问卷回收率是什么？从投放到有效样本的漏斗手册

「这次问卷回收率有 45%。」「不对，我算出来只有 18%。」——两个人可能都没算错，只是分母不一样：一个除以了触达人数，一个除以了投放总量。问卷调研里最容易出事故的，往往不是分析，而是这些听起来人尽皆知、口径却从未对齐的「率」。

这篇文章把一份问卷从发出到变成可用数据的全过程拆开，逐个定义投放率、触达率、回收率、有效率这些关键参数，讲清样本量、误差幅度、置信水平三者的关系，最后说说为什么高回收率不等于好数据。

先画漏斗：从计划投放到有效样本

一切口径问题，都因为没先画漏斗。一份问卷的旅程是：

计划投放 → 投放（发送）→ 触达（送达）→ 打开/进入 → 开始作答 → 完成回收 → 有效样本

每个箭头都是一个流失关口，每个关口都能算出一个「率」。先统一各节点的人数口径（都是去重后的设备/账号数，而不是发送次数），再谈比率：

• 计划投放量：样本框里计划覆盖的目标人数；
• 投放量：实际发出的人数；
• 触达量：成功送达的人数（扣除退信、空号、拦截）；
• 进入量：打开链接或弹出问卷页的人数；
• 开始量：回答了第一题的人数；
• 完成量：提交成功的人数；
• 有效量：通过质量清洗后可进入分析的人数。

漏斗上的六个比率

投放率：执行有没有到位

投放率 = 实际投放量 ÷ 计划投放量 × 100%

它衡量的是执行力，不是效果。低于 100% 通常意味着渠道配额限制、发送失败或排期未走完——先修执行，再谈分析。

触达率（送达率）：发出去了，没送到

触达率 = 送达人数 ÷ 投放人数 × 100%

退信、空号、被拦截、命中机器人账号，都算没送达。邮件列表老化、社群里混入大量僵尸号，是触达率低的最常见原因。触达率是后面所有比率的真实分母起点——用发送量当分母，会系统性低估后续所有转化。

打开率与开始率：愿意看，才愿意答

打开率 = 打开/进入人数 ÷ 送达人数 × 100%

开始率 = 开始作答人数 ÷ 进入人数 × 100%

邮件问卷的打开率常见只有两三成，而站内弹窗几乎人人「看见」——所以跨渠道比较这两个指标没有意义，只能在同一渠道内做前后对比。触达文案里把时长和激励讲清楚（「3 分钟，抽 50 元红包」），在这里的杠杆最大。

完成率：中途流失都流失在哪

完成率 = 完成人数 ÷ 开始作答人数 × 100%

完成率是问卷设计质量的直接体检：题目太长、必答太多、开放题靠前、没有进度条，都会在流失曲线上留下「断崖」。逐题的流失数据（哪一题之后掉得最狠）比总完成率更有诊断价值。

回收率（应答率）：口径争议最大的一个

回收率 = 完成人数 ÷ 触达人数 × 100%（口径一）

回收率 = 完成人数 ÷ 投放人数 × 100%（口径二）

学术上有更严格的 AAPOR 应答率体系，核心思想都是：分母只算「有资格被调查的人」。实务建议：报告里永远写明分母；对外比较（比如对标行业基准）用口径一，评估渠道发送质量用口径二。

经验参考（渠道差异极大，仅供校验数量级）：邮件/短信问卷回收率常见 10%–30%，站内弹窗 30%–60%，定向邀约（如深度访谈前筛）可以更高。

有效率：洗完澡的数据才是数据

有效率 = 有效样本量 ÷ 回收样本量 × 100%

无效问卷的常见判定：

• 速度者（speeders）：作答时长低于最短合理时长；
• 直线作答（straight-lining）：量表题一路选同一个数字；
• 陷阱题不通过：注意力检查题答错；
• 逻辑矛盾：前面说没用过产品，后面答了使用频率；
• 重复提交：同一设备或 IP 多份问卷。

关键是：清洗规则要在分析前定义并留档，而不是看着结果不顺眼再回头删数据。

一张汇总表

决定「样本够不够」的三个参数

回收了多少只是数量问题，能不能代表总体是另一个问题。这里需要三个统计参数出场。

误差幅度（边际误差）

问卷得出的是「样本比例」，比如 72% 的用户满意。误差幅度（margin of error）告诉你：真实的总体比例，大概落在样本比例上下多大的范围里。

置信水平与置信区间

置信水平（confidence level）是「真实值落在这个范围内的把握」，行业默认 95%。置信区间（confidence interval）把两者合起来写：满意度 72% ± 4.9%（95% 置信水平）——意思是如果重复抽样一百次，约有九十五次算出的区间会盖住真实值。

比例的误差幅度近似为 1.96 × √(p(1-p)/n)。样本 384 人、满意度 40% 时，误差约 ±4.9%；想把它压到 ±3%，样本量要翻到一千以上。

样本量：Cochran 公式

n₀ = Z² × p × (1-p) ÷ e²

Z 在 95% 置信水平下取 1.96，p 是总体比例（未知时取 0.5 最保守），e 是目标误差幅度。代入 p=0.5、e=5%，得到 384——这就是「四百样本」这个行业口头禅的来历。

总体不大时用有限总体修正：n = n₀ ÷ (1 + (n₀−1)/N)，所以一千人的总体，384 会自动缩到 278。

还要提醒一点：384 是总样本，不是分群样本。如果之后要单独看「华东区女性用户」这个子群体，每个子群体都得有自己的最小样本量，总量就得按分群数放大。

高回收率不等于好数据：三个偏差关键词

覆盖偏差（Coverage Bias）

问卷只发给了「够得着的人」：只给会员发邮件，就永远听不到流失用户的声音；只在 App 内投放，沉默的大多数（卸载者、低活跃者）根本不在抽样框里。覆盖率 = 抽样框覆盖的目标人群 ÷ 目标总体，这个数没有系统替你算，只能自己想清楚。

无应答偏差（Non-response Bias）

愿意回答的人和不回答的人，可能系统性地不一样。最典型的场景：满意度问卷里，极端不满的人懒得填、特别满意的人抢着填，分数天然虚高。补救办法：对无应答者做小规模追访，比较「早回应者」与「追访后才回应者」的答案差异——差异不大，可以放心一些；差异大，说明沉默的那群人真的不一样。

自选择偏差（Self-selection Bias）

自愿参与机制本身就在筛选样本：红包激励吸来羊毛党，社群调研里冲在最前面的是铁粉，官网弹窗里愿意停留的是本来就遇到问题的人。配额抽样（按性别、年龄、活跃度提前定好各群配额）和事后加权（把样本结构拉回总体结构）是两种常用解法。

落地清单

把这篇压成四条可以直接执行的事：

1. 报告里永远写清分母：所有「率」后面括号注明「÷ 触达人数」还是「÷ 投放人数」；
2. 清洗规则前置：速度者、直线作答、陷阱题、重复设备的标准，在投放前定好并存档；
3. 按分析计划倒推样本量：先想清楚结果要分几个子群体看，再放大总量；
4. 保留原始数据与漏斗日志：每个关口的流失数都记下来，复盘时才知道下一轮该修哪里。

结语

和之前聊过的 NPS、Top 2 Box 一样，问卷调研的难点从来不是算出那个数字，而是搞清楚数字的口径与来历。漏斗上的每一个「率」，本质上都在回答同一个问题：你听到的声音，到底是谁的声音，缺了谁的声音。

下次有人汇报「回收率 45%」，先别急着点头，问一句：分母是什么？

参考资料

• AAPOR（美国民意研究协会）Standard Definitions：应答率的规范计算口径；
• Cochran, W. G. (1977). Sampling Techniques（第 3 版）：样本量公式的出处。