親愛的用戶,您真的滿意嗎?
從上世紀80年代開始,多樣化的產品和服務開始在世界范圍內發展起來,替代了早期的以大量的普通日常用品為主的經濟和市場環境。在90年代以后電子以及互聯網行業開始高速發展起來,各種高科技產品日新月異,在人們的日常生活中無處不在。對于這些巨大的變化,我們需要更加科學的方法對新經濟環境下行業、公司以及產品和服務的實際效益進行評測,而不只是考慮傳統的大規模生產指標。
所以,在90年代科學家們開始針對在新的經濟環境中的不同行業、不同領域、不同產品和服務進行更科學有效的評估,開始重視消費者或用戶的反饋,因為無論是企業、行業、部門或者是產品,都是有其直接面對的“顧客”的,而顧客滿意度(Customer Satisfaction)成為這些內容的無形資產,可以直接或間接反映出實際效益,所以顧客滿意度指數(CSI, Customer Satisfaction Index)也成為一個新的衡量標準。下面簡單介紹一下CSI模型:
CSI模型:
CSI模型指的并不是某一個具體的實際的滿意度模型,而是一個衡量滿意度的一種方法論,是一系列評估顧客滿意度的模型集合。對于反映顧客滿意度在總體概念上的集合,可以稱為“宏觀模型”(Macro-Model),比如說價值、感知質量、顧客期望、顧客抱怨行為、品牌/產品印象、顧客忠誠度等等,這些概念都可以是衡量顧客總體滿意度的“宏觀”指標,在模型中叫做“潛在變量”(LV, Latent Variable)。下圖是一個簡單的CSI模型舉例,單向箭頭給出了各概念的關系。
(來源:C. O’Loughlin and G. Coenders, 2002)
針對不同的應用,不同的研究給出了各樣的模型結構。比方說在1996年,Woodruff和Gardial提出在產品選擇和滿意度的關系中把價值的概念作為驅動力,且作為簡單的心理反應,形成一種價值鏈。根據這樣一個目的,他們建立了關于顧客價值鏈到顧客滿意度的層級模型。
市場研究的文獻中指出對于不同的宏觀概念,需要更加細節的因子(或元素)去支撐,因為宏觀概念是比較模糊而感性的定義,通常是不能直接計算得出的。所以,每一個宏觀概念是可以分解成不同的因子的,稱為“微觀模型”(Micro-Model),比如說產品的感知質量可以由可靠性、購買后的總體評價、功能需求滿足情況等進行衡量,在模型中也叫做“測量變量”(MV, Manifest Variable)。一個簡單的微觀模型可以表示如下:
(來源:C. O’Loughlin and G. Coenders, 2002)
各國(區域)的顧客滿意度指數模型:
從上世紀90年代開始,研究員開始根據對各國(區域)的實際情況收集數據,進行滿意度模型的研究和建立。其中比較有名的是瑞典顧客滿意度指標(SCSB, Swedish Customer Satisfaction Barometer)、美國顧客滿意度指數(ACSI, American Satisfaction Index)和歐洲顧客滿意度指數(ECSI, European Customer Satisfaction Index)。這里以ACSI作為例子介紹。
ACSI模型建立的前提包括:1. 滿意度是來源于顧客的評價,不能被直接觀測,所以是作為潛在變量用多重指標(測量變量)進行衡量的;2. ACSI不僅考慮實際消費經驗,更注重對未來前景的預測。具體宏觀結構模型如下圖:
(來源:Fornell, et al, 1996)
由于ACSI以及各宏觀潛變量是不能直接測量,需要根據多個可測量的變量進行計算的,以下表格說明了模型中的測量變量。(來源:Fornell, et al, 1996)
模型的建立:
ACSI模型的建立是基于“結構方程建模”(SEM, Structural Equation Modeling)的方法,建立一個關于各個不同的測量變量和潛在變量的結構關系方程,關于SEM方法,可以參考【5】。也就是說,通過各可測量的因素來得到潛在變量,進而計算出總體顧客滿意度。不同的模型是根據不同的實際數據建立起來的。量化的數據是通過調查問卷獲取的。模型的結構和關系的確定也是來源于實際數據,通過一些數學算法擬合和估計得出的(如偏最小二乘法PLS等)。如下圖所示,模型確定之前,我們先是假設所有潛在變量和測量變量都存在著關系,然后通過實際數據來挑選出有效的變量進行建模的。此外,不同的測量變量是對應不同的問卷的,起初我們是并不確定有效的問卷數量以及內容,常用的確定方法是通過相關性分析,找出與潛在變量最為相關的問卷數據,作為測量變量的來源。這種分析方法也稱為驗證性因子分析(CFA, Confirmatory Factor Analysis),通過不斷的驗證模型與數據的相配度來逐步確定模型。詳細內容可參考【5】。
(參考:Ref.【2,3】)
模型的特性和效果分析:
科學的滿意度模型可以帶來好的效果。同樣是拿ACSI模型作為例子。ACSI模型中為了對經濟產出的測量變得更加精確和全面,并能預測經濟利潤,為經濟政策提供有用信息,成為經濟健康程度的指示劑,就必須滿足一些標準:精確性、有效性、可靠性、預測性、覆蓋性、簡易性、診斷性和可比較性。
這些內容在產品滿意度評估中也是可以借鑒的,但需要對具體產品特性和所屬行業進行改良。所以,在建模的整個過程中,必須在潛在變量/測量變量選取、數據收集、數據處理、算法應用、結論分析和解決方案萃取等方面進行全面而細致的思考,并使得模型在長期的橫向(不同產品間、不同行業間)和縱向(不同的時間)積累中得以持續的優化,使得結果更具可比較性。所以,在建模的過程中,我們對每一個環節都需要具體的進行分析調查。
問卷設計:
這里特別提一下問卷設計。問卷是測量變量數據的來源,數據直接決定了模型的有效度,所以在前期定性的時候,問卷的設計就顯得十分的重要。應該在模型建立的大結構下,進行必要調整,根據產品本身的具體情況進行設計,而避免使用過于通用的范例。問卷的長短也是由測量變量的數量決定的。對于模型的測量變量,選取盡量精準而相關的問題就已經足夠了,因為即使是過多的不十分相關的問題,也可能在分析中被去除掉。這就要求在設計問卷的過程中,根據研究員自身的經驗以及實際的情況,來進行篩選。如果問卷中問題冗長,不僅未必能提高分析結果的精確度,也可能造成顧客在回答問題過程中放棄率的增加,以及信度的降低。
另外,在討論滿意度指標的時候,需要提出幾個注意點:
1.? 根據Oliver在1997年定義:“滿意度是消費者(或者用戶)的滿意情況的反映。它是一個產品或服務提供給消費者在消費相關的滿足感上的使人愉悅的級別,包括低于滿足感或高于滿足感……”。在對產品的用戶滿意度指標建模的時候,我們的目標人群應該是用戶,而不是顧客。因為用戶是產品或服務的使用者,而顧客是購買者,顧客未必是產品或服務的直接使用者。所以,在選取目標人群的時候,應該有意識的剔除不合適的“顧客”,這樣才能提高數據的信息與噪聲比,提高數據的可靠性。
2.? 滿意度通常有著上水平閥值(超出用戶心理滿意度的水平)和下水平閥值(低于用戶心理滿意度的水平)。也就是說,當用戶獲得“太多的好東西”的時候,用戶滿意度可能會下降,許多用戶是注重下水平閥值而忽略了上水平閥值的。
3.? 滿意度是一種感覺,雖然在建模的時候,通過各種方法可以盡量的讓這種感覺變得可以量化,可以衡量,且使得衡量的更加精確,但這始終是一種相對短期的態度,并且可能隨著環境和時間改變的,所以產品的滿意度需要不斷的根據評測結果給出的建議進行提高,且其模型也要不斷優化。
Reference:
【1】Fornell, C. (1992), A National Customer Satisfaction Barometer, the Swedish Experience, Journal of Marketing 56, 6-21.
【2】Fornell, C., Johnson, M.D., Anderson, E.W., Cha, J., and Bryant, B.E. (1996), The American Customer Satisfaction Index, Nature, Purpose and Findings, Journal of Marketing 60, 7-18.
【3】O’Loughlin C., (2002), Application of the European Customer Satisfaction Index to Postal Services Structural Equation Models versus Partial Least Square, Universitat de Dirona, Departament d’Economia.
【4】Woodruff, R.B. and Gardial, S.F., (1996), Know Your Customer: New Approaches to Understanding Customer Value and Satisfaction, Cambridge, Massachusetts: Blackwell.
【5】Ullman, J.B., (2006), Structural Equation Modeling: Review the Basics and Moving Forward, Journal of Personality Assessment, 87(1), 35-50.
【6】Oliver, R., (1997), Satisfaction: A Behavioral Perspective on the Customer, Boston, McGraw-Hill.
(本文出自Tencent CDC Blog,轉載時請注明出處)
- 目前還沒評論,等你發揮!