V PRAXI - Jak dělat výzkumy, které opravdu fungují

…a nenechat si výsledky zkreslit drobnostmi, které přehlédneme

Kolikrát se vám stalo, že výsledky výzkumu šly úplně proti tomu, co jste viděli v praxi? 🤔
Nebo opačně: výzkum potvrdil vaši domněnku, ale realita se později ukázala jako úplně jiná?

Tyto situace vznikají ne kvůli špatně zvolenému typu výzkumu nebo chybné škále měření, ale kvůli malým faktorům, které nenápadně zkreslí data.

Je to stejné, jako když stavíte věž z kostek. Než začnete, musíte zamést drobky na zemi — i jedno zrnko písku dokáže celou věž vychýlit. 

Dnes se podíváme na to, co funguje, co nefunguje a na co si dát pozor, aby vaše výzkumy stály na pevné zemi.

1️⃣ FÁZE: TVORBA DOTAZNÍKU / SCÉNÁŘE

První chyby vznikají ještě dřív, než oslovíte prvního respondenta.
A právě tady má každý detail největší sílu.

❌ CO NEDĚLAT / nejčastější chyby

• ❌ Příliš obecné nebo vágní otázky
  Nejasné zadání mate respondenty a komplikuje i následnou interpretaci dat. 
• ❌ Dvojité otázky
  Vyhněte se dvojitým otázkám (např. "Jak jste vnímal rychlost a kvalitu vyřízení požadavku?") i dvěma po sobě jdoucím otázkám zaměřeným na různé aspekty (např. "Jak jste vnímal rychlost vyřízení požadavku? Byla kvalita v pořádku?"). Respondenti je často spojí a výsledky pak nedávají smysl.  
• ❌ Navádějící formulace 
  Nepoužívejte otázky, které respondentovi naznačují očekávanou odpověď (např. "Jak moc vám pomohl náš skvělý produkt?"). Takové otázky zkreslují výsledky a nenabízejí objektivní pohled. 
• ❌ Příliš mnoho otázek
  Některé otázky nepřinesou užitečný insight (např. "Vnímáte naši značku jako inovativní?" u kategorií, kde to není relevantní). A zároveň platí pravidlo: Čím delší dotazník, tím větší únava respondentů → nižší kvalita dat. 
• ❌ Špatný výběr škály
  Data mohou vypadat dobře vizuálně, ale neposkytují žádný smysluplný insight. K některým typům dat (např. hodnocení na škále) potřebujeme znát i doplňkové odpovědi, aby výsledky dávaly smysl.
• ❌ Nereprezentativní složení respondentů
  Pokud chcete věrohodná data, musíte oslovit všechny typické skupiny zákazníků — nejen ty, kteří mají zkušenost, ale i ty, kteří ji nemají. Vezměte si reálné složení své klientely a podle toho nastavte kvóty. Když 70 % vašich zákazníků tvoří lidé nad 60 let, ale v průzkumu jich máte jen 10 %, výsledky prostě nemůžou sedět. 
• ❌ Nutit lidi odpovídat, i když nemají zkušenost 
  Pokud respondent nemá zkušenost, měl by mít možnost otázku přeskočit. Jinak vzniká zkreslení dat. Příklad: "Máte pojištění domácnosti?" → respondent odpoví "Ano". Následující otázka: "Jak snadné bylo řešit škodnou událost?" Pokud respondent nikdy škodu nehlásil, nemá reálnou zkušenost, a jeho hodnocení na číselné škále nedává smysl. 
• ❌ Navádění odpovědí ještě před dotazem
  Do dotazníku nepatří názory autora, výsledky jiných výzkumů, doporučení a další. I malá nápověda může odpovědi posunout požadovaným směrem.  

✅ CO FUNGUJE / dobré postupy

• ✅ Otestovat dotazník s někým, kdo ho netvořil
  Člověk neznalý kontextu odhalí věci jako: nesrozumitelné formulace, unavující části, technické chyby, logické slepé uličky. Nemít otestovaný dotazník znamená riskovat chyby, které zjistíte až po sběru dat — tedy pozdě.
• ✅ U rozhovorů je potřeba dopředu znát svůj vlastní názor
  Ne proto, aby ho moderátor sdílel. Ale aby věděl, kde může ovlivňovat otázky. Bez vědomí vlastního postoje moderátor často podsouvá odpovědi, vede respondenta a vybírá návodné formulace. Krátká sebereflexe "Co si o tom myslím já?" dokáže výzkum stabilizovat. 
• ✅ Možnost odpovědi "nevím / nemám zkušenost"
  Drobný krok, který snižuje náhodné odpovědi a umožňuje lidem být upřímní. 
• ✅ Srozumitelná škála
  Používejte jen takovou škálu, u které přesně rozumíte významu každé hodnoty a zároveň ji jasně vnímají i respondenti – např. místo "velmi často / často" použijte konkrétní časový interval "týdně / několikrát měsíčně".
• ✅ K čemu použiji výsledky?
  Předem si jasně definujte, co budete s daty dělat, ještě než otázku položíte – jak budete výsledky vyhodnocovat, jak je použijete a co z nich chcete vyčíst.
  Příklad z praxe: Pokud se ptáte "Jak často používáte naši aplikaci?", rozhodněte dopředu, zda vás zajímá počet použití týdně, měsíčně nebo jen častost za poslední měsíc. Podle toho nastavíte škálu (např. "1× týdně, 2–3× týdně, 4–5× týdně, každý den") a předejdete tak zmatkům při interpretaci odpovědí.  

🧩 Jak to vypadá doma?

• ❌ "Myslíš, že by se to líbilo i kamarádům?" → do odpovědi se vnáší cizí názor.  ✅"Jak by se ti to líbilo?" → nehodnotíme "moc/ málo", necháváme dítě vyjádřit vlastní dojem. 
• ❌ "Myslíš, že bychom měli o víkendu uklízet spolu, nebo mám uklízet sama?" → otázka předem nastavuje očekávanou odpověď.  ✅ "Jak bys rozdělil úklid v bytě?" → nechává partnera vyjádřit preference, aniž byste mu podsouvali, co je "správné". 
• ❌ "Chceš raději jít na procházku nebo zůstat doma a sledovat film?" → implicitně ovlivňujete, která možnost je "správnější".  ✅ "Co bys chtěl dělat o víkendu?" → pouze prezentujeme možnosti, bez hodnotícího tónu. 

2️⃣ FÁZE: SBĚR DAT / REALIZACE

Tady se ukazuje, jak výzkum obstojí v realitě.

❌ CO NEDĚLAT / nejčastější chyby

• ❌ Nechat moderátora mluvit víc než respondenta
  Když moderátor vysvětluje, doplňuje, opravuje… → přepisuje realitu podle svého názoru.
• ❌ Mluvit o statistice během rozhovoru
  "Většina lidí říká, že…" nebo "Lidi si obvykle myslí…" → Respondent se přizpůsobí.
• ❌ Spěch nebo tlak
  Když se lidé cítí pod tlakem → odpovídají rychle, ne pravdivě.
• ❌ Ignorovat podmínky rozhovoru
  Hluk, přerušování nebo přítomnost dalších lidí dokážou překroutit odpovědi rychleji než špatně položená otázka. Rozhovor bez klidu = data bez hodnoty.
• ❌ Nezajistit a nezdůraznit anonymitu u citlivých témat
  Když lidé nevědí, že jejich odpovědi jsou opravdu anonymní, začnou hrát na jistotu. U citlivých nebo rizikových témat to platí dvojnásob — bez jasné záruky anonymity dostanete uhlazené odpovědi místo skutečnosti.
• ❌ Hodnotící kolečko ve focus group
  

  Ve focus group navíc platí, že pokud účastníci odpovídají jeden po druhém, ovlivňují se navzájem. Lidé často přizpůsobují svůj názor předchozím odpovědím – vzniká konformita a výsledky se posouvají směrem k dominantnímu účastníkovi nebo ke střední hodnotě skupiny.

  ✅ Jak na to:

  • Dejte každému účastníkovi prostor vyjádřit vlastní názor bez přímého vlivu ostatních.

  • Použijte individuální zápis na papír, anonymní hlasování nebo menší skupinky, kde účastníci diskutují nezávisle. Shrnutí pak sdílejte se skupinou až po individuálním vyjádření.

✅ CO FUNGUJE / dobré postupy

• ✅ Bezpečné prostředí
  Respondenti odpovídají upřímněji, když ví, že nejsou hodnoceni a není žádná "správná" a "špatná" odpověď.
• ✅ Otevřeně říct, proč výzkum děláte
  Když lidé vědí, k čemu jejich odpovědi poslouží, odpovídají poctivěji a s větším zájmem. Transparentnost zvyšuje kvalitu dat.
• ✅ Počítat s tím, že jedinec i skupina mění chování

  Nejde jen o skupiny — i jednotlivci odpovídají a jednají jinak, když tuší, že jsou pozorováni nebo hodnoceni. Projeví se to přizpůsobováním, "schováváním se" za jiné i změnou tónu odpovědí. Těmto jevům se detailně věnujeme ve 4. části článku. 

• ✅ Volit neutrální jazyk
  

  Místo "Jak moc jste byla nespokojená ..." použít "Jak byste popsala svou zkušenost ...".

🧩 Jak to vypadá v praxi?

• Dotazníky
  

  Odpovídají hlavně nespokojení lidé → výsledky se zdají horší, než realita. 

• Rozhovory / focus group

  Dominantní účastníci ovlivní celou skupinu. A lidé často říkají to, co je "bezpečné před ostatními".

• Doma

  Když se ptáte partnera/partnerky před dětmi, bude odpovídat diplomaticky.

3️⃣ FÁZE: PRÁCE S DATY

Teprve tady začíná interpretace. A právě tady se projeví chyby z předchozích fází — pokud tam byly.

❌ CO NEDĚLAT / nejčastější chyby

• ❌ Brát odpovědi doslova
  Lidé často odpovídají zjednodušeně nebo intuitivně. Interpretace se musí brát v rámci kontextu.
• ❌ Ignorovat motivaci respondentů
  Někteří lidé dotazník jen rychle proklikají. Často volí prostřední hodnoty (např. 5 z 10, 3 z 5).
• ❌ Hledat potvrzení vlastní hypotézy
  Když si předem vytvoříte domněnku, mozek začne automaticky hledat vše, co ji potvrzuje — klasický confirmation bias. A do hry vstupuje i tzv. klam texaského ostrostřelce: místo abychom nejdřív stanovili terč a až potom sbírali data, uděláme opak. Necháme "kulky" (odpovědi) létat a teprve zpětně nakreslíme terč kolem těch, které se nám hodí.
  Výsledek? Hezky vypadající grafy, ale nulová vypovídací hodnota. 
• ❌ Podlehnout "hezkým číslům" — zajímá nás relevance, ne efektní statistika
  To, že něco působí působivě ("80 % lidí říká…", "průměrně 4,7 bodu…") ještě neznamená, že je to pravdivý a spolehlivý insight. Bez reprezentativního vzorku, jasné škály a dostatečného počtu odpovědí jsou "hezká" čísla jen optická iluze — dobře vypadají, ale nic ve skutečnosti neříkají.  Např. Hodnocení 5 hvězdiček (počet respondentů 2) není lepší než hodnocení 4 hvězdičky (počet respondentů 200).
• ❌ Vizualizovat to tak, že výsledek vypadá horší/lepší, než je 
  Stejná data v grafu mohou vypadat naprosto odlišně. Třeba zvolení úzkého rozpětí na ose grafu dostaneme situaci, kdy drobný rozdíl působí jako obrovský skok.
• ❌ Dávat příliš váhu výrazným případům (Availability bias) 
  Pamatujeme si hlavně výrazné nebo dramatické příklady, ale ne reprezentativní celkový trend. Pokud se při interpretaci výsledků necháte ovlivnit jen těmito "silnými" zkušenostmi, může dojít ke zkreslení závěrů.
• ❌ Nechat se ovlivnit prvním číslem (Anchoring) 
  První hodnota nebo číslo, které respondenti vidí, často ovlivní jejich další odpovědi a celkový dojem. Pokud se při interpretaci výsledků necháte ovlivnit "prvním ukazatelem", může dojít ke zkreslení celého výsledku.

✅ CO FUNGUJE / dobré postupy

• ✅ Kombinace více zdrojů
  Dotazník + rozhovory + pozorování = mnohem pevnější závěr
• ✅ Kontrolujte extrémy
  Příliš mnoho středních hodnot? → možná únava.
  Podezřelé kombinace odpovědí? → možná nepochopení. 
• ✅ Kombinace čísel a komentářů
  Používejte nejen číselné hodnocení, ale doplňte ho o prostor pro komentáře či vysvětlení. Čísla samostatně často neposkytnou kontext

🧩 Jak to vypadá v praxi?

• Rozhovory

  Jeden "silný příběh" dokáže přebít 20 jiných odpovědí. 

• Doma

  Když máme pocit, že partner(ka) / děti dělají "pořád něco špatně", možná si pamatujeme jen ty konfliktní (silné) situace.

4️⃣ Jevy, které výzkum ovlivňují (a často se přehlíží)

Do výzkumů vstupují různé faktory, které mohou zkreslit jak samotné odpovědi, tak jejich interpretaci. Některé z těchto jevů jsme si již ukázali. Nyní je shrneme na jednom místě – přehledně a jednoduše. 

🎯 Confirmation bias (Potvrzovací zkreslení či Výzkumníků bias)

• Lidé mají tendenci hledat, vnímat a interpretovat informace tak, aby potvrzovaly jejich předchozí názory nebo očekávání.

• Příklad: Pokud si myslíte, že určitá reklama je účinná, při výzkumu si všímáte jen těch odpovědí, které vaši domněnku potvrzují, a přehlížíte odpovědi opačné.

• Tento jev může vést k tomu, že výzkumníci "najdou" to, co chtějí potvrdit, a výsledky nejsou objektivní.

🏹 Western shooter efekt

• Jedná se o vizuální nebo analytický trik - lidé, kteří už mají výsledky nebo data, mohou "přizpůsobit" interpretaci tak, aby výsledky vypadaly, že odpovídají cíli.

• Příklad: Když zaznamenávají výskyty určitého chování, nakonec kolem nejčastějších bodů vytvoří "cílovou oblast", aby to vypadalo, že střelili přesně.

• Je to podle metafory střelce: střelce necháme střílet, a poté kreslíme terč kolem míst, kde se nejvíc trefil. A následně ho označíme za ostrostřelce.

👁‍🗨 Hawthorne efekt

• Lidé mění chování, když ví, že jsou sledováni.
• Motivace je spíše psychologická: respondent chce být "lepší" nebo vykazovat očekávané chování, protože ví, že jeho činnost je pozorována. 

🧠 Sociální desirabilita

• Respondenti odpovídají tak, aby jejich odpovědi byly sociálně přijatelné nebo se jevily "morálně správné".

• Motivace je spíše interně společenská: obávají se odsouzení nebo chtějí být vnímáni jako "dobří" podle sociálních norem.

• = snaha vypadat dobře podle obecných sociálních očekávání, i když výzkumník není přítomen nebo aktivně neovlivňuje 

💬 Tendence potěšit výzkumníka

• Jde o situaci, kdy respondent odhaduje, co výzkumník očekává, a snaží se mu "vyhovět".
• Motivace je spíše subjektivní a situační: respondent chce být nápomocný, ukázat se v dobrém světle vůči tomu, kdo výzkum vede.
• = snaha "vyhovět" konkrétnímu výzkumníkovi nebo situaci 

📌 Anchoring (Kotvení)

• První číslo nebo informace, kterou vidíme, ovlivní celý náš dojem a rozhodnutí.
• Příklad: Pokud vidíme, že produkt stojí 1000 Kč, můžeme pak i 900 Kč považovat za výhodnou cenu, i když by byla stále vysoká.

⚡ Availability bias (Dostupnostní zkreslení)

• Pamatujeme si výrazné nebo snadno dostupné příklady, ne celkový trend.
• Příklad: Po sledování několika negativních recenzí na webu si myslíme, že většina lidí má s produktem problém, i když většina recenzí je ve skutečnosti pozitivní.

👥 Sociální zahálení

• Lidé v skupině pracují méně intenzivně, než kdyby pracovali individuálně, protože se spoléhají na ostatní.

📏 Střední efekt (Central tendency bias)

• Lidé mají tendenci vybírat střední hodnoty na škálách hodnocení, místo aby využili celé škálu možností.
• Příklad: Na škále 1–5 respondent často zvolí "3", i když by jeho zkušenost byla spíš "1" nebo "5". Tento jev zkresluje průměr a může skrýt skutečné rozdíly mezi odpověďmi. 

📌 Závěr

Tento článek uzavírá blok zaměřený na výzkumy – typy, škály měření a nejčastější chyby, na které si dát pozor.

👉 Příští týden se podíváme na mapování procesů a dat, tedy jak získané informace využít v praxi a vizualizovat je tak, aby dávaly smysl.