Der Survey Results Analyzer
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.
Die meisten "Analysiere diese Umfrage"-Prompts liefern einen Durchschnittswert und einen vagen Absatz über Themen. Das ist nicht hilfreich, wenn die Entscheidung auf dem Tisch liegt, ob man ein Retention-Programm finanzieren oder ein Team umstrukturieren soll. Der Survey Results Analyzer wurde entwickelt, um genau das hervorzuheben, was eine Entscheidung tatsächlich verändert, und um ehrlich zu sein, was die Daten nicht sagen können.
Warum dieser Prompt so strukturiert ist
Der Abschnitt "Constraints" leistet die wichtigste Arbeit. Die Forderung nach exakten Prozentangaben anstatt "die meisten Befragten" zwingt das Modell, sich tatsächlich mit den Zahlen auseinanderzusetzen, anstatt sie nur zu paraphrasieren. Die Anweisung, jede Untergruppe unter einer Mindeststichprobengröße als niedrig konfident zu kennzeichnen, existiert, weil es für eine KI – oder einen menschlichen Analysten unter Zeitdruck – extrem einfach ist, eine sichere Schlussfolgerung aus 8 Personen zu ziehen und sie mit der gleichen Autorität zu präsentieren wie ein Ergebnis, das auf 300 basiert.
Die Korrelation-vs-Kausalität-Einschränkung ist bei KI-generierter Analyse wichtiger als bei menschlicher Analyse, weil Sprachmodelle fließend genug sind, um eine kausale Behauptung überzeugend zu formulieren, selbst wenn die Daten nur eine Korrelation stützen. Dass das Modell die beiden unterscheiden muss, und dass es direkte Konflikte zwischen geschlossenen Bewertungen und offenen Kommentaren aufzeigen muss – anstatt stillschweigend die zu wählen, die eine sauberere Erzählung unterstützt – hält die Ausgabe ehrlich.
Das Output-Format mit seinen fünf Abschnitten bildet direkt ab, was ein Entscheider tatsächlich benötigt. "Sentiment Analysis" fragt spezifisch, was das negative Sentiment antreibt – nicht nur den Prozentsatz – denn ein negativer Wert ohne identifizierten Treiber ist nicht handlungsrelevant. "Recommended Actions" verlangt, dass jede Aktion mit einem spezifischen darüberstehenden Ergebnis verknüpft wird, was verhindert, dass das Modell allgemeine Ratschläge ("Kommunikation verbessern") generiert, die keinen Bezug zu dem haben, was die Umfrage tatsächlich gezeigt hat.
Wie man es gut nutzt
Füllen Sie die Felder "Audience" und "Decision" spezifisch aus – eine Analyse, die für einen VP geschrieben wird, der über ein Retention-Budget entscheidet, sieht anders aus als eine, die für ein HR-Team geschrieben wird, das die Umfragefragen für das nächste Quartal entwirft. Für wiederkehrende Umfragezyklen (quartalsweises Engagement, Feedback nach Veranstaltungen, Kunden-NPS) speichern Sie Ihre ausgefüllte Version und tauschen Sie jeden Zyklus die neuen Rohdaten ein, sodass Sie eine konsistente Berichtsstruktur für den Vergleich von Quartal zu Quartal erhalten.
Takeaways
Der Wert liegt hier nicht im Komprimieren von Daten – sondern darin, die gleiche Disziplin zu erzwingen, die ein sorgfältiger menschlicher Analyst anwenden würde: Unterscheidung zwischen statistisch soliden und schwachen Signalen, Rückverfolgung von Sentiment zu seinem tatsächlichen Treiber und Verknüpfung jeder Empfehlung mit spezifischen Belegen. Verwenden Sie es immer dann, wenn eine Entscheidung von Umfragedaten abhängt und Sie keine Tage haben, um die offenen Antworten manuell zu codieren.