满意度调查是企业培训、客户服务、员工体验和课程评价中很常见的一种数据来源。很多人把问卷收回来以后，第一件事就是计算平均分，例如「本次培训平均满意度4.2分」。这种做法很普遍，但如果问卷使用的是「非常不满意、不满意、一般、满意、非常满意」这类等级选项，就要稍微谨慎一点。
因为这类数据属于顺序等级数据（Ordinal Data）。等级之间有明确次序，但我们不能确定「非常满意」和「满意」之间的距离，是否真的等于「满意」和「一般」之间的距离。
所以，如果只是想描述一组满意度结果，比起直接依赖平均值，更稳妥的做法是观察频数、百分比、中位数、众数和分布情况。Minitab可以很方便地完成这些分析。
先判断你的满意度数据属于哪一种类型
假设一份企业培训问卷使用下面五个选项：
- 1 = 非常不满意
- 2 = 不满意
- 3 = 一般
- 4 = 满意
- 5 = 非常满意
虽然我们用1到5表示这些答案，但这些数字主要代表顺序，而不是精确距离。
也就是说，5确实比4更满意，4也比3更满意，但不能严格假设5与4之间的差异，刚好和4与3之间完全一样。
因此，这类数据和温度、重量、长度等连续型数据并不相同。
如果只是分析一次调查，先做描述性统计就够了
如果目前只有一组满意度数据，没有培训前后比较，也没有不同部门、不同讲师或不同班级之间的比较，那么通常先做描述性统计就可以。
例如你收集了50名学员对某项培训内容的满意度评分，现在想知道整体评价怎样。这时候重点不是做复杂的假设检验，而是先回答几个基本问题：
多数人选择什么等级？中间位置在哪里？有没有明显的不满意者？分布是否集中？
这些信息已经能够帮助管理者理解当前调查结果。
在Minitab中可以怎样操作？
先把50名受访者的评分输入同一栏，例如放在C1，并命名为「满意度」。
接着进入描述性统计功能，选择需要显示的统计量。对于这类顺序数据，可以重点观察：
- 样本数量N
- 中位数Median
- 众数Mode
- 第一四分位数Q1
- 第三四分位数Q3
- 最小值和最大值
- 频数和百分比
图形方面，可以使用条形图、点图或其他能够清楚显示各等级分布的图。对于满意度调查，条形图往往比只看一串统计数字更加直观，因为可以直接看到每个等级有多少人选择。
一个示例结果应该怎样解释？
假设50名受访者的数据得到以下结果：
- N = 50
- Minimum = 1
- Q1 = 3
- Median = 4
- Q3 = 4
- Maximum = 5
- Mode = 4
我们可以先看中位数。Median = 4表示，把50个评分从低到高排列以后，中间位置大约落在「满意」这一等级附近。这说明整体评价偏正面。
众数也是4，而且如果有21名受访者选择4，就表示「满意」是最常出现的答案。
Q1 = 3、Q3 = 4，则说明中间50%的受访者评分主要集中在3到4之间，也就是「一般」到「满意」。
最低分出现1，说明至少有受访者选择「非常不满意」。这类少数意见不应该因为整体评价不错就被忽略，尤其是如果问卷还有开放式意见，可以进一步查看这些人的反馈。
为什么不建议只报告「平均满意度4.1分」？
平均值的问题，不是说完全不能计算，而是它容易给人一种过度精确的感觉。
例如平均满意度是4.12分，看起来很精确，但问卷本身只有五个等级，而且等级之间未必具有相同距离。这个4.12到底代表什么，其实没有连续型数据中的平均值那么直观。
更实际的表达方式，可以是：
「满意度中位数为4，42%的受访者选择满意，另外28%选择非常满意。」
这种表达既保留了顺序数据的性质，也更容易让管理者理解。
满意率往往比平均分更容易沟通
企业实际汇报时，还可以把「满意」和「非常满意」合并成满意率。
例如50人中，有21人选择4，14人选择5，那么满意率就是：
(21 + 14) ÷ 50 = 70%
这个数字对管理层通常比「平均4.02分」更直观。
不过，满意率同样需要先定义清楚。例如到底只有4和5算满意，还是3以上都算满意？不同报告必须采用一致标准，否则无法比较。
最好同时看分布，不要只看一个指标
假设两次培训的满意度中位数都是4，看起来一样，但实际分布可能完全不同。
第一次培训可能绝大多数人都选择4；第二次培训则可能有很多人选择5，同时也有不少人选择1和2。
两次调查的中心位置类似，但第二次评价明显更加分化。
所以分析满意度时，最好同时查看频数、百分比和图形，而不是只报告一个中位数或满意率。
如果要比较培训前后，就不能只做描述统计
如果问题从「这次培训满意度怎么样」变成「培训前后是否发生变化」，分析方法就不同了。
例如同一批员工在培训前和培训后都进行了评分，这属于配对数据。由于满意度属于顺序等级数据，通常可以考虑Wilcoxon符号秩检验等非参数方法。
如果比较的是两个独立部门，则可以考虑Mann-Whitney检验；如果比较三个或以上独立组别，则可以考虑Kruskal-Wallis检验。
具体选择哪一种方法，要看数据结构，而不是因为软件里有某个按钮就直接使用。
如果有很多问卷题目，还可以进一步分析什么？
实际满意度调查通常不会只有一个问题。
例如企业培训可能同时询问：
- 课程内容满意度
- 讲师表现
- 课程难度
- 教材实用性
- 学习平台体验
- 整体推荐意愿
这时候可以分别查看每一道题的分布，再比较哪些项目评价较低。
例如整体满意度很好，但「课程难度」大量集中在2和3，说明学员可能觉得内容偏难。这样的发现比单看总体评分更有改善价值。
还可以配合Pareto思路，把负面评价最多的题目先列出来，帮助培训负责人确定优先改善方向。
不要把Likert单题和整套量表完全混为一谈
这里还需要区分一个常见概念。
如果只是单独一道1到5分的满意度题目，它通常属于顺序数据。但如果多个题目经过合理设计，共同测量同一个概念，并把多个题目加总成一个量表分数，那么实际分析方式可能会有所不同。
有些研究会把多题Likert量表的总分近似当作连续数据处理，并使用平均值、标准差和参数统计方法。
所以不能简单说「凡是1到5分都绝对不能算平均值」。真正需要判断的是数据结构、量表设计和分析目的。
对于一般企业满意度问卷中的单题评分，采用中位数、众数、频数和百分比会更加稳妥。
Minitab分析满意度，最重要的不是软件操作
Minitab本身并不会告诉你「应该用平均值还是中位数」，也不会自动判断你的数据是顺序等级还是连续数据。
软件只负责计算，真正的判断仍然来自分析人员。
所以在满意度分析中，最重要的步骤其实发生在打开Minitab之前：先搞清楚问卷怎样设计、数据属于什么类型、你到底想回答什么问题。
如果只是描述现状，频数、中位数和分布已经很有价值；如果要比较不同群体或培训前后，再选择适合的统计检验。
结语
使用Minitab分析满意度调查并不复杂，但真正容易出错的地方往往不是软件，而是数据类型的判断。
对于「非常满意、满意、一般、不满意、非常不满意」这类单项满意度数据，更适合把它理解成顺序等级数据。分析时可以重点观察中位数、众数、频数、百分比和分布，而不要只依赖平均分。
优思学院认为，满意度调查的目的不是得到一个漂亮的4.3分，而是看清楚受访者真正集中在哪些评价，以及哪些地方值得继续改善。
统计分析真正有价值的地方，不是把问卷变成更多数字，而是让这些数字帮助我们做出更好的判断。
