如何利用調查資料找到能改善目標指標的行動方案

然而，實際上，面對問卷結果時，要明確「該改善什麼」的路徑卻比我們想像中要艱難得多。

例如，您是否有過這樣的情況。

設問有20項，但卻無法確定其中哪一項對於提高總體滿意度效果最佳。即便對一些可能相關的因素有些許情境感，卻無法以根據來說明其優先順序。

結果是，每次進行問卷調查時都花了很多時間來統計結果，但未能採取改善行動，最終導致「雖然進行了問卷調查，但什麼都沒有改變」的狀態。

為了解決這些問題，本文將介紹相關分析與多變量分析的有效方法。

因此，本文將使用數據加工、可視化、分析及報告的 UI 工具 Exploratory 來實踐這些方法於問卷數據上。

多變量解析

針對每個變數比較總體滿意度以調查相關是有效的，但需要注意的是，相關關係與因果關係是不同的。

關於相關與因果之間的差異，這裡舉個例子來說明。例如，若將「鯊魚襲擊事件數量」與「冰淇淋銷售額」進行可視化，或許會發現冰淇淋銷售額增加時，鯊魚襲擊事件數也隨之升高。

然而實際上，兩者之間並不存在直接關係。可以想像是因為「夏季來臨，氣溫上升」這一第三個因素，導致吃冰淇淋的人變多，同時也有更多人進入海裡，從而增加了鯊魚襲擊案件的數量。

「鯊魚與冰淇淋」的例子是極端的，因而容易被常識所識破，但當變數轉換成商業或問卷數據，且處理的變數數量增多時，未注意到此類表面上的相關關係，容易錯誤假定因果關係並施加不適當措施。

例如，若以顧客滿意度調查針對線上會議工具為例。

可能會發現「對於支持的滿意度」較高的顧客，其總體滿意度也較高，且「企業規模（員工數）」亦較大。

然而，這項服務的使用者多為大型企業，可能隱藏著「大型企業擁有專任的支持團隊，對於支持響應速度的評價較高」的關係。

在這種情況下，僅觀察個別的圖表將無法準確判斷「究竟是對支持的滿意度」和「企業規模」哪一個在真正影響總體滿意度，或者是兩者獨立影響。

那麼，該如何準確理解每個變數對總體滿意度的影響呢？關鍵在於，「在其他變數的值保持不變的情況下，單獨改變該變數是否會導致總體滿意度變化」的調查。

例如，在那些均衡企業規模的前提下，僅改變支持滿意度時總體滿意度是否會變化，若變化則表示支持滿意度會影響總體滿意度。

反之，若在保持支持滿意度的前提下，僅改變企業規模，總體滿意度未發生變化，則可推斷企業規模本身對總體滿意度並無直接影響。

能實現這種分析的，是利用統計學習的預測模型進行的多變量解析，而對於總體滿意度這類數值型目標指標，則使用「線性回歸」的演算法。

在 Exploratory 中，線性回歸的預測模型也可輕鬆創建。

結果中特別重要的是，「解釋變數的重要性」。

透過確認解釋變數的重要性，我們可以瞬時了解哪個變數與總體滿意度最相關，並以此資訊考量改善措施的優先順序。

此外，還可以查看模型預測總體滿意度的精度指標（如 R2 乘方等）以及各變數對總體滿意度的影響方向和程度的係數資訊。這些資訊也會顯示相應的解釋文，因此即便沒有專業知識也能掌握內容。

透過執行線性回歸，我們能顯示出「哪些變數真正影響總體滿意度」及「在多個可能的改善點中，應優先考慮哪一項」的根據，這是透過簡單統計無法得出的見解。

總結

本文介紹了從問卷數據中尋找行動提示的兩種分析方法。

首先，在相關分析中，我們可以一口氣計算出目標指標（總體滿意度）與其他所有變數之間的相關強度 R2 乘方，快速識別「哪些變數與總體滿意度有關」。接著，在多變量解析（線性回歸）中，我們可以區分相關分析中發現的「表面相關」與「真正的影響」，並根據解釋變數的重要性，具備根據地判斷改善的優先順序。

結合這兩種分析方法，我們能將問卷數據用作「確定具體改善措施優先順序的根據」，而不僅僅是「進行統計後就結束」。