Peran dan Pentingnya Data patokan dalam Survei Karyawan
Ini adalah salah satu roda yang Anda pasti tidak harus mencoba untuk menemukan kembali.
Karyawan Survei Keterlibatan bekerja banyak seperti penilaian kepribadian. Keduanya dikembangkan dan divalidasi dalam statistik kurang lebih cara yang sama, dan keduanya bergantung pada patokan (normatif) data untuk menentukan apakah nilai yang tinggi atau rendah.
Jika Anda membutuhkan penilaian kepribadian, tidak mungkin bahwa Anda akan mempertimbangkan untuk membuat sendiri dari awal. Ide melakukannya mungkin tampak masuk akal untuk kebanyakan orang. Sama absurd akan mengidentifikasi penilaian kepribadian yang ada, tapi kemudian menunjukkan bahwa Anda ingin mengubah kata-kata dari beberapa item, menghapus beberapa item yang tidak Anda sukai, dan / atau menambahkan beberapa item Anda sendiri.
Membuat karyawan survei keterlibatan Anda sendiri adalah sebuah ide sama buruknya. Anda mungkin dengan mudah mendapatkan melampaui tantangan awal kualitas item dengan menggunakan daftar item yang telah statistik divalidasi, tetapi tanpa data patokan, Anda tidak akan mampu menarik kesimpulan dari hasil Anda.
Pentingnya pembandingan pada survei keterlibatan karyawan telah sangat sedikit hubungannya dengan jenis perusahaan (industri, ukuran, dll) bahwa tolok ukur didasarkan pada. Geografi yang relevan dalam arti luas - di seluruh negara atau wilayah di mana norma-norma budaya yang berbeda. Tapi selain dari ini, pentingnya pembandingan adalah semua tentang item tertentu sendiri.
Pembandingan bekerja banyak seperti cacat dalam golf. Pegolf amatir dengan tingkat keterampilan yang berbeda memiliki cacat yang berbeda. Ketika pegolf bermain melawan satu sama lain, skor akhir setiap orang adalah disesuaikan dengan nya atau cacat nya. Hal ini memungkinkan pemain kemahiran yang berbeda untuk bermain melawan satu sama lain pada hal agak sama.
Setiap item dalam survei karyawan memiliki alamnya sendiri "perilaku". Beberapa item cenderung mendapatkan skor yang lebih tinggi dan beberapa item cenderung untuk mendapatkan skor yang lebih rendah. Hal ini dapat disebabkan dengan cara item tersebut worded atau dapat ada hubungannya dengan topik yang item alamat - atau keduanya. Pembandingan menghilangkan perbedaan-perbedaan alamiah antara item, sehingga memungkinkan Anda untuk membandingkan nilai di seluruh item. Pembandingan juga memberitahu Anda apakah mereka nilai tinggi atau rendah.
Jika Anda membutuhkan penilaian kepribadian, tidak mungkin bahwa Anda akan mempertimbangkan untuk membuat sendiri dari awal. Ide melakukannya mungkin tampak masuk akal untuk kebanyakan orang. Sama absurd akan mengidentifikasi penilaian kepribadian yang ada, tapi kemudian menunjukkan bahwa Anda ingin mengubah kata-kata dari beberapa item, menghapus beberapa item yang tidak Anda sukai, dan / atau menambahkan beberapa item Anda sendiri.
Membuat karyawan survei keterlibatan Anda sendiri adalah sebuah ide sama buruknya. Anda mungkin dengan mudah mendapatkan melampaui tantangan awal kualitas item dengan menggunakan daftar item yang telah statistik divalidasi, tetapi tanpa data patokan, Anda tidak akan mampu menarik kesimpulan dari hasil Anda.
Pentingnya pembandingan pada survei keterlibatan karyawan telah sangat sedikit hubungannya dengan jenis perusahaan (industri, ukuran, dll) bahwa tolok ukur didasarkan pada. Geografi yang relevan dalam arti luas - di seluruh negara atau wilayah di mana norma-norma budaya yang berbeda. Tapi selain dari ini, pentingnya pembandingan adalah semua tentang item tertentu sendiri.
Pembandingan bekerja banyak seperti cacat dalam golf. Pegolf amatir dengan tingkat keterampilan yang berbeda memiliki cacat yang berbeda. Ketika pegolf bermain melawan satu sama lain, skor akhir setiap orang adalah disesuaikan dengan nya atau cacat nya. Hal ini memungkinkan pemain kemahiran yang berbeda untuk bermain melawan satu sama lain pada hal agak sama.
Setiap item dalam survei karyawan memiliki alamnya sendiri "perilaku". Beberapa item cenderung mendapatkan skor yang lebih tinggi dan beberapa item cenderung untuk mendapatkan skor yang lebih rendah. Hal ini dapat disebabkan dengan cara item tersebut worded atau dapat ada hubungannya dengan topik yang item alamat - atau keduanya. Pembandingan menghilangkan perbedaan-perbedaan alamiah antara item, sehingga memungkinkan Anda untuk membandingkan nilai di seluruh item. Pembandingan juga memberitahu Anda apakah mereka nilai tinggi atau rendah.
Pertimbangkan dua item berikut:
"Kebutuhan karyawan merupakan prioritas utama dalam organisasi ini."
Rata-rata Skor: 3,1; Deviasi Standar: 0,4
"Tempat kerja saya aman."
Rata-rata: 4.1; Deviasi Standar: 0,4
Sekarang, asumsikan Anda melakukan survei karyawan Anda sendiri, dan hasil Anda menunjukkan bahwa Anda mencetak 3,6 pada kedua item ini. Apa yang dapat Anda lakukan dengan informasi itu? Apa nilai ini memberitahu Anda?
Anda mungkin akan mulai dengan mengasumsikan bahwa Anda sedang melakukan sama baik atau buruk di kedua daerah. Anda mungkin memutuskan apakah nilai baik atau buruk berdasarkan nilai yang Anda terima pada semua item lainnya dalam survei, atau Anda mungkin memutuskan bahwa skor di atas 3,0 dalam kedua kasus, sehingga Anda harus setidaknya melakukan OK di kedua daerah.
Namun, jika Anda menerapkan (normatif) data benchmark, Anda menemukan bahwa Anda benar-benar melakukannya dengan sangat baik di satu area dan sangat buruk yang lain. Dengan skor rata-rata 3,6 baku pada kedua item, item pertama akan memiliki T-Score dari 63 (89 persentil) dan item kedua akan memiliki T-Score dari 37 (persentil 11). Dengan kata lain, kebutuhan karyawan yang pasti prioritas utama, tetapi mereka bekerja di lingkungan yang sangat berbahaya.
Mungkin terdengar seperti berlebihan, tetapi menciptakan dan melakukan survei karyawan Anda sendiri mungkin lebih buruk daripada tidak melakukan apapun. Paling-paling, Anda akan memiliki banyak usaha sia-sia yang akan mencerminkan buruk pada SDM dan kepemimpinan perusahaan. Paling buruk, Anda mungkin menarik kesimpulan yang salah dari hasil Anda dan mengambil tindakan berdasarkan pada kesimpulan yang salah. Karyawan akan merasa bahwa mereka mengambil waktu untuk memberitahu Anda apa yang mereka pikirkan, dan respons Anda bisa mengabaikan isu-isu yang paling relevan dan penting.
Skor mentah hanya rata-rata dari semua tanggapan. Dengan skala rating 5-titik, nilai mentah terendah adalah 1, dan skor tertinggi yang mungkin baku adalah 5.
Dengan sendirinya, nilai baku tidak memberikan indikasi apakah skor tinggi atau rendah. Nilai-T membuat ini mungkin dengan menghilangkan variasi alami antara item dan menyediakan sebuah patokan untuk mengukur nilai baku dengan.
Dengan sendirinya, nilai baku tidak memberikan indikasi apakah skor tinggi atau rendah. Nilai-T membuat ini mungkin dengan menghilangkan variasi alami antara item dan menyediakan sebuah patokan untuk mengukur nilai baku dengan.
Nilai-T menunjukkan bagaimana skor Anda dibandingkan dengan nilai yang diterima oleh organisasi lain.
Bila menggunakan Nilai-T, mean (rata-rata) selalu 50, dan deviasi standar 10. Jika Anda T-Skor di atas 50, maka itu adalah atas rata-rata. Jika skor Anda kurang dari 50, berada di bawah rata-rata. Sebagai contoh, jika Anda memiliki T-Score dari 60, Anda mencetak lebih tinggi dari 84% dari semua organisasi.
Nilai-T didistribusikan dalam kurva berbentuk lonceng, seperti digambarkan dalam diagram ke kanan. 68% dari Nilai-T jatuh antara 40 dan 60. 96% dari nilai jatuh antara 30 dan 70. Hanya 4% dari nilai jatuh di bawah 30 atau di atas 70.
Dalam rangka untuk menghitung Nilai-T, kita perlu untuk memulai dengan baik normatif (benchmark) data. Hal ini diperoleh dengan mengumpulkan tanggapan survei dari karyawan di ratusan organisasi yang berbeda. Kami kemudian menghitung rata-rata (mean) dan standar deviasi dari skor untuk setiap item survei di seluruh organisasi.
(Standar deviasi adalah ukuran dari variasi ini menunjukkan berapa banyak nilai berbeda di organisasi yang berbeda..)
Untuk menghitung T-Score, kita mengambil nilai mentah organisasi Anda dikurangi mean normatif (rata-rata di semua organisasi) dan dibagi dengan standar deviasi. Terakhir, kita kalikan dengan 10 dan tambahkan 50. (Ini langkah terakhir hanya mengubah skor menjadi kisaran yang lebih intuitif Jika kita menghilangkan langkah-langkah terakhir, skor ini disebut sebagai nilai z-,. Dengan rata-rata nol dan standar deviasi 1.)
Untuk menghitung T-Score, kita mengambil nilai mentah organisasi Anda dikurangi mean normatif (rata-rata di semua organisasi) dan dibagi dengan standar deviasi. Terakhir, kita kalikan dengan 10 dan tambahkan 50. (Ini langkah terakhir hanya mengubah skor menjadi kisaran yang lebih intuitif Jika kita menghilangkan langkah-langkah terakhir, skor ini disebut sebagai nilai z-,. Dengan rata-rata nol dan standar deviasi 1.)
Dengan kata lain:
T-Score = (Skor mentah Organisasi Anda - Skor rata-rata) / Deviasi Standar * 10 + 50
Sebagai contoh:
"Kebutuhan karyawan merupakan prioritas utama dalam organisasi ini."
Organisasi Anda baku skor: 3,5 (misalnya)
Rata-rata, di semua organisasi: 3.1
Standar deviasi di semua organisasi: 0,4
T-Score = (3,5-3,1) / 0,4 * 10 + 50 = 60
Random Sampling dan Akurasi statistik - Ikhtisar
Artikel ini menjelaskan bagaimana bekerja secara acak sampel. Jika Anda ingin melewatkan artikel dan cepat menghitung berapa banyak orang yang Anda butuhkan untuk sampel acak Anda, klik di sini untuk kalkulator online.
Jika Anda mengumpulkan data pada sekelompok besar orang (disebut "populasi"), Anda mungkin ingin meminimalkan dampak bahwa survei akan memiliki pada kelompok yang Anda survei. Hal ini sering tidak diperlukan untuk survei seluruh populasi. Sebaliknya, Anda dapat memilih sampel acak orang dari penduduk dan survei hanya mereka. Anda kemudian dapat menarik kesimpulan tentang bagaimana seluruh populasi akan menanggapi berdasarkan tanggapan dari kelompok yang dipilih secara acak orang. Ini adalah apa yang dilakukan lembaga survei politik - mereka meminta sekelompok orang daftar pertanyaan dan berdasarkan hasil mereka, mereka menarik kesimpulan tentang populasi secara keseluruhan dengan mereka penolakan sering mendengar tentang "% plus atau minus 5." Jika Anda hanya melihat satu kelompok besar orang secara keseluruhan, proses penentuan sampel acak adalah cukup sederhana. Anda akan perlu tahu berapa banyak orang yang dalam seluruh kelompok dan bagaimana "akurat" Anda ingin hasil Anda untuk menjadi (lihat "Kepercayaan statistik" di bawah). Setiap kali Anda survei sebagian dari populasi, akan ada beberapa margin kesalahan dalam hasil, tetapi ketika margin error berkurang hanya beberapa persen saja, sering menjadi perhatian kecil. Jika populasi Anda terdiri dari hanya beberapa ratus orang, Anda mungkin menemukan bahwa Anda perlu untuk survei hampir semua dari mereka dalam rangka untuk mencapai tingkat akurasi yang Anda inginkan. Dengan meningkatnya ukuran populasi, persentase orang yang diperlukan untuk mencapai tingkat akurasi yang tinggi menurun dengan cepat. Dengan kata lain, untuk mencapai tingkat yang sama akurasi: Populasi yang lebih besar persentase = lebih kecil dari orang yang disurvei Populasi yang lebih kecil persentase = Lebih besar dari orang yang disurvei Stratified Random Sampling
Lebih sering daripada tidak, Anda akan ingin tidak hanya memeriksa hasil dari penduduk secara keseluruhan, tetapi juga memahami perbedaan antara sub-kelompok demografis utama dalam populasi. Sebagai contoh, Anda mungkin ingin memahami perbedaan antara pria dan wanita atau manajer senior dan karyawan biasa. Jika Anda berencana untuk melihat sub kelompok yang berbeda seperti ini, Anda harus melakukan sampel acak bertingkat. Singkatnya, ini berarti Anda akan perlu untuk memilih sampel acak terpisah dari masing-masing subkelompok bukan hanya mengambil sampel acak tunggal dari seluruh kelompok. Proses ini memakan waktu sedikit lebih dan akan meminta Anda untuk survei sejumlah besar orang secara keseluruhan, tetapi teknik ini dapat sangat berharga. Jika Anda ingin melakukan sampel acak bertingkat, pikirkan dengan hati-hati tentang pembagian demografis tunggal yang paling relevan yang dapat dibuat antara orang-orang dalam populasi anda. Hal ini mungkin tidak praktis untuk melakukan sampel acak bertingkat pada lebih dari satu kategori demografis sebagai proses menjadi jauh lebih kompleks dan Anda akhirnya akan berakhir perlu survei hampir seluruh penduduk jika salah satu subkelompok sangat kecil. Dengan kata lain, jika Anda ingin melihat pada usia dan posisi, Anda akan perlu melihat setiap kombinasi posisi / usia dan Anda mungkin menemukan jumlah yang sangat kecil orang dalam beberapa area.
Statistik Akurasi - Keyakinan dan Kesalahan
Dalam rangka untuk memahami sampling acak, Anda harus menjadi akrab dengan beberapa konsep statistik dasar.
1. Kesalahan - ini adalah bahwa "plus atau minus X%" Anda mendengar tentang. Apa itu berarti bahwa Anda merasa yakin bahwa hasil Anda memiliki kesalahan tidak lebih dari X%. 2. Keyakinan - Ini adalah bagaimana Anda merasa yakin tentang tingkat kesalahan Anda. Dinyatakan sebagai persentase, itu adalah sama dengan mengatakan jika Anda adalah untuk melakukan survei beberapa kali, seberapa sering Anda berharap untuk mendapatkan hasil yang sama. Kedua konsep ini bekerja sama untuk menentukan seberapa akurat hasil survei Anda. Sebagai contoh, jika Anda memiliki kepercayaan 90% dengan kesalahan 4%, Anda mengatakan bahwa jika Anda adalah untuk melakukan survei yang sama 100 kali, hasilnya akan dalam + / - 4% dari waktu pertama kali Anda menjalankan survei 90 kali dari 100. Jika Anda tidak yakin apa jenis kesalahan yang dapat Anda toleransi dan apa yang tingkat kepercayaan yang Anda butuhkan, aturan praktis yang baik adalah untuk tujuan untuk kepercayaan 95% dengan tingkat kesalahan 5%. Kesalahan juga disebut sebagai "interval kepercayaan" dan Keyakinan juga dikenal sebagai "Tingkat Keyakinan." Untuk menghindari kebingungan, konsep-konsep ini hanya akan disebut sebagai "Kesalahan" dan "Kepercayaan" dalam artikel ini. Menentukan "Benar" Ukuran Sampel
Menentukan "benar" ukuran sampel memerlukan 3 buah informasi
1. Ukuran populasi Anda 2. Tingkat kesalahan yang Anda inginkan (misalnya 5%) 3. Anda tingkat kepercayaan yang diinginkan (misalnya 95%) Untuk menghitung jumlah orang yang Anda akan perlu untuk survei, klik di sini . Melakukan sebuah sampel acak bertingkat
Jika Anda melakukan sebuah sampel acak bertingkat, ada beberapa langkah tambahan yang perlu Anda ambil.
1. Tentukan ukuran subkelompok terkecil dalam populasi anda. Sebagai contoh, jika Anda ingin melihat laki-laki vs perempuan dan ada perempuan lebih sedikit, maka ini adalah grup yang ingin Anda lihat. 2. Menghitung jumlah orang yang dibutuhkan untuk mencapai tingkat kesalahan yang diinginkan dan tingkat kepercayaan untuk subkelompok ini. 3. Hitung berapa persentase orang yang Anda akan perlu untuk survei dalam subkelompok ini (sejumlah orang untuk survei dibagi dengan ukuran subkelompok total). 4. Akhirnya, menghitung jumlah orang di masing-masing sub-kelompok lain yang diperlukan untuk mencapai hal ini rasio yang sama (kalikan persentase dari langkah 3 dengan ukuran masing-masing sub-sub kelompok lainnya). Ini adalah berapa banyak orang yang Anda akan perlu untuk survei masing-masing kelompok. Ingat, sebuah kelompok yang lebih besar berarti persentase yang lebih kecil diperlukan untuk mendapatkan tingkat akurasi yang sama. Itulah sebabnya kita mulai dengan kelompok terkecil dan bekerja dengan cara kami sampai. Hasil yang Anda dapatkan dari kelompok yang lebih besar harus benar-benar menjadi lebih akurat dibandingkan dengan hasil dari kelompok terkecil, tetapi Anda setidaknya bisa memastikan bahwa setiap kelompok memenuhi persyaratan minimum Anda akurasi. Jangan menghitung jumlah orang yang dibutuhkan untuk mencapai tingkat kesalahan yang diinginkan dan tingkat kepercayaan untuk setiap subkelompok. Sementara ini mungkin tampak menggoda karena akan berarti survei lebih sedikit orang dari kelompok yang lebih besar, itu akan mendistorsi hasil Anda secara keseluruhan. Adalah penting bahwa setiap subkelompok secara proporsional terwakili. Jika Anda survei 75% dari orang-orang dari kelompok yang lebih kecil dan hanya 25% dari orang-orang dari kelompok yang lebih besar, maka hasil keseluruhan untuk seluruh penduduk akan condong berpihak pada kelompok yang lebih kecil karena mereka akan tidak proporsional diwakili. Anda mungkin menemukan ini agak terbatas, terutama jika Anda subkelompok sangat bervariasi dalam ukuran. Sementara itu mungkin OK untuk fudge sedikit sekitar tepi, sangat penting bahwa Anda tidak mengabaikan pentingnya fakta ini. Hal ini dimungkinkan untuk memanipulasi secara manual hasil akhir untuk mendapatkan hasil yang proporsional tertimbang dari setiap subkelompok, tetapi hal ini membutuhkan tingkat keahlian tertentu. Akhir Langkah - Puting itu Semua Bersama
Setelah Anda telah menentukan berapa banyak orang yang Anda butuhkan dari populasi anda baik secara keseluruhan atau dari setiap subkelompok dalam populasi anda, Anda hanya perlu menentukan cara untuk secara acak memilih jumlah tertentu orang dari setiap kelompok. Ada banyak cara yang salah untuk pergi tentang ini.
Apapun teknik yang Anda gunakan, pastikan bahwa Anda benar-benar memilih orang pada preferensi acak dan tidak sengaja memberikan kepada siapapun untuk alasan apapun. Sebuah cara yang mudah dan cepat untuk secara acak memilih orang-orang adalah dengan menggunakan MS Excel. Langkah-langkah untuk membuat pilihan acak adalah sebagai berikut: 1. Salin dan sisipkan daftar dari setiap orang dalam kelompok ke dalam satu kolom. Anda dapat menggunakan nama, alamat email, nomor karyawan, atau apa pun. 2. Dalam kolom kedua, mengisi seluruh kolom dengan Excel fungsi "Randomize". Nilai yang tepat dari setiap sel harus "= rand ()" (tidak termasuk tanda kutip). Hanya mengisi sel-sel sebelah mana Anda menyisipkan Info grup pada langkah # 1. 3. Urutkan kedua kolom dengan kolom "Randomize". Tidak peduli apakah Anda menyortir mereka dalam menaik atau menurun. 4. Gulir ke bawah ke nomor baris dari ukuran kelompok. Semua orang dari baris ini sampai merupakan bagian dari sampel Anda (lihat catatan penting di bawah ini mengenai tingkat respons). Untuk sampel Excel spreadsheet yang menggambarkan bagaimana ini akan terlihat, klik di sini . Menyesuaikan Tingkat Respon Perkiraan
Langkah terakhir dan sangat penting yang mungkin memerlukan sedikit dugaan. Pada titik ini, Anda sudah tahu berapa banyak tanggapan Anda butuhkan dari populasi atau dari setiap subkelompok dalam populasi anda. Jika setiap satu dari orang-orang itu untuk merespon survei Anda, maka Anda akan mengatur semua, namun, dalam kenyataannya, banyak orang yang telah dipilih secara acak tidak akan menyelesaikan survei Anda. Anda perlu memperkirakan berapa persentase orang yang Anda harapkan untuk merespon.
Tingkat respons dapat sangat bervariasi tergantung pada populasi dan sifat survei. Anda dapat menggunakan pengalaman masa lalu, pengetahuan Anda dari populasi, dan sifat dari survei itu sendiri (survei lagi akan memiliki tingkat respon yang lebih rendah) untuk datang dengan perkiraan terbaik Anda. Anda kemudian akan perlu untuk mengetahui berapa banyak orang yang Anda perlu meminta untuk menyelesaikan survei dalam rangka untuk mendapatkan nomor yang Anda inginkan dari tanggapan. Setelah Anda telah datang dengan perkiraan Anda terbaik dari tingkat respon, hanya membagi jumlah orang yang dibutuhkan dengan persentase tingkat respons untuk mengetahui berapa banyak orang yang Anda perlu meminta untuk menyelesaikan survei. Misalnya, jika Anda ditentukan bahwa Anda membutuhkan 500 orang untuk merespon survei Anda dan Anda memperkirakan bahwa 75% orang akan menyelesaikan survei, Anda akan perlu untuk meminta 667 orang untuk menyelesaikan survei dalam rangka untuk mendapatkan 500 respon (500 / 0,75 = 667). Perlu dicatat bahwa mungkin ada beberapa skewing hasil Anda berdasarkan pada fakta bahwa Anda sedang melakukan survei berbasis internet. Hanya orang dengan akses ke internet dan yang nyaman mengisi survei online akan merespon. Jika Anda sedang melakukan survei penggunaan internet, ini mungkin penting. Untuk sebagian besar survei, ini bukan perhatian. Anda akan perlu untuk menentukan sendiri apakah survei menengah mungkin memiliki efek pada hasil survei Anda. |