تحلیلگر نتایج نظر‌سنجی
چرا این پرامپت اهمیت دارد
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.
ما از آن برای چه استفاده می‌کنیم
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.
پرامپت
<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>
نتیجه
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 دستور‌های «این نظر‌سنجی را تحلیل کن» یک نمره میانگین و یک پاراگراف مبهم درباره مضامین ارائه می‌دهند. این رویکرد زمانی که تصمیم مطرح‌شده تأمین مالی یک برنامه حفظ نیرو یا بازساختارده‌ی یک تیم باشد، مفید نیست. تحلیلگر نتایج نظر‌سنجی بهگون‌های طراحی شده است که عواملی را آشکار کند که واقعاً یک تصمیم را تغییر می‌دهند و در برابر آنچه داده‌ها نمی‌توانند به شما بگویند صادق باشد.
چرا این دستور به این شکل ساختار یافته است
بخش محدودیت‌ها مهم‌ترین کار را انجام می‌دهد. الزام به ارائه درصد‌های دقیق بهجای عبارت «اکثر پاسخدهندگان» مدل را مجبور می‌کند واقعاً با اعداد درگیر شود نه اینکه آنها را بازگویی کند. دستور علامت‌گذاری هر زیرگروه‌ی که کمتر از حداقل اندازه نمونه باشد بهعنوان کماعتماد وجود دارد، زیرا بسیار آسان است که یک هوش مصنوعی — یا یک تحلیلگر انسانی تحت فشار مهلت کاری — نتیجه‌گیری قاطعی از ۸ نفر استخراج کند و آن را با همان اعتباری ارائه دهد که یک یافته مبتنی بر ۳۰۰ نفر دارد.
محدودیت همبستگی در برابر علیت در تحلیل تولید‌شده توسط هوش مصنوعی بیشتر از تحلیل انسانی اهمیت دارد، زیرا مدل‌های زبانی بهانداز‌های روان هستند که یک ادعای علیتی را متقاعد‌کننده بیان کنند، حتی زمانی که داده‌ها تنها یک همبستگی را تأیید میکنند. الزام مدل به تمایز قائل‌شدن میان این دو و همچنین آشکار‌سازی تعارضات مستقیم میان امتیاز‌های بسته و نظرات باز، بهجای انتخاب خاموش گزین‌های که روایت منسجمتری ارائه می‌دهد، خروجی را صادقانه نگه میدارد.
پنج بخش قالب خروجی مستقیماً با آنچه یک تصمیمگیرنده واقعاً نیاز دارد مطابقت دارند. بخش «تحلیل احساسات» مشخصاً میپرسد چه عواملی احساسات منفی را هدایت میکنند — نه صرفاً درصد — زیرا نمره منفی بدون شناسایی محرک آن قابل اجرا نیست. بخش «اقدامات پیشنهادی» الزام می‌کند که هر اقدام به یک یافته مشخص در بخش‌های قبلی ارجاع داشته باشد، که از تولید توصیه‌های کلی (مانند «ارتباطات را بهبود دهید») جدا از آنچه نظر‌سنجی واقعاً نشان داده جلو‌گیری می‌کند.
چگونه بهخوبی از آن استفاده کنیم
فیلد‌های مخاطب و تصمیم را بهطور مشخص پر کنید — تحلیلی که برای یک معاون رئیسجمهور جهت تصمیم‌گیری درباره بودجه حفظ نیرو نوشته می‌شود با تحلیلی که برای یک تیم منابع انسانی جهت طراحی سؤالات نظر‌سنجی فصل آینده تهیه می‌شود متفاوت است. برای چرخه‌های تکرارشونده نظر‌سنجی (سنجش مشارکت فصلی، بازخورد پس از رویداد، NPS مشتریان)، نسخه پر‌شده خود را ذخیره کنید و در هر چرخه داده‌های خام جدید را جایگزین کنید تا ساختار گزارش یکدستی برای مقایسه فصل به فصل داشته باشید.
نتیجه‌گیری‌ها
ارزش این ابزار فشرده‌سازی داده‌ها نیست — بلکه اعمال همان انضباطی است که یک تحلیلگر انسانی دقیق به کار می‌برد: تمایز میان آنچه از نظر آماری مستحکم است و آنچه سیگنالی ضعیف است، ردیابی احساسات تا محرک واقعی آنها و پیوند دادن هر توصیه به شواهد مشخص. هرگاه تصمیمی به داده‌های نظر‌سنجی وابسته باشد و زمان کافی برای کدگذاری دستی پاسخ‌های باز نداشته باشید، از آن استفاده کنید.