B2B-survey med få kunder: Hvor mange svar skal du reelt bruge?

Spørg en lærebog i markedsanalyse hvor mange survey-svar du skal bruge, og svaret er 384. Det tal stammer fra en formel bygget til populationer i millionklassen: forbrugere, vælgere, app-brugere. Din B2B-kundebase er ikke den population. Sælger du til 40, 80 eller 150 navngivne virksomhedskunder, trækker du ikke en stikprøve fra en uendelig mængde. Du er tæt på at lave en fuldtælling, og statistikken opfører sig anderledes, når du anerkender det.

Hvor mange svar skal en B2B-survey reelt have?

Det ærlige svar er: færre end du er blevet fortalt, hvis din samlede kundebase er lille. B2B Internationals forskning fra 2026 i stikprøvestørrelser siger det ligeud: stikprøver på n=30 til n=100 er ikke bare acceptable i B2B-forskning, de er "highly robust", når de designes og fortolkes korrekt, fordi populationen af forretningsbeslutningstagere i sagens natur er mindre og mere homogen end forbrugerpopulationer. Et teleselskab spørger millioner af abonnenter. Du spørger økonomidirektøren, driftschefen og indkøbschefen hos 60 navngivne kunder. Det er en anden population, og dermed en anden matematik.

Det betyder ikke at et hvilket som helst antal svar er godt nok. Det betyder at det mål, du bør sigte efter, afhænger af dit faktiske antal konti, ikke et tal hentet fra et kursus i forbrugerorienteret markedsanalyse. Resten af artiklen viser præcis hvordan du regner det mål ud.

Hvorfor bryder den klassiske formel for stikprøvestørrelse sammen i B2B?

Enhver formel for stikprøvestørrelse i en statistikbog, inklusive den simple regel n = Z²/d², forudsætter at du trækker en lille brøkdel fra en reelt uendelig population. Den antagelse holder for et forbruger-NPS-program der spørger en brøkdel af to millioner abonnenter. Den holder ikke, når din "population" er 40 virksomheder du kan liste ved navn i et regneark.

Ignorerer du den forskel, går to ting galt. For det første kræver du en stikprøvestørrelse der matematisk er umulig: ingen formel bygget til uendelige populationer vil nogensinde fortælle dig at 25 svar ud af 40 konti er nok, fordi den aldrig var designet til at vide at din population har en kant. For det andet fortolker du et lille n som automatisk upålideligt, når et "lille" n i en lille population kan repræsentere 50-70% af alle der overhovedet kunne svare. Det er tættere på en fuldtælling end en stikprøve, og fuldtællinger har ikke brug for den samme præcisionsbuffer som stikprøver.

Løsningen er en statistisk teknik bygget til præcis denne situation: finite population correction.

Hvad er finite population correction, og hvorfor virker den til din fordel?

Finite population correction (FPC) justerer din standardfejl for at tage højde for, hvor stor en andel af din samlede population din stikprøve faktisk dækker. Formlen er kvadratroden af (N minus n) divideret med (N minus 1), hvor N er din populationsstørrelse og n er din stikprøvestørrelse. Du ganger denne faktor ind i din standardfejl og dermed din fejlmargin.

Mekanikken er intuitiv, når du først ser den: har du allerede hørt fra en stor andel af alle der kunne svare, er der mindre ukendt tilbage at estimere. MeasuringUs forskning i FPC fandt at korrektionen "for alvor slår igennem", når din stikprøvestørrelse passerer cirka 10% af populationen, og gevinsten vokser hurtigt derfra. For små populationer indtræffer den grænse næsten øjeblikkeligt: selv 10 svar ud af en population på 100 udgør allerede en andel på 10%.

Her er den konkrete effekt på den nødvendige stikprøvestørrelse. MeasuringU har offentliggjort tabeller der sammenligner den almindelige, ukorrigerede beregning med den FPC-justerede beregning for populationer på 100 og 500, brugt en adjusted-Wald-model ved 95% konfidens for binære udfald (samme statistik-familie som bruges til NPS og completion-lignende metrikker):

Læs bundlinjen igen. Lærebogsformlen siger, du skal bruge 381 svar for en stram fejlmargin på plus/minus 5%. Er din faktiske population 100 konti, skal du bruge 79, og du spørger da 79% af hele din kundebase for at nå dertil. Det er den byttehandel B2B-teams næsten aldrig opdager, de har lov til at lave: din lille population er ikke en begrænsning på præcision, den er en genvej til den.

Et hypotetisk eksempel: Nordika A/S kører en relationel NPS på tværs af hele sin kundebase på 40 navngivne erhvervskunder og indsamler 25 fuldførte svar, en svarprocent på 63%, som er inden for rækkevidde for et relationsdrevet B2B-program (CustomerGauges B2B-benchmark sætter branchens gennemsnitlige NPS-svarprocent til 12,4%, mens de bedst performende kunder jævnligt kommer over 60%). Anvendes FPC-formlen på N=40 og n=25, giver det en korrektionsfaktor på cirka 0,62: standardfejlen, og dermed fejlmarginen, krymper til omkring 62% af hvad den generelle formel for uendelig population ville forudsige. Nordikas CX-ansvarlige arbejder med markant strammere præcision, end en standardtabel ville antyde, netop fordi kundebasen er lille.

Hvordan læser du et NPS, når n er under 30?

Ikke alle B2B-programmer kan eller bør jagte svarprocenter på 79%. Ligger din aktive stikprøve under cirka 30 svar, er præcisionen pr. måling reelt begrænset, uanset hvordan du korrigerer for populationsstørrelse. MeasuringUs adjusted-Wald-model sætter fejlmarginen ved 90% konfidens til omkring plus/minus 25 point ved n=30. Det er et bredt bånd for en metrik der normalt diskuteres på enkeltpoint-niveau.

Den praktiske respons, ifølge B2B Internationals vejledning fra 2026, er at ændre hvad du beder dataene om. Behandl scorer under n=30 som retningsbestemte indikatorer, ikke decimalpræcise målinger: se efter om tendensen bevæger sig konsekvent i én retning over to eller tre måleperioder, i stedet for at diskutere om kvartalets score reelt flyttede sig 4 point. Kig efter enighed på tværs af metrikker. Peger NPS, fornyelsesvillighed og supportsentiment alle samme vej, er den konsistens mere værd end noget enkelt tals konfidensinterval. Og modstå trangen til at skære en stikprøve på 25 svar op efter region eller indkøbsudvalgets rolle. At dele en allerede lille stikprøve op i mindre bidder er den hurtigste vej til at producere støj, du kommer til at forveksle med et signal.

Her betaler et disciplineret surveydesign sig også tilbage: et kort, velafmålt spørgeskema der maksimerer gennemførsel, er statistisk set mere værd end et langt et, der udhuler svarprocenten og gør n endnu mindre. Er selve svarprocenten din flaskehals, gennemgår vi mekanikken bag at komme fra branchens gennemsnit på 12,4% mod de 60%+ topperformerne når i vores guide til at øge din svarprocent på surveys.

Hvad betyder det for dit account-based CX-program?

Statistik med lille n er ikke en B2B-svaghed, du skal undskylde for. Det er selve grunden til, at account-based CX virker anderledes end forbruger-CX: når din samlede population er til at tælle, vejer hvert enkelt svar statistisk tungere, end det ville i et program der spørger tusindvis. Det er et argument for at spørge alle konti, ikke en stikprøve af dem, og for at følge svarprocenten pr. konto lige så nøje, som du følger selve scoren.

Det ændrer også, hvad "hvordan måler jeg kundetilfredshed korrekt" betyder i praksis. Vores guide til hvordan man måler kundetilfredshed dækker valg af metrik og frekvens; denne artikel er det manglende led nedenunder, nemlig hvor mange af de målinger du faktisk skal bruge, før du kan stole på tallet. Og spørger du reelt "er mit NPS godt", så start med hvad en forsvarlig baseline ser ud som på din skala i vores guide til NPS-benchmarks, før du bekymrer dig om decimalen.

Hvor SurveyGauge passer ind

SurveyGauges platform følger gennemførselsrate og svarprocent på kontoniveau sammen med selve scoren, så dit CX-team ser præcisionen ved siden af tallet, ikke bare et tal og en farve. Det er forskellen på at rapportere et NPS og på at kunne forsvare det, når et bestyrelsesmedlem spørger, hvor sikker du reelt er.

Vil du have survey- og CX-benchmarks der holder statistisk på dit antal konti, ikke bare en score på et dashboard? Få en gratis demo eller se priser.