Om open antwoorden uit een enquête te analyseren, zet je ze in één sheet, lees je een steekproef, schrijf je een korte lijst codes voor de redenen die je ziet en geef je elk antwoord een code. Daarna tel je de codes per klantgroep en onderbouw je elke bevinding met een citaat. Meer is het niet. De methode is oud en handmatig, en werkt nog steeds beter dan een woordwolk.
Het is belangrijk, omdat de redenen in de open antwoorden zitten. Een score vertelt je dat mensen ontevreden zijn. Gecodeerde antwoorden vertellen je welk probleem je eerst moet oplossen, en bij wie het hoort. Deze gids loopt elke stap door met een uitgewerkt voorbeeld, en laat daarna zien waar AI je tijd bespaart en waar het ongemerkt de fout in gaat.
Belangrijkste punten
- Lees voordat je codeert. Je codes moeten uit de antwoorden komen, niet uit je aannames.
- Codeer de reden, niet het onderwerp. Achter “prijs” zitten vier verschillende problemen met vier verschillende oplossingen.
- Tel per klantgroep en zet bij elk getal een citaat.
- Laat AI een codeboek toepassen dat jij schreef. Laat het niet bepalen wat ertoe doet.
Begin met antwoorden die het analyseren waard zijn
Geen enkele methode redt lege antwoorden. Zeggen de meeste reacties “goed”, “n.v.t.” of “niets”, dan valt er niets te coderen.
Kijk dus eerst naar de vragen. “Waardoor had je je bijna niet aangemeld?” levert antwoorden op waar je iets mee kunt. “Nog andere opmerkingen?” levert ruis op. Vervolgvragen helpen nog het meest: “te ingewikkeld” wordt “ik kon niet vinden hoe ik mijn team uitnodig”, en dat kan iemand oplossen. Onze lijst met open enquêtevragen bevat vragen die gedetailleerde antwoorden opleveren.
Kies een methode die past bij het aantal antwoorden
Hoe je analyseert, hangt af van hoeveel antwoorden je hebt.
| Antwoorden | Wat werkt | Hoeveel tijd het kost |
|---|---|---|
| Minder dan 50 | Lees ze allemaal. Schrijf op wat steeds terugkomt. Pak er citaten uit. | Een uur of twee |
| 50 tot 500 | Coderen in een spreadsheet, zoals in de stappen hieronder | Een halve dag tot twee dagen |
| 500 en meer | Codeer een steekproef met de hand, pas je codeboek met AI of teksttools toe op de rest en controleer steekproefsgewijs | Hangt af van de tool, plus je tijd voor controle |
Hoe groot de set ook is, het denkwerk blijft hetzelfde. Jij bepaalt wat de categorieën zijn. Tools helpen je alleen om ze sneller toe te passen.
Open antwoorden analyseren in 7 stappen
Deze methode werkt in Google Sheets of Excel. Je hebt geen speciale software nodig.
Zet alle antwoorden in één sheet
Eén rij per antwoord. Voeg kolommen toe voor het respondent-ID, de klantgroep (abonnement, rol, hoe lang iemand klant is of score), de vraag, het antwoord en twee of drie lege codekolommen. Met de ID-kolom kun je elke telling terugvoeren naar het oorspronkelijke antwoord, ook na het sorteren.
Lees eerst een steekproef
Lees 30 tot 50 antwoorden, of ongeveer een tiende van een grote set, zonder iets te labelen. Noteer de redenen die steeds terugkomen. Zo zie je waar klanten het echt over hebben, in plaats van wat je verwachtte dat ze zouden zeggen.
Maak een eerste codeboek
Maak van je aantekeningen 5 tot 15 codes. Geef elke code een korte naam en een definitie van één zin. Benoem de reden, niet het onderwerp: “kan export niet vinden” is bruikbaar, “UX-problemen” niet.
Codeer elk antwoord
Loop alle antwoorden door en geef elk antwoord een of meer codes. Gebruik “Overig” voor alles wat nergens past, en kijk er vaak naar. Komt “Overig” boven ongeveer één op de tien antwoorden uit, dan mis je een code. Voeg je er een toe, ga dan terug en controleer de eerdere rijen opnieuw.
Tel en vergelijk per groep
Tel elke code met een draaitabel. Splits daarna uit per klantgroep. Een reden die in totaal klein is, kan het grootste probleem zijn voor je grootste klanten. Rapporteer het als aandeel van de mensen die antwoordden.
Kies citaten
Kies voor elke hoofdcode twee of drie antwoorden die het duidelijk zeggen, in de eigen woorden van de klant. Citaten maken een bevinding echt voor mensen die de data nooit gezien hebben.
Schrijf bevindingen als zinnen
“Nieuwe teams lopen vast bij de setup omdat de uitnodigknop moeilijk te vinden is” is een bevinding. “Onboarding: 23 vermeldingen” niet. Schrijf de zin waar een collega mee aan de slag kan, en voeg dan de telling en een citaat toe.
De gids van Jeff Sauro over het coderen van letterlijke opmerkingen bij MeasuringU gaat dieper op hetzelfde proces in, inclusief hoe je betrouwbaarheidsintervallen aan je percentages toevoegt.
Codeer de reden, niet het onderwerp
De meest gemaakte fout is coderen op onderwerp. Onderwerpen zie je makkelijk, dus het voelt goed. Maar één onderwerp verbergt vaak meerdere problemen, elk met een andere oplossing.
Neem “prijs”. Dit kan het eigenlijk betekenen:
| Onderwerpcode | Redencodes die erin verstopt zitten | Wie het oplost |
|---|---|---|
| Prijs | Prijs onduidelijk: wisten niet wat ze zouden betalen | Prijspagina |
| Onverwachte kosten: een toeslag of limiet die ze pas laat ontdekten | Facturatie en abonnementslimieten | |
| Waarde nog niet duidelijk: hadden het nog niet zien werken voordat ze moesten betalen | Onboarding | |
| Buiten budget: wilden het wel, maar konden het niet betalen | Abonnementen en pakketten |
Rapporteer je “Prijs: 30% van de antwoorden”, dan gaat het team waarschijnlijk over de prijs discussiëren. Rapporteer je dat de meeste van die antwoorden “waarde nog niet duidelijk” waren, dan verschuift de oplossing naar de onboarding. Dezelfde data, een heel andere beslissing.
Voorbeeld van een codeboek
Hier is een klein codeboek voor de vraag “Waardoor had je je bijna niet aangemeld?”
| Code | Definitie | Voorbeeldantwoord |
|---|---|---|
| Prijs onduidelijk | Wist niet wat het zou kosten | “Ik wist niet of gasten als gebruikers meetellen.” |
| Zorgen over setup | Verwachtte dat de setup traag of technisch zou zijn | “Het leek alsof je er een developer voor nodig had.” |
| Vertrouwen | Twijfel over het bedrijf of de veiligheid van data | “Nog nooit van jullie gehoord, dus ik checkte eerst reviews.” |
| Ontbrekende functie | Had iets nodig wat ze niet konden zien | “Ik kon niet zien of het met ons inlogsysteem werkte.” |
| Overstapkosten | Had al geïnvesteerd in een andere tool | “We zouden twee jaar aan data moeten overzetten.” |
| Geen drempel | Twijfelde niet | “Niets, ik had het snel nodig.” |
| Overig | Al het andere, wekelijks bekeken | “Mijn manager was op vakantie.” |
Houd definities kort. Zouden twee mensen hetzelfde antwoord anders coderen, dan moet de definitie beter. Ook “Geen drempel” is het bijhouden waard. Zo houd je de problemen in verhouding.
Een uitgewerkt voorbeeld
Vijf mensen beantwoordden de vraag hierboven. Zo zou je ze coderen.
| ID | Abonnement | Antwoord | Codes |
|---|---|---|---|
| 101 | Team | “Op de prijspagina stond niet of gasten als gebruikers meetellen.” | Prijs onduidelijk |
| 102 | Solo | “Eigenlijk niets, ik had het snel nodig.” | Geen drempel |
| 103 | Solo | “Ik dacht dat IT het moest opzetten, en onze IT is traag.” | Zorgen over setup |
| 104 | Team | “Weet niet of het met ons inlogsysteem zou werken, en de prijs per gebruiker vond ik verwarrend.” | Ontbrekende functie, Prijs onduidelijk |
| 105 | Team | “We betalen al voor een enquêtetool.” | Overstapkosten |
Antwoord 104 krijgt twee codes. Dat is normaal, en daarom laat je ruimte voor meer dan één code per rij. Het betekent ook dat je percentages samen boven de 100% kunnen uitkomen, dus zeg dat erbij als je ze deelt.
Is elke rij gecodeerd, dan doet de draaitabel de rest. Misschien zie je dat “Prijs onduidelijk” bijna helemaal van teamabonnementen komt, terwijl solo-gebruikers de setup noemen. Dat zijn twee bevindingen met twee eigenaren: de prijspagina voor marketing en de setupflow voor product.
Fouten die de resultaten vertekenen
- Te brede codes. “Productfeedback” past op alles en zegt niets.
- Woordwolken. Die tellen woorden, geen betekenis. “Niet makkelijk” en “makkelijk” laten allebei “makkelijk” groter lijken.
- In je eentje coderen. Vraag een collega dezelfde 20 antwoorden te coderen. Waar jullie het oneens zijn, maak je de definitie scherper.
- Tellen zonder context. Een reden die een paar grote klanten noemen, kan zwaarder wegen dan een reden die veel gratis gebruikers noemen.
- Getallen zonder citaten. Mensen vertrouwen wat ze in de eigen woorden van de klant kunnen lezen.
- Coderen voordat je leest. Schrijf je eerst het codeboek, dan vind je wat je verwachtte en mis je de rest.
Open antwoorden analyseren met ChatGPT of Claude
Algemene AI-chattools zoals ChatGPT en Claude zijn goed in het trage werk: lezen, samenvatten en labels toepassen. Ze zijn minder goed in bepalen wat die labels moeten zijn. Onderzoek bevestigt die verdeling.
Toen onderzoekers taalmodellen een vaste lijst van 50 categorieën gaven voor antwoorden uit een Britse verkiezingsenquête, kwam het beste model dicht bij een menselijke codeur: 93,9% nauwkeurigheid tegenover 94,7% voor een tweede mens. Bij een moeilijkere test met nieuwere antwoorden was het verschil groter. En toen Langer Research AI-codering van open antwoorden testte, liep het tegen “slechte categorievorming, verkeerde indeling en het onvermogen om nuance of lading te herkennen” aan.
Alles bij elkaar doet AI het goed als een mens de categorieën bepaalt, en heeft het moeite als het ze zelf moet bedenken. De praktische regel is dus simpel. Jij schrijft het codeboek. AI helpt het toe te passen.
Voordat je iets plakt
Enquêteantwoorden zijn klantdata, dus behandel ze ook zo.
- Check eerst de regels van je bedrijf. Veel teams hebben beleid over welke AI-tools klantdata mogen zien. Vraag het voordat je iets plakt.
- Haal persoonlijke gegevens weg. Verwijder namen, e-mailadressen, telefoonnummers, bedrijfsnamen en alles waarmee iemand te herkennen is. Houd alleen de ID-kolom en het antwoord over.
- Check de data-instellingen van je account. Of je chats gebruikt mogen worden om modellen te trainen, hangt af van de tool, het abonnement en je instellingen. Zakelijke abonnementen gaan hier vaak anders mee om dan gratis versies, dus zoek het op voor het account dat je gebruikt.
- Plak in porties. Met dertig tot vijftig antwoorden per keer blijft elk antwoord kort genoeg om goed te controleren. Bij heel lange stukken glippen fouten er ongemerkt doorheen.
Prompts die je kunt kopiëren
Deze werken in ChatGPT, Claude of elke vergelijkbare chattool.
1. Codes opstellen op basis van een steekproef (stap 3)
Hier zijn 40 antwoorden van klanten op de vraag “je vraag”.
Stel 8 tot 12 codes voor die de REDEN achter elk antwoord beschrijven, niet het onderwerp.
Geef bij elke code een korte naam, een definitie van één zin en twee voorbeeldantwoorden uit de lijst.
Gebruik alleen redenen die in de antwoorden voorkomen. Verzin er geen.
plak antwoorden met ID's
2. Je codeboek toepassen (stap 4)
Dit is mijn codeboek: plak namen en definities van de codes.
Codeer elk antwoord hieronder. Een antwoord kan meer dan één code hebben.
Gebruik “Overig” als niets past. Maak geen nieuwe codes.
Geef een tabel terug met drie kolommen: ID, codes en een paar woorden uit het antwoord die de code onderbouwen.
plak 30 tot 50 antwoorden met ID's
3. Citaten zoeken (stap 6)
Kies uit de antwoorden hieronder de drie die de reden “naam van de code” het duidelijkst verwoorden, in de eigen woorden van de klant.
Citeer ze letterlijk. Pas ze niet aan en voeg ze niet samen.
Controleer het werk
- Controleer 20 rijen per portie. Lees het antwoord en daarna de code. Zijn er meer dan een paar fout, pas dan de definities aan en draai het opnieuw.
- Check of de citaten echt zijn. Zoek elk citaat op in je sheet. AI-tools maken antwoorden soms netter of voegen ze samen.
- Lees “Overig” zelf. Daar zitten meestal de verrassingen.
Zo presenteer je de resultaten
Lange rapporten worden niet gelezen. Houd het verslag op één pagina.
Vraag: de exacte vraag, gesteld aan wie tussen data. N mensen antwoordden.
Belangrijkste bevindingen
1Bevinding als zin. X van N antwoorden. “Citaat” “Citaat”
2Bevinding als zin. X van N antwoorden. “Citaat” “Citaat”
3Bevinding als zin. X van N antwoorden. “Citaat” “Citaat”
Verschillen tussen groepen
[bijv. Teamabonnementen noemen X veel vaker dan soloabonnementen.]
Wat ons verraste
Eén ding dat niemand had verwacht.
Voorgestelde volgende stappen
[Wie naar elke bevinding moet kijken, en wat ze kunnen proberen.]
Volledige gecodeerde sheet: link
Bepaal je op basis van je bevindingen wat je gaat bouwen? Dan gaat onze gids over feature requests prioriteren verder waar deze ophoudt. Voor het grotere plaatje over het combineren van cijfers en woorden, zie kwalitatief vs. kwantitatief onderzoek.
Zo helpt Diaform
Diaform maakt het eerste deel makkelijker: antwoorden krijgen die het analyseren waard zijn. Het verzamelt open antwoorden als korte gesprekken en stelt een vervolgvraag als een antwoord vaag is, zodat je minder “prima” terugkrijgt. Elk afgerond gesprek krijgt een AI-samenvatting, plus antwoorden per vraag met een sentimentlabel (positief, negatief, neutraal of gemengd) en een label voor de betrouwbaarheid. Je kunt opvallende citaten aanzetten, en het volledige transcript is er altijd.
Je kunt antwoorden doorzoeken en filteren, bijvoorbeeld om alle negatieve antwoorden in één keer te lezen, en ze daarna exporteren naar CSV om de codeerstappen hierboven in je eigen spreadsheet uit te voeren. Voor de duidelijkheid: Diaform groepeert antwoorden niet voor je in thema’s. Het codeboek blijft bij je team, maar je begint met duidelijkere antwoorden en kant-en-klare samenvattingen. Bekijk hoe het werkt voor productfeedback, of start een gratis proefperiode van 14 dagen.
