Przejdź do treści

Od pytania do analizy

Wybierz pytanie. Zobacz, co możesz z niego wyczytać.

Poznaj typy pytań, wypróbuj odpowiedź i sprawdź, jakie dane otrzymasz. Potem dobierz analizę oraz zobacz przykład w R.

To przewodnik edukacyjny na danych syntetycznych. Odpowiedzi w przykładach nie są zapisywane ani wysyłane. Kod R przedstawia samodzielne przykłady, a nie uruchomione obliczenia.

Jak przeprowadzić analizę w R? ↓

Jednokrotny wybór

Wypróbuj pytanie

Z którego kanału obsługi korzystasz najczęściej?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Jedna kategoria na osobę. Lista rozwijana zmienia sposób wyboru, a nie poziom pomiaru.

Co możesz policzyć lub zrozumieć?

Liczebności, odsetki i tabele krzyżowe. Porównuj rozkład odpowiedzi między grupami; test chi-kwadrat wymaga odpowiednich liczebności oczekiwanych i niezależności obserwacji.

Jak interpretować wynik?

Kod kategorii nie jest liczbą do uśredniania. Przy małych liczebnościach rozważ test dokładny Fishera.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

channel <- factor(c("online", "phone", "online", "office", "phone", "online"))
counts <- table(channel)
counts
100 * prop.table(counts)

Tak / Nie

Wypróbuj pytanie

Czy udało Ci się załatwić sprawę?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Jedna kategoria na osobę. Lista rozwijana zmienia sposób wyboru, a nie poziom pomiaru.

Co możesz policzyć lub zrozumieć?

Liczebności, odsetki i tabele krzyżowe. Porównuj rozkład odpowiedzi między grupami; test chi-kwadrat wymaga odpowiednich liczebności oczekiwanych i niezależności obserwacji.

Jak interpretować wynik?

Kod kategorii nie jest liczbą do uśredniania. Przy małych liczebnościach rozważ test dokładny Fishera.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

channel <- factor(c("online", "phone", "online", "office", "phone", "online"))
counts <- table(channel)
counts
100 * prop.table(counts)

Wielokrotny wybór

Wypróbuj pytanie

Z jakich kanałów obsługi korzystasz?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Osobny wskaźnik 0/1 dla każdej opcji. Jedna osoba może wskazać kilka odpowiedzi.

Co możesz policzyć lub zrozumieć?

Liczba i procent osób wskazujących każdą opcję oraz współwystępowanie wskazań.

Jak interpretować wynik?

Podaj podstawę procentowania. Suma odsetków osób może przekroczyć 100%; wskazania tej samej osoby nie są niezależnymi respondentami.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

answers <- data.frame(online = c(1, 1, 0, 1), phone = c(0, 1, 1, 1))
colSums(answers)
100 * colMeans(answers)

Skala

Wypróbuj pytanie

Jak oceniasz obsługę w skali od 1 do 5?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Uporządkowane oceny. Ustal znaczenie krańców i jednakowy kierunek skali.

Co możesz policzyć lub zrozumieć?

Rozkład, mediana i kwartyle. Korelacja Spearmana dla zależności rangowych; średnia i testy parametryczne wymagają uzasadnienia poziomu pomiaru i założeń.

Jak interpretować wynik?

Pojedyncza ocena porządkowa nie staje się automatycznie pomiarem ciągłym. Raportuj rozkład, a nie tylko średnią.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

score <- c(1, 2, 3, 3, 4, 4, 5, NA)
table(score, useNA = "ifany")
median(score, na.rm = TRUE)
quantile(score, na.rm = TRUE)

Ocena

Wypróbuj pytanie

Jak oceniasz obsługę w skali od 1 do 5?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Uporządkowane oceny. Ustal znaczenie krańców i jednakowy kierunek skali.

Co możesz policzyć lub zrozumieć?

Rozkład, mediana i kwartyle. Korelacja Spearmana dla zależności rangowych; średnia i testy parametryczne wymagają uzasadnienia poziomu pomiaru i założeń.

Jak interpretować wynik?

Pojedyncza ocena porządkowa nie staje się automatycznie pomiarem ciągłym. Raportuj rozkład, a nie tylko średnią.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

score <- c(1, 2, 3, 3, 4, 4, 5, NA)
table(score, useNA = "ifany")
median(score, na.rm = TRUE)
quantile(score, na.rm = TRUE)

NPS

Wypróbuj pytanie

Na ile prawdopodobne jest, że polecisz nas w skali od 0 do 10?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Ocena 0–10: krytycy 0–6, neutralni 7–8, promotorzy 9–10.

Co możesz policzyć lub zrozumieć?

NPS to procent promotorów minus procent krytyków. Pokaż też liczebność podstawy i pełny rozkład ocen.

Jak interpretować wynik?

NPS mieści się od −100 do 100 i nie jest średnią ocen ani procentem zadowolonych. Małe próby dają niestabilny wynik.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

score <- c(0, 6, 7, 8, 9, 10, 10, NA)
valid <- score[!is.na(score)]
stopifnot(length(valid) > 0, all(valid %in% 0:10))
100 * (mean(valid >= 9) - mean(valid <= 6))

Ranking

Wypróbuj pytanie

Uporządkuj: szybkość, cena, dostępność.
  1. Szybkość
  2. Cena
  3. Dostępność

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Pozycja każdej opcji w rankingu tej samej osoby. Niższa ranga oznacza wyższy priorytet.

Co możesz policzyć lub zrozumieć?

Udział pierwszych miejsc, mediana rangi i porównanie pozycji. Test Friedmana można zastosować do kompletnych, powiązanych rankingów.

Jak interpretować wynik?

Ranking pokazuje kolejność, ale nie wielkość różnicy preferencji. Ustal sposób obsługi braków i remisów.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

ranks <- matrix(c(1,2,3, 2,1,3, 1,3,2, 3,1,2), ncol = 3, byrow = TRUE)
colnames(ranks) <- c("speed", "price", "availability")
colMeans(ranks == 1)
friedman.test(ranks)

Macierz

Wypróbuj pytanie

Oceń szybkość, jasność informacji i uprzejmość w tej samej skali.

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Osobna zmienna dla każdego wiersza. Wspólny format ułatwia porównanie aspektów.

Co możesz policzyć lub zrozumieć?

Rozkłady i mediany dla wierszy. Dla pozycji mierzących wspólny konstrukt: rzetelność skali, alfa Cronbacha i analiza czynnikowa po sprawdzeniu założeń.

Jak interpretować wynik?

Podobny wygląd pytań nie oznacza jednej skali. Odwróć odpowiednio zakodowane pozycje i sprawdź trafność konstruktu; wysoka alfa jej nie dowodzi.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

items <- data.frame(a = c(1,2,3,4,5,3), b = c(2,2,3,4,5,4), c = c(1,3,3,4,4,3))
sapply(items, median)
# Optional package for reliability:
# psych::alpha(items)

Macierz zaawansowana

Wypróbuj pytanie

Dla każdej usługi podaj ocenę, liczbę wizyt i komentarz.

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Komórki mogą mieć różne typy. Zachowaj osobne zmienne i ich poziomy pomiaru.

Co możesz policzyć lub zrozumieć?

Analizuj liczby jako liczby, wybory jako kategorie, a tekst przez kodowanie tematów. Łącz wyniki po identyfikatorze odpowiedzi.

Jak interpretować wynik?

Nie uśredniaj całej macierzy z mieszanymi typami. Eksport sprawdź przed przekształceniem do tabeli analitycznej.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

answers <- data.frame(rating = c(3,4,5), visits = c(1,4,2), comment = c("slow", "clear", "helpful"))
summary(answers[c("rating", "visits")])

Blok tekstowy

Wypróbuj pytanie

Za chwilę zapytamy o Twoją ostatnią wizytę. Odpowiedzi są poufne.

Za chwilę zapytamy o Twoją ostatnią wizytę. Odpowiedzi są poufne. Przykładowy blok nie zbiera odpowiedzi.

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Brak danych. Blok wyświetla instrukcję lub wprowadzenie i nie ma pola odpowiedzi.

Co możesz policzyć lub zrozumieć?

Nie analizuje się go jak pytania. Przy interpretacji wyników uwzględnij, jaką instrukcję widzieli respondenci przed kolejnymi pytaniami.

Jak interpretować wynik?

Treść instrukcji może wpływać na odpowiedzi. Zmiana bloku między falami badania utrudnia porównania; nie umieszczaj w nim pytań, na które oczekujesz odpowiedzi.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

# A text block stores no answer column.
# Document its wording next to the dataset, e.g. in a codebook.

Liczba

Wypróbuj pytanie

Ile minut trwało oczekiwanie?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Wartość liczbowa z jednostką i zakresem. Zero, brak odpowiedzi i „nie dotyczy” mają różne znaczenie.

Co możesz policzyć lub zrozumieć?

Średnia, mediana, odchylenie standardowe, kwartyle i przedziały ufności. Dla niezależnych grup: test t Welcha lub ANOVA Welcha. Dla zależności: korelacja lub regresja.

Jak interpretować wynik?

Sprawdź rozkład, odstające wyniki i niezależność. Korelacja nie dowodzi przyczynowości. Dla pomiarów przed i po dobierz analizę par.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

d <- data.frame(wait = c(3,5,4,7,8,12,9,10), group = rep(c("A", "B"), each = 4))
summary(d$wait)
sd(d$wait)
t.test(wait ~ group, data = d, var.equal = FALSE)
oneway.test(wait ~ group, data = d, var.equal = FALSE)

Krótki tekst

Wypróbuj pytanie

Co najbardziej utrudniło Ci skorzystanie z usługi?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Wypowiedzi własnymi słowami, z kontekstem i możliwością kodowania tematów.

Co możesz policzyć lub zrozumieć?

Zdefiniuj kody, przypisz je do wypowiedzi i sprawdź spójność kodowania. Zestaw tematy z ocenami ilościowymi oraz zatwierdzonymi cytatami.

Jak interpretować wynik?

Liczba słów nie mierzy znaczenia tematu. Częstość kodu nie oznacza rozpowszechnienia w całej populacji; cytaty wymagają kontroli identyfikacji osób.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

coded <- data.frame(id = 1:4, topic = c("time", "clarity", "time", "access"))
table(coded$topic)
# Codes were assigned after reading the answers.

Dłuższa wypowiedź

Wypróbuj pytanie

Co najbardziej utrudniło Ci skorzystanie z usługi?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Wypowiedzi własnymi słowami, z kontekstem i możliwością kodowania tematów.

Co możesz policzyć lub zrozumieć?

Zdefiniuj kody, przypisz je do wypowiedzi i sprawdź spójność kodowania. Zestaw tematy z ocenami ilościowymi oraz zatwierdzonymi cytatami.

Jak interpretować wynik?

Liczba słów nie mierzy znaczenia tematu. Częstość kodu nie oznacza rozpowszechnienia w całej populacji; cytaty wymagają kontroli identyfikacji osób.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

coded <- data.frame(id = 1:4, topic = c("time", "clarity", "time", "access"))
table(coded$topic)
# Codes were assigned after reading the answers.

Data

Wypróbuj pytanie

Kiedy skorzystano z usługi?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Daty, godziny lub znaczniki czasu. Zachowaj strefę czasową i format.

Co możesz policzyć lub zrozumieć?

Liczebności w okresach, trendy i czas między zdarzeniami. W porównaniach uwzględnij sezonowość i różną długość okresów.

Jak interpretować wynik?

Godzina jest cykliczna: średnia z 23:00 i 01:00 nie powinna wskazywać południa. Brak daty nie oznacza czasu zero.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

dates <- as.Date(c("2026-01-03", "2026-01-10", "2026-02-02"))
table(format(dates, "%Y-%m"))
as.numeric(diff(sort(dates)))

Godzina

Wypróbuj pytanie

Kiedy skorzystano z usługi?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Daty, godziny lub znaczniki czasu. Zachowaj strefę czasową i format.

Co możesz policzyć lub zrozumieć?

Liczebności w okresach, trendy i czas między zdarzeniami. W porównaniach uwzględnij sezonowość i różną długość okresów.

Jak interpretować wynik?

Godzina jest cykliczna: średnia z 23:00 i 01:00 nie powinna wskazywać południa. Brak daty nie oznacza czasu zero.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

dates <- as.Date(c("2026-01-03", "2026-01-10", "2026-02-02"))
table(format(dates, "%Y-%m"))
as.numeric(diff(sort(dates)))

Data i godzina

Wypróbuj pytanie

Kiedy skorzystano z usługi?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Daty, godziny lub znaczniki czasu. Zachowaj strefę czasową i format.

Co możesz policzyć lub zrozumieć?

Liczebności w okresach, trendy i czas między zdarzeniami. W porównaniach uwzględnij sezonowość i różną długość okresów.

Jak interpretować wynik?

Godzina jest cykliczna: średnia z 23:00 i 01:00 nie powinna wskazywać południa. Brak daty nie oznacza czasu zero.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

dates <- as.Date(c("2026-01-03", "2026-01-10", "2026-02-02"))
table(format(dates, "%Y-%m"))
as.numeric(diff(sort(dates)))

Adres e-mail

Wypróbuj pytanie

Jak możemy się z Tobą skontaktować?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Dane kontaktowe lub odnośnik, z walidacją formatu. Zbieraj je tylko, gdy są potrzebne do celu badania.

Co możesz policzyć lub zrozumieć?

Sprawdzaj kompletność danych i ewentualne duplikaty w uprawnionym procesie. Do analiz opinii używaj pseudonimowego identyfikatora.

Jak interpretować wynik?

Prawidłowy format nie potwierdza istnienia adresu ani uprawnienia do kontaktu. Nie umieszczaj surowych danych kontaktowych w publicznym raporcie.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

complete <- c(TRUE, FALSE, TRUE, TRUE)
table(complete)
# No contact details are needed in this example.

Telefon

Wypróbuj pytanie

Jak możemy się z Tobą skontaktować?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Dane kontaktowe lub odnośnik, z walidacją formatu. Zbieraj je tylko, gdy są potrzebne do celu badania.

Co możesz policzyć lub zrozumieć?

Sprawdzaj kompletność danych i ewentualne duplikaty w uprawnionym procesie. Do analiz opinii używaj pseudonimowego identyfikatora.

Jak interpretować wynik?

Prawidłowy format nie potwierdza istnienia adresu ani uprawnienia do kontaktu. Nie umieszczaj surowych danych kontaktowych w publicznym raporcie.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

complete <- c(TRUE, FALSE, TRUE, TRUE)
table(complete)
# No contact details are needed in this example.

Adres strony

Wypróbuj pytanie

Podaj adres strony, której dotyczy opinia.

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Dane kontaktowe lub odnośnik, z walidacją formatu. Zbieraj je tylko, gdy są potrzebne do celu badania.

Co możesz policzyć lub zrozumieć?

Sprawdzaj kompletność danych i ewentualne duplikaty w uprawnionym procesie. Do analiz opinii używaj pseudonimowego identyfikatora.

Jak interpretować wynik?

Prawidłowy format nie potwierdza istnienia adresu ani uprawnienia do kontaktu. Nie umieszczaj surowych danych kontaktowych w publicznym raporcie.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

complete <- c(TRUE, FALSE, TRUE, TRUE)
table(complete)
# No contact details are needed in this example.

Punkt na mapie

Wypróbuj pytanie

Wskaż miejsce, w którym potrzebujesz nowej usługi.

Schemat demonstracyjny, bez GPS i rzeczywistych współrzędnych.

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Punkt wskazany przez respondenta, bez automatycznego pobierania GPS. To inna informacja niż lokalizacja realizacji wywiadu.

Co możesz policzyć lub zrozumieć?

W platformie: agregacja punktów do siatki 100–10 000 m, próg publikacji co najmniej 5 i eksport zagregowanego GeoJSON. W R po eksporcie można wizualizować siatkę pakietem sf.

Jak interpretować wynik?

Moduł wymaga aktywacji, celu, ustawień prywatności i retencji. Wyniki poniżej progu są ukrywane; nie publikuj dokładnych punktów. Rozmiar siatki wpływa na obraz wyniku.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

# After downloading an aggregated GeoJSON from the platform:
# install.packages("sf") # once, in your own R environment
# cells <- sf::st_read("spatial.geojson", quiet = TRUE)
# plot(sf::st_geometry(cells))
# Check attribute names with names(cells) before mapping counts.

Wybór obszaru

Wypróbuj pytanie

W którym z podanych obszarów potrzebna jest zmiana?

Zmień odpowiedź, aby zobaczyć jej zapis.

Jakie dane otrzymasz?

Identyfikator wybranego obszaru i wersja geometrii Polygon lub MultiPolygon.

Co możesz policzyć lub zrozumieć?

W platformie: liczebności według obszarów z progiem publikacji i eksport GeoJSON. Po eksporcie w R można połączyć agregaty z geometrią i narysować mapę.

Jak interpretować wynik?

Więcej wskazań nie oznacza większego ryzyka na mieszkańca. Porównania wymagają właściwego mianownika; nie łącz bez sprawdzenia różnych wersji granic.

Zobacz przykład R

Samodzielny przykład na danych syntetycznych. Zastąp dane i nazwy kolumn własnym przygotowanym zbiorem.

area <- factor(c("A", "B", "A", "C", "B", "A"))
table(area)
100 * prop.table(table(area))
# Use only privacy-safe aggregates for a public map.

Jak przeprowadzić analizę w R?

  1. 1. Przygotuj zbiór

    W Studio analiz wybierz dane z badania albo import CSV lub SAV. Sprawdź kody zmiennych, poziomy pomiaru, braki, filtry i podstawę analizy. Własny eksport do R może wymagać przekształcenia odpowiedzi wielokrotnych i macierzy.

  2. 2. Dobierz metodę

    Zacznij od rozkładów i statystyk opisowych. Potem wybierz tabelę krzyżową, korelację, test różnic, regresję lub rzetelność. Ustal hipotezę, poziom pomiaru i czy obserwacje są niezależne, czy powiązane.

  3. 3. Uruchom i sprawdź obliczenia

    Wybierz silnik R i dostępny typ analizy, wskaż zmienne, grupy i parametry. Silnik R oraz pakiety muszą być skonfigurowane. Analizy przestrzenne w platformie korzystają z osobnego silnika agregacji; R służy tu do dalszej pracy po eksporcie.

  4. 4. Opisz wynik z ograniczeniami

    Podaj N, braki, filtry, wagi i metodę. Interpretuj wielkość efektu i przedział ufności tam, gdzie są wyznaczane; samo p nie mówi o praktycznym znaczeniu. Zachowaj wersję danych i raport z analizy.

Jakie statystyki obsługuje platforma?

Podstawowe analizy R: statystyki opisowe, tabele krzyżowe, korelacje Pearsona, Spearmana i Kendalla, regresja liniowa, test t Welcha, ANOVA Welcha, alfa Cronbacha i tabele ważone.

Rozszerzone metody obejmują pomiary powiązane, testy Wilcoxona, porównania par z korektą, wnioskowanie o korelacjach, analizy planu próby, GLM, psychometrię, imputację wielokrotną i segmentację k-means. Wymagają właściwych pakietów i konfiguracji. Nie każda metoda pasuje do każdego zbioru.

Przykłady Friedmana, Fishera i mapowania sf pokazują możliwości samodzielnego R; nie oznaczają osobnych przycisków tych analiz w platformie.