フェイスシートの悪い例を考える

フェイスシートの悪い例を下に上げる。アンケートなどのエントリーフォームに入ってきて一番最初にこんなフェイスシートが見えたら即離脱するだろう。

---

---

フェイスシートが回答率を下げる

フェイスシートは基本的に後でアンケート回答データを分析する際に色々なセグメントでデータを用意するものである。

例えばメール会員になっていただいた直後にこのようなアンケートメールを送って回答いただけるだろうか？

メールアドレスを知っていれば一度でセンシティブ情報を聞きださなくともいいはず。ちょこっとずつ切り分けてアンケートを行い顧客属性（センシティブ情報)を集めよう

メール会員以外に対してもWEBアンケートを実施したいというニーズはあるのは間違いない。そんな人たちのために次回はフェイスシートの良い例を紹介しようと思う

Research Artisan Liteインストール

Research Artisan Liteインストールしたが素直に動かなかったのでメモ。Research Artisan Liteでmysql5だとインストール出来てもまんまではアクセス解析が拾えないので注意。

一部ソースを修正しないとダメです。

Research Artisan Liteサポートフォーラム

OSSにしたことで一気に開発スピードがあがるでしょう。

Research Artisan Lite感想

Research Artisan Liteの感想をつぶやく。まだ荒いが素敵。
無料のアクセス解析ツールで多分最強。アクセス元IPのドメインを追加したり特定ユーザーに名前をつけられるのが特徴。それはを期間指定で串刺しで見れるのがいい

アンケートとサンプリング数

アンケートの必要なサンプリング数を経験的な視点からメモ。サンプリング誤差を使って必要なサンプリング数を算出する方法もあるが、よく使うセグメントなどのサンプリングをメモしておく。

地域別のサンプリング数

地域別分析であれば地域数×500

3地域であれば

3*500=1500

1500の回答数が必要。

クロス集計

クロス集計であれば1グループ30以上。

多量量解析には変数の10倍が必要。

アンケートのサンプリング誤差とは

アンケート調査結果の精度をどの程度にするかを基準にサンプルサイズを決める方法があります。
駅前で１００人の性別を調査したところ60人（60％）が男性だったとします。次の日に、同じように駅前で１００人をカウントしても全く同じように60人が男性とはかぎりません。50人かもしれないし70人かもしれません。
このような誤差をサンプリング誤差と呼びます。この誤差が少ないほど調査結果の精度が高いということになります。

どの程度までこのサンプリング誤差を許容するのかを決めて必要なサンプルサイズを決定します。
このサンプリング誤差を少なくするためにはそれ相応のサンプル数が必要となるので求めすぎに注意です。
自社でアンケートを行うのであればさほど気になりませんが、このサンプル対象者数によりコストがかかります。

このサンプリング誤差がどの程度信用できるものかという尺度を信頼度と呼びます。
多くのアンケートのサンプリング誤差は信頼度95%で計算されています。100回調査をすると5回は間違う可能性があるという意味です。

信頼度95％のアンケートサンプリング誤差早見表を以下に載せておきます。

アンケートサンプリング誤差早見表

上のサンプリング早見表を見ても若干不慣れな人は分からないと思うのでちょこっとだけ解説します。ピンク色のマスをみてみましょう。


　例）アンケートを顧客属性の性別セグメントでデータを見る
　　　母集団比率は50%。サンプリング誤差を±10%でアンケートを取る場合、必要なサンプリングはいくつか？
　　　
　　　一番左列から母集団比率50%を見つけ水色のデータを右に見ていく。
　　　サンプリング誤差を±10%以内を見ると9.80%(ピンクのデータ)が該当します。
　　　そのまま上部の列を見るとサンプルサイズが100となっていることがわかるでしょう。


以上
アンケートのサンプリング誤差についてでした。