文/Jaff Sauro
（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
