怎么用sem模型分析顾客满意度

怎么用sem模型分析顾客满意度,第1张

结构方程模型(Structural equation modeling,

SEM)是一种融合了因素分析和路径分析的多元统计技术。它的强势在于对多变量间交互关系的定量研究。在近三十年内,SEM大量的应用于社会科学及行为科学的领域里,并在近几年开始逐渐应用于市场研究中。图中的Xn是待构建的测量指标,λ值表示各指标对上级指标的影响大小,ζn和δn表示误差,是受模型外因素影响的部分,如价格满意度等其他因素。由上图可以看出,服务方面的感知满意度对总体满意度的影响远高于产品满意度,再结合服务满意度的得分情况,可以得出结论,该通信分公司应着重改善服务满意度。

顾客满意度就是顾客认为产品或服务是否达到或超过他的预期的一种感受。结构方程模型(SEM)就是对顾客满意度的研究采用的模型方法之一。其目的在于探索事物间的因果关系,并将这种关系用因果模型、路径图等形式加以表述。

SEM模型的基本框架图册在模型中包括两类变量:一类为观测变量,是可以通过访谈或其他方式调查得到的,用长方形表示一类为结构变量,是无法直接观察的变量,又称为潜变量,用椭圆形表示。

各变量之间均存在一定的关系,这种关系是可以计算的。计算出来的值就叫参数,参数值的大小,意味着该指标对满意度的影响的大小,都是直接决定顾客购买

与否的重要因素。如果能科学地测算出参数值,就可以找出影响顾客满意度的关键绩效因素,引导企业进行完善或者改进,达到快速提升顾客满意度的目的。

说到问卷调查,满意度调查算是众多问卷调查类型中应用最广泛的。不论是大小企业,或是政府、机构都可以通过满意度问卷调查了解服务对象的满意程度。

比如医院需要了解患者对医护人员服务的满意程度,企业需要了解顾客对自家产品的满意程度及需求,政府需要了解公众的的服务需求等等。

本文将介绍4种常用的顾客满意度模型,以及如何使用SPSSAU进行这些模型的建立和分析。

四分图,又称为四象限图,是一种简单实用的满意度评价模型。通过四分图能够帮助研究者快速找出问题关键,区分出各需求指标的轻重缓急,从而制定出有针对性的执行方案。

优点:理论简单,容易理解。操作起来非常方便,不会涉及很多理论和统计工具。

缺点:只参考顾客满意度,没有考虑其他影响因素;没有对顾客的购买行为的相关研究;可能有顾客重视的绩效指标,而研究使用的绩效指标没有列出。

问卷设计

在问卷设计时,首先要分别设计出满意度与重要性的题目,且两部分的指标和量表等级应完全一致。

然后绘制象限图,将各指标按得分高低归进四个象限内。横轴代表满意度得分,纵轴代表重要程度得分。

SPSSAU操作

① 选择SPSSAU【可视化】--【象限图】。

② X项放入“满意度”,Y项放入“重要度”,标签项放入“指标”。

指标在不同的象限中分别对应不同的解释,针对不同象限我们可以建立针对性的优化措施。

第一象限为优势区。 在第一象限的指标顾客重视度高并且实际满意度也很高,说明是这些指标是优势项可以重点突出或保持。

第二象限为改进区。 第二象限指标顾客较重视,但实现感知满意度不高,说明需要重点加强改善。

第三象限为低优先级区。 第三象限重要性及满意度都不高,即使投入精力提升该因素,满意度也不会有太大提升,这部分指标减少关注作为次重点改进。

第四象限为供给过度区。 第四象限满意度大于重要性,可以适当减少对这些指标的关注,保持现有水平即可。

KANO模型是一种辅助顾客满意度评价的理论模型。KANO模型是根据客户满意度和功能具备程度两方面,对功能进行分类,找出各类需求的排名偏好情况。

问卷设计

设计KANO问卷时,针对每个功能需求,都需要设计正向和反向两个问题。

SPSSAU操作

① 选择SPSSAU【问卷研究】--【KANO模型】。

②将各功能指标的正反项放入对应分析框,同一题的正反两项放置的顺序需完全对应。

如何解读

针对每个指标,KANO模型共分为正向题和负向题两个方向进行收集数据。并且在得到数据后,将指标映射到六个属性上面。

注意:系统默认1分代表不喜欢,5分代表喜欢。如果你的数据不是这样设置的,可通过【数据处理】--【数据编码】进行修改。

 属性分类说明

需求满足优先级上,通常顺序为: 必备属性>期望属性>魅力属性>无差异属性。

从上图中可以看出,本次分析的5个功能中,功能1、功能2和功能4为无差异属性;功能3为 反向属性 ;功能5为魅力属性。

也就是应优先考虑满足功能5,其次是功能1、2、4,功能3为反向属性,该功能完善程度高,用户满意度反而会下降,因此无须提供该功能。

Better-Worse系数图展示各功能/服务的坐标情况,横坐标为Worse绝对值,纵坐标为Better值;

Better 的数值通常为正,正值越大 / 越接近 1,则表示用户满意度提升的效果会越强,满意度上升的越快。

Worse 的数值通常为负,其负值越大 / 越接近 -1,则表示对用户不满意度的影响最大,满意度降低的影响效果越强,下降的越快。

AHP层次分析法是一种辅助顾客满意度评价的研究模型,可以帮助企业找出提高企业顾客满意度的切入点。

优点:简单灵活,可操作性强。适用范围广泛。

缺点:孤立的研究顾客满意度,不考虑误差项等影响;评价体系各层指标不宜过多;如果出现一致性检验未通过的情况,需要重新修正。

问卷设计

在设计问卷时,首先需要确定各级指标,然后分别对各级指标两两进行比较得到判断矩阵,可使用SPSSAU进行一致性检验。

SPSSAU操作

① 选择SPSSAU【综合评价】--【AHP层次分析】。

  ② 将判断矩阵填入到白色单元格内,即可计算权重及一致性检验结果。

 AHP层次分析法

如何解读

通过一致性检验,说明计算所得权重具有一致性。如果未通过一致性检验,则需要检查是否存在逻辑问题等,重新录入判断矩阵进行分析。

在确定了评价指标和各自权重后,将评价指标设计成问卷,由顾客对各指标进行评分。收集后将各指标得分加权求和,即可得到顾客满意度的均值得分。

以ACSI (美国顾客满意度指数模型) 为例,该模型能够反映出消费者对服务质量的评价,综合反映出顾客的满意程度。模型由6个结构变量组成:感知质量、用户期望、感知价值、用户满意、用户忠诚、用户抱怨。

顾客期望 是代表顾客在购买和使用某种产品或服务之前对其质量的估计;

感知质量 代表顾客在使用产品或服务后对其质量的实际感受;

感知价值 代表相对于价格的产品质量的感知水平。

问卷设计

问卷设计时采用较多的是李克特5级量表、7级量表和10级量表。

SPSSAU操作

① 使用SPSSAU【问卷研究】--【结构方程模型】或【问卷研究】--【路径分析】进行分析。

如何解读

路径系数图  

从上表可知:顾客期望对感知价值产生有显著的负向影响关系(路径系数-0.215)。

顾客期望对感知质量产生有显著的正向影响关系(路径系数0.402)。

感知质量对顾客满意度产生有显著的正向影响关系(路径系数0.823)。

顾客满意度对顾客忠诚产生有显著的正向影响关系(路径系数0.612)。

至于其他路径则没有呈现出显著的影响关系。

通过路径分析发现存在网络购物满意度关键影响因素路径: 顾客期望->感知质量->顾客满意度->顾客忠诚。

SEM简单介绍,以下资料来源

因果关系:SEM一般用于建立因果关系模型,但是本身却并不能阐明模型的因果关系。

一般应用于:测量错误、错漏的数据、中介模型(mediation model)、差异分析。

历史:SEM 包括了 回归分析,路径分析(wright, 1921),验证性因子分析(confirmatory factor analysis)(Joreskog, 1969).

SEM也被称为 协方差结构模型(covariance structure modelling),协方差结构分析和因果模型。

因果关系:

究竟哪一个是“真的”? 在被假设的因果变量中其实有一个完整的因果链。

举一个简单的例子: 吃糖果导致蛀牙。这里涉及2个变量,“吃糖果”和“蛀牙”,前者是因,后者是果。 如果上一个因果关系成立,那将会形成一个因果机制,也许会出现这样的结构:

3. 这时还有可能出现更多的潜在变量:

这里我又举另外一个例子,回归模型

在这里,回归模型并不能很好的描述出因果次序,而且也不能轻易的识别因果次序或者未测量的因子。这也是为什么在国外学术界SEM如此流行的原因。

我们在举另外一个例子“路径分析”

路径分析能让我们用于条件模型(conditional relationships),上图中的模型是一种调解型模型或者中介模型,在这里Z 是作为一个中介调节者同时调节X和Y这两个变量的关系。

在这里我们总结一下:

回归分析简单的说就是:X真的影响Y 吗?

路径分析:为什么/如何 X 会影响Y? 是通过其他潜在变量Z 来达到的吗?例子:刷牙(X)减少蛀牙(Y)通过减少细菌的方法(Z)。------测量和测试中介变量(例如上图中的Z变量)可以帮助评估因果假设。

在这里要提一下因素模型(factor model)

在这个模型当中,各个变量有可能由于受到未被观察到的变量所影响,变得相互有内在的联系,一般来说那些变量都很复杂、混乱,而且很多变量是不能直接被观察到的。

举个例子:“保龄球俱乐部的会员卡”和“本地报纸阅读”,是被观察到的变量,而“社会资产”则是未被观察到的变量。另一个例子:“房屋立法”和“异族通婚”是被观察到的变量,而“种族偏见”是未被观察到的变量。

相互关系并不完全由被观察到的变量的因果关系所导致,而是由于那些潜在的变量而导致。

这些被观察到变量(y1--y4)也有可能由一个潜在的变量(F)所影响。


欢迎分享,转载请注明来源:夏雨云

原文地址:https://www.xiayuyun.com/zonghe/105790.html

(0)
打赏 微信扫一扫微信扫一扫 支付宝扫一扫支付宝扫一扫
上一篇 2023-03-10
下一篇2023-03-10

发表评论

登录后才能评论

评论列表(0条)

    保存