Para analizar las respuestas abiertas de una encuesta, reúnelas en una hoja, lee una muestra, escribe una lista corta de códigos para los motivos que ves y etiqueta cada respuesta. Después cuenta los códigos por grupo de clientes y respalda cada hallazgo con una cita. Eso es todo. El método es antiguo y manual, y sigue funcionando mejor que una nube de palabras.
Importa porque en las respuestas abiertas están los motivos. Una puntuación te dice que la gente no está contenta. Las respuestas codificadas te dicen qué problema arreglar primero y a quién encargárselo. Esta guía recorre cada paso con un ejemplo práctico y luego muestra dónde te ahorra tiempo la IA y dónde se equivoca sin que te des cuenta.
Ideas clave
- Lee antes de codificar. Tus códigos deben salir de las respuestas, no de tus suposiciones.
- Codifica el motivo, no el tema. «Precio» esconde cuatro problemas distintos con cuatro soluciones distintas.
- Cuenta por grupo de clientes y acompaña cada número de una cita.
- Deja que la IA aplique un libro de códigos que hayas escrito tú. No dejes que decida qué importa.
Empieza con respuestas que merezca la pena analizar
Ningún método puede salvar respuestas vacías. Si la mayoría dice «bien», «n/a» o «nada», no hay nada que codificar.
Así que revisa primero las preguntas. «¿Qué casi te impidió registrarte?» consigue respuestas con las que puedes trabajar. «¿Algún otro comentario?» consigue ruido. Las preguntas de seguimiento son las que más ayudan: «demasiado complicado» se convierte en «no encontraba cómo invitar a mi equipo», y eso alguien lo puede arreglar. Nuestra lista de preguntas abiertas para encuestas tiene preguntas que consiguen respuestas detalladas.
Elige un método según tu volumen
Cómo analizas depende de cuántas respuestas tengas.
| Respuestas | Qué funciona | Tiempo que lleva |
|---|---|---|
| Menos de 50 | Léelas todas. Apunta lo que se repite. Saca citas. | Una o dos horas |
| De 50 a 500 | Codificación en hoja de cálculo, como en los pasos de abajo | De medio día a dos días |
| 500 o más | Codifica una muestra a mano, luego usa IA o herramientas de texto para aplicar tu libro de códigos al resto, y revisa al azar | Depende de la herramienta, más tu tiempo de revisión |
Sea cual sea el tamaño, el razonamiento es el mismo. Tú decides cuáles son las categorías. Las herramientas solo te ayudan a aplicarlas más rápido.
Cómo analizar respuestas abiertas de encuestas en 7 pasos
Este método funciona en Google Sheets o Excel. No necesitas software especial.
Reúne todas las respuestas en una hoja
Una fila por respuesta. Añade columnas para el ID de la persona, el grupo de clientes (plan, rol, antigüedad o puntuación), la pregunta, la respuesta y dos o tres columnas de códigos vacías. La columna de ID te permite rastrear cada recuento hasta la respuesta original, incluso después de ordenar.
Lee primero una muestra
Lee de 30 a 50 respuestas, o una décima parte de un conjunto grande, sin etiquetar nada. Apunta los motivos que se repiten. Aquí es donde notas de qué hablan de verdad los clientes, en lugar de lo que esperabas que dijeran.
Escribe un borrador del libro de códigos
Convierte tus notas en 5 a 15 códigos. Dale a cada uno un nombre corto y una definición de una frase. Nombra el motivo, no el tema: «no encuentra la exportación» es útil, «problemas de UX» no.
Codifica cada respuesta
Recorre todas las respuestas y añade uno o más códigos. Usa «Otros» para lo que no encaje y revísalo a menudo. Si «Otros» supera más o menos una de cada diez respuestas, te falta un código. Cuando añadas uno, vuelve atrás y revisa las filas anteriores.
Cuenta y compara por grupo
Usa una tabla dinámica para contar cada código. Después divídelo por grupo de clientes. Un motivo que es pequeño en el total puede ser el problema principal de tus cuentas más grandes. Preséntalo como porcentaje de las personas que respondieron.
Saca citas
Para cada código principal, elige dos o tres respuestas que lo expresen con claridad, con las palabras del propio cliente. Las citas hacen que un hallazgo sea real para quienes nunca vieron los datos.
Escribe los hallazgos como frases
«Los equipos nuevos se atascan en la configuración porque el botón de invitar es difícil de encontrar» es un hallazgo. «Onboarding: 23 menciones» no lo es. Escribe la frase con la que un compañero podría actuar y luego añade el recuento y una cita.
La guía de Jeff Sauro sobre cómo codificar comentarios literales en MeasuringU explica el mismo proceso con más detalle, incluido cómo añadir intervalos de confianza a tus porcentajes.
Codifica el motivo, no el tema
El error más común es codificar por tema. Los temas son fáciles de detectar, así que parecen lo correcto. Pero un mismo tema suele esconder varios problemas, cada uno con una solución distinta.
Toma «precio». Esto es lo que puede significar en realidad:
| Código de tema | Códigos de motivo escondidos dentro | Quién lo arregla |
|---|---|---|
| Precio | Precio poco claro: no sabían cuánto iban a pagar | Página de precios |
| Coste inesperado: una tarifa o un límite que descubrieron tarde | Facturación y límites del plan | |
| Valor aún no claro: no lo habían visto funcionar antes de pagar | Onboarding | |
| Fuera de presupuesto: lo querían, pero no se lo podían permitir | Planes y paquetes |
Si informas «Precio: 30 % de las respuestas», el equipo probablemente discutirá sobre el precio. Si informas que la mayoría de esas respuestas eran «valor aún no claro», la solución pasa al onboarding. Mismos datos, decisión muy distinta.
Ejemplo de libro de códigos
Aquí tienes un libro de códigos pequeño para la pregunta «¿Qué casi te impidió registrarte?».
| Código | Definición | Ejemplo de respuesta |
|---|---|---|
| Precio poco claro | No sabían cuánto iban a pagar | «No tenía claro si los invitados cuentan como licencias». |
| Miedo a la configuración | Esperaban una configuración lenta o técnica | «Parecía que hacía falta un desarrollador». |
| Confianza | Dudas sobre la empresa o la seguridad de los datos | «No conocía la empresa, así que primero miré las reseñas». |
| Función que falta | Necesitaban algo que no veían | «No sabía si funcionaba con nuestro sistema de inicio de sesión». |
| Coste de cambio | Ya habían invertido en otra herramienta | «Tendríamos que migrar dos años de datos». |
| Sin bloqueo | No tuvieron dudas | «Nada, lo necesitaba rápido». |
| Otros | Cualquier otra cosa, se revisa cada semana | «Mi jefa estaba de vacaciones». |
Que las definiciones sean cortas. Si dos personas codificarían la misma respuesta de forma distinta, la definición necesita trabajo. También merece la pena registrar «Sin bloqueo». Mantiene los problemas en su justa proporción.
Un ejemplo práctico
Cinco personas respondieron a la pregunta anterior. Así se codificarían.
| ID | Plan | Respuesta | Códigos |
|---|---|---|---|
| 101 | Equipo | «La página de precios no decía si los invitados cuentan como licencias». | Precio poco claro |
| 102 | Individual | «Nada en realidad, lo necesitaba rápido». | Sin bloqueo |
| 103 | Individual | «Pensé que tendría que configurarlo el equipo de IT, y nuestro IT es lento». | Miedo a la configuración |
| 104 | Equipo | «No sabía si funcionaría con nuestro sistema de inicio de sesión, y el precio por licencia me confundió». | Función que falta, Precio poco claro |
| 105 | Equipo | «Ya pagamos una herramienta de encuestas». | Coste de cambio |
La respuesta 104 lleva dos códigos. Es normal, y por eso dejas espacio para más de un código por fila. También significa que tus porcentajes pueden sumar más del 100 %, así que dilo cuando los compartas.
Cuando todas las filas están codificadas, la tabla dinámica hace el resto. Puede que descubras que «Precio poco claro» viene casi todo de los planes Equipo, mientras que los usuarios del plan Individual mencionan la configuración. Son dos hallazgos con dos responsables: la página de precios para marketing y el flujo de configuración para producto.
Errores que distorsionan los resultados
- Códigos demasiado amplios. «Feedback de producto» encaja con todo y no te dice nada.
- Nubes de palabras. Cuentan palabras, no significados. «No es fácil» y «fácil» hacen que «fácil» se vea más grande.
- Codificar en solitario. Pide a un compañero que codifique las mismas 20 respuestas. Donde haya desacuerdo, ajusta la definición.
- Contar sin contexto. Un motivo que plantean unos pocos clientes grandes puede importar más que uno que plantean muchos usuarios gratuitos.
- Números sin citas. La gente se fía de lo que puede leer con las palabras del propio cliente.
- Codificar antes de leer. Si escribes primero el libro de códigos, encontrarás lo que esperabas y se te escapará el resto.
Cómo usar ChatGPT o Claude para analizar respuestas abiertas
Las herramientas de chat con IA generales como ChatGPT y Claude son buenas en las partes lentas: leer, resumir y aplicar etiquetas. Son peores decidiendo cuáles deberían ser las etiquetas. La investigación respalda este reparto.
Cuando unos investigadores dieron a varios modelos de lenguaje una lista fija de 50 categorías para respuestas de una encuesta electoral británica, el mejor modelo se acercó a un codificador humano: 93,9 % de precisión frente al 94,7 % de un segundo humano. En una prueba más difícil con respuestas más recientes, la diferencia fue mayor. Y cuando Langer Research probó la codificación con IA de respuestas abiertas, se encontró con «una mala creación de categorías, errores de clasificación y una incapacidad para detectar matices o valencia».
En conjunto, la IA funciona bien cuando una persona define las categorías y le cuesta cuando tiene que inventarlas. Así que la regla práctica es sencilla. Tú escribes el libro de códigos. La IA te ayuda a aplicarlo.
Antes de pegar nada
Las respuestas de una encuesta son datos de clientes, así que trátalas como tales.
- Consulta primero las normas de tu empresa. Muchos equipos tienen una política sobre qué herramientas de IA pueden ver datos de clientes. Pregunta antes de pegar.
- Elimina los datos personales. Quita nombres, emails, teléfonos, nombres de empresa y cualquier otra cosa que identifique a alguien. Deja solo la columna de ID y la respuesta.
- Revisa la configuración de datos de tu cuenta. Que tus chats puedan usarse para entrenar modelos depende de la herramienta, el plan y tu configuración. Los planes de empresa suelen tratarlo de forma distinta a los gratuitos, así que compruébalo para la cuenta que usas.
- Pega por lotes. De treinta a cincuenta respuestas cada vez mantienen cada contestación lo bastante corta para revisarla bien. En los pegados muy largos es donde los errores se cuelan sin que nadie los vea.
Prompts que puedes copiar
Funcionan en ChatGPT, Claude o cualquier herramienta de chat parecida.
1. Redactar códigos a partir de una muestra (paso 3)
Aquí tienes 40 respuestas de clientes a la pregunta «tu pregunta».
Sugiere de 8 a 12 códigos que describan el MOTIVO de cada respuesta, no el tema.
Para cada código, da un nombre corto, una definición de una frase y dos respuestas de ejemplo de la lista.
Usa solo motivos que aparezcan en las respuestas. No te inventes ninguno.
pega las respuestas con sus ID
2. Aplicar tu libro de códigos (paso 4)
Este es mi libro de códigos: [pega los nombres de los códigos y sus definiciones].
Codifica cada respuesta de abajo. Una respuesta puede tener más de un código.
Usa «Otros» si no encaja ninguno. No crees códigos nuevos.
Devuelve una tabla con tres columnas: ID, códigos y unas pocas palabras de la respuesta que justifiquen el código.
pega de 30 a 50 respuestas con sus ID
3. Encontrar citas (paso 6)
De las respuestas de abajo, elige las tres que expresen con más claridad el motivo «nombre del código», con las palabras del propio cliente.
Cítalas tal cual. No las edites ni las combines.
Revisa su trabajo
- Revisa 20 filas por lote. Lee la respuesta y después el código. Si hay más de un par mal, corrige las definiciones y vuelve a ejecutarlo.
- Comprueba que las citas son reales. Busca cada cita en tu hoja. A veces las herramientas de IA retocan o mezclan respuestas.
- Lee tú mismo «Otros». Ahí suelen estar las sorpresas.
Cómo presentar los resultados
Los informes largos no se leen. Limita el resumen a una página.
Pregunta: la pregunta exacta, hecha a quién entre fechas. Respondieron N personas.
Hallazgos principales
1Hallazgo en forma de frase. X de N respuestas. «Cita» «Cita»
2Hallazgo en forma de frase. X de N respuestas. «Cita» «Cita»
3Hallazgo en forma de frase. X de N respuestas. «Cita» «Cita»
Diferencias entre grupos
[p. ej., los planes de equipo mencionan X mucho más que los individuales.]
Lo que nos sorprendió
Algo que nadie esperaba.
Próximos pasos sugeridos
[Quién debería revisar cada hallazgo y qué podría probar.]
Hoja codificada completa: enlace
Si vas a decidir qué construir a partir de lo que encuentres, nuestra guía para priorizar peticiones de funciones empieza donde termina esta. Para ver el panorama general de cómo combinar números y palabras, consulta investigación cualitativa vs. cuantitativa.
Cómo te ayuda Diaform
Diaform facilita la primera parte: conseguir respuestas que merezca la pena analizar. Recoge las respuestas abiertas como conversaciones cortas y hace una pregunta de seguimiento cuando una respuesta es vaga, así que recibes menos respuestas del tipo «bien». Cada conversación terminada recibe un resumen con IA, además de las respuestas por pregunta con una etiqueta de sentimiento (positivo, negativo, neutral o mixto) y una etiqueta de confianza. Puedes activar las citas destacadas, y la transcripción completa siempre está disponible.
Puedes buscar y filtrar respuestas, por ejemplo para leer todas las respuestas negativas de una sentada, y luego exportarlas a CSV y seguir los pasos de codificación de arriba en tu propia hoja de cálculo. Para que quede claro: Diaform no agrupa las respuestas en temas por ti. El libro de códigos sigue siendo cosa de tu equipo, pero partes de respuestas más claras y de resúmenes ya hechos. Descubre cómo funciona para el feedback de producto o empieza una prueba gratis de 14 días.
