แบบสอบถามกี่ชุดถึงน่าเชื่อถือ และสัมภาษณ์กี่คนถึงพอ (คู่มือ Sample Size สำหรับธุรกิจ 2026)

แต่ตัวเลขเหล่านี้ใช้ได้เฉพาะเมื่อคุณวิเคราะห์ภาพรวมกลุ่มเดียว ถ้าต้องแยกดูรายกลุ่มย่อย ตัวเลขจะเปลี่ยนทั้งหมด บทความนี้อธิบายวิธีคิดที่ถูกต้องพร้อมตารางที่ใช้อ้างอิงได้จริง

แบบสอบถามกี่ชุด ถึงน่าเชื่อถือ

ความน่าเชื่อถือของแบบสอบถามวัดด้วยค่าความคลาดเคลื่อน (margin of error) ซึ่งบอกว่าผลที่ได้อาจเบี่ยงจากความจริงเท่าไหร่

ตารางค่าความคลาดเคลื่อนที่ระดับความเชื่อมั่น 95 เปอร์เซ็นต์ สำหรับประชากรขนาดใหญ่

• —50 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 13.9 เปอร์เซ็นต์
• —100 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 9.8 เปอร์เซ็นต์
• —200 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 6.9 เปอร์เซ็นต์
• —300 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 5.7 เปอร์เซ็นต์
• —385 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 5.0 เปอร์เซ็นต์ (มาตรฐานงานธุรกิจ)
• —600 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 4.0 เปอร์เซ็นต์
• —800 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 3.5 เปอร์เซ็นต์
• —1,000 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 3.1 เปอร์เซ็นต์
• —1,500 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 2.5 เปอร์เซ็นต์
• —2,000 ชุด ความคลาดเคลื่อนประมาณ บวกลบ 2.2 เปอร์เซ็นต์

วิธีอ่านตาราง ถ้าเก็บ 400 ชุดแล้วพบว่า 60 เปอร์เซ็นต์ของผู้ตอบสนใจสินค้า ค่าจริงในตลาดน่าจะอยู่ระหว่าง 55 ถึง 65 เปอร์เซ็นต์ ซึ่งเพียงพอสำหรับการตัดสินใจส่วนใหญ่

จุดสำคัญที่คนมักเข้าใจผิดคือ ขนาดประชากรแทบไม่มีผลต่อจำนวนที่ต้องเก็บ ไม่ว่าตลาดของคุณจะมี 50,000 คนหรือ 5 ล้านคน จำนวน 385 ชุดให้ความแม่นยำใกล้เคียงกัน สิ่งที่กำหนดความแม่นยำคือจำนวนตัวอย่าง ไม่ใช่สัดส่วนต่อประชากร

กรณีที่จำนวนน้อยกว่า 385 ก็ใช้ได้

หลายโครงการไม่จำเป็นต้องถึง 385 ชุด

เมื่อประชากรมีจำนวนจำกัด เช่น ลูกค้าองค์กรทั้งหมดมี 300 ราย การเก็บ 169 ชุดก็ให้ความคลาดเคลื่อนราวบวกลบ 5 เปอร์เซ็นต์แล้ว เพราะมีการปรับค่าตามขนาดประชากรที่จำกัด (finite population correction) กรณี B2B ที่ลูกค้ามีหลักร้อยราย ตัวเลขที่ต้องเก็บจึงต่ำกว่าที่คิดมาก

เมื่อต้องการเปรียบเทียบก่อนหลัง เช่น วัดความพึงพอใจไตรมาสนี้เทียบไตรมาสก่อน ถ้าใช้วิธีเก็บเหมือนเดิมทุกครั้ง ตัวอย่าง 200 ชุดก็เห็นแนวโน้มได้ เพราะความคลาดเคลื่อนเชิงระบบหักล้างกันไป แต่ความคลาดเคลื่อนจากการสุ่มไม่หักล้าง ที่รอบละ 200 ชุด ผลต้องเปลี่ยนเกินราว 10 จุดเปอร์เซ็นต์จึงจะมั่นใจว่าเปลี่ยนจริง การขยับ 3 ถึง 5 จุดระหว่างไตรมาสอาจเป็นเพียงความผันผวนของตัวอย่าง

เมื่อความต่างที่สนใจมีขนาดใหญ่ ถ้าคุณต้องการรู้แค่ว่ากลุ่มไหนชอบมากกว่ากันแบบชัดเจน ไม่ได้ต้องการตัวเลขละเอียด ตัวอย่าง 150 ถึง 200 ชุดอาจพอ

เมื่อใช้ประกอบการตัดสินใจภายใน ไม่ใช่เผยแพร่ งานที่ใช้ตัดสินใจภายในองค์กรยอมรับความคลาดเคลื่อนสูงกว่าได้ ตราบใดที่ผู้ตัดสินใจรู้ว่าตัวเลขมีช่วงความคลาดเคลื่อนเท่าไหร่

ขั้นต่ำที่สุดที่ยังใช้สถิติได้: 30 ชุดต่อกลุ่ม

400 ชุดคือเป้าที่ดี แต่ในความจริงหลายโครงการเก็บไม่ถึง เช่น กลุ่มเป้าหมายหายาก อย่างผู้บริหาร แพทย์ หรือลูกค้าองค์กร งบหรือเวลาจำกัด หรืออัตราตอบกลับต่ำ คำถามที่ต้องตอบจึงไม่ใช่แค่ว่าควรเก็บกี่ชุด แต่คือ เก็บได้เท่านี้ แล้วสรุปอะไรได้บ้าง

เกณฑ์ขั้นต่ำที่ใช้กันแพร่หลายคือ อย่างน้อย 30 ชุดต่อกลุ่มที่จะวิเคราะห์ Roscoe (1975) เสนอหลักนี้ไว้ว่าเมื่อแบ่งตัวอย่างเป็นกลุ่มย่อย แต่ละกลุ่มควรมีอย่างน้อย 30 ราย เหตุผลมาจากทฤษฎีบทขีดจำกัดกลาง (Central Limit Theorem) ที่ขนาดประมาณ 30 ขึ้นไป การแจกแจงของค่าเฉลี่ยตัวอย่างจะใกล้เคียงการแจกแจงปกติพอที่จะใช้สถิติมาตรฐานได้ ข้อที่มักเข้าใจผิดคือ 30 ชุดไม่ได้ทำให้ข้อมูลเป็นการแจกแจงปกติ และไม่ได้แปลว่าแม่นยำพอ ที่ 30 ชุด ความคลาดเคลื่อนยังสูงถึงราวบวกลบ 18 เปอร์เซ็นต์ จึงเป็นเพียงจุดเริ่มที่ยังใช้สถิติได้ ไม่ใช่ระดับที่เหมาะกับการตัดสินใจสำคัญ

ถ้าเก็บได้ไม่ถึงเป้า ควรทำอย่างไร

• —รายงานความคลาดเคลื่อนจริงเสมอ ใช้เครื่องคำนวณด้านบนในโหมดเก็บมาแล้ว แล้วระบุช่วงความคลาดเคลื่อนคู่กับตัวเลขทุกครั้ง ผู้ตัดสินใจจะรู้ว่าตัวเลขเชื่อได้แค่ไหน
• —อย่าแยกกลุ่มย่อยที่ต่ำกว่า 30 ชุด ถ้าจำเป็นต้องดู ให้รายงานเป็นข้อสังเกตเชิงคุณภาพ ไม่ใช่ตัวเลขร้อยละ
• —ใช้การปรับค่าประชากรจำกัดเมื่อประชากรมีน้อย เช่น ลูกค้าองค์กรหลักร้อยราย ตัวเลขที่ต้องการจะลดลงมาก
• —เสริมด้วยการสัมภาษณ์เชิงลึก เมื่อจำนวนน้อย การอธิบายว่าทำไมมีน้ำหนักมากกว่าการประมาณว่าเท่าไหร่
• —ระวังอคติจากผู้ไม่ตอบ (non-response bias) คนที่ตอบอาจต่างจากคนที่ไม่ตอบอย่างเป็นระบบ ปัญหานี้แก้ไม่ได้ด้วยการเพิ่มจำนวน และมักส่งผลมากกว่าขนาดตัวอย่าง

กับดักที่แพงที่สุด การวิเคราะห์รายกลุ่มย่อย

นี่คือจุดที่โครงการวิจัยเสียเงินเปล่ามากที่สุด

ถ้าคุณเก็บ 400 ชุด แล้วต้องการแยกวิเคราะห์เป็น 4 กลุ่มอายุ แต่ละกลุ่มจะเหลือประมาณ 100 ชุด ซึ่งมีความคลาดเคลื่อนบวกลบเกือบ 10 เปอร์เซ็นต์ นั่นแปลว่าถ้ากลุ่ม A ตอบ 55 เปอร์เซ็นต์ และกลุ่ม B ตอบ 48 เปอร์เซ็นต์ คุณ ไม่สามารถสรุปได้ว่าสองกลุ่มนี้ต่างกันจริง เพราะที่กลุ่มละราว 100 ชุด ผลต่างระหว่างสองกลุ่มต้องเกินราว 14 จุดเปอร์เซ็นต์จึงจะถือว่าต่างกันจริงที่ความเชื่อมั่น 95 เปอร์เซ็นต์ ผลต่าง 7 จุดจึงยังแยกไม่ออกจากความคลาดเคลื่อนจากการสุ่ม ส่วนการดูว่าช่วงความคลาดเคลื่อนของสองกลุ่มทับซ้อนกันหรือไม่ ไม่ใช่วิธีทดสอบที่ถูกต้อง

หลักที่ใช้ได้จริง

• —ทุกกลุ่มย่อยที่คุณตั้งใจจะวิเคราะห์แยก ควรมีอย่างน้อย 100 ชุด และควรมี 150 ถึง 200 ชุดถ้าต้องการเปรียบเทียบระหว่างกลุ่มอย่างมั่นใจ
• —คำนวณย้อนกลับ ถ้าต้องวิเคราะห์ 5 กลุ่มย่อย ต้องเก็บอย่างน้อย 750 ถึง 1,000 ชุด ไม่ใช่ 400
• —ตัดสินใจตั้งแต่ก่อนเก็บข้อมูลว่าจะแยกกี่กลุ่ม การมาคิดทีหลังคือสาเหตุอันดับหนึ่งที่ผลวิจัยตอบคำถามสำคัญไม่ได้
• —ถ้างบไม่พอ ให้เลือกวิเคราะห์เฉพาะกลุ่มที่สำคัญต่อการตัดสินใจจริง แล้วเก็บกลุ่มนั้นให้พอ (over-sampling) แทนการกระจายบาง ๆ ทุกกลุ่ม

วิธีสุ่มตัวอย่างที่นิยม และผลต่อจำนวนที่ต้องเก็บ

สูตรในเครื่องคำนวณสมมติการสุ่มอย่างง่าย (simple random sampling) ซึ่งทุกคนในประชากรมีโอกาสถูกเลือกเท่ากัน ในทางปฏิบัติมีวิธีสุ่มอื่นที่นิยมใช้ และแต่ละวิธีเปลี่ยนจำนวนที่ต้องเก็บต่างกัน ตามหลักใน Cochran (1977) และ Kish (1965)

การสุ่มแบบแบ่งชั้นคือทางออกของกับดักกลุ่มย่อย ถ้ารู้ตั้งแต่ต้นว่าต้องวิเคราะห์ 4 ภูมิภาค ให้กำหนดจำนวนต่อภูมิภาคให้พอ เช่น ภูมิภาคละ 100 ถึง 150 ชุด แทนการสุ่มรวมแล้วหวังว่าแต่ละภูมิภาคจะได้พอ ถ้าบางภูมิภาคถูกเก็บเกินสัดส่วนจริง (over-sampling) ให้ถ่วงน้ำหนัก (weighting) กลับตามสัดส่วนประชากรตอนสรุปภาพรวม

สัมภาษณ์เชิงลึกกี่คน ถึงพอ

วิจัยเชิงคุณภาพไม่ได้ใช้ตรรกะเดียวกับเชิงปริมาณ เพราะไม่ได้ต้องการประมาณค่าไปยังประชากร แต่ต้องการเข้าใจกลไกและเหตุผล เกณฑ์ที่ใช้คือ ความอิ่มตัวของข้อมูล (saturation) คือจุดที่สัมภาษณ์เพิ่มแล้วไม่ได้ประเด็นใหม่

งานวิจัยเชิงประจักษ์ให้ตัวเลขที่สอดคล้องกัน Guest, Bunce และ Johnson (2006) วิเคราะห์การสัมภาษณ์ 60 ราย พบว่าประเด็นเกือบทั้งหมดปรากฏภายใน 12 รายแรก และแกนหลักปรากฏตั้งแต่ราว 6 ราย Hennink, Kaiser และ Marconi (2017) แยกความอิ่มตัวเป็นสองระดับ คือได้ครบทุกประเด็น (code saturation) ที่ราว 9 ราย และเข้าใจความหมายของแต่ละประเด็นลึกพอ (meaning saturation) ที่ราว 16 ถึง 24 ราย และการทบทวนงานวิจัยเชิงระบบของ Hennink และ Kaiser (2022) พบว่าการสัมภาษณ์ส่วนใหญ่ถึงจุดอิ่มตัวที่ 9 ถึง 17 ราย เมื่อกลุ่มเป้าหมายค่อนข้างเหมือนกันและคำถามวิจัยชัด สำหรับการสนทนากลุ่ม Guest, Namey และ McKenna (2017) พบว่า 2 ถึง 3 กลุ่มครอบคลุมราว 80 เปอร์เซ็นต์ของประเด็น และ 3 ถึง 6 กลุ่มครอบคลุมราว 90 เปอร์เซ็นต์

ตัวเลขที่เหมาะสมยังขึ้นกับว่าข้อมูลแต่ละรายมีคุณภาพแค่ไหน Malterud, Siersma และ Guassora (2016) เสนอแนวคิด พลังของข้อมูล (information power) ว่าจำนวนผู้ให้ข้อมูลที่ต้องการจะน้อยลงเมื่อ วัตถุประสงค์แคบและชัด ผู้ให้ข้อมูลตรงกลุ่มเป้าหมายมาก มีกรอบทฤษฎีรองรับ บทสนทนามีคุณภาพสูง ซึ่งขึ้นกับทักษะของผู้สัมภาษณ์โดยตรง และการวิเคราะห์เน้นเจาะลึกรายกรณี ดังนั้นโจทย์ที่แคบและชัดอาจได้ข้อมูลเพียงพอจากราว 6 ราย ซึ่งเป็นจำนวนที่แกนหลักของประเด็นมักปรากฏ (Guest et al., 2006) ขณะที่โจทย์ซับซ้อนหรือกลุ่มที่หลากหลายอาจต้องมากกว่า 20 ราย ผู้สัมภาษณ์ที่มีประสบการณ์อาจยืนยันประเด็นที่แคบมากได้จากจำนวนน้อยกว่า 6 ราย แต่ควรถือเป็นการตรวจสอบเบื้องต้นเท่านั้น

ข้อสรุปเชิงปฏิบัติคือ ราว 12 รายต่อกลุ่มเป้าหมายเป็นจุดตั้งต้นที่ปลอดภัยสำหรับโจทย์ส่วนใหญ่ ปรับลดได้เมื่อโจทย์แคบและผู้สัมภาษณ์มีประสบการณ์สูง และควรวางแผนเผื่อเพิ่มเมื่อโจทย์ซับซ้อน โดยตัดสินใจหยุดเมื่อถึงจุดอิ่มตัวจริง ไม่ใช่เมื่อครบตัวเลขที่ตั้งไว้

ตัวเลขที่ใช้ได้จริงในทางปฏิบัติ

• —การสัมภาษณ์เชิงลึก 8 ถึง 15 รายต่อกลุ่มเป้าหมายหนึ่งกลุ่ม ประเด็นหลักส่วนใหญ่มักปรากฏครบภายใน 10 ถึง 12 ราย ถ้ากลุ่มเป้าหมายมีความหลากหลายสูง ให้เพิ่มเป็น 15 ถึง 20 ราย
• —การสนทนากลุ่ม (Focus Group) 3 ถึง 4 กลุ่มต่อกลุ่มเป้าหมายหนึ่งกลุ่ม กลุ่มละ 6 ถึง 8 คน น้อยกว่า 3 กลุ่มมีความเสี่ยงที่จะได้พลวัตของกลุ่มใดกลุ่มหนึ่งมากกว่าความคิดของตลาด
• —การสังเกตพฤติกรรมจริง (Ethnography) 6 ถึง 12 รายมักเพียงพอ เพราะข้อมูลต่อรายลึกกว่ามาก
• —ถ้ามีหลายกลุ่มเป้าหมาย ให้คูณตามจำนวนกลุ่ม เช่น 3 กลุ่มเป้าหมาย ควรสัมภาษณ์รวม 30 ถึง 45 ราย ไม่ใช่ 12 รายแล้วแบ่งกัน

สัญญาณว่าถึงจุดอิ่มตัวแล้ว คือเมื่อผู้ให้ข้อมูลรายที่ 3 ติดต่อกันไม่ได้ให้ประเด็นใหม่ที่ต่างจากที่บันทึกไว้แล้ว ในทางปฏิบัติควรวางแผนเผื่อไว้และหยุดเมื่ออิ่มตัว แทนที่จะกำหนดตายตัวตั้งแต่ต้น

จำนวนไม่ใช่ทุกอย่าง สามเรื่องที่สำคัญกว่า

ประสบการณ์ของเราคือ งานวิจัยที่ผิดพลาดส่วนใหญ่ไม่ได้ผิดเพราะตัวอย่างน้อยเกินไป แต่ผิดเพราะสามเรื่องนี้

1. กลุ่มตัวอย่างไม่ตรงกลุ่มเป้าหมาย เก็บ 1,000 ชุดจากคนที่ไม่ใช่ลูกค้าเป้าหมาย มีค่าน้อยกว่าเก็บ 200 ชุดจากกลุ่มที่ใช่ ปัญหานี้พบบ่อยในการใช้ panel ออนไลน์ราคาถูกที่คัดกรองหลวม สิ่งที่ต้องถามผู้รับจ้างคือ วิธีคัดกรองผู้ตอบและอัตราการคัดออก (incidence rate)

2. คำถามที่ออกแบบผิด คำถามชี้นำ คำถามที่วัดความสุภาพแทนความตั้งใจซื้อ หรือคำถามที่ใช้ศัพท์ที่ลูกค้าไม่ได้ใช้จริง ทำให้ตัวเลขแม่นยำสำหรับสิ่งที่ไม่มีความหมาย นี่คือเหตุผลที่เราแนะนำให้ทำวิจัยเชิงคุณภาพก่อนออกแบบแบบสอบถามเสมอ

3. ไม่มีขั้นตอนอธิบายตัวเลข เมื่อผลออกมาผิดคาด หลายโครงการเลือกตีความเอาเองแทนที่จะกลับไปหาคำอธิบายจากคนจริง ข้อค้นพบที่มีมูลค่าสูงสุดมักอยู่ตรงนี้

อ้างอิง

• —Cochran, W. G. (1977). Sampling Techniques (3rd ed.). John Wiley & Sons.
• —Guest, G., Bunce, A., & Johnson, L. (2006). How Many Interviews Are Enough? An Experiment with Data Saturation and Variability. Field Methods, 18(1), 59–82.
• —Guest, G., Namey, E., & McKenna, K. (2017). How Many Focus Groups Are Enough? Building an Evidence Base for Nonprobability Sample Sizes. Field Methods, 29(1), 3–22.
• —Hennink, M. M., Kaiser, B. N., & Marconi, V. C. (2017). Code Saturation Versus Meaning Saturation: How Many Interviews Are Enough? Qualitative Health Research, 27(4), 591–608.
• —Hennink, M., & Kaiser, B. N. (2022). Sample Sizes for Saturation in Qualitative Research: A Systematic Review of Empirical Tests. Social Science & Medicine, 292, 114523.
• —Kish, L. (1965). Survey Sampling. John Wiley & Sons.
• —Malterud, K., Siersma, V. D., & Guassora, A. D. (2016). Sample Size in Qualitative Interview Studies: Guided by Information Power. Qualitative Health Research, 26(13), 1753–1760.
• —Roscoe, J. T. (1975). Fundamental Research Statistics for the Behavioral Sciences (2nd ed.). Holt, Rinehart and Winston.