Analyser une enquête, des données brutes au rapport final

Chaque export comporte une ligne par répondant et une colonne par variable. Mais une question correspond rarement à une seule colonne. Une question matricielle de six items devient six variables. Un choix multiple de huit options devient huit colonnes 0/1, une par option.

L’analyse commence donc par le codebook. Il indique quelle variable appartient à quelle question, ce que signifient les valeurs et quels codes correspondent à « sans réponse ». Sans ce repère, le code 99 (« ne sait pas ») finit tôt ou tard par entrer dans un calcul comme une note.

• Une ligne par répondant, une colonne par variable
• Réponses multiples en colonnes 0/1, pas en une seule colonne
• Codebook : variables, valeurs, libellés et codes manquants
• Import depuis Excel et CSV ou SPSS, libellés compris

Avant le premier chiffre vient la préparation. Définissez proprement les valeurs manquantes, car un « ne sait pas » n’est pas un 3 sur l’échelle. Regroupez les âges en tranches, inversez les items formulés négativement et pondérez un échantillon non représentatif.

La répétabilité est décisive. À la deuxième vague, la même préparation doit s’appliquer à nouveau. Des étapes manuelles dans un tableur ne sont souvent ni documentées ni reproductibles. Dans DataLion, vous les fixez sous forme de recodages et dans le script du codebook. Ce script s’applique ensuite à chaque nouvelle vague.

• Définir les valeurs manquantes au lieu de les faire entrer dans les calculs
• Recodage : créer des groupes, inverser des items
• Pondération pour des résultats représentatifs
• Préparation sous forme de script, réutilisable à chaque vague

Le premier regard porte sur la distribution des fréquences de chaque question : combien de personnes ont répondu quoi, en effectifs et en pourcentages ? Vérifiez la base au passage. Parle-t-on de tous les répondants ou seulement de ceux qui ont vu la question ? Avec des questions filtrées, l’écart est considérable. Un pourcentage sans effectif ne vaut rien.

Vient ensuite le tri croisé. Il ventile une question selon un critère : la satisfaction par tranche d’âge, la recommandation par région, l’intention d’achat par segment client. Les constats solides naissent le plus souvent de cette comparaison, pas d’une valeur globale.

Pour savoir si un écart entre deux groupes tient ou relève du hasard sur de petits effectifs, un test de significativité répond directement dans le tableau, à des niveaux de confiance de 80 à 99 %.

• Fréquences en effectifs et en pourcentages, toujours avec la base
• Choisir la base proprement : tous les répondants ou seulement les filtrés
• Tris croisés par cible, par région, par vague
• Significativité de 80 à 99 % directement dans le tableau

Les questions à échelle (« Dans quelle mesure êtes-vous satisfait… ? », de 1 à 5) sont fréquentes et faciles à mal analyser. Le réflexe habituel est la moyenne. Or une échelle de Likert est ordinale : rien ne garantit que les écarts entre échelons soient égaux. Et une moyenne masque la distribution. Une valeur de 3,0 peut traduire une indifférence générale comme deux camps opposés.

La top 2 box donne la part des deux échelons positifs. La bottom 2 box donne son pendant. Les deux parts se communiquent facilement. Dans DataLion, vous les fixez une fois comme code top/bottom box et les réutilisez ensuite dans chaque tableau et chaque graphique.

Pour de nombreux items côte à côte, la représentation en polarité convient bien. Accord et désaccord partent d’un centre commun dans des directions opposées, ce qui rend les écarts entre items lisibles.

• Rapporter la top 2 box et la bottom 2 box plutôt que la moyenne
• Montrer la distribution, pas seulement la tendance centrale
• Profil de polarité pour de nombreux items côte à côte
• Définir les échelles une fois, les réutiliser partout

Les questions fermées montrent où ça coince. Le pourquoi se trouve dans les réponses ouvertes. Le codage manuel coûte cher : sur 800 verbatims, quelqu’un lit une journée entière et attribue des catégories souvent difficiles à reproduire ensuite.

L’analyse de sentiment et de thèmes par IA condense les verbatims en thèmes, leur attribue une tonalité et réécrit les deux comme nouvelles variables. Les réponses ouvertes se ventilent alors par segment comme n’importe quelle autre question, ou se suivent sur plusieurs vagues.

• Thèmes et tonalité codés automatiquement plutôt qu’à la main
• Résultats disponibles comme variables, croisables comme toute question
• Fréquence des thèmes dans le temps comme indicateur avancé
• Endpoint IA configurable, y compris auto-hébergé dans l’UE

La dernière étape est celle où le temps se perd le plus : le report des résultats dans un document. Les graphiques sont copiés un par un, mis en forme, et à la vague suivante tout recommence.

Construisez l’analyse une seule fois comme tableau de bord. Vos interlocuteurs y filtrent eux-mêmes par segment. Pour la présentation, exportez la même analyse nativement vers PowerPoint, en vraies diapositives éditables. Les enquêtes récurrentes se configurent en tracker : chaque nouvelle vague entre dans la même structure.

• Tableau de bord interactif plutôt que jeu de diapositives figé
• Export PowerPoint natif, diapositives éditables
• Tracker : nouvelle vague, même analyse
• Excel, PDF et SPSS également comme formats d’export

Excel reste parfaitement utilisable pour de petites enquêtes. Une étude ponctuelle de 100 réponses et 15 questions s’analyse plus vite en tableaux croisés dynamiques que le temps de mettre un outil en place. Nous ne vous recommanderions rien d’autre.

La limite tient à la répétition. Dès que la même analyse doit être refaite par segment, par vague ou par site, la charge repart à zéro à chaque fois.

• Excel : bien adapté aux petites enquêtes ponctuelles
• Délicat pour les réponses multiples, la pondération et la significativité
• Point de bascule : vagues récurrentes et segments nombreux