Umfrage auswerten – von den Rohdaten zum fertigen Report

Jeder Export hat eine Zeile je Befragten und eine Spalte je Variable. Eine Frage entspricht aber selten genau einer Spalte. Eine Matrixfrage mit sechs Items wird zu sechs Variablen. Eine Mehrfachauswahl mit acht Optionen wird zu acht 0/1-Spalten, je eine pro Option.

Deshalb beginnt die Auswertung mit dem Codebook. Es zeigt, welche Variable zu welcher Frage gehört, was die Werte bedeuten und welche Codes für „keine Angabe" stehen. Ohne diese Übersicht landet Code 99 („weiß nicht") irgendwann als Bewertung in der Rechnung.

• Eine Zeile je Befragten, eine Spalte je Variable
• Mehrfachantworten als 0/1-Spalten, nicht als eine Spalte
• Codebook: Variablen, Werte, Labels und Missing-Codes
• Import aus Excel und CSV oder SPSS inklusive Labels

Vor der ersten Zahl kommt die Aufbereitung. Definiere fehlende Werte sauber, denn ein „weiß nicht" ist keine 3 auf der Skala. Fasse Altersangaben in Gruppen zusammen, drehe negativ gepolte Items und gewichte eine nicht repräsentative Stichprobe.

Wichtig ist die Wiederholbarkeit. Bei einer zweiten Welle muss dieselbe Aufbereitung erneut greifen. Händische Schritte in einer Tabellenkalkulation sind oft weder dokumentiert noch reproduzierbar. In DataLion hältst du sie als Umkodierungen und im Codebook-Skript fest. Das Skript lässt sich auf jede weitere Welle anwenden.

• Fehlende Werte definieren statt mitrechnen
• Umkodieren: Gruppen bilden, Items drehen
• Gewichtung für repräsentative Ergebnisse
• Aufbereitung als Skript – bei jeder Welle wiederverwendbar

Der erste Blick gilt der Häufigkeitsverteilung je Frage: Wie viele haben was geantwortet, absolut und in Prozent? Prüfe dabei die Basis. Sind alle Befragten gemeint oder nur diejenigen, die diese Frage gesehen haben? Bei Filterfragen macht das einen großen Unterschied. Eine Prozentangabe ohne Fallzahl ist wertlos.

Danach kommt die Kreuztabelle. Sie schlüsselt eine Frage nach einem Merkmal auf, etwa Zufriedenheit nach Altersgruppe, Weiterempfehlung nach Region oder Kaufabsicht nach Kundensegment. Belastbare Aussagen entstehen meist aus diesem Vergleich und nicht aus einem Gesamtwert.

Ob ein Unterschied zwischen zwei Gruppen trägt oder Zufall bei kleinen Fallzahlen ist, klärt ein Signifikanztest direkt in der Tabelle – auf Konfidenzniveaus von 80 bis 99 %.

• Häufigkeiten absolut und in Prozent, immer mit Fallzahl
• Basis sauber wählen: alle Befragten oder nur die Gefilterten
• Kreuztabellen nach Zielgruppe, Region, Welle
• Signifikanz auf 80–99 % direkt in der Tabelle

Skalenfragen („Wie zufrieden sind Sie …?", 1 bis 5) sind häufig und leicht falsch auszuwerten. Der übliche Reflex ist der Mittelwert. Eine Likert-Skala ist jedoch ordinal, die Abstände zwischen den Stufen sind nicht garantiert gleich. Außerdem verdeckt ein Mittelwert die Verteilung. Ein Wert von 3,0 kann für lauter Unentschiedene stehen oder für zwei gegensätzliche Lager.

Die Top-2-Box zeigt den Anteil der beiden zustimmenden Stufen. Die Bottom-2-Box zeigt das Gegenstück. Beide Anteile sind leicht zu kommunizieren. In DataLion legst du sie einmal als Top-/Bottom-Box-Code an und verwendest sie danach in jeder Tabelle und jedem Chart.

Für viele Items nebeneinander eignet sich die Polaritätendarstellung. Zustimmung und Ablehnung laufen von einer gemeinsamen Mitte aus gegeneinander. Dadurch werden Unterschiede zwischen den Items sichtbar.

• Top-2-Box und Bottom-2-Box statt Mittelwert berichten
• Verteilung zeigen, nicht nur die Lage
• Polaritätendiagramm für viele Items nebeneinander
• Skalen einmal definieren, überall wiederverwenden

Die geschlossenen Fragen zeigen, wo es klemmt. Das Warum steht in den offenen Antworten. Manuelles Codieren kostet Zeit: Bei 800 Nennungen liest jemand einen Tag lang und vergibt Kategorien, die später oft schwer zu reproduzieren sind.

Die KI-Sentiment- und Themenanalyse verdichtet Nennungen zu Themen, vergibt eine Tonalität und schreibt beides als neue Variablen zurück. Offene Antworten lassen sich dann wie jede andere Frage nach Segment aufschlüsseln oder über mehrere Wellen verfolgen.

• Themen und Sentiment automatisch statt manuell codiert
• Ergebnisse als Variablen – kreuztabellierbar wie jede Frage
• Themenhäufigkeit über die Zeit als Frühindikator
• Konfigurierbarer KI-Endpunkt, auch self-hosted in der EU

Der letzte Schritt ist der, an dem die meiste Zeit verloren geht: das Übertragen der Ergebnisse in einen Bericht. Charts werden einzeln kopiert, formatiert, und bei der nächsten Welle beginnt dasselbe von vorn.

Baue die Auswertung einmal als Dashboard. Stakeholder können dort selbst nach Segment filtern. Für die Präsentation exportierst du dieselbe Auswertung nativ nach PowerPoint, als echte editierbare Folien. Wiederkehrende Befragungen legst du als Tracker an. Jede neue Welle läuft in dieselbe Struktur.

• Interaktives Dashboard statt statischem Foliensatz
• Nativer PowerPoint-Export – editierbare Folien
• Tracker: neue Welle, gleiche Auswertung
• Auch Excel, PDF und SPSS als Exportformat

Excel ist für kleine Umfragen vollkommen brauchbar. Eine einmalige Befragung mit 100 Antworten und 15 Fragen wertest du mit Pivot-Tabellen schneller aus, als du ein Tool einrichtest. Wir würden dir nichts anderes empfehlen.

Die Grenze liegt bei der Wiederholung. Wenn dieselbe Auswertung je Segment, Welle oder Standort mehrfach entsteht, wächst der Aufwand jedes Mal mit. Wo der Umschlagpunkt liegt, rechnen wir hier durch: Fragebogen auswerten in Excel – und wann ein Tool schneller ist.

• Excel: gut für einmalige, kleine Befragungen
• Kritisch bei Mehrfachantworten, Gewichtung und Signifikanz
• Umschlagpunkt: wiederkehrende Wellen und viele Segmente