تحلیلگر نتایج نظرسنجی (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.
بیشتر پرامپتهایی که میگویند «این نظرسنجی را تحلیل کن» تنها یک نمره میانگین و یک پاراگراف مبهم درباره مضامین برمیگردانند. این زمانی مفید نیست که تصمیم روی میز، تأمین بودجه یک برنامه حفظ مشتری یا بازسازی ساختار یک تیم است. تحلیلگر نتایج نظرسنجی برای آشکار کردن آنچه واقعاً یک تصمیم را تغییر میدهد طراحی شده است و صادقانه میگوید دادهها درباره چه چیزهایی نمیتوانند به شما بگویند.
چرا این پرامپت این گونه ساختاربندی شده است
بخش محدودیتها (Constraints) مهمترین کار را انجام میدهد. الزام به ذکر درصدهای دقیق بهجای «اکثر پاسخدهندگان» مدل را مجبور میکند که واقعاً با اعداد درگیر شود نه اینکه آنها را بازنویسی کند. دستورالعملی که میگوید هر زیرگروهی با حجم نمونه کمتر از حداقل را باید بهعنوان «اطمینان پایین» علامتگذاری کرد، به این دلیل وجود دارد که برای یک هوش مصنوعی — یا یک تحلیلگر انسانی زیر فشار ضربالاجل — بسیار آسان است که از پاسخ ۸ نفر نتیجهگیری با اطمینان بگیرد و آن را با همان اقتدار یافتهای مبتنی بر ۳۰۰ نفر ارائه دهد.
محدودیت تمایز میان همبستگی و علیت (correlation vs causation) در تحلیل تولیدشده توسط هوش مصنوعی مهمتر از تحلیل انسانی است، زیرا مدلهای زبانی بهقدری روان هستند که میتوانند یک ادعای علی را قانعکننده بیان کنند حتی زمانی که دادهها فقط از یک همبستگی پشتیبانی میکنند. الزام مدل به تمایز میان این دو، و همچنین آشکار کردن تضادهای مستقیم میان رتبهبندیهای بسته و نظرات باز بهجای سکوت و انتخاب هرکدام که روایت تمیزتری ارائه میدهد، خروجی را صادق نگه میدارد.
پنج بخش قالب خروجی (Output Format) مستقیماً به آنچه یک تصمیمگیرنده واقعاً نیاز دارد نگاشت میشود. «تحلیل احساسات» (Sentiment Analysis) بهطور خاص میپرسد چه چیزی باعث احساسات منفی است — نه فقط درصد — زیرا یک نمره منفی بدون شناسایی عامل، قابل اقدام نیست. «اقدامات پیشنهادی» (Recommended Actions) ایجاب میکند که هر اقدام به یک یافته خاص در بالای خود ارجاع دهد که این مانع از تولید توصیههای عمومی (مثل «بهبود ارتباطات») میشود که از آنچه نظرسنجی واقعاً نشان داده جدا هستند.
چگونه از آن به خوبی استفاده کنیم
فیلدهای مخاطب و تصمیم را بهطور خاص پر کنید — یک تحلیل نوشتهشده برای یک VP که درباره بودجه حفظ مشتری تصمیم میگیرد با تحلیلی که برای یک تیم منابع انسانی در حال طراحی سؤالات نظرسنجی فصل بعد نوشته شده متفاوت است. برای چرخههای نظرسنجی تکراری (نظرسنجی فصلی مشارکت، بازخورد پس از رویداد، NPS مشتریان)، نسخه تکمیلشده خود را ذخیره کنید و در هر چرخه دادههای خام جدید را جایگزین کنید تا یک ساختار گزارش ثابت برای مقایسه فصل به فصل داشته باشید.
نتیجهگیری
ارزش اینجا در فشردهسازی دادهها نیست — بلکه در اعمال همان انضباطی است که یک تحلیلگر انسانی دقیق به کار میگیرد: تمایز میان آنچه از نظر آماری محکم است از آنچه یک سیگنال ضعیف است، ردیابی احساسات تا عامل واقعی آن، و پیوند دادن هر توصیه با شواهد مشخص. هرگاه تصمیمی به دادههای نظرسنجی وابسته باشد و وقت کافی برای کدگذاری دستی پاسخهای باز نداشته باشید، از این پرامپت استفاده کنید.