或服务的满意度（过去期待的评价）；能够期待他们未来继续购买的可能性（新的期待）。满意度是消费者消费事前期待与实际评价关系，它超越了“品质”的概念，突出的是无形的服务，追求的是新的向心（顾客之心）力和顾客产生顾客的效果。（详情可参考《调查圈》）
顾客满意度测量 就是要测知顾客对一个供应商表现的判断。测量的对象是顾客，是顾客的内心感觉，而不是传统的企业本身的内部信息。一个公司，质检部门的次品报告为零，企业内部表现不能反映现实顾客满意度；企业窗口组织向顾客征询意见，顾客反映良好，可有相当顾客并不愿意接受服务 ，原因何在 ？ ---- 由内部组织的顾客调查使采集信息背离中立原则，顾客不会把不好听的话实话实说，也不是我们要测量的满意度。我们的工作必须具备以下原则 ：1、代表 性；2、中立性；3、真实性；4、科学性。 （详情可参考《调查圈》）
一、研究概念：
表现差距 ----顾客感受到的五大方面期望与实际经历之间的差距：促销差距、理解差距、程序差距、行为差距和感受差距。
顾客保留 ----赢得一个新顾客所需费用，要比保留一个老顾客的费用搞出许多。
顾客忠诚 ----顾客忠诚的少许增加，企业将获得巨大收益。
终生顾客价值 ----顾客在本公司的平均消费*公司保留该顾客的时间。
0年 第一年 第二年 第三年 第四年 第五年
客户数 2000 2010 2029 2057 2092 2135
顾客平均消费 5000 5025 5050 5075 5100 5126
营业额 10，000，000 10，100，250 10，246，450 10，439，275 10，669，200 10，
944，010
顾客保留策略 ----“如何在顾客最关心的方面竭尽全力！”
二、测量目标：
顾客满意 ---- 是一个组织测定其全部产品相对于一系列顾客期望表现如
何的量尺。
----顾客的优先要求；
----顾客的容忍限度；
----公司表现；
----针对顾客的优先要求所做出的举措；
----针对竞争者所做的举措；
----改善措施的先后顺序（PFIs模型）。
三、顾客行为理解：
1 、个人购买行为：决策人数少，情感。
决策过程：感受需要 ---- 信息搜集 ---- 评估 ---- 决定 ---- 结果。
信息搜集：内部搜集 ---- 记忆（主观评价中不好的记忆） ---- 外部搜集 ---- 亲友、公共信息、广告信息。
评估：信念（核心价值观、次级群体） ---- 态度（生活方式、年龄、性格）---- 意向（目标、偏好）。（详情可参考《调查圈》）
复杂性：高牵涉度购买行为，低牵涉度购买行为。
2 、组织购买行为： 决策人数多，正式、理智。
决策过程：需求认知 ---- 决定产品规格 ---- 信息搜集 ---- 商家评估 ---- 购货商谈 ----表现评价。
决策机构（ The DMU ）：提议者、使用者、影响者、购买者、决策者、调解者。
复杂性：新任务，直接重新购买。
四、顾客忠诚度：
· 怀疑者 ---- 市场上所有消费者，包括没有注意到产品的顾客和没有购买意图者。
· 潜在顾客 ---- 有可能成为顾客的购买者，感受到产品，但没有行动者。
· 一次性顾客 ---- 主要指一次交易的顾客，对公司没有忠诚可言。
· 长期顾客 ---- 反复交易的顾客，对公司有忠诚感,但只是被动的购买,没有其他主动行为。
（公司利润从这里开始产生）
· 支持者 ---- 积极支持和向其他人推荐本公司及产品的顾客。
· 合作者 ---- 结成互惠互利的关系，持久维持。
五、主要研究分析方法：（详情可参考《调查圈》）
1、常用调查方法：入户访谈法，拦截调查,电话测评,小组座谈会,神秘顾客法（见后）等。
2、常用设计量表：利克特量表，语意差别量表，数字量表，序列量表，斯马图量表。
3、PFIs模型（改善措施的先后顺序）（略）
4、满意度指数（CSI）法 （详情可参考《调查圈》）
结构化方程模型（SEM, Structural Equation Modeling）
分析方法：结构化方程模型是一种由多种统计模型综合起来的因果分析型模型，因素分析法、路径分析法以及回归分析法都是它的一个特例。采用PLS算法 ,借助PLS软件进行循环运算以求得最优估计值。依据PLS所得到的SEM数据分析该产品（或行业或品牌）在市场中所存在的优势、不足，分析产品战略的效果和找出应该采取的措施（例如，价格、质量、包装、广告等等）。
? 神秘顾客法
近年来，神秘顾客法监测、评估一线服务顾客满意度及终端市场管理，正被广泛使用于各品牌及窗口服务机构，成为商家的竞争和制胜绝招。艾力森曾多次为通讯、家电、IT产品、药品及各服务机构等提供这种服务。掌握经销商、经销点的市场行为，销售价格，产品渠道管理（否有窜货）等。监测对象：分支机构、基层服务者、代理售店（铺）。
神秘顾客研究（Mystery Customer Research）是顾客满意度调查的重要方法之一。其做法是：由对被调查行业有较深了解的调查者，以普通顾客的身份亲历被调查企业的服务及产品,在真实的消费环境中以专业的视角感知企业与顾客接触的每一个真实时刻（Moment of Truth）,并
将其消费经历、感受、评价等以《顾客经历报告》的形式反馈给被委托人。 由于被检查或需要被评定的对象无法确认“神秘”顾客，较之领导定期或不定期的检查，能够更真实、客观并系统地反映出目标对象的真实状况。所以，这种方法越来越吸引客户,是被证明切实有效的市场研究方法。 艾力森使用的“神秘顾客”由经严格培训的访问员扮演成顾客和直接在市场招募准顾客再加以培训构成。依据不同的项目，将分别使用不同的人。 （详情可参考《调查圈》）
神秘顾客调研的调查者不仅是服务质量的测量者，而且是以真实顾客的身份去亲历服务,这使得调查者体验到的服务更接近其真实的质量水平。同时，调查者以其自身的个性需求、经历、兴趣偏好、主观感受等在真实的服务场景中与服务的提供者产生双向互动,从而使观察到的结果更接近于质量的本质 —即质量更多地是体现为一种满足顾客需要的能力, 而非既定的程序、标准。
神秘顾客人选 ：
“神秘顾客”不同于一般性调查的访问员，具有较高的综合素质和理解能力、良好的心理状态、端正的工作态度、敏锐的观察、分辨能力是调查质量的有力保证。“神秘顾客”要始终坚持公平、公正、中立、保密的工作原则。具备议价能力,有相当的记忆能力。“神秘顾客”分为两种，一种为“即时神秘顾客”（随机抽取那 些正在消费、服务的顾客,对其进行即时调查监测），一种为“长期神秘顾客”（经相关培训的专门人员,对服务专业型较强的公司、单位进行长期监测）。 （详情可参考《调查圈》）
培训：
具有了行为学、心理学基础知识的“神秘顾客”在调查过程中, 表现更自然、不易暴露,另一方面更容易了解服务人员的心理，易于发现服务管理中存在的问题。（详情可参考《调查圈》）
调查技巧 ：
“神秘顾客”要始终坚持公平、公正、中立的工作态度，并具有良好的心态和心理素质，要始终保持一种普通顾客的心态。由于服务质量是由有形实物质量、有形的服务设备和服务设施的质量、有形的服务环境的质量和无形的服务劳动的质量构成的统一体，每一部分都是服务质量不可分割的组成部分。因此“神秘顾客”进行调 查时就要遵循“眼看耳听、用心感受”八字方针，使硬件服务和软件服务均得到综合考察。“眼看”就是根据考核的服务质量指标，细心观察服务设施是否齐全、营 业人员的服务形象等内容；“耳听”就是倾听营业人员服务过程中服务用语、业务介绍；“用心感受”：感受营业环境和设施，营业人员的服务态度、意识。
行走线路：
右手原则行走并观察。
（详情可参考《调查圈》）
BN学习的目的就是要找到一个最能真实反映当前研究问题中现有的各研究对象之间相互依赖关系的BN模型，BN学习可以分为以下两个阶段:①结构学习(Structure Learn-ing)，即网络拓扑结构的学习。②参数学习(Parameter Learning)，即网络中每个节点变量的局部先验条件概率分布的学习。
比较简单的BN学习方法是先依据专家知识确定BN的拓扑结构，然后通过给定的样本数据学习BN的概率分布(参数)。比较复杂的BN学习方法是BN的拓扑结构和概率分布都是通过给定样本数据学习得出，这也是现在的研究热点。结构学习和参数学习是相互联系的，一方面BN的结构是由联合概率分布函数来直接决定另一方面，节点的条件概率依赖于BN的拓扑结构。
2.2.1 贝叶斯网络结构学习
BN结构学习就是利用训练样本数据，寻找对数据和先验知识拟合的最好的网络拓扑结构。学习分为完备数据结构学习和不完备数据结构学习两种情况。目前，具有完备数据的 BN 结构学习方法比较成熟，而从不完备数据中学习 BN 结构比较困难，现有算法仍存在缺陷。
2. 2. 1. 1 具有完备数据的贝叶斯网络结构学习
当训练样本完备时，常用的 BN 结构学习算法可以分为两种: 基于搜索记分的方法和基于统计测试的方法。
( 1) 基于搜索评分的结构学习算法。基于搜索评分的结构学习算法将结构学习视为搜索最佳网络问题。其核心思想是: 首先添加任一条边，然后使用搜索方法添加新的边，最后利用评分函数评分，测试新旧网络分值的大小。学习的目的就是找到评分最大的结构。这是个连续进行的过程，直到老模型的分数不再比新模型的分数低为止。评分方法有很多，如基于熵的评分、最小描述长度( LMS) 的评分以及贝叶斯评分。这类算法有一个共同点: 为每个候选的 BN 定义一种评价网络结构与样本集吻合程度的测度，然后，通过遗传和进化算法、模拟退火法或者爬山算法搜索具有最佳测度的拓扑网络结构。
( 2) 基于统计测试的结构学习算法。该学习算法的核心思想是: 首先进行训练样本统计测试，尤其是测试条件独立性然后，利用节点集间的条件独立性构造 DAG( 有向无环图) ，以尽可能地囊括这些条件独立性，它将独立的概念从构造结构中分离出来。
具有代表性的统计测试的结构学习算法有: ①Spirtes 等( 1993) 提出 SGS 算法，是一个典型的用条件独立性测试确定拓扑结构的算法，该算法从无向完全图出发，如果相邻结点间存在无向分隔割集，则删除它们的边，然后通过统计测试来确定剩余边的方向。②Acid 等( 1999) 提出了有向图构造算法 EP，证明有向图模型无论是否为单连接结构都对分类问题的影响效果不大。③Cheng Jie 等( 2002) 年将统计测试与信息论结合，通过相互信息量的计算来确定节点间的条件独立性，用相互信息量代替条件独立测试，从而构造多连接有向图模型。
2. 2. 1. 2 缺失数据情况下的贝叶斯网络结构学习
在数据不完整的情况下，BN 结构学习会比较困难，现有的研究算法主要是基于打分的结构学习。数据不完备会导致出现以下两方面问题: ①一些充分统计因子不存在，导致无法直接进行结构打分②打分函数不再具有可分解形式，因此不能进行局部搜索。围绕这两方面问题相继出现了一些解决的方法，如 Friedman( 1997) 借鉴参数学习的选择 － 期望最大算法，提出模型的 EM 结构学习方法Sebastian 等( 1997) 将 BC 算法应用于结构学习Fried-man( 1998) 引入一种使用贝叶斯打分方法学习概率模型的新方法，贝叶斯结构期望最大算法，简称为 Bayesian － SEM 算法。
2. 2. 2 贝叶斯网络参数学习
BN 参数学习的目标是: 给定训练样本和网络拓扑结构，利用先验知识，确定 BN 模型各个节点处的条件概率。参数学习同样可以分为完备数据和不完备数据两种情况。数据完备时的参数学习算法包括由 Fayyad( 1990) 提出的贝叶斯估计方法和 Spiegelhalter( 1996) 提出的最大似然估计 ( MLE) 方法从不完备的数据中学习概率参数的算法主要有 Gibbs 样本法( Heckerman，1995) 和期望-最大 ( EM) 算法( Spiegelhalter，1990Mallet，1991Lauritzen，1991等) 。
2. 2. 3 贝叶斯网络推理
概率推理是 BN 应用的主要目的之一。BN 推理是根据某些已知给定值的节点，估计未知节点的值。即在给定一个 BN 模型的情况下，依据已知条件，利用贝叶斯概率中条件概率的计算方法，计算出所感兴趣的目标节点发生的概率。在 BN 推理中主要包括以下 3 种推理方式:
( 1) 因果推理: 也称自上向下的推理，目的是由原因推出结论。已知证据 ( 原因) ，根据BN 的推理计算，求出在该证据 ( 原因) 发生的情况下结果发生的概率。
( 2) 诊断推理: 也称自下向上的推理，目的是由结论推出原因。是在已知结果情况下，根据 BN 推理计算，得到导致该结果发生的原因即其发生的概率。该推理常用在故障诊断、病理诊断中，目的是找到故障发生、疾病发生的原因。
( 3) 支持推理: 目的是对原因之间的相互影响进行分析，提供用以支持所发生现象的解释。
BN 推理算法大体可以分为精确推理算法和近似推理算法两大类。理论上，所有类型的 BN 都可以用精确推理算法进行概率推理，但实际上 BN 精确推理是一个 NP-hard 问题( Cooper，1990) ，尤其当模型结构较复杂、包含大量的变量时，精确推理就变得尤为困难。而近似推理相比精确推理来说，是解决复杂网络模型的一个较好办法，它可以大大简化计算和推理过程。因此，现阶段 BN 研究中许多情况下都采用近似算法。
欢迎分享，转载请注明来源：夏雨云
微信扫一扫
支付宝扫一扫
评论列表（0条）