🏷️ タイトル：サンプル設計の落とし穴——n数・回収率・代表性の「順番」を正す

あるEC企業の定例調査で、前年対比の満足度が突然+8pt。現場は喜びましたが、施策は何も変えていません。違和感を覚えて深掘ると、都市部の回答比率がたまたま高く、購買頻度の高い層が過大に表れていました。重み付けをかけると+3ptへ収れん。結論は「伸びた」ではなく「伸び幅は限定的」だったのです。落とし穴は、サンプル設計の初期判断にありました。

本質は「n数・回収率・代表性は連動する」という事実です。多くの現場でnは“慣例の300”“予算で入るだけ”と決まり、回収率は場当たり、代表性は回収後の補正で何とかする——この順番が精度を崩します。意思決定に必要な誤差幅を先に置き、そこから逆算してnを導き、回収率の不確実性を見込んでサンプルフレームを設計し、最後に代表性を担保する。正しい順番は、①必要誤差幅→②n数→③回収率シナリオ→④代表性（割付/重み付け）です。

分析の要点を整理します。まず①必要誤差幅。経営に効く単位は「±何ポイントまでのブレなら意思決定が変わらないか」。例えばブランド好意度の増減を±3ptに収めたいなら、二項比率の近似で目安nを算出できます（母比率0.5付近が最大分散で最も厳しい前提）。次に②n数。全体nだけでなく、主要セグメントでのnを定義し、「比較したい単位」に必要なnを確保します。三つ目の③回収率シナリオ。悲観・現実・楽観の3水準で、必要な配信数と予備サンプルを算出。事前のリマインド設計やインセンティブ設計もここで決めます。最後に④代表性。母集団の構成（例：年代×エリア×利用頻度）を基に割付を行い、回収後はRIM（反復比例配分）等の重み付けで整えます。重要なのは、割付の粒度を「説明可能な数」に保つこと。細かくしすぎると未充足セルが増え、不安定な重みが発生します。

小さな失敗は、母集団定義が曖昧なまま走り出すことです。「誰を代表する結果なのか」を一文で言えない設計は、必ず後工程で迷子になります。学びは、テクニックより前に“文章化”です。再現可能な手順として、①母集団を一文で定義（例：直近6か月に自社ECで1回以上購入した日本在住の20–59歳）②意思決定に必要な誤差幅を決定（±3pt等）③主要セグメントを最大3つまでに絞って必要nを逆算④回収率の3シナリオで配信設計＋予備サンプル⑤割付表を作り、未充足時の代替ルール（近接セル統合）を事前に記載⑥回収後は重み付け前/後の数値差分を全指標で監査し、乖離が大きいセルの原因をメモ。ここまでが“設計”です。

結論として、サンプル設計は「数の多さ」ではなく「順番の正しさ」で精度が決まります。今日の最初の一歩は、母集団定義と必要誤差幅を紙に書くこと。たったこれで、必要n・回収率・代表性の議論がすべて一列に並び、意思決定に耐えるデータが手に入ります。設計の壁は、一緒に越えられます。

💬 結び：指標の1ポイントに振り回されないために——“順番”をチームの共通言語に。

📍関連リンク：

・公式LINE：https://lin.ee/pSdFGeZ

・Instagram：https://www.instagram.com/shijochosa_labo/

・TikTok：https://www.tiktok.com/@shijochosa_labo

・Threads：https://www.threads.com/@shijochosa_labo

・ココナラ販売ページ：https://coconala.com/mypage/user

執筆：市場調査ラボ