l’aide d’un tableau croisé, la taille de votre échantillon diminue. Pour être sûr(e) d’avoir des résultats statistiquement significatifs, utilisez notre calculatrice de taille de l’échantillon.

Pour présenter les résultats d’une analyse sous une forme attrayante et facilement compréhensible, essayez les graphiques. SurveyMonkey permet de générer en quelques clics des graphiques qui apportent de la clarté à votre analyse. Vous exploiterez ainsi vos données de manière plus ciblée et donc plus efficace.

Vous pouvez aussi utiliser des tableaux croisés (ou analyses croisées) pour affiner vos résultats. Ces tableaux regroupent les participants par caractéristiques ou par réponses communes, ce qui vous permet de comparer les réponses entre chaque groupe. Vous obtiendrez ainsi une vision plus précise de chaque groupe de participants, tout en soulignant leurs différences.

Supposons que l’une des questions principales de votre sondage d’évaluation sur la conférence soit : « D’une manière générale, êtes-vous satisfait(e) de la conférence ? »

Les résultats que vous avez obtenus montrent que 75 % des participants sont satisfaits de la conférence, ce qui est très concluant ! Mais vous aimeriez peut-être avoir un peu de contexte, ou des points de comparaison. Est-ce que c’était mieux ou moins bien que l’année dernière ? Et par rapport à d’autres conférences sur un thème similaire ?

Le benchmarking peut apporter des réponses à ces questions : en comparant des données antérieures aux données actuelles, vous pouvez identifier des tendances dans votre secteur et votre marché, et voir comment vous vous situez.

Supposons que vous ayez posé cette question dans votre sondage d’évaluation de la conférence de l’an dernier. Vous pourriez alors observer une tendance. Les tendances vous aident à juger de l’évolution de certains résultats. Si le taux de satisfaction de la même conférence l’an dernier s’élevait à 60 %, cela signifie que la satisfaction de votre auditoire a augmenté de 15 points de pourcentage ! Comment expliquer cette augmentation ? D’autres questions dans votre sondage vous donneront sans doute des éléments de réponse.

Si vous ne disposez pas de données concernant les conférences précédentes, faites de l’événement de cette année le point de référence pour l’avenir. Cela s’appelle le benchmarking (ou étude comparative). Il s’agit de fixer un point de référence et d’étudier son évolution au fil du temps. Vous pouvez comparer par exemple la satisfaction des participants, mais aussi plein d’autres critères. Vous serez ainsi en mesure de suivre, année après année, l’opinion des participants vis-à-vis de votre conférence. Cela s’appelle une analyse de données longitudinale.

Vous pouvez même suivre les données de différents sous-groupes. Supposons par exemple que le taux de satisfaction des étudiants et des professeurs augmente d’année en année, mais pas celui du personnel administratif. Vous voudrez peut-être étudier les réponses de ces personnes-là pour comprendre pourquoi elles sont moins satisfaites que les autres.

Vous connaissez le nombre de personnes qui ont déclaré qu’elles allaient revenir, mais comment savoir si les réponses recueillies sont suffisamment fiables et exploitables pour éclairer vos futures décisions ? En vous assurant que vos données sont de bonne qualité et statistiquement significatives.

Dans l’usage courant, le mot « significatif » est synonyme d’« important » ou de « sérieux ». Dans le cadre des statistiques et des sondages, il est synonyme de « représentatif » (avec une notion de précision). Et c’est là qu’intervient l’incontournable « plus ou moins ». Cela signifie que les résultats du sondage sont exacts selon un certain niveau de confiance, et qu’ils ne sont pas aléatoires. Vous voudrez éviter de tirer des conclusions à partir de résultats imprécis, c’est-à-dire qui ne sont pas statistiquement significatifs. Le premier facteur à considérer pour évaluer la signification statistique est la représentativité de votre échantillon, c’est-à-dire dans quelle mesure le groupe de personnes qui a participé à votre sondage « ressemble » à la population totale des personnes concernées par votre étude.

Par exemple, vous avez un problème de représentativité si 90 % des participants à votre sondage sont des hommes, mais que seulement 15 % de l’ensemble de votre population cible est de sexe masculin. Plus vous en savez sur la population que vous sondez, plus vous pouvez avoir confiance en la fiabilité de vos résultats. Dans cet exemple, pour avoir un échantillon représentatif, il vous faudrait seulement 15 % de répondants qui soient des hommes et 85 % qui soient des femmes.

Si votre échantillon de sondage est sélectionné de manière aléatoire au sein d’une population connue, le calcul de la signification statistique est simple. Le facteur important ici est la taille de l’échantillon. Si parmi les 1 000 personnes qui ont assisté à votre conférence, 50 ont répondu au sondage, la taille de votre échantillon est limitée, ce qui se traduit par une marge d’erreur élevée.  Pour dire les choses simplement, vos résultats ne seront pas très fiables.

Supposons que vous ayez demandé aux participants à combien d’ateliers ils ont participé pendant la conférence, et que vous ayez obtenu les résultats suivants :

Il est tentant de calculer la moyenne des ateliers par participant. Mais laquelle ? Il existe 3 types de moyennes : la moyenne arithmétique, la médiane et le modèle.

Dans le tableau ci-dessus, le nombre moyen d’ateliers auxquels les participants ont assisté est de 6,1. Ce nombre est une moyenne. Dans cet exemple, 10 personnes affirment avoir assisté à un atelier, 50 personnes à quatre ateliers, 100 personnes à cinq ateliers, etc. Pour calculer la moyenne, multipliez toutes ces paires entre elles, additionnez les résultats et divisez le tout par le nombre total de personnes.

La médiane, en revanche, correspond à la valeur du milieu, celle de la barre des 50 %. Pour la déterminer dans le tableau ci-dessus, il faudrait additionner les nombres de participants en partant de la gauche et s’arrêter sur le nombre d’ateliers pour lequel vous atteignez les 500 personnes. Dans cet exemple, la médiane serait de six ateliers. Cette statistique peut être utile pour éliminer des valeurs qui seraient hors-norme et susceptibles de compromettre vos données.

Le dernier type de moyenne est le modèle. Dans un sondage, le modèle correspond à la réponse la plus fréquente. Ici, la réponse la plus fréquente est six. En effet, 260 participants au sondage ont assisté à 6 ateliers : c’est plus que n’importe quel autre nombre d’ateliers.

Vous pouvez également utiliser les moyennes arithmétiques et autres types de moyennes dans le cadre de questions de type Échelle de Likert.

Vous souhaitez présenter les résultats de votre sondage ? Réfléchissez à l’histoire que racontent vos données.

Imaginons que votre conférence ait obtenu une note générale médiocre. Vous souhaitez comprendre pourquoi. Vos données montrent que les participants ont attribué de très bonnes notes à presque tous les aspects de votre conférence (le contenu des ateliers, les moments de réseautage et l’hôtel), mais qu’ils n’ont pas apprécié la ville où s’est déroulé l’événement. Les températures de Nancy au mois de janvier ont sans doute refroidi les participants qui auraient aimé sortir en ville.

Bilan : excellente conférence dans l’ensemble, mais « erreur de casting » pour la ville. Pour une conférence en plein mois de janvier, Biarritz ou Marseille aurait probablement été un choix plus judicieux.

L’un des aspects à prendre en considération dans l’analyse de données est la causalité par rapport à la corrélation.

Tous les individus n’assimilent pas les informations de la même manière. C’est pourquoi SurveyMonkey propose plusieurs méthodes pour analyser les résultats de vos sondages et les présenter sous forme de tableaux, graphiques ou rapports qui en facilitent la compréhension.

Voici quelques précisions sur des notions courantes qui vous seront utiles pour vos analyses :

Une analyse de données longitudinale (généralement appelée « analyse de tendances ») consiste à suivre la manière dont les réponses à certaines questions évoluent au fil du temps. Après avoir défini un point de référence, vous verrez si les chiffres évoluent, et dans quelle mesure. Supposons que le taux de satisfaction concernant votre conférence était de 50 % il y a trois ans, de 55 % il y a deux ans, de 65 % l’an dernier et de 75 % cette année. Félicitations pour cette belle progression ! L’étude longitudinale de vos résultats montre une solide tendance à la hausse.

Retour

La causalité signifie qu’un facteur en entraîne un autre. En revanche, une corrélation apparaît lorsque deux variables évoluent ensemble, mais sans influencer ou induire l’autre. Par exemple, boire un chocolat chaud et porter des gants sont deux variables corrélées. Elles tendent à fluctuer ensemble (vers le haut ou le bas), mais sans que l’une ne soit induite par l’autre. En réalité, elles sont toutes deux causées par un troisième facteur : le froid.

Le froid influe à la fois sur la consommation de chocolat chaud et sur la probabilité de porter des gants. Le froid est la variable indépendante, tandis que la consommation de chocolat chaud et la probabilité de porter des gants sont les variables dépendantes. Dans le cas de notre sondage sur la conférence, le froid a probablement contribué au fait que les participants n’ont pas apprécié la ville et donc la conférence dans son ensemble.

Pour examiner de plus près la relation entre les variables dans votre sondage, il peut s’avérer utile d’effectuer une analyse de régression.

Retour

L’analyse de régression est une méthode avancée de visualisation et d’analyse des données qui permet d’étudier la relation entre au moins deux variables. Il existe différents types d’analyse de régression. Leur choix dépendra des variables à étudier. Ces analyses ont en commun le fait qu’elles étudient l’influence d’une ou plusieurs variables indépendantes sur une variable dépendante. Durant l’analyse de vos données de sondage, vous voudrez peut-être connaître les facteurs qui ont eu le plus d’impact sur la satisfaction des participants à votre conférence. S’agit-il du nombre d’ateliers proposés ? Du conférencier principal ? Des activités de réseautage ? Du lieu ? Un expert en sondages pourrait s’appuyer sur une analyse de régression pour déterminer dans quelle mesure la satisfaction liée à ces différents critères contribue au sentiment global de satisfaction.

Vous aurez alors une idée plus précise des aspects de la conférence qu’il convient de modifier pour l’année prochaine. Supposons, par exemple, que vous ayez payé un conférencier renommé pour qu’il assure l’ouverture de votre événement. Les participants ont attribué de bonnes notes à la session d’inauguration et à la conférence dans son ensemble. Vous pourriez en déduire que le fait d’avoir un conférencier de qualité (et onéreux) est la clé du succès. Mais une analyse de régression vous aidera à vérifier cette hypothèse. Elle vous indiquera peut-être que la popularité de l’orateur était l’un des principaux facteurs de satisfaction des participants. Si c’est le cas, vous voudrez certainement faire appel à la même personne (ou à un autre conférencier de qualité) l’année prochaine. En revanche, si l’analyse de régression montre que, bien que les participants aient apprécié le conférencier, ils n’ont pas apprécié la conférence dans son ensemble, il faudra songer à investir votre argent ailleurs pour l’année prochaine.

Prenez le temps d’analyser soigneusement les données de votre sondage. Vous pourrez alors vous appuyer sur les réponses pour prendre des décisions éclairées.

Découvrez la puissance des données de sondages

Si vous parvenez à analyser vos données de sondage de manière pertinente et adaptée à la situation, vous pourrez à la fois améliorer la satisfaction de vos clients, vous démarquer de vos concurrents et booster la croissance de votre entreprise. Pour vous aider dans ces démarches, SurveyMonkey propose une gamme de produits adaptée à tous les budgets.

Les sondages permettent de recueillir des informations fournies par un groupe de personnes particulier. Outre les sondages, il existe d’autres moyens de collecter des données, comme des entretiens individuels, des groupes de discussion, etc. Les données recueillies à l’aide de sondages peuvent être utilisées pour booster l’engagement des employés, mieux comprendre le comportement des consommateurs ou encore améliorer l’expérience client.

Retour

Une analyse de données longitudinale (généralement appelée « analyse de tendances ») consiste à suivre la manière dont les réponses à certaines questions évoluent au fil du temps. Après avoir défini un point de référence, vous verrez si les chiffres évoluent, et dans quelle mesure. Supposons que le taux de satisfaction concernant votre conférence était de 50 % il y a trois ans, de 55 % il y a deux ans, de 65 % l’an dernier et de 75 % cette année. Félicitations pour cette belle progression ! L’étude longitudinale de vos résultats montre une solide tendance à la hausse.

Retour

La causalité signifie qu’un facteur en entraîne un autre. La corrélation implique que deux variables évoluent ensemble, mais sans que l’une influence ou induise l’autre. Par exemple, boire un chocolat chaud et porter des gants sont deux variables corrélées. Elles tendent à monter ou descendre ensemble. Cependant, l’une ne provoque pas l’autre. En fait, elles sont toutes deux causées par un troisième facteur : le froid. Le froid influe à la fois sur la consommation de chocolat chaud et sur la probabilité de porter des gants. Le froid est la variable indépendante, tandis que la consommation de chocolat chaud et la probabilité de porter des gants sont les variables dépendantes. Dans notre exemple sur la conférence, le froid a probablement influencé le fait que les participants n’ont pas apprécié la ville choisie et donc la conférence en général. Enfin, pour examiner de plus près la relation entre les variables dans votre sondage, vous aurez peut-être besoin d’effectuer une analyse de régression.

Retour

L’analyse de régression est une méthode avancée de visualisation et d’analyse des données qui permet d’étudier la relation entre deux ou plusieurs variables. Il existe plusieurs types d’analyse de régression, selon les variables à étudier. Mais toutes les analyses de régression étudient l’influence d’une ou plusieurs variables indépendantes sur une variable dépendante. Durant l’analyse de vos données de sondage, vous voudrez peut-être connaître les facteurs qui ont eu le plus d’impact sur la satisfaction des participants à cette conférence. S’agit-il du nombre d’ateliers ? Du conférencier principal ? Des moments de réseautage ? Du lieu ? À l’aide d’une analyse de régression, un expert en sondage peut déterminer dans quelle mesure la satisfaction de ces différents critères contribue à la satisfaction générale.

Vous aurez alors une idée plus précise des aspects de votre conférence qu’il convient de modifier pour l’année prochaine. Supposons, par exemple, que vous ayez payé un conférencier de renom pour qu’il assure l’ouverture de votre conférence. Les participants ont attribué de bonnes notes à ce conférencier et à la conférence. Vous pourriez donc en déduire que le fait d’avoir fait appel à un conférencier de qualité (et onéreux) est la clé du succès. Mais une analyse de régression pourra vous aider à vérifier cette hypothèse. Elle vous indiquera peut-être que la popularité de l’orateur était l’un des principaux facteurs qui ont contribué à la satisfaction des participants. Si c’est le cas, vous voudrez faire appel au même conférencier l’année prochaine (ou à un autre conférencier renommé). En revanche, si l’analyse de régression montre que les participants n’ont pas été satisfaits de la conférence malgré une journée d’ouverture réussie, alors vous devriez investir votre argent ailleurs. Prenez le temps d’analyser soigneusement vos données de sondage afin de prendre des décisions éclairées.