설문조사와 리서치의 모든 과정을
쉽고 체계적으로 안내해 드립니다.

설문조사란 무엇인가요?

한 문장으로 정리하면, 설문조사는 "궁금한 것을 정확히 묻고, 그 답을 숫자와 패턴으로 확인하는 도구"입니다. 감으로 판단하던 것을 데이터로 검증할 수 있게 해줍니다.

예를 들어 "우리 고객은 신제품 가격을 어떻게 생각할까?", "직원들은 새로운 근무제도에 만족할까?", "이 정책에 시민들은 찬성할까?" 같은 질문은 몇 명의 의견만으로는 답하기 어렵습니다. 설문조사는 이런 질문에 대해 다수의 응답을 체계적으로 모아, 신뢰할 수 있는 답을 찾는 과정입니다.

설문조사가 특히 유용한 순간

• 결정을 내리기 전: 신제품 출시, 가격 조정, 정책 도입 전에 반응을 미리 확인할 때
• 변화를 확인할 때: 서비스 개선 전후 만족도를 비교하고 싶을 때
• 모두의 목소리가 필요할 때: 소수의 의견이 아니라 전체 구성원·고객·시민의 생각을 확인할 때
• 근거가 필요할 때: "그냥 그런 것 같아요"가 아니라 보고서와 숫자로 설득해야 할 때

리서치 프로세스 5단계

좋은 설문조사는 순서를 지키는 것만으로 절반은 성공합니다. 아래 5단계를 그대로 따라가 보세요.

1단계, 목적 정의를 구체적으로 하는 법

"고객 만족도를 알고 싶다"는 목적은 아직 흐릿합니다. 다음처럼 좁혀보세요.

목적이 구체적일수록 뒤에 나올 문항 설계, 표본 크기, 분석 방법까지 자연스럽게 정해집니다.

2단계, 설계를 구체적으로 하는 법

목적이 정해졌다면 그 목적에 답할 수 있는 질문 유형과 순서를 짭니다. 예를 들어 목적이 "재구매 의향에 영향을 주는 요인 파악"이라면, 배송·품질·가격 만족도를 각각 5점 척도로 묻는 문항, 재구매 의향을 묻는 문항, 그 이유를 듣는 주관식 문항을 함께 구성합니다. 답하기 쉬운 질문을 앞에, 민감한 질문은 뒤에 배치하고, 전체 응답 시간은 5~10분을 넘지 않도록 조정합니다.

문항 설계 챕터 자세히 보기 →

3단계, 표본 확정을 구체적으로 하는 법

목적에 맞는 대상 조건(성별·연령·지역·직업 등)과, 그 조건에서 몇 명에게 물어야 결과를 믿을 수 있는지를 정합니다. 예를 들어 "수도권 거주 2030 직장인"이 대상이고 95% 신뢰수준·표본오차 ±5%p를 목표로 한다면 약 385명이 필요하다는 식으로 미리 계산해두면, 배포 단계에서 목표 응답 수가 명확해집니다.

표본 설계 챕터 자세히 보기 →

4단계, 배포·수집을 구체적으로 하는 법

이미 확보한 고객·직원 명단이 있다면 카카오톡·문자·이메일로 링크를 바로 공유하고, 없다면 나우앤서베이 패널이나 설문 광장을 활용해 조건에 맞는 응답자를 모읍니다. 배포 후에는 목표 응답 수 대비 진행률을 주기적으로 확인하고, 속도가 더디면 리마인드 발송이나 리워드 제공을 고려합니다.

배포 전략 챕터 자세히 보기 →

5단계, 분석·활용을 구체적으로 하는 법

먼저 빈도분석으로 전체 응답 경향을 확인하고, 교차분석으로 그룹별 차이가 있는지 살펴봅니다. 그다음 발견한 패턴이 1단계에서 세운 목적에 어떤 답이 되는지 문장으로 정리해, 보고서나 실제 의사결정(가격 조정, 제도 개선 등)에 반영합니다.

결과 분석 챕터 자세히 보기 →

조사 방법론, 우리 상황엔 무엇이 맞을까?

응답자를 어디서 구하느냐에 따라 조사 방식이 달라집니다. 상황별로 가장 잘 맞는 방식을 골라보세요.

대표적인 조사 유형 한눈에 보기

비전문가도 잘 만들 수 있는 질문 설계법

좋은 답은 좋은 질문에서 나옵니다. 몇 가지 원칙만 지켜도 데이터 품질이 크게 달라집니다.

자주 쓰는 질문 유형

응답자를 정교하게 관리하는 기능

문항 유형만큼이나 "누구의 응답을 어떻게 받을지"도 데이터 품질을 좌우합니다. 아래 기능들을 활용해보세요.

위치 인증 소개서 보기 →

흔히 저지르는 편향(bias) 3가지와 고치는 법

문항 순서 팁

• 답하기 쉬운 질문(만족도 등)을 앞에, 민감한 질문(소득, 개인정보)은 뒤에 배치합니다.
• 같은 주제는 묶고, 주제가 바뀔 때는 짧은 안내 문구를 넣어 응답자의 맥락 전환을 도와줍니다.
• 전체 응답 시간은 5~10분 이내를 목표로 하면 응답 포기율을 크게 줄일 수 있습니다.

복잡한 분기 구조가 필요하다면 나우앤서베이의 로직맵 기능으로 조건을 드래그 앤 드롭만으로 설계할 수 있습니다. 로직맵 사용법 보기 →

표본 설계: 몇 명에게 물어야 할까?

국 한 냄비를 다 마셔보지 않아도 한 숟가락만 맛보면 간을 알 수 있습니다. 설문조사도 같은 원리입니다. 전 국민(모집단)에게 다 물어볼 필요 없이, 대표성 있는 일부(표본)에게만 물어도 전체의 경향을 충분히 정확하게 추정할 수 있습니다. 핵심은 두 가지, "몇 명에게 물어야 하는가"와 "그 결과를 얼마나 믿을 수 있는가(오차 허용 범위)"입니다.

꼭 알아야 할 3가지 개념

아래 세 개념은 톱니바퀴처럼 서로 맞물려 있습니다. 표본이 커질수록 오차는 줄고 신뢰도는 올라가지만, 그만큼 응답자를 모으는 시간과 비용도 늘어납니다. 이 균형점을 찾는 것이 표본 설계의 핵심입니다.

표본크기

실제로 설문에 응답한 사람의 수입니다. 예를 들어 모집단이 서울 시민 전체(약 950만 명)라도, 이 중 잘 뽑은 500명에게만 물어보면 서울 시민 전체의 의견을 상당히 정확하게 추정할 수 있습니다. 표본이 많을수록 결과는 안정적이지만, 1,000명을 넘어가면 정확도가 늘어나는 폭은 점점 작아져 무작정 늘리는 것이 항상 효율적이지는 않습니다.

신뢰수준

같은 방식으로 조사를 100번 반복했을 때, 그중 몇 번이 표본오차 범위 안에 들어맞을지를 나타내는 확률입니다. 리서치 업계는 보통 95%를 기준으로 삼으며, "95% 신뢰수준"이란 100번 조사하면 95번은 실제 값이 오차범위 안에 들어온다는 뜻입니다.

표본오차

표본 조사 결과와 전 국민을 다 조사했을 때(전수조사)의 실제 값 사이에 생길 수 있는 차이의 범위입니다. 예를 들어 "지지율 45%(표본오차 ±3%p, 95% 신뢰수준)"라면, 실제 지지율은 42%~48% 사이일 가능성이 95%라는 뜻입니다.

몇 명이 필요할까요?

아래는 실무에서 흔히 쓰이는 표본 크기 공식을 기준으로 한 참고표입니다. 원하는 오차 범위가 좁을수록(더 정확할수록) 더 많은 표본이 필요합니다.

※ 위 수치는 일반적인 표본 공식 기준 예시이며, 실제로는 조사 목적과 세부 분석 계획(교차분석 등)에 따라 필요한 표본 수가 달라질 수 있습니다.

표를 읽는 법: 예를 들어 고객이 10,000명인 회사가 "±5%p 오차, 95% 신뢰수준"으로 만족도를 조사한다면 약 370명의 응답만 확보해도 충분합니다. 더 정밀하게 ±3%p까지 좁히고 싶다면 964명까지 늘려야 합니다. 또한 "성별 × 연령대"처럼 그룹을 나눠 교차분석까지 하고 싶다면, 각 그룹(셀)마다 최소 30~50명은 있어야 비교가 의미 있으므로 전체 표본 수를 그만큼 더 늘려 계획하세요.

대상자 조건은 어떻게 정할까요?

조사 목적에 맞는 조건(성별, 연령, 지역, 직업 등)을 먼저 정의하세요. 예를 들어 "수도권 거주 2030 직장인의 재테크 인식"이 목적이라면, 전국 전 연령이 아니라 해당 조건에 정확히 맞는 패널을 모집해야 결과의 신뢰도가 높아집니다. 자체 명단이 없다면 나우앤서베이 패널을 통해 원하는 조건의 응답자를 확보할 수 있습니다.

배포 전략: 만든 설문, 어떻게 퍼뜨릴까?

아무리 잘 만든 설문도 사람들이 응답하지 않으면 의미가 없습니다. 목적과 예산에 맞는 배포 채널을 조합해보세요.

배포 후에는 목표 응답 수 대비 진행률을 주기적으로 확인하고, 응답률이 낮으면 리마인드 발송이나 리워드(포인트) 제공을 고려하세요. 설문 광장에서는 무료로 배포하고 리워드 이벤트에 참여할 수도 있습니다. 설문광장 리워드 이벤트 보기 →

응답률을 실제로 끌어올리는 방법

결과 분석, 통계를 몰라도 할 수 있습니다

응답을 다 모았다면 이제 "숫자를 의미 있는 이야기"로 바꿀 차례입니다. 아래 4가지 기본 분석만 알아도 웬만한 보고서는 충분히 작성할 수 있습니다.

기본 분석 4가지

응답 필터 분석

응답자의 특성이나 응답 내용 등 특정 조건(성별, 연령, 지역, 특정 문항의 응답 등)에 맞는 응답자만 선택하여 결과를 분석하는 기능입니다. 전체 결과뿐 아니라 원하는 집단의 응답만 별도로 확인하고 비교·분석할 수 있습니다.

숫자를 인사이트로 바꾸는 3단계

응답자가 어떤 경로로 문항을 선택해 나갔는지 시각적으로 보고 싶다면 설문 분석 흐름도로 최다 응답 경로와 핵심 인사이트를 한눈에 확인할 수 있고, 주관식 응답이 많다면 워드클라우드 분석기로 핵심 키워드를 빠르게 뽑아낼 수 있습니다.

이렇게 활용합니다: 실전 사례

설문조사가 실제로 어떤 결정에 쓰이는지 감이 오지 않는다면, 아래 사례들을 참고해보세요.

실제로 이렇게 발행됩니다

나우앤서베이 설문으로 실제 진행되어 공개된 핫이슈 리포트 몇 가지입니다. 이런 형태로 여러분의 조사 결과도 정리될 수 있습니다.

배포 전 마지막 점검: 자주 하는 실수 체크리스트

아래 9가지만 확인해도 대부분의 실패 원인을 예방할 수 있습니다.

• 설문 목적이 한 문장으로 명확히 정리되었나요?
• 응답 시간이 10분을 넘지 않나요? (문항 수를 줄이거나 매트릭스로 통합해보세요)
• 유도 질문이나 이중 질문이 섞여 있지 않나요?
• 척도 문항의 방향(긍정→부정 순서 등)이 문항 전체에서 일관적인가요?
• 민감한 질문(소득, 개인정보 등)은 뒤쪽에 배치했나요?
• 목표 표본 수와 대상자 조건을 구체적으로 정했나요?
• 모바일 화면에서 문항이 잘리거나 보기가 깨지지 않나요?
• 테스트 응답을 1~2회 직접 제출해 로직 분기가 의도대로 작동하는지 확인했나요?
• 배포 채널(링크/문자/패널/광장)과 목표 응답 마감일을 정했나요?

한 번에 정리하는 리서치 용어사전

문서나 보고서에서 자주 마주치는 용어를 쉬운 말로 풀어드립니다.

모집단

조사를 통해 알고 싶은 대상 전체 집단. 예를 들어 "국내 20~50대 직장인의 재택근무 인식"이 궁금하다면, 그 조건에 맞는 모든 사람이 모집단입니다. 모집단 전체를 빠짐없이 조사하는 것은 "전수조사"라고 부르며, 인구총조사가 대표적입니다.

표본

모집단 중 실제로 설문에 응답한 일부 사람들. 모집단이 100만 명이어도 실제로는 500~1,000명 정도에게만 물어보고 그 결과로 전체 경향을 추정하는 식입니다. 표본이 모집단의 특성(성별·연령·지역 비율 등)을 얼마나 고르게 대표하는지가 조사 신뢰도를 좌우합니다.

표본오차

표본 조사 결과와 모집단 전체를 조사했을 때의 실제 값 사이에 생길 수 있는 오차 범위. 예를 들어 "지지율 45%(표본오차 ±3.1%p)"라면 실제 값은 약 41.9%~48.1% 사이일 가능성이 높다는 뜻입니다. 표본 수가 늘어날수록 이 오차 범위는 좁아집니다.

신뢰수준

같은 방식으로 조사를 여러 번 반복했을 때, 그 결과가 표본오차 범위 안에 들어올 확률. 리서치 업계에서 가장 흔히 쓰는 기준은 95%이며, 보고서에는 보통 "95% 신뢰수준에서 표본오차 ±3%p"처럼 신뢰수준과 표본오차를 함께 표기합니다.

리커트 척도

"매우 그렇다"부터 "전혀 아니다"까지 동의·만족 정도를 단계별 점수로 측정하는 척도. 5점 척도(매우 불만족~매우 만족)가 가장 널리 쓰이고, 더 세밀한 차이를 보고 싶을 땐 7점 척도를 쓰기도 합니다.

NPS

"이 서비스를 주변에 추천할 의향이 있습니까?"를 0~10점으로 물어 고객 충성도를 측정하는 지표(순추천고객지수). 9~10점을 준 추천고객 비율에서 0~6점을 준 비추천고객 비율을 뺀 값으로 계산하며, -100(전원 비추천)부터 +100(전원 추천)까지의 값으로 나타납니다.

패널

설문에 반복적으로 참여하기로 사전 등록한 응답자 그룹. 나우앤서베이 패널은 성별·연령·지역·직업 등 세부 조건을 지정해 원하는 대상자만 골라 조사에 참여시킬 수 있고, 참여 대가로 나우캐시 같은 리워드가 지급됩니다.

로직(분기)

이전 문항의 응답 내용에 따라 다음에 보여줄 문항을 다르게 설정하는 설계 방식. 예를 들어 "현재 재직 중이십니까?"에 "아니오"라고 답하면 이후 직장 관련 문항은 자동으로 건너뛰게 만들어, 응답자마다 자신에게 필요한 질문만 받도록 할 수 있습니다.

위치 기반 설문

응답자의 실제 위치를 인증한 뒤 설문에 참여하게 하는 방식. 특정 주소 반경 안의 사람만 응답하게 하거나(직접 설정 인증), 특정 행정구역(예: 서울시 강남구) 거주자만 응답 대상으로 지정할 수 있어(행정구역 인증), 지역 상권 조사·지방선거 여론조사·행정 서비스 만족도 조사처럼 위치가 결과를 좌우하는 조사의 정확도를 크게 높여줍니다. 국내에서 나우앤서베이가 유일하게 제공하는 서비스입니다. 소개서 보기 →

AI 자기진단 설문

응답자가 설문을 제출하는 즉시 AI가 응답을 분석해 개인 맞춤 진단 보고서를 화면에 보여주는 설문 형식. 직원 역량 진단, 적성·성격 검사, 심리·건강 상태 체크, 소비습관 진단처럼 "내 결과가 궁금해서" 끝까지 성실하게 답하게 만들어 참여 동기와 응답 완료율을 동시에 끌어올리는 효과가 있습니다. 업계 최초로 나우앤서베이가 선보인 서비스입니다. 실제 사례 보기 →

정량조사 / 정성조사

정량조사는 객관식·척도형 문항으로 "몇 %가 그렇게 생각하는지"를 숫자로 파악하는 방식이고, 정성조사는 주관식·심층 인터뷰·화상FGD처럼 "왜 그렇게 생각하는지" 맥락과 이유를 깊이 있게 듣는 방식입니다. 실전에서는 두 방식을 함께 써서 "얼마나, 왜"를 동시에 확보하는 경우가 많습니다.

교차분석

두 개 이상의 문항을 겹쳐서 그룹별 차이를 비교하는 분석 방법. 예를 들어 "성별 × 만족도"를 교차분석하면 "남성 응답자의 평균 만족도는 3.8점, 여성은 4.1점"처럼 그룹 간 차이를 표로 바로 확인할 수 있습니다.

파일럿 테스트

본조사를 시작하기 전 5~10명 정도의 소수 인원에게 먼저 답하게 해보고, 질문이 헷갈리지 않는지·예상 소요시간이 맞는지·로직 분기가 의도대로 작동하는지를 점검하는 사전 테스트입니다. 이 단계에서 발견한 문제를 고치면 본조사의 데이터 품질이 크게 좋아집니다.

크론바흐 알파

여러 문항이 같은 개념을 얼마나 일관되게 측정하는지 보여주는 신뢰도 지표로, 0~1 사이 값을 가집니다. 예를 들어 "직무만족도"를 5개 문항으로 측정했을 때 알파값이 0.85라면 5개 문항이 대체로 같은 방향으로 응답되어 하나의 척도로 묶어 해석할 근거가 있다는 뜻이며, 보통 0.7 이상이면 신뢰할 만하다고 봅니다.

유의확률(p-value)

관찰된 차이나 관계가 우연히 나타났을 확률. 예를 들어 p=.03이라면 "이 정도 차이가 우연히 나타날 확률은 3%에 불과하다"는 뜻이므로, 통상 p값이 0.05 미만이면 "우연이 아니라 통계적으로 유의미한 차이"라고 해석합니다.

사회적 바람직성 편향

응답자가 솔직한 생각 대신 "사회적으로 바람직해 보이는" 답을 고르는 경향. 예를 들어 실제로는 운동을 거의 하지 않으면서도 "주 3회 이상 운동한다"고 답하는 경우가 대표적입니다. 민감한 질문일수록 응답자에게 익명성을 명확히 안내하면 이 편향을 줄일 수 있습니다.

심화: 통계 분석에서 자주 만나는 용어

논문이나 심층 리포트를 준비한다면 아래 용어도 함께 알아두면 결과를 해석하기 훨씬 수월합니다.

t-검정(t-test)

두 집단(예: 남성/여성, 재직/이직 예정)의 평균이 우연이 아닌 진짜 차이인지 확인하는 방법. 예를 들어 "여성 평균 3.9점, 남성 평균 3.6점, p<.05"라면 표본 수준에서 두 집단의 차이가 통계적으로 유의하다고 해석합니다. 다만 유의하다는 것이 곧 "차이가 크다"는 뜻은 아니며, 표본 수가 매우 작으면 결과가 불안정할 수 있습니다.

분산분석(ANOVA)

세 집단 이상(예: 20대/30대/40대)의 평균을 한 번에 비교해, 적어도 한 곳에서 차이가 있는지 확인하는 방법. 여러 집단을 일일이 t-검정으로 비교하면 비교 횟수가 늘면서 "우연히 유의해 보일 위험"이 커지는데, ANOVA는 "전체적으로 차이가 있는가"를 먼저 한 번에 점검합니다. 단, ANOVA가 유의하다고 해서 "어느 집단이 다른지"까지 알려주지는 않기 때문에 사후검정이 뒤따라야 합니다.

사후검정(Scheffé 등)

분산분석에서 "차이가 있다"는 결과가 나왔을 때, 정확히 어느 집단과 어느 집단이 다른지 짚어내는 후속 분석. 결과는 흔히 "A집단 > B집단(유의)"처럼 문자 그룹(a, b, c)이나 쌍 비교 형태로 표시됩니다. Scheffé는 여러 방식의 비교를 허용하는 대신 기준이 엄격(보수적)해, 실제로는 차이가 있어도 유의하게 나오지 않는 경우가 있습니다.

상관계수(r)

두 항목이 함께 오르내리는 정도(방향과 강도)를 -1~1 사이 숫자 하나로 요약한 값. 예를 들어 r=.61, p<.001이면 "강한 양(+)의 관련성"으로 해석합니다. 다만 상관은 "왜 함께 움직이는지(인과관계)"를 말해주지 않으므로, r이 크다고 해서 원인과 결과를 단정해서는 안 됩니다.

회귀분석

여러 요인이 결과에 얼마나, 어떤 방향으로 영향을 주는지 수치로 설명하는 분석. 통제변수를 먼저 넣고(1단계) 핵심 변수를 나중에 추가하는(2단계) "위계적 회귀"를 쓰면, 핵심 변수군이 통제 이후에도 추가로 설명력을 갖는지까지 확인할 수 있습니다.

표준화계수(β)

회귀분석에서 단위가 서로 다른 여러 요인(예: 나이, 근속연수, 만족도 점수) 중 어떤 것이 상대적으로 더 큰 영향을 미치는지 같은 기준으로 비교할 수 있게 만든 값. 예를 들어 β=.28로 나타났다면, 다른 변수를 통제한 상태에서 그 요인이 결과 변수를 설명하는 데 상대적으로 큰 기여를 한다고 해석합니다. 다만 β가 크다고 인과관계가 확정되는 것은 아닙니다.

설명력(R²)

내가 만든 분석 모형이 결과의 전체 변화 중 얼마를 설명하는지 0~100%로 나타낸 값. 예를 들어 R²=36%라면 "업무성과 변동의 36%를 이 모형이 설명한다"는 뜻입니다. 위계적 회귀에서는 2단계에서 설명력이 얼마나 더 늘었는지를 나타내는 ΔR²(설명력 증가분)도 함께 봅니다.

다중공선성(VIF)

회귀분석에 넣은 독립변수들끼리 서로 너무 비슷해서(내용이 겹쳐서) 결과가 불안정해지는 현상. 보통 공차한계(Tolerance)가 0.1 이상이고 VIF가 10 미만이면 "다중공선성 문제가 없다"고 판단하지만, 이 기준값만으로 기계적으로 변수를 제거하기보다는 연구 맥락과 함께 판단하는 것이 안전합니다.

잔차 진단

회귀분석 결과가 믿을 만한지, 오차(잔차)에 이상한 패턴이 없는지 점검하는 절차. Durbin–Watson 값은 0~4 범위이며 2에 가까울수록 "오차끼리 서로 영향을 주지 않는다(자기상관 없음)"고 해석하고, 히스토그램·정규확률도표로는 오차가 고르게 분포하는지(정규성), 잔차-예측값 산점도로는 퍼짐이 일정한지(등분산성)를 확인합니다.

자주 묻는 질문

1:1 상담하기 →    FAQ 전체 보기 →