O Analisador de Resultados de Pesquisa
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.
A maioria dos prompts "analise esta pesquisa" retorna uma pontuação média e um parágrafo vago sobre temas. Isso não é útil quando a decisão em pauta é se deve financiar um programa de retenção ou reestruturar uma equipe. O Analisador de Resultados de Pesquisa foi criado para revelar o que realmente muda uma decisão e ser honesto sobre o que os dados não podem lhe dizer.
Por que este prompt é estruturado dessa forma
A seção de Constraints está fazendo o trabalho mais importante. Exigir porcentagens exatas em vez de "a maioria dos respondentes" força o modelo a realmente lidar com os números, em vez de parafraseá-los. A instrução de sinalizar qualquer subgrupo com tamanho amostral abaixo do mínimo como de baixa confiança existe porque é extremamente fácil para uma IA — ou para um analista humano sob pressão de prazo — tirar uma conclusão confiante a partir de 8 pessoas e apresentá-la com a mesma autoridade que uma descoberta baseada em 300.
A restrição de correlação-versus-causalidade é mais importante na análise gerada por IA do que na análise humana, porque os modelos de linguagem são fluentes o suficiente para afirmar uma relação causal de forma persuasiva mesmo quando os dados só suportam uma correlação. Exigir que o modelo distinga as duas coisas e que revele conflitos diretos entre avaliações fechadas e comentários abertos — em vez de escolher silenciosamente o que dá suporte a uma narrativa mais limpa — mantém a saída honesta.
As cinco seções do Output Format mapeiam diretamente o que um tomador de decisão realmente precisa. "Sentiment Analysis" pergunta especificamente o que está gerando o sentimento negativo — não apenas a porcentagem — porque uma pontuação negativa sem um impulsionador identificado não é acionável. "Recommended Actions" exige que cada ação esteja vinculada a uma descoberta específica acima, o que impede o modelo de gerar conselhos genéricos ("melhorar a comunicação") desconectados do que a pesquisa realmente mostrou.
Como usar bem
Preencha os campos de público e decisão com especificidade — uma análise escrita para um VP decidindo sobre um orçamento de retenção parece diferente de uma escrita para uma equipe de RH projetando as perguntas da próxima pesquisa. Para ciclos de pesquisa recorrentes (engajamento trimestral, feedback pós-evento, NPS de clientes), salve sua versão preenchida e troque os dados brutos a cada ciclo para obter uma estrutura de relatório consistente que permita comparações trimestre a trimestre.
Conclusões
O valor aqui não está em comprimir dados — está em forçar a mesma disciplina que um analista humano cuidadoso aplicaria: distinguir o que é estatisticamente sólido do que é um sinal fraco, rastrear o sentimento até seu real impulsionador e amarrar cada recomendação a evidências específicas. Use-o sempre que uma decisão depender de dados de pesquisa e você não tiver dias para codificar manualmente as respostas abertas.