محلل نتائج الاستبيانات
Why this prompt matters
Teams that manually code open-ended survey responses spend an average of 2-3 full workdays per survey cycle doing it by hand, and rushed manual analysis under deadline pressure frequently misses early attrition signals buried in a handful of written comments — the same signals that show up as a resignation spike two quarters later once it's too late to act.
What we use it for
A People Ops manager just closed a 340-response employee engagement survey across the engineering organization and has 48 hours to present findings to the VP of Engineering before a headcount planning meeting, with only a raw CSV export and no built-in analytics dashboard.
Prompt
<p>Act as a senior people-insights analyst who has spent a decade turning raw survey exports into findings that change how leadership makes decisions.</p><p><strong>Context:</strong> I ran a survey titled [SURVEY NAME/PURPOSE — e.g. "Q3 Employee Engagement Survey"] with [NUMBER] respondents out of [TOTAL POPULATION] invited (response rate). The survey included both closed-ended (rating scale, multiple choice) and open-ended questions. The audience for your analysis is [AUDIENCE — e.g. "the VP of People and the executive team"], and the decision they need to make is [DECISION — e.g. "whether to fund a retention initiative for the engineering org"].</p><p><strong>Task:</strong> Analyze the raw survey data below and produce a findings report that helps the audience make that decision. Do not just describe what the data says — identify what matters most and what to do about it.</p><p><strong>Constraints:</strong><br/>- Report exact percentages and counts, never vague terms like "most" or "many."<br/>- Explicitly flag any finding based on a subgroup smaller than [MINIMUM SAMPLE SIZE — e.g. 15] respondents as low-confidence.<br/>- Distinguish correlation from causation — if two data points move together, say so, but do not claim one caused the other unless the data supports it.<br/>- When coding open-ended responses into themes, report how many distinct responses support each theme, and include 1-2 verbatim quotes (anonymized) per theme.<br/>- If closed-ended and open-ended responses conflict on the same topic, surface the conflict explicitly rather than picking one to report.</p><p><strong>Output Format:</strong><br/>1. <strong>Executive Summary</strong> (2-3 sentences: the single most important finding and its business implication)<br/>2. <strong>Quantitative Breakdown</strong> (key metrics by question, with response rate and any notable subgroup differences)<br/>3. <strong>Qualitative Themes</strong> (3-5 themes from open-ended responses, ranked by frequency, each with supporting quote(s))<br/>4. <strong>Sentiment Analysis</strong> (overall tone breakdown: positive/neutral/negative, and what's driving negative sentiment specifically)<br/>5. <strong>Recommended Actions</strong> (2-4 specific actions, each tied to a finding above, with a suggested owner)</p><p>[PASTE RAW SURVEY DATA HERE — CSV, table, or list of responses]</p>
Result
Executive Summary
Engineering engagement scores dropped from 7.8 to 6.4 (out of 10) this quarter, driven primarily by a sharp decline in perceived career growth (42% rated it 3/10 or lower, up from 18% last quarter) — this is the strongest single predictor of the resignation intent flagged in open-ended responses.
Quantitative Breakdown
- Response rate: 340/410 (82.9%), a strong sample.
- Overall engagement: 6.4/10 average, down from 7.8/10 last quarter (n=340).
- Career growth satisfaction: 42% rated 3/10 or lower (143 respondents), up from 18% (61 respondents) last quarter.
- Manager relationship score held steady at 7.6/10 — this is not where the decline originates.
- Note: the 12-person Platform sub-team scored notably lower (5.1/10 average) but this is a low-confidence finding given the small subgroup size.
Qualitative Themes
1. Lack of promotion clarity (61 mentions) — "I don't know what I need to do to get to senior, and neither does my manager."
2. Increased on-call burden (44 mentions) — "On-call has doubled since the reorg and nobody adjusted expectations."
3. Positive team culture (38 mentions) — "My immediate team is the best part of this job," consistent with the steady manager relationship score.
Sentiment Analysis
58% negative, 27% neutral, 15% positive on open-ended responses overall — a reversal from last quarter's 45% positive. Negative sentiment concentrates almost entirely around career progression and on-call load; sentiment toward direct managers and team culture remains positive, indicating the issue is structural/organizational rather than a management-quality problem.
Recommended Actions
1. Publish clear leveling criteria for senior promotion — People Ops + Eng Leadership, next 30 days.
2. Audit on-call rotation load post-reorg and rebalance — Eng Managers, next 2 weeks.
3. Follow up individually with the 12-person Platform sub-team given its lower score, before drawing org-wide conclusions from that group.
معظم نصوص «تحليل هذا الاستبيان» تعيد متوسط درجة وفقرة غامضة حول المواضيع. هذا غير مفيد عندما يكون القرار المطروح هو تمويل برنامج استبقاء أو إعادة هيكلة فريق. صُمم محلِّل نتائج الاستبيانات ليكشف ما يغير القرار فعليًا، وأن يكون صريحًا بشأن ما لا تستطيع البيانات إخبارك به.
لماذا صيغ هذا النص التحريضي بهذا الشكل
قسم القيود (Constraints) يؤدي العمل الأهم. إن اشتراط النسب المئوية الدقيقة بدلاً من «معظم المستجيبين» يُجبر النموذج على التفاعل فعليًا مع الأرقام بدلاً من إعادة صياغتها. يأتي توجيه وضع علامة على أي مجموعة فرعية أقل من الحد الأدنى لحجم العينة باعتبارها منخفضة الثقة لأنه من السهل جدًا على الذكاء الاصطناعي — أو المحلل البشري تحت ضغط الموعد النهائي — استخلاص استنتاج واثق من 8 أشخاص وتقديمه بنفس السلطة التي يتمتع بها استنتاج مبني على 300.
إن اشتراط الفرق بين الارتباط والسببية (correlation-versus-causation) أكثر أهمية في التحليل المولَّد بالذكاء الاصطناعي منه في التحليل البشري، لأن نماذج اللغة طليقة بما يكفي لصياغة ادعاء سببي مقنع حتى عندما لا تدعم البيانات سوى الارتباط. إن اشتراط تمييز النموذج بينهما، وكشف التعارضات المباشرة بين التصنيفات المغلقة (closed-ended ratings) والتعليقات المفتوحة (open-ended comments) بدلاً من تجاهل أحدهما بهدوء لدعم السرد الأكثر وضوحًا، يحافظ على نزاهة المخرجات.
الأقسام الخمسة في تنسيق المخرجات (Output Format) تتوافق مباشرة مع ما يحتاجه صانع القرار فعليًا. يطلب قسم «تحليل المشاعر» تحديدًا ما الذي يدفع المشاعر السلبية — وليس النسبة المئوية فقط — لأن درجة سلبية دون محرك محدد ليست قابلة للتنفيذ. يطلب قسم «الإجراءات الموصى بها» ربط كل إجراء بنتيجة محددة مذكورة أعلاه، مما يمنع النموذج من توليد نصائح عامة (مثل «تحسين التواصل») غير مرتبطة بما أظهره الاستبيان فعليًا.
كيفية استخدامه بفعالية
حدد المجال (audience) والقرار (decision) بدقة — التحليل المُعد لنائب رئيس يتخذ قرارًا بشأن ميزانية استبقاء يختلف عن التحليل المُعد لفريق الموارد البشرية يصمم أسئلة الاستبيان للربع القادم. بالنسبة لدورات الاستبيان المتكررة (المشاركة الربعية، ردود الفعل بعد الحدث، صافي نقاط الترويج NPS للعملاء)، احفظ نسختك المملوءة واستبدل البيانات الخام الجديدة كل دورة لتحصل على هيكل تقرير متسق يمكن مقارنته ربعًا بعد ربع.
الخلاصات
القيمة هنا ليست في ضغط البيانات — بل في فرض نفس الانضباط الذي كان سيستخدمه محلل بشري دقيق: التمييز بين ما هو قوي إحصائيًا وبين ما هو إشارة ضعيفة، تتبع المشاعر إلى محركها الفعلي، وربط كل توصية بدليل محدد. استخدمه كلما كان القرار يعتمد على بيانات استبيان، ولم يكن لديك أيام لترميز الإجابات المفتوحة يدويًا.