浅析员工满意度调查结果分析方法

　　引言：随着企业对员工满意度的重视程度越来越高，企业每年都要花很多精力来进行员工满意度调查，但在面对厚厚的调查结果和数据时，人力资源管理者往往会束手无策。本文主要是从改变目前做员工满意度调查的分析方法单一、浅显的现状出发，提出把统计分析法（如平均值分析、相关系数分析、方差分析、回归分析）与员工满意度调查较好的结合起来，并通过相应的例子来通俗的说明这些方法的可用之处及应用效果，帮助企业通过正确的调查结果分析来真正实现满意度调查对企业的管理改进。

　　目前很多公司每年都花很多的人力与物力于员工满意度调查，员工满意度调查能提供给公司决策层以量化的数据来侦测到员工总体的、现时的满意度水平，从而为经营决策提供依据。员工满意度与员工的绩效有着密切关系，从员工满意度的水平可以预测到未来的业务绩效，不满意的员工很可能会产生不令人满意的绩效；反之，工作愉快的员工会产生良好的绩效。因此，公司决策层非常重视员工满意度调查。

　　ESS（employee’s satisfaction survey）即员工满意度调查，主要通过问卷的形式对组织的员工进行调查。通过填写问卷了解员工对组织各个方面的满意程度，从而深入了解员工的想法，使领导者能有针对性的提出激励策略，提高内部满意度。

　　但是在多数的ESS中，分析方法非常简单，没有合理的运用统计工具，只是把问题的得分统计起来，对基本情况进行频次统计通过平均值、最大最小值等得出一个浅显的结论。频次统计（frequency）主要是对各题选择情况进行频次统计，如最高分、最低分、中位数、平均分等，通过频次统计初步了解企业员工整体满意度情况、不同分类标准（部门、年龄、工龄、性别、文化等）的员工满意度情况等，所以频次统计主要是对问卷数据进行一个初步的处理，了解大致情况并为后续的复杂统计分析提供一定的数据支持。事实上，ESS问卷中可以挖掘出很多潜在的、对企业决策有用的信息，能够运用的统计分析方法也很多，如平均值分析、相关系数分析、回归分析、方差分析、因素分析、聚类分析等，关键看调查方能否运用合理的统计分析方法，与ESS结合，得到企业需要的信息。

　　一、平均值的分析方法

　　满意度调查的结果分析是整个满意度调查过程中两个最重要的环节之一。通常，我们会运用平均值方法来分析结果，我们把问卷中的几道或十几道联系紧密的问题归为一组（称为Index），然后把一组中每一问题回答的比例加总平均，计算出组的平均值。（注：这里的平均值是指比例的平均值）。平均值分析方法是我们通常使用的方法，它的优点是简单明了，易于操作。

　　通常，在一个index中可得到两个平均值：满意人群所占比例的平均值和不满意人群所占比例的平均值，然后如图1.1所示，把每一个index从左到右地按序进行排列。

　　如图1.1举例：第一个index满意度的平均值是49%（该index的上端所示），不满意度的平均值为7%（该index的下端所示）；同样可以看到，最后一个index满意度的平均值和不满意度的平均值分别为33%、18%。

　　经过排列我们很快地发现：相对于其它index，最需要提高的index是最后一个。因为它是所有index中平均得分最差的一个，也就是说这个index在总体层面上体现出的不满意人群所占比例最多。基于此，决策层通常会首先着手解决最后一个index所反映的问题。优先提高成绩最差的指标的做法看起来是符合逻辑的，也易于让人接受。

　　运用平均值分析的另一方法是市场数据的对比，也就是我们通常所说Benchmark分析：公司会找到同一区域的、同一行业的竞争对手的相近指标的数据；以及本公司上一次做员工满意度调查时得到的数据。运用这两组数据再与最近一次得到的结果相对比，如图1.2所示，自左到右地进行排列。

　　第一个index满意度的平均值按本次调查得分（Fav）、上一次调查得分（Previous）和本区域竞争对手的得分（Region）排列分别为是61%、55%和65%；同样，最后一个index满意度的平均值按本次调查得分（Fav）、上一次调查得分（Previous）、和本区域竞争对手的得分（Region）排列分别是38%、35%和44%。

　　显然，按照Benchmark的分析方法也能很快地找到我们最需要着手解决的问题，即最后一个index。Benchmark的方法要好于前面我们所说的简单的平均值分析方法，因为它不仅考虑到自身发展变动的因素，还考虑到竞争对手的情况，以市场的数据对比来衡量自身的成绩优劣。

　　然而，不管两种方法如何有优有劣，它们都是以平均值为依据来评判，把平均值最低的一组作为优先考虑解决的环节。

　　二、相关系数分析

　　1、主因子作用

　　平均值分析方法是我们通常使用的方法，这的优点是简单明了，易于操作。然而，作为一份满意的分析报告，只从平均值的高低得分入手分析还不够完善，尤其是它对决策指导缺乏效率。因此，企业必须在员工满意度调查中找到一个杠杆解（Leverage），利用相同的资源投入达到最大的效果。那么如何才能找到杠杆解呢？首先我们应该看看统计学是如何分析变量（Variable）对结果所产生作用（Effect）的。

　　拿员工满意度调查问卷为例，变量就是指问卷中每一个问题所代表的变动因素，如：公司内部各部门是否合作紧密？这个问题所展示的变量就是团队合作，也就是说团队合作的好坏将直接影响到整个满意度调查的结果。每个变量在过程中产生的作用主要可分为两种：主因子作用（Main Effect）和交互作用（Interaction Effect）。主因子作用代表了每一个问题对总体结果的作用大小；交互作用代表了问题与问题之间的互相交叉作用。交互作用常常比主因子作用更为重要，因为交互作用能扩大与缩小主因子作用。一份调查报告若能对这两种作用都能进行分析，那将是完美的。

　　然而，交互作用在普通的简单问卷中是不能得以体现的，只能在特殊设计的联合问卷中才能加以测量。尽管如此，若能在主因子作用的分析上做得更完善，也能使我们对员工满意度调查在质量上更上一层楼。主因子作用的侦测目的是为了鉴别出具体某个问题（变量）对最终结果的作用大小，它用相关性紧密程度来表示，相关性越密切，最终的作用越大。这种联系程度在统计上可以用一个指标一一相关系数来表示：完全正相关的为+l；完全负相关的-1；没有相关性的为0；每个变量与最终结果的相关性总是在+1和-l之间摆动。我们做相关系数分析是要找到相关系统非常接近于1的某些问题，因为它们是最有效地影响最终结果的变量。上述提及的平均值分析方法显然是没有能很好地体现出每个问题对最终结果的联系程度。通过分析，我们会发现哪些问题的解决最有利于总体满意度的提高，也最有效率。

　　2、相关系数分析

　　我们可以运用相关系数方法来侦测变量（每一个问题）与变量（总体满意度）之间的线性关系。当我们发现某几个问题得分的变动与总体满意度得分的变动有着密切的相关性（接近于1），尤其是这几个问题又是属于同index的，我们即可判定这几个问题在整个问卷中起重大的主因子作用。这些问题的解决最有利于总体满意度的提高，也最有效率。

　　我们用一案例做一简要说明：假设XX公司共有30名员工，于2002年11月做员工满意度调查，XX公司罗列了10个重要问题组成下列问卷（现实中，问卷的问题数量将大大多于10题），它们分别是：

　　Ql：你目前所从事的工作是否能充分发挥你的才能。

　　Q2：你认为你的上司在绩效评估时与你面谈的效果如何？

　　Q3：你在工作中的创新是否经常得到上司的支持与奖励？

　　Q4：你是否有公平的晋升与发展机会？

　　Q5：你得到的薪资福利是否公正地反映了你的贡献？

　　Q6：你的工作环境是否整洁与安全？

　　Q7：你认为公司在新产品开发上做得怎样？

　　Q8：你是否经常得到上司或同事的意见反馈？

　　Q9：你公司的企业文化是否符合公众的价值观？

　　Q10：你公司的使命与前景是否令你满意？

　　再附加Q11：你对XX公司的总体满意度如何？

　　第一步：计算出每一题的评价值

　　你针对每一问题把所有30名员工的答案加总平均，得出下列表1.3。

　　XX公司员工满意度调查汇总表（以10题为例）

　　题号 内容 平均值（Average） 相关系数（Correlation)

　　1 ********* 4.3 0.925

　　2 ********** 4.1 0.881

　　3 **************** 3.2 0.890

　　4 ************ 1.7 0.778

　　5 ******************* 2.1 0.916

　　6 ******** 4.4 0.189

　　7 ******************* 4.2 0.365

　　8 **************** 3.7 0.307

　　9 ************ 2.8 0.478

　　10 ****************** 1.9 0.299

　　注：选“非常不满意”得1分、“不满意”得2分、“既不满意又不不满意”得3分、“满意”得4分和“非常满意”得5分。

　　我们目前对问卷中的每一问题都收集了两个数据：第一个是：平均值，对所有答案进行加总平均得出的分数，它反映了对某-问题绩效的评价；第二个是：相关系数，它反映了某一问题得分与总体满意度得分的相关程度，也反映了此问题对总体满意度的重要性。

　　我们分别把以上数据制作成矩阵图（图略）：横坐标以每一题的平均值排列（反映了对每一题的评价好坏）；纵坐标以每一题的相关系数排列（反映了每一题与总体满意度的密切程度）。我们再接两个分数的中间值为界线划分成四个象限：象限I为重要性高而评价差；象限II为重要性高而评价好；象限III为重要性低而评价好；象限IV为重要性低而评价差，每一道题目分别置于四个象限内。

　　我们对四个象限分别作如下定义：

　　象限I为“关键的需提高的区域”，集中的问题为Q4和Q5，因为首先它的绩效差，评估者对它的评价低，所以它有很大的空间需要提高；其次，它与总体满意度关系密切，也就是说提高它比提高其它因素能产生更大的效率。象限II为“需保持的区域”，因为它的绩效高，评估者对它的评价高，所以它是做得比较好的方面，应该保持；其次，它与总体满意度关系密切，保持它比保持其它因素更有效率。象限III为“低回报区域”，它与总体满意度关系不密切，提高它与提高总体满意度关系不大。象限IV为“暂时忽略区域”，尽管它的绩效差，得分很低，看来应该被考虑改进。但是它与满意度的提高没有密切的关系，提高它不会产生非常大的效率，因此可以暂时被搁置一旁。

　　理论上讲，所有得分低的问题（绩效差的）都应该被改进，然而企业所拥有的资源是有限的，它必须最大效率地利用资源，结合平均值与相关系数的矩阵方法正是效率的体现，我们应该首先解决那些平均值低的和相关系数高的几个问题，发挥最大效益。

　　三、回归分析与双因素理论结合

　　1、回归分析

　　ESS的回归分析是基于下面的数据结构基础，即：一个总体的满意度，下面是几大模块来支持（假设五个模块），每个模块下面有几个问题来支持。问卷中只显示问题，事先设置好模块，模块的得分通过其所属问题得分汇总获得。

　　在ESS中，通常采用多元一次回归，即Y=α+β1X1+β2X2+……βnXn，其中ａ是回归常数，β1……βn称为回归系数，X1……Xn则为解释变量，通过回归可以解决两个问题：

　　（1）从大的类别（模块）来分析影响员工满意度的因素：可以把影响员工满意度的因素划分为几个大的模块，如五大模块：企业文化、组织建设、团队合作、福利、个人发展等，则可以由各大模块得分对总体满意度得分进行回归分析，从而得出各模块对总体满意度的影响情况，即是否有显著的相关关系；

　　（2）从小的类别（具体问题）来分析影响员工满意度的因素：在调查设计中，每个模块包含了若干个具体问题，而对于不同标准分类的员工其具体问题对模块的影响程度是可能不同的，通过具体问题对模块的回归分析，可以看出各问题（因素）对模块的影响情况。

　　2、通过回归解决双因素理论的实施问题

　　双因素理论是人力资源管理中很重要的一个理论，即激励因素与保健因素，这两种因素随着社会的发展、人的需求变化等内外环境的变迁而发生相互转换，两类因素的划分并非固定的。通过回归分析可以看出这两种因素是否发生了转换，这对企业来说是非常重要的。

　　假设现在已经做了各模块对总体满意度的回归，即：Y（总体满意度）=α+β1•企业文化+β2•组织建设+β3•团队合作+β4•福利+β5•个人发展

　　通过这样的回归方案，并与双因素理论结合起来，不仅可以看出各因素影响Y值的程度（显著性），而且对激励策略的制定能提供依据：由于ESS一般每年或至少每隔两年要做一次，对比两次调查的结果，即第一次回归的方程式与第二次的方程式比较，就能看出影响因素是否有变化和如何变化，这就意味着两类因素是否发生了转换，如下例：

　　第一年：Y（总体满意度）=α+β11•企业文化+β12•组织建设+β13•团队合作+β14•福利+β15•个人发展

　　第二年：Y（总体满意度）=α+β21•企业文化+β22组织建设+β23•团队合作+β24•福利+β25•个人发展

　　分析比较结果：首先，我们可以将影响不显著、相关系数小的因素列为保健因素，而影响显著的列为激励因素。假设第一年调查发展只有福利、团队合作的sig.＜0.05，即相关性显著，列为激励因素；而第二年相关显著的是个人发展、企业文化，并且β11＜β21、β13＞β23、β14＞β24、β15＜β25，其中组织建设从未影响显著，即一直是保健因素，因此可以看出，福利、团队合作在一年后已经由激励因素转化为了保健因素；而企业文化、个人发展转化为了激励因素。这样的结果就可以给企业管理层启示：提高企业文化、为员工设计职业规划能够提高员工的满意度；而福利与团队合作的影响程度变的不大，但如果这两方面做得不够好，员工就会变得不满意。

　　四、方差分析的应用

　　方差分析用于两个及两个以上样本均数差别的显著检验。从方差入手的研究方法有助于找到事物的内在规律性。方差分析有单因素、多因素、协方差等，在ESS中主要依据问卷设计的背景资料结合公司想要了解的情况来进行分析。

　　下面以单因素、多因素方差分析为例来探讨如何为ESS分析服务。

　　1、单因素与多因素方差分析的基本原理

　　单因素方差分析测试某一个控制变量的不同水平是否给观察变量（因变量）造成了显著差异和变动；而多因素方差分析用得更广泛，其控制变量在两个或两个以上，目的是要分析多个控制变量的作用、多个控制变量的交互作用以及其他随即变量是否对结果产生了显著影响。这一方法对深入挖掘调查结果有很大的作用，即可以对某一项得分按照多种分类来比较，如分析年龄层、入场时间、职位等对满意度的影响。

　　对于多组样本的检验，检验的效果远不如方差分析，因为检验虽然可以在两个样本间比较，但实际应用中经常需要比较两组以上数据样本均数的差别，这时候用多次检验就会增加弃真、存伪两类错误的可能性，如原先ａ定为0.05，做多次的检验将使最终推断时ａ＞0.05。故对于两组以上的均数比较，必须使用方差分析的方法。

　　2、方差分析在ESS中的应用

　　（1）单因素方差分析应用举例

　　如实行ESS的公司员工按年龄分为4组，对其总体满意度进行分析，看这些组之间是否有显著差异；还可以把3000人的公司按照部门分组，进行满意度的方差分析。通过方差分析，就可以让管理层了解不同分类员工之间的满意度差别，不仅看表面分值，还要通过科学的统计手段判别不同类别员工的满意度差异是否有显著意义，从而有利于针对不同类别员工采取有针对性、区别性的激励策略。

　　（2）多因素方差分析举例

　　如实行ESS的公司员工按照工龄不同分为4组员工，分别属于47种不同的文化程度，分析员工在满意度上是否有显著差异，即研究不同的工龄、不同文化程度对员工满意度的影响。同理，还可以做很多分组的分析，具体看企业所需要了解的分类而定。