Мы не можем выяснить отношение к интересующему вопросу всех потребителей (генеральной совокупности), поэтому проводим опрос лишь части (выборки). Выборка данных – это часть генеральной совокупности, отобранная с помощью специальной процедуры. От качества выборки во многом зависит достоверность результатов исследования.
Методы построения выборки
Главное свойство выборки состоит в том, что она должна быть репрезентативна. Это значит, что отобранные объекты выборки должны соответствовать по своим характеристикам генеральной совокупности. Для этого мы должны гарантировать случайный отбор, т.е. одинаковую вероятность попадания элемента генеральной совокупности в выборку. Ниже собраны самые популярные методы построения выборки.
- Простая случайная выборка. Этот метод подразумевает случайный выбор объектов из совокупности таким образом, чтобы каждый объект имел равные шансы быть выбранным.
Например, вы проводите опрос об удовлетворенности сотрудников в компании с 1000+ персонала. Вы можете использовать генератор случайных чисел, чтобы выбрать 100 сотрудников для участия в опросе. Таким образом, каждый сотрудник имеет равные шансы быть включенным в выборку.
Сгенерировать список случайных чисел можно также в Excel. Для этого следует воспользоваться функцией СЛУЧМЕЖДУ(). Достаточно вставить диапазон значений – в нашем случай ID сотрудников от 1 до 1000, чтобы получить ячейку со случайным числом. Далее ее необходимо протянуть вниз на 100 ячеек:
- Систематическая выборка. В систематической выборке выбирается каждый n-й объект из списка генеральной совокупности.
Например, если у вас есть список из 1000 клиентов и вы хотите опросить 100 из них, вы можете выбрать каждого 10-го клиента в списке. При этом, если список упорядочен случайным образом, то этот метод может быть таким же эффективным, как и простая случайная выборка.
- Стратифицированная выборка. Этот метод подразумевает разделение генеральной совокупности на подгруппы (страты) на основе определенной характеристики, а затем выбор случайных объектов из каждой подгруппы.
Например, если вы исследуете удовлетворенность клиентов в разных возрастных группах, сначала формируете группы по возрасту (например, 18–25, 26–35, 36–45 и т. д.). А затем случайным образом выбираете пропорциональное количество клиентов из каждой возрастной группы, чтобы гарантировать, что все возрастные группы представлены в вашей выборке.
- Кластерная выборка даных. Кластерная выборка подразумевает разделение населения на кластеры, а затем случайный выбор целых кластеров для изучения.
Например, если вы изучаете эффективность розничных магазинов в большой сети, вы можете разделить магазины на кластеры на основе географических регионов. Затем вы случайным образом выбираете несколько регионов и исследуете все магазины в этих регионах.
- «Удобная» выборка. Вы добавляете в выборку тех, с кем легче всего связаться.
Например, если вы проводите быстрый опрос об удовлетворенности клиентов в торговом центре, вы можете просто обратиться к покупателям, которые готовы принять участие в нем. Это самый быстрый и экономичный вариант, правда, он приводит к низкой репрезентативности. К такой выборке можно применять квоты. Это значит — опрашивать всех «удобных» респондентов, пока не получите выборку из 50 женщин и 50 мужчин (заранее рассчитанная пропорция, отражающая ваших клиентов в целом).
- Целенаправленная выборка. Этот метод, также известный как оценочная выборка данных, подразумевает отбор людей на основе определенных критериев или целей.
Например, если вы изучаете влияние нового программного продукта на производительность, вы можете специально выбрать сотрудников, которые используют этот продукт не менее шести месяцев. Это гарантирует, что ваша выборка будет включать людей с соответствующим опытом.
- Выборка по методу «снежного кома». Этот метод часто используется для труднодоступных групп населения. Вы начинаете с нескольких участников и просите их рекомендовать других.
Например, если вы изучаете опыт внештатных работников в узкоспециализированной отрасли, вы можете начать с нескольких известных фрилансеров и попросить их рекомендовать других. Этот метод помогает вам охватить более широкую сеть контактов.
Когда выборка данных репрезентативна
Сколько же респондентов нам нужно случайно отобрать? Это зависит от изменчивости признака и наших ресурсов. В общем виде, чем больше выборка, тем более достоверные результаты и тем дороже такое исследование. В целом для маркетинговых исследований оптимальным является 100 наблюдений.
При размере выборки ниже 100 вероятность ошибки становится выше. При 30 наблюдениях и ниже достоверный результат получить практически невозможно.
При этом достоверность также зависит от согласованности полученных результатов. Если половине респондентов нравится новый логотип, а половине не нравится, то из этого сложно сформулировать ценный вывод. А вот если «за» высказываются 90% опрошенных – вы можете быть уверены в результате.
Качество результата также зависит от доверительного интервала (насколько точный результат мы хотим получить) и в целом от компромисса между точностью и затратами. Используйте специальные он-лайн калькуляторы для вычисления оптимального размера выборки данных, чтобы сбалансировать цели исследования и имеющиеся ресурсы.
