市調要準,先做好這5個抽樣步驟

0

文/Jaff Sauro

measuringu_20160604(圖片來源:FindA.Photo

在大多數的市場調查中,我們無法評估所有客戶的行為,只能從客戶群體中抽取部分樣本,進而以統計樣本結果推論母體。即便是能夠將全體客戶都進行一遍調查,但我們也無法推估未來客戶的偏好,因此現有客群便是我們用來推論未來客群的依據。

抽樣聽起來是有統計依據且有效率的,但不適當的做法卻會對抽樣調查帶來風險。所以在本篇文章中,我們提供一些方法可以增進抽樣效率並降低風險。

步驟 1:分出客戶群性

從客戶名單裡面,先篩選具有同質性的,也就是「分群」。下列是一些常見的區隔方法:

  • 新客戶 vs. 回購者
  • 租賃者 vs. 擁有者
  • 高收入 vs. 低收入
  • 高頻率購買習慣 vs. 低頻率購買習慣
  • 男人 vs. 女人
  • 國內的 vs. 國際的

這個方法讓你能夠成功將客戶區隔,一旦將客戶適當的區隔完,我們就能從個群組中大略地選出「代表」(如下面的步驟2)。若無法依比例採樣,可以使用權重法來抵銷代表性不足的群組。

步驟 2:驗證代表性

相較於樣本數多寡,「類型」更為重要。例如:從大一群人中進行有關購買房子的經驗調查,若這群人中大多數並無購買經驗,那這種調查將會是無意義的。

當衡量客戶如何使用產品或線上服務時,我們發現:無論在實體世界或虛擬世界,他以往的經驗(品牌、產品和領域)會有深遠影響,甚至左右分群變數,因此這也會是影響代表性的因素。建立代表性,樣本可以來自於多重資料,並驗證該樣本是否具有代表性。資料來源可以包含現有的客戶調查(如交易記錄或之前的調查結果),或是來自第三方公司幫你做的客戶調查資料。

步驟 3:計算樣本大小

運氣不錯的話,只用一組樣本或很小的樣本,通常就足夠讓你了解你的客戶。樣本大小通常會使我們困惑,因為在計算樣本的過程中包含著許多必要排除的未知數,即便是大小適中的樣本,也都需要用假設(assumptions)將其排除。

樣本大小主要取決於你是否要進行對比(comparison)、發現問題、洞察(insights)或預測客戶群在某種屬性下的趨勢。若希望依每個區隔提出結論,那麼你需要從各個區隔中依比例抽樣。

步驟 4:隨機化

進行抽樣時,理想情形是從客戶母體中隨機抽取樣本,不過根據作者經驗,能達成均勻分配的情形是相當少見的。

抽樣調查如隨機臨床試驗(randomized clinical trials),必須有賴於受訪者呈現理想地隨機分配,但這是不可捉摸的。如果有幸能搜集所有的臨床試驗資料,我們則不需依賴受訪者的分配,僅需對資料進行隨機化即可。如果資料無法進行隨機化,那麼我們則要預期非隨機資料將會帶來意想不到的結果。

即便是客戶資料的排序,都可能會造成偏誤。例如將年紀大的客戶排在前面,就有可能會造成結果的偏誤,因此我們並非抽樣清單的前100為客戶,而是運用1到10之間的隨機碼(如7),來對第7位、第17位、第27位、第37位等進行抽樣。

步驟 5:偏誤最小化

所有的研究都含有不同種類的潛在偏誤,這些偏誤會對研究結果準確性造成威脅。不過偏誤是無法避免的,因此我們透過下面三項條列來說明常見的偏誤:

  • 無回應 Non-response):所邀請的客戶並非都願意提供資訊,要不然就是只願意提供部分資訊,我們絕對不想獲得不對稱的資料,因此縮短調查問卷可以減少這種情形發生。
  • 令人滿意 Satisficing):無論是要求客戶回答滿意度、是否願意推薦給其他人、或對未來的產品的興趣,客戶通常傾向於回答你想聽的答案。我們無法排除這些,但能透過聯合分析法(conjoint analysis)來迫使客戶選擇或排序答案。
  • 儀器誤差 Instrument bias):這邊的儀器指的是提供給客戶填選的介面設計,其中包含所有我們想要傳達給客戶的訊息,如介面的視覺感受、用字遣詞、問題順序、格式等。上述這些皆可能會造成調查偏誤。最後提醒一點,即使跟所有的客戶進行互動,也無法完全排除偏誤的出現。

本文授權來源:5 Steps For Better Customer Sampling

作者:Jaff Sauro

編譯:Chao Hung Wang

Share.

About Author

vide 編輯群

Leave A Reply