Mitarbeiterbefragungen - kompakt

7 Standard-Datenanalyse (S. 68-69)

Die Auswertung der MAB-Daten sollte zügig erfolgen, damit der Schwung der Befragung für die Folgeprozesse erhalten bleibt. Die Folgeprozesse werden auch dadurch angekurbelt, dass jede Gruppe und jede Organisationseinheit nicht nur über allgemeine Trends, sondern auch über „ihre" Ergebnisse informiert wird. Das bedeutet aber, dass nicht nur ein Auswertungsbericht, sondern möglicherweise Tausende solcher Berichte zu erstellen sind.

Derartige Größenordnungen – bei gleichzeitig knapper Zeit und hohem Qualitätsanspruch – erfordern eine weitgehend automatisierte Berichtserstellung, die wir als Standard- Datenanalyse (SDA) bezeichnen. Weil die SDA computerisiert abläuft, kann sie keine Interpretationen der jeweiligen Ergebnisse enthalten. Sie berichtet diese Ergebnisse nur beschreibend, zusammen mit einer Reihe von unterstützenden Vergleichswerten.

7.1 Statistiken für die Standard-Datenanalyse

Für eine SDA kommen nur Statistiken in Frage, die jeder sofort richtig versteht. Verwendet man, wie heute üblich, Items mit Likert-Antwortskalen (wie in Abbildung 9, S. 34), dann werden die Befragungsergebnisse meist dargestellt als Prozentanteile der Personen, die dem jeweiligen Item zugestimmt haben (Ja%) bzw. es abgelehnt haben (Nein%). Eine solche Darstellung zeigt Tabelle 5 auf Seite 18. Dort sind zudem noch die Prozentwerte der „teils-teils"-Antworten dargestellt.

Alternativ hierzu findet man auch Skalenmittelwerte. Dazu werden die Kategorien der Likert-Antwortskala zunächst mit 1, 2, …, 5 (Notenskala) oder mit 5, 4, …, 1 codiert. Kreuzt eine Person also z. B. „stimme voll und ganz zu" an, dann bekommt sie – auf der Notenskala – den Wert „1", antwortet sie mit „teils-teils", dann „3". Der Mittelwert ist dann der Durchschnittswert der Antwortwerte aller betrachteten Personen.

Das scheint genauer zu sein als Prozentwerte, hat aber den Nachteil, dass ein Wert von z. B. 2,34 nicht unmittelbar verständlich ist („Wie war noch mal die Skala? Ist ein kleiner Wert gut oder schlecht?"). Schlechter noch sind keine Nachfragen, sondern Missverständnisse oder Unverständnis. Die Ja%-Statistik ist unmittelbarer zu verstehen, zuverlässiger im Gebrauch und unabhängig davon, wie viele Kategorien die Antwortskala enthält und wie diese gepolt sind. Sie wird aber bisweilen kritisiert als unangemessene Vereinfachung („Warum fragen Sie erst abgestuft, wenn Sie später doch alles wieder zusammenwerfen?").

Dieses Argument zieht jedoch nicht, weil man zeigen kann, dass die Ja%-Statistik unter den für MABs normalen Umständen die gleiche Information enthält wie der Skalenmittelwert. (Beide Statistiken sind fast so genau ineinander konvertierbar wie Grad Celsius und Grad Fahrenheit.) Für kleine Gruppen sollte man trotzdem die Mittelwerte mitführen (wie in Tabelle 6 gezeigt), weil die Ja%-Werte bei sehr kleinen Gruppen „springen" (20% können z. B. nur einer einzigen Person entsprechen). Die Mittelwerte sind auch dann zusätzlich informativ, wenn die Ja%- oder Nein%- Prozentwerte gegen 0 oder 100 gehen, weil man z. B. aus Ja% = 100 nicht mehr ablesen kann, ob die Zustimmung sehr stark oder nur stark war.

Z. B. kann das Item „Ich bin stolz darauf, für die ABC AG zu arbeiten" zu Ja%-Werten von 80 % und mehr führen. Hier würde dann der Skalenmittelwert zeigen, wie stolz genau diese Personen durchschnittlich sind. Sollte man daher nicht lieber gleich für jedes Item die ganze statistische Verteilung der Antworten zeigen, also ausweisen, wie viele Personen mit „Stimme voll zu" geantwortet haben, wie viele mit „Stimme eher zu" usw.? Das wird in der Praxis bisweilen gemacht, führt aber zu dicken Tabellenbänden oder zu Unmengen grafischer Verteilungen, die alle irgendwie gleich – nämlich „normal", also glockenförmig – aussehen.

Der Leser kann einen solchen Datenwust selten verdauen. Andere Statistiken (z. B. Varianzen oder Korrelationen) sind für eine SDA nicht geeignet. Der Nichtstatistiker braucht für ihre richtige Verwendung i. d. R. kompetente Hilfe. Zudem sollte man bedenken, dass der Leser sowieso schon viele Daten zu einem Gesamtbild zusammenfügen muss, also nicht überladen werden sollte mit Statistiken, die aus praktischer Sicht eher marginale Informationen transportieren.