Những yếu tố quyết định cỡ mẫu nghiên cứu Marketing

Cỡ mẫu không nên được xác định bằng một con số cố định áp dụng cho mọi dự án. Một mẫu gồm 200 người có thể đủ để ước lượng tỷ lệ nhận biết thương hiệu trong một thị trường tương đối đồng nhất, nhưng không đủ khi doanh nghiệp cần so sánh nhiều nhóm tuổi, khu vực, mức thu nhập và hành vi mua hàng.

Về bản chất, cỡ mẫu nghiên cứu Marketing được xác định dựa trên sự cân bằng giữa ba yêu cầu:

·         Mức độ chính xác cần đạt

·         Độ phức tạp của phương pháp phân tích

·         Nguồn lực có thể sử dụng

Mẫu càng lớn thường giúp giảm sai số ngẫu nhiên và tăng khả năng phát hiện các khác biệt thực sự. Tuy nhiên, tăng cỡ mẫu không tự động loại bỏ sai lệch do bảng hỏi kém, chọn sai đối tượng, tỷ lệ từ chối cao hoặc phương pháp lấy mẫu không đại diện.

Cỡ mẫu phải bắt đầu từ mục tiêu nghiên cứu

Yếu tố đầu tiên quyết định cỡ mẫu là doanh nghiệp muốn sử dụng dữ liệu để trả lời câu hỏi nào. Mỗi mục tiêu nghiên cứu đòi hỏi một mức thông tin và một cấu trúc mẫu khác nhau.

Nếu mục tiêu chỉ là ước lượng một tỷ lệ chung, chẳng hạn tỷ lệ khách hàng biết đến thương hiệu, cỡ mẫu có thể được tính dựa trên độ tin cậy và sai số cho phép. Nếu mục tiêu là so sánh các nhóm khách hàng, mỗi nhóm phải có đủ quan sát để thực hiện phép so sánh độc lập.

Ví dụ, một doanh nghiệp muốn đo tỷ lệ hài lòng chung có thể sử dụng một mẫu duy nhất. Nhưng nếu doanh nghiệp muốn so sánh mức hài lòng giữa bốn khu vực, cỡ mẫu tổng phải đủ lớn để từng khu vực đều có số quan sát cần thiết.

Mục tiêu càng phức tạp, cỡ mẫu thường càng lớn:

·         Ước lượng một tỷ lệ cần ít dữ liệu hơn phân tích nhiều phân khúc

·         So sánh hai nhóm cần đủ quan sát trong cả hai nhóm

·         Hồi quy đa biến cần số mẫu phù hợp với số biến độc lập

·         Phân tích nhân tố hoặc mô hình cấu trúc cần đủ dữ liệu để ước lượng ổn định

·         Nghiên cứu thị trường ngách cần tính đến khó khăn trong việc tiếp cận đúng đối tượng

Do đó, trước khi tính cỡ mẫu, nhà nghiên cứu phải xác định rõ đơn vị phân tích, chỉ tiêu chính và các nhóm cần báo cáo riêng.

Độ tin cậy ảnh hưởng trực tiếp đến số lượng quan sát

Độ tin cậy phản ánh mức độ chắc chắn của khoảng ước lượng. Trong nghiên cứu Marketing, các mức thường được sử dụng là 90%, 95% và 99%.

Mức độ tin cậy càng cao thì cỡ mẫu cần thiết càng lớn, vì khoảng ước lượng phải bao phủ giá trị thật của tổng thể với xác suất cao hơn.

Các giá trị tới hạn thường dùng trong phân phối chuẩn gồm:

·         Độ tin cậy 90% tương ứng với Z khoảng 1,645

·         Độ tin cậy 95% tương ứng với Z khoảng 1,96

·         Độ tin cậy 99% tương ứng với Z khoảng 2,576

Mức 95% thường được lựa chọn vì tạo sự cân bằng tương đối giữa độ chắc chắn và chi phí thu thập dữ liệu. Mức 99% phù hợp hơn khi quyết định có rủi ro lớn, nhưng có thể làm tăng đáng kể số lượng mẫu cần khảo sát.

Độ tin cậy không có nghĩa là 95% người trả lời cung cấp thông tin chính xác. Nó cũng không đảm bảo rằng mẫu đại diện cho tổng thể. Chỉ số này phản ánh mức độ chắc chắn về mặt thống kê khi quy trình chọn mẫu đáp ứng các giả định cần thiết.

Sai số cho phép càng nhỏ thì cỡ mẫu càng lớn

Sai số cho phép, còn gọi là biên sai số, thể hiện mức chênh lệch tối đa mà nhà nghiên cứu chấp nhận giữa kết quả từ mẫu và giá trị thật của tổng thể.

Chẳng hạn, khảo sát cho thấy 60% khách hàng hài lòng với sai số ±5 điểm phần trăm. Kết quả được diễn giải là tỷ lệ hài lòng của tổng thể có thể nằm trong khoảng từ 55% đến 65%, với mức độ tin cậy đã chọn.

Khi các điều kiện khác không đổi, giảm một nửa sai số không chỉ làm cỡ mẫu tăng gấp đôi. Do sai số nằm ở mẫu số dưới dạng bình phương, cỡ mẫu có thể tăng khoảng bốn lần.

Ví dụ, với độ tin cậy 95% và giả định tỷ lệ tổng thể bằng 50%:

·         Sai số ±10% cần khoảng 96 quan sát

·         Sai số ±5% cần khoảng 385 quan sát

·         Sai số ±3% cần khoảng 1.068 quan sát

·         Sai số ±2% cần khoảng 2.401 quan sát

Điều này cho thấy yêu cầu chính xác hơn có thể làm chi phí khảo sát tăng rất nhanh. Doanh nghiệp cần lựa chọn biên sai số dựa trên giá trị của quyết định, thay vì luôn theo đuổi sai số nhỏ nhất.

Mức độ biến thiên của tổng thể quyết định lượng thông tin cần thu thập

Tổng thể càng đa dạng thì mẫu cần thiết thường càng lớn. Khi người tiêu dùng có hành vi, thái độ hoặc đặc điểm rất khác nhau, một số lượng quan sát nhỏ khó phản ánh đầy đủ cấu trúc của thị trường.

Đối với biến tỷ lệ, mức độ biến thiên thường được biểu diễn qua tích (p(1-p)), trong đó (p) là tỷ lệ dự kiến của đặc điểm cần đo lường.

Khi chưa có dữ liệu trước đó, nhà nghiên cứu thường sử dụng (p = 0,5). Đây là trường hợp tạo ra phương sai lớn nhất và vì vậy cho cỡ mẫu thận trọng nhất.

Nếu nghiên cứu trước cho thấy tỷ lệ mua sản phẩm chỉ khoảng 10%, có thể sử dụng (p = 0,1) khi giả định đó có cơ sở. Tuy nhiên, sử dụng một tỷ lệ dự kiến không chính xác có thể khiến cỡ mẫu bị đánh giá thấp.

Đối với biến liên tục như chi tiêu trung bình hoặc điểm hài lòng, mức độ biến thiên được phản ánh qua độ lệch chuẩn. Độ lệch chuẩn càng lớn, cỡ mẫu cần thiết để ước lượng giá trị trung bình với cùng độ chính xác càng cao.

Quy mô tổng thể có tác động nhưng không phải lúc nào cũng quyết định

Một hiểu lầm phổ biến là tổng thể càng lớn thì cỡ mẫu phải tăng theo cùng tỷ lệ. Trên thực tế, khi tổng thể đủ lớn, cỡ mẫu cần thiết để ước lượng một tỷ lệ gần như không tăng đáng kể.

Với độ tin cậy 95%, sai số ±5% và giả định (p = 0,5), cỡ mẫu ban đầu cho tổng thể lớn vào khoảng 385. Quy mô tổng thể từ hàng trăm nghìn tăng lên hàng triệu không khiến cỡ mẫu tăng tương ứng.

Quy mô tổng thể có ảnh hưởng rõ hơn khi tổng thể nhỏ. Khi đó, có thể áp dụng hệ số hiệu chỉnh tổng thể hữu hạn:

[

n = \frac{n_0}{1 \frac{n_0-1}{N}}

]

Trong đó:

·         (n) là cỡ mẫu sau hiệu chỉnh

·         (n_0) là cỡ mẫu tính cho tổng thể lớn

·         (N) là quy mô tổng thể

Giả sử cỡ mẫu ban đầu là 385:

·         Với tổng thể 10.000 người, cỡ mẫu hiệu chỉnh khoảng 370

·         Với tổng thể 2.000 người, cỡ mẫu hiệu chỉnh khoảng 323

·         Với tổng thể 500 người, cỡ mẫu hiệu chỉnh khoảng 218

·         Với tổng thể 200 người, cỡ mẫu hiệu chỉnh khoảng 132

Vì vậy, doanh nghiệp cần biết quy mô tổng thể mục tiêu, nhưng không nên mặc định rằng phải khảo sát một tỷ lệ cố định như 5% hoặc 10% tổng thể.

Công thức xác định cỡ mẫu cho khảo sát tỷ lệ

Khi mục tiêu chính là ước lượng một tỷ lệ, có thể sử dụng công thức:

[

n_0 = \frac{Z^2p(1-p)}{e^2}

]

Trong đó:

·         (n_0) là cỡ mẫu cần thiết trước khi hiệu chỉnh

·         (Z) là giá trị tương ứng với độ tin cậy

·         (p) là tỷ lệ dự kiến trong tổng thể

·         (e) là sai số cho phép

Ví dụ, một doanh nghiệp muốn đo tỷ lệ khách hàng sẵn sàng mua lại với:

·         Độ tin cậy 95%

·         Sai số ±5%

·         Chưa có dữ liệu trước nên chọn (p = 0,5)

Cỡ mẫu được tính như sau:

[

n_0 = \frac{1,96^2 \times 0,5 \times 0,5}{0,05^2}

\approx 384,16

]

Do không thể khảo sát một phần người trả lời, kết quả cần được làm tròn lên thành 385 quan sát hợp lệ.

Đây mới là số phiếu hợp lệ cần thu được, không phải số lời mời khảo sát phải gửi đi.

Phương pháp chọn mẫu làm thay đổi cỡ mẫu thực tế

Các công thức cơ bản thường giả định lấy mẫu ngẫu nhiên đơn. Trong thực tế, nghiên cứu Marketing có thể sử dụng lấy mẫu phân tầng, lấy mẫu cụm, lấy mẫu hệ thống, panel trực tuyến hoặc lấy mẫu thuận tiện.

Nếu thiết kế mẫu làm các quan sát có xu hướng giống nhau hơn so với mẫu ngẫu nhiên đơn, sai số thực tế sẽ tăng. Khi đó, cỡ mẫu cần được điều chỉnh bằng hệ số thiết kế:

[

n_{\text{thiết kế}} = n_{\text{ngẫu nhiên}} \times DEFF

]

Trong đó, (DEFF) là hệ số ảnh hưởng của thiết kế mẫu.

Ví dụ, cỡ mẫu cơ bản là 385 và hệ số thiết kế dự kiến bằng 1,5:

[

385 \times 1,5 = 577,5

]

Cỡ mẫu cần làm tròn lên thành 578 quan sát hợp lệ.

Lấy mẫu phân tầng hợp lý có thể cải thiện độ chính xác nếu các tầng được xác định tốt. Ngược lại, lấy mẫu cụm thường cần cỡ mẫu lớn hơn vì các cá nhân trong cùng cụm có thể tương đồng về hành vi hoặc đặc điểm.

Mẫu lớn nhưng được chọn sai vẫn có thể tạo ra kết luận sai. Việc thu thập hàng nghìn phản hồi từ một nhóm khách hàng dễ tiếp cận không thể thay thế cho một thiết kế mẫu đại diện đúng tổng thể mục tiêu.

Số nhóm cần phân tích quyết định cỡ mẫu tối thiểu cho từng nhóm

Cỡ mẫu tổng không phải tiêu chí duy nhất. Nhà nghiên cứu còn phải kiểm tra số quan sát trong từng nhóm sẽ được phân tích riêng.

Giả sử doanh nghiệp khảo sát 400 khách hàng nhưng muốn so sánh tám phân khúc. Nếu mẫu được chia đều, mỗi nhóm chỉ có khoảng 50 người. Nếu một số phân khúc chiếm tỷ trọng thấp, số quan sát thực tế có thể còn ít hơn.

Cỡ mẫu nhỏ ở cấp phân nhóm dẫn đến:

·         Khoảng tin cậy rộng

·         Kết quả dễ dao động

·         Khó phát hiện khác biệt có ý nghĩa

·         Mô hình thống kê thiếu ổn định

·         Một số nhóm không đủ dữ liệu để báo cáo

Khi một phân khúc nhỏ có tầm quan trọng chiến lược, doanh nghiệp có thể lấy mẫu vượt tỷ lệ đối với nhóm đó. Sau khi thu thập, dữ liệu cần được gán trọng số để khôi phục cơ cấu tổng thể khi tính kết quả chung.

Cách làm này tăng khả năng phân tích nhóm nhỏ nhưng cũng có đánh đổi. Trọng số quá chênh lệch có thể làm tăng phương sai và giảm cỡ mẫu hiệu dụng.

Phương pháp phân tích thống kê đặt ra yêu cầu riêng về cỡ mẫu

Công thức dựa trên biên sai số phù hợp với mục tiêu ước lượng tỷ lệ, nhưng không đủ cho mọi thiết kế nghiên cứu. Khi mục tiêu là kiểm định giả thuyết hoặc xây dựng mô hình, cỡ mẫu nên được xác định bằng phân tích công suất thống kê.

Các yếu tố chính gồm:

·         Mức ý nghĩa thống kê

·         Công suất kiểm định

·         Kích thước hiệu ứng cần phát hiện

·         Số nhóm so sánh

·         Số biến trong mô hình

·         Mức độ tương quan giữa các biến

Công suất kiểm định thường được đặt ở mức 80% hoặc cao hơn. Một hiệu ứng nhỏ cần mẫu lớn hơn hiệu ứng mạnh vì tín hiệu khó tách khỏi biến động ngẫu nhiên.

Đối với hồi quy, phân tích nhân tố và mô hình cấu trúc, các quy tắc kinh nghiệm như “5 hoặc 10 quan sát cho mỗi biến” chỉ có giá trị tham khảo. Cỡ mẫu phù hợp còn phụ thuộc vào tải nhân tố, số chỉ báo, độ tin cậy của thang đo, mức độ phức tạp của mô hình, phân phối dữ liệu và kích thước hiệu ứng dự kiến.

Do đó, với nghiên cứu xác nhận thang đo hoặc kiểm định mô hình, nên thực hiện phân tích công suất hoặc mô phỏng thay vì chỉ dựa vào một tỷ lệ mẫu trên số biến.

Tỷ lệ phản hồi và dữ liệu không hợp lệ phải được dự phòng

Cỡ mẫu tính toán thường là số quan sát hợp lệ cần có sau khi làm sạch dữ liệu. Doanh nghiệp phải thu thập nhiều hơn để bù cho các trường hợp:

·         Không phản hồi

·         Bỏ dở bảng hỏi

·         Trả lời quá nhanh

·         Chọn cùng một phương án cho toàn bộ thang đo

·         Không thuộc đúng đối tượng nghiên cứu

·         Trùng lặp phản hồi

·         Thiếu dữ liệu ở các biến quan trọng

Số lượng đối tượng cần tiếp cận có thể tính bằng:

[

n_{\text{tiếp cận}} =

\frac{n_{\text{hợp lệ}}}

{\text{Tỷ lệ phản hồi dự kiến} \times \text{Tỷ lệ hợp lệ dự kiến}}

]

Ví dụ, nghiên cứu cần 385 phiếu hợp lệ, tỷ lệ phản hồi dự kiến là 40% và 90% phản hồi thu được vượt qua kiểm tra chất lượng:

[

\frac{385}{0,4 \times 0,9}

\approx 1.069,4

]

Doanh nghiệp cần tiếp cận ít nhất khoảng 1.070 người.

Nếu chỉ chia 385 cho tỷ lệ phản hồi mà không dự phòng dữ liệu bị loại, số phiếu hợp lệ cuối cùng có thể thấp hơn yêu cầu.

Ngân sách và thời gian là ràng buộc nhưng không thay thế yêu cầu thống kê

Ngân sách, thời gian và khả năng tiếp cận đáp viên luôn ảnh hưởng đến cỡ mẫu thực tế. Tuy nhiên, không nên chọn cỡ mẫu trước chỉ vì “đủ ngân sách”, sau đó mới tìm cách hợp thức hóa con số đó.

Quy trình hợp lý là:

1.    Xác định cỡ mẫu cần thiết theo mục tiêu nghiên cứu

2.    Ước tính số lượng phải tiếp cận sau khi dự phòng

3.    So sánh yêu cầu với nguồn lực hiện có

4.    Điều chỉnh phạm vi nghiên cứu khi nguồn lực không đủ

5.    Công bố rõ giới hạn nếu buộc phải sử dụng mẫu nhỏ hơn

Khi ngân sách hạn chế, doanh nghiệp có thể giảm số phân khúc cần phân tích, chấp nhận biên sai số lớn hơn, giảm mức độ tin cậy hoặc tập trung vào một tổng thể hẹp hơn. Không nên giữ nguyên mọi mục tiêu nhưng sử dụng một mẫu không đủ khả năng trả lời.

Cỡ mẫu lớn không sửa được sai lệch hệ thống

Sai số chọn mẫu giảm khi cỡ mẫu tăng, nhưng sai lệch hệ thống có thể tồn tại bất kể mẫu lớn đến đâu.

Các nguồn sai lệch thường gặp gồm:

·         Khung mẫu không bao phủ đúng tổng thể

·         Chỉ khảo sát khách hàng dễ tiếp cận

·         Nhóm ít sử dụng Internet bị loại khỏi khảo sát trực tuyến

·         Câu hỏi dẫn dắt người trả lời

·         Thứ tự câu hỏi làm thay đổi phản hồi

·         Người không phản hồi khác có hệ thống với người phản hồi

·         Dữ liệu được gán trọng số không phù hợp

Ví dụ, khảo sát 10.000 người theo dõi fanpage không thể đại diện cho toàn bộ thị trường nếu khách hàng không theo dõi fanpage có hành vi khác biệt. Trong trường hợp này, tăng cỡ mẫu chỉ làm kết quả sai trở nên ổn định hơn, chứ không làm kết quả đúng hơn.

Chất lượng nghiên cứu vì vậy phụ thuộc đồng thời vào cỡ mẫu, thiết kế mẫu, công cụ đo lường và quy trình kiểm soát dữ liệu.

Quy trình xác định cỡ mẫu nghiên cứu Marketing phù hợp

Một quy trình thực tế có thể được triển khai theo tám bước.

Xác định tổng thể mục tiêu

Mô tả rõ ai hoặc đơn vị nào thuộc phạm vi nghiên cứu, khu vực địa lý, thời gian và điều kiện sàng lọc.

Xác định chỉ tiêu chính

Chọn chỉ tiêu quan trọng nhất dùng để tính cỡ mẫu, chẳng hạn tỷ lệ mua lại, điểm hài lòng hoặc chênh lệch giữa hai nhóm.

Xác định mục tiêu phân tích

Làm rõ nghiên cứu dùng để ước lượng, so sánh, kiểm định giả thuyết, phân khúc hay xây dựng mô hình.

Chọn độ tin cậy và sai số

Lựa chọn dựa trên mức độ rủi ro của quyết định và nguồn lực có thể sử dụng.

Ước lượng độ biến thiên hoặc kích thước hiệu ứng

Sử dụng dữ liệu quá khứ, khảo sát thử hoặc giả định thận trọng khi chưa có thông tin.

Tính cỡ mẫu cơ bản

Áp dụng công thức ước lượng hoặc phân tích công suất phù hợp với chỉ tiêu chính.

Điều chỉnh theo thiết kế và phân nhóm

Tính đến hệ số thiết kế, số nhóm cần báo cáo, nhóm hiếm và yêu cầu phân tích riêng.

Dự phòng phản hồi không hợp lệ

Chuyển số mẫu hợp lệ thành số người cần tiếp cận dựa trên tỷ lệ phản hồi và tỷ lệ dữ liệu đạt chất lượng.

Ví dụ xác định cỡ mẫu hoàn chỉnh

Một thương hiệu muốn đo tỷ lệ khách hàng sẵn sàng giới thiệu sản phẩm. Tổng thể gồm 20.000 khách hàng, độ tin cậy yêu cầu là 95%, sai số cho phép ±5% và chưa có tỷ lệ ước tính trước.

Cỡ mẫu ban đầu:

[

n_0 =

\frac{1,96^2 \times 0,5 \times 0,5}{0,05^2}

\approx 384,16

]

Làm tròn lên thành 385.

Hiệu chỉnh theo tổng thể hữu hạn:

[

n =

\frac{385}

{1 \frac{384}{20.000}}

\approx 377,8

]

Làm tròn lên thành 378 phiếu hợp lệ.

Giả sử nghiên cứu sử dụng thiết kế mẫu có hệ số 1,2:

[

378 \times 1,2 = 453,6

]

Làm tròn lên thành 454 phiếu hợp lệ.

Nếu tỷ lệ phản hồi dự kiến là 50% và 95% phản hồi thu được đạt yêu cầu chất lượng:

[

n_{\text{tiếp cận}} =

\frac{454}{0,5 \times 0,95}

\approx 955,8

]

Doanh nghiệp cần tiếp cận ít nhất khoảng 956 khách hàng để kỳ vọng thu được 454 phản hồi hợp lệ.

Ví dụ này cho thấy cỡ mẫu cuối cùng không chỉ phụ thuộc vào một công thức. Nó còn phải được điều chỉnh theo quy mô tổng thể, thiết kế chọn mẫu, tỷ lệ phản hồi và chất lượng dữ liệu.

Cỡ mẫu nghiên cứu Marketing được quyết định trước hết bởi mục tiêu nghiên cứu, sau đó là độ tin cậy, sai số cho phép, mức độ biến thiên, quy mô tổng thể, phương pháp chọn mẫu, số nhóm cần phân tích và kỹ thuật thống kê dự kiến. Tỷ lệ phản hồi, dữ liệu không hợp lệ, ngân sách và thời gian tiếp tục quyết định số lượng đối tượng thực tế phải tiếp cận.

Một cỡ mẫu phù hợp không nhất thiết là cỡ mẫu lớn nhất. Đó là cỡ mẫu đủ để trả lời câu hỏi nghiên cứu với độ chính xác cần thiết, phù hợp với thiết kế phân tích và được thu thập từ đúng tổng thể mục tiêu.