在用戶研究和市場調研領域，定性研究是一種不可或缺的方法，然而，一個常見的困惑是：在定性研究中，究竟需要訪談多少用戶才能獲得有價值且具有代表性的數據？本文將深入探討這一問題，從定性研究與定量研究的區(qū)別出發(fā)，結合實際案例和專家建議，為你提供科學的指導和實用的計算公式，幫助你在成本和收益之間找到最佳平衡點。

你是不是經常遇到這樣的問題：當開展一項定性研究時，訪談多少個用戶才是最佳的？這個問題背后是成本和收益的最佳平衡點問題。

01?定性研究VS定量研究的樣本量

在回答這個問題前，我們首先要知道樣本量的本質是用“小數據”推測“大真相”。

無論是調查一個城市的消費者偏好，還是研究全國用戶的產品使用習慣，我們幾乎不可能調查所有人。因此，需要通過抽樣（從總體中選取一部分樣本）來推測總體情況。

B 端产品经理如何快速成长？

产品与业务架构主要是将整个业务工作流进行分层，梳理，然后抽象出一个个需求，将业务需求与产品合情合理的映射起来，最终使业务数据在产品中流动，执行，记录，使用。

查看详情 >

而這種“推測”，在定性研究和定量研究中的邏輯是不同的。

1.定量研究

定量研究（如問卷）：追求“數字的廣度”，目標是統(tǒng)計代表性。

定量研究樣本量的確定受到很多因素的影響，具體包括：

（1）總體大小當總體規(guī)模較小時，樣本量會隨著總體的增加而相對較多地增加。但是當總體規(guī)模達到一定程度后（通常是10000），總體的大小對樣本量的影響就變得相對較小了。無限總體假設下的樣本量和有限總體校正（Finite Population Correction, FPC）樣本量計算公式不同，本文不做詳細展開。

（2）期望的置信水平和置信區(qū)間常用的置信水平為95%（Z值為1.96）或99%（Z值為2.58）。置信區(qū)間（或誤差范圍）越小，所需樣本量越大。

（3）變異性越高的群體變異性（多樣性）通常需要更大樣本量來捕捉不同群體特征。

（4）研究目的描述性研究一般需要較少樣本，而要進行推斷或預測的研究可能需要更多樣本以確保結果的穩(wěn)健性。

【常見的經驗法則】

• 描述性研究：通常至少30個樣本
• 相關性研究：一般至少30-50個樣本
• 實驗研究：每組至少15-30個樣本
• 回歸分析：每個預測變量10-15個樣本（有些學者建議更高）
• 因子分析：變量數的5-10倍，且不少于100個樣本
• 結構方程模型(SEM) ：至少200個樣本，復雜模型可能需要更多

（5）設計效應

在定量研究中，設計效應（Design Effect, DEFF）反映了復雜抽樣方法（如分層、整群或多階段抽樣）相較于簡單隨機抽樣（SRS）對樣本量需求的影響。某些抽樣方法，比如集群抽樣，因為同一個集群內的個體可能很相似，所以結果可能偏向某個方向，導致需要更多樣本來糾正這個偏差。

設計效應越大，所需樣本量越多，以維持相同的統(tǒng)計精度。

Tips:定量研究樣本量問題本文不做展開，感興趣可到“用戶研究成長圈”知識星球學習。

2.定性研究

定性研究（如訪談）追求“信息的深度”，目標是達到飽和（Saturation）。

關于“飽和”的概念，尼爾森諾曼集團（Nielsen Norman Group）的 Maria Rosala（2021 年）提出以下定義：

“在定性研究中達到飽和是指從研究中浮現的主題已經足夠詳盡，再進行更多的訪談也不會提供能夠改變這些主題的新見解?！崩?，某App團隊想了解用戶卸載原因。前10次訪談中，發(fā)現了“功能復雜”“廣告太多”等6個原因；第11~15次訪談中，新增了“耗電量高”這一原因；第16~20次訪談無新發(fā)現。此時可認為達到飽和，樣本量定為20人。?2017年，Hennick 等人進一步定義了兩種形式的飽和度：

代碼飽和（Code saturation）——“當不再發(fā)現新問題，且代碼本開始趨于穩(wěn)定時的節(jié)點?！?/p>

意義飽和（Meaning saturation）——“當我們完全理解問題，且無法再發(fā)現任何新的維度、細微差別或問題的見解時的節(jié)點。”

根據 Hennick 等人（2017）的說法，代碼飽和“可能表明研究人員已經‘聽到了所有內容’”，而意義飽和則發(fā)生在研究人員“理解了所有內容”時。那么問題來了，訪談的樣本量達到多少才能達到代碼飽和以及意義飽和？

02?定性研究樣本量問題

來自海外的一名專家Katryna Balboni在Victor Yocco等人基礎上，提供了一個計算定性研究樣本量的公式：

所需樣本量 = 被訪者未出席率 x ((研究范圍 x 人群多樣性 x研究方法)/研究人員專業(yè)程度)

Participants = No-show rate x ((scope x diversity x method)/expertise)

1.研究范圍（Scope）

國外的Rolf Molich基于比較可用性評估研究和個人研究經驗，在2010年提出了一個有趣的框架：

Slater Berry在2023年從戰(zhàn)術性與戰(zhàn)略性研究的角度討論了不同研究范圍所需的樣本量問題：

咨詢公司 Blink UX 的 Brittany Schiessel同樣在2023年提出：

• 基礎性研究（10-12 名參與者）——以更深入地了解您的主題或感興趣領域
• 形成性研究（6-8 名參與者）——在開發(fā)開始之前，識別問題和考慮因素以指導設計
• 總結性研究（15+ Ps）—— 用于衡量用戶體驗

在這些人的基礎上，Katryna Balboni做如下收斂：

• 狹窄 —— 針對現有產品或非常具體問題的研究（最少未知數、戰(zhàn)術性、形成性）。范圍 = 1
• 專注型 —— 創(chuàng)建新產品或探索已定義的問題（存在一些未知因素，戰(zhàn)術性或戰(zhàn)略性，形成性）。   范圍 = 1.25
• 廣泛 —— 發(fā)現新問題/洞察（許多未知因素，戰(zhàn)略性，基礎性）。范圍 = 1.5

2.樣本群體多樣性(Diversity)

通常來說，群體越多樣化，達到飽和狀態(tài)所需的參與者就越多（Hennick & Kaiser, 2022）。

在Katryna Balboni的公式中，多樣性由一個值表示：

• 非常相似：我使用多個標準來招募具有共同特征和/或習慣的特定人群（例如“擁有 5-10 年經驗且使用過 AWS 的英國軟件工程師”）多樣性 = 1
• 有些類似：我正在招募特定的一群人（例如“具有 5-10 年經驗的軟件工程師”）多樣性 = 1.3
• 有些不同：我正在招募一些不同的參與者或者幾組不同的群體。雖然有一些限制，但相當多的人可能符合資格（例如，“在過去 12 個月中在線購物 2 次以上的女性。”）多樣性 = 1.5
• 非常不同：我正在招募一組非常多樣化的參與者或幾個不同的群體。資格標準更寬泛，許多人可能符合條件。（例如，“過去 12 個月內在網絡上購物過的人?！保┒鄻有?= 1.7

從“非常相似”到“有些相似”的跳躍，其值增加了 30%。在此之后，每增加一個多樣性程度，數值就增加 15%。

這是基于一個假設，即樣本群體之間會存在一些相似之處，并且隨著樣本量的增加，總體重疊量也會增加。

3.研究人員的專業(yè)知識(Expertise)

研究人員的專業(yè)知識越豐富，對所研究現象越熟悉，他們作為研究工具的表現就越有效。

換句話說，熟練的研究人員可以用更少的參與者揭示見解。

在Katryna Balboni的公式中，專業(yè)水平是一個介于 1 至 1.3 之間的值，具體取決于你對以下問題的回答：“參與該項目的研究人員平均有多少年從事這類研究的經驗？”

• 0-4 年。 專業(yè)水平 = 1
• 5-9 年。 專業(yè)度 = 1.1
• 10-14 年。 專業(yè)水平 = 1.15
• 15-19 年。 專業(yè)度 = 1.2
• 20-24 歲。 專業(yè)水平 = 1.25
• 25 年以上。 專業(yè)水平 = 1.3

Yocco (2017) 建議這個變量對于初學者研究者應從 1 開始，并且每增加 5 年經驗，以 0.10 的速率遞增。Katryna BalboniH計算后，發(fā)現以這種速率增加專業(yè)分母會產生過于顯著的影響。

Katryna BalboniH仍然將這個值增加了 0.10，以實現從 0-4 年到 5-9 年經驗的首次跳躍，但之后每 5 年區(qū)間的增幅減少到 0.05。

4.被訪者未出席率（No-show rate）

缺席者是指那些接受了研究邀請但從未出現在訪談中的人。

在對 201 名可用性專業(yè)人士的調查中，尼爾森諾曼集團的團隊發(fā)現人們報告的平均未出席率為 11%（Nielsen, 2003）。同時，Jeff Sauro (2018) 指出典型范圍在 10%到 20%之間。

這意味著，每需要 10 名參與者，實際上應該招募 11 或 12 人。

Katryna BalboniH堅持使用 10%的比例——因為這是一個整齊的數字。

5.研究方法

Katryna BalboniH在前人的研究基礎上，給出了一張表：

根據這張表：

• 一對一訪談的基準樣本量是12個
• 焦點小組的基礎樣本量是18個（3組，每組6名）
• 日記研究的基準樣本量是10個
• 共同設計或參與式設計的基線樣本量是10個
• 卡片分類研究的基準樣本量是20個
• 可用性測試的基線是9個
• 概念測試（通常在項目的早期階段進行，以評估用戶對想法或簡單原型的反應）基礎樣本量是5個

6.綜合起來

現在，我們有了影響飽和的所有變量，根據公式代入計算所需樣本量 = 被訪者未出席率 x ((研究范圍 x 人群多樣性 x研究方法)/研究人員專業(yè)程度)

場景 1：探索性訪談

你希望在開發(fā)新產品時進行一些探索性訪談——假設這個產品是一個面向銷售運營的工具。

你的目標用戶是銷售運營專家，但你也希望與那些在工作中涉及銷售運營的其他人員交流。

換句話說，你的被訪者可能有某種程度上相似的使用場景和需求。你有10 年的研究經驗，并且與一位擁有 4 年客戶訪談經驗的產品經理共同進行這些訪談——你計劃平分這項工作。

• 范圍 = 廣泛 = 1.5
• 多樣性 = 有些相似 = 1.3
• 方法 = 訪談 = 12
• 專業(yè)知識 = 5-9 年 [平均] = 1.1
• 未出席率=1.10

因此：樣本量 = 1.1 x ((1.5 x 1.3 x 12)/1.1) = 23.4

人不能分成小數，所以我們把樣本量四舍五入到 24。

場景 2：概念測試

你是一位用戶體驗設計師，正在為英國市場開發(fā)一款旅行產品。

在對目標受眾（假設他們是高收入、對奢華、環(huán)保/文化意識強的旅行感興趣的成年人）進行了一些探索性研究后，你已經有了一個清晰的概念和低保真原型。

現在，你想了解自己是否走在正確的道路上——這些想法能否引起共鳴？你有三年從事這類研究的經驗。

• 范圍 = 聚焦 = 1.25
• 多樣性 = 非常相似 = 1
• 方法 = 概念測試 = 5
• 專長 = 0-4 年 = 1

所需樣本量 = 1.1 x (( 1.25 x 1 x 5)/1) = 6.9

所以在這個情況下，你需要招募 7 名參與者。

總之，定性研究的樣本量需要根據研究范圍、數據收集方法、資源限制以及信息飽和的原則來綜合考慮。

研究者需要在數據收集過程中不斷評估是否達到了信息飽和，并根據研究進展動態(tài)調整樣本量。