1满意度讲义ppt课件

1、顾客称心度指数顾客称心度指数吴喜之吴喜之2019年年9月月吴喜之吴喜之xwupublic3.bta本科本科:北京大学数学力学系北京大学数学力学系再教育再教育:甘孜藏族自治州得荣县甘孜藏族自治州得荣县6年年统计博士统计博士:美国北卡罗来纳大学美国北卡罗来纳大学 (UNC-Chapel Hill)教书阅历教书阅历:美国加利福尼亚州大学美国加利福尼亚州大学 (Davis) 美国北卡罗来纳大学美国北卡罗来纳大学 (Chapel Hill)美国北卡罗来纳大学美国北卡罗来纳大学 (Charlotte) 南开大学南开大学 北京大学北京大学人民大学人民大学有些我们是可以知道的，即可以经过调查得到有些我们是可以

2、知道的，即可以经过调查得到的；比如的；比如 顾客对某商品的外在质量能否称心顾客对某商品的外在质量能否称心 顾客对售后效力能否称心顾客对售后效力能否称心 顾客对某商品的期望能否满足顾客对某商品的期望能否满足 顾客对某商品能否埋怨顾客对某商品能否埋怨 顾客还会不会再买该品牌顾客还会不会再买该品牌 顾客对于某商品和理想的差距有多大顾客对于某商品和理想的差距有多大 .但有些我们是不容易知道的，比如但有些我们是不容易知道的，比如 顾客对某商品如何和怎样称心顾客对某商品如何和怎样称心 品牌对该商品起正面还是负面作用品牌对该商品起正面还是负面作用 顾客的埋怨和什么有关顾客的埋怨和什么有关 称心与否和忠实与否

3、有什么关系称心与否和忠实与否有什么关系 各种品牌在各方面有什么差距各种品牌在各方面有什么差距 感知和预测价值对称心的影响感知和预测价值对称心的影响 等等等等因此，需求数学模型来描画这些关系因此，需求数学模型来描画这些关系 有些变量是无法观测的有些变量是无法观测的 称为隐变量称为隐变量LV, latent variable 有些是可观测的，为显变量有些是可观测的，为显变量ML, manifest variable 可以发出问卷，得到显变量的观测值可以发出问卷，得到显变量的观测值 可以构造模型，并经过统计方法来得到隐变量的取可以构造模型，并经过统计方法来得到隐变量的取值值 以及各种变量之间的关系以

4、及各种变量之间的关系感知表现顾客预期质量顾客称心度顾客埋怨顾客忠实SCSB感知表现感知表现顾客预期质量顾客预期质量顾客称心度顾客称心度顾客埋怨顾客埋怨顾客忠实顾客忠实五个隐含变量中，顾客预期质量为外生隐变量五个隐含变量中，顾客预期质量为外生隐变量(exogenous latent variable)，其他为内生隐变量，其他为内生隐变量(endogenous latent variable)。感知质量软件预期质量顾客称心度顾客忠实感知价值感知质量硬件笼统ECSI欧洲顾客称心度指数模型欧洲顾客称心度指数模型感知质量软件感知质量软件感知质量硬件感知质量硬件感知价值感知价值预期质量预期质量笼统笼统顾客

5、称心度顾客称心度顾客忠实顾客忠实感知质量感知质量可分为产品和效力两部分可分为产品和效力两部分预期质量预期质量顾客称心度顾客称心度(ACSI)顾客埋怨顾客埋怨顾客忠实度顾客忠实度感知价值感知价值ACSI美国顾客称心度指数模型感知质量感知质量感知价值感知价值预期质量预期质量顾客称心度顾客称心度顾客埋怨顾客埋怨顾客忠实度顾客忠实度感知质量感知质量可分为产品和效力可分为产品和效力两部分两部分预期质量预期质量顾客称心度顾客称心度(ACSI)顾客埋怨顾客埋怨顾客忠实度顾客忠实度感知价值感知价值ACSI满足顾客需求程度满足顾客需求程度整体印象整体印象满足顾客需求程度满足顾客需求程度可靠性可靠性可靠性可靠性整

6、体印象整体印象质量价钱比质量价钱比未确认期望值未确认期望值与理想之间隔与理想之间隔总体称心度总体称心度向经理埋怨向经理埋怨向雇员埋怨向雇员埋怨再购能够性再购能够性价钱接受度价钱接受度价钱质量比价钱质量比美国顾客称心度指数模型感知质量h2预期质量h1顾客称心度h4顾客忠实度h5感知价值h3品牌笼统h6中国耐用消费品称心度指数框图中国耐用消费品称心度指数框图总体感知质量x5自定义感知质量x6可靠性感知质量x7效力感知质量x8可靠性预期质量x3品牌总体印象x17品牌特征显著度x18价钱质量比x9再购能够性x15与理想之间隔x14总体称心度x11与其他品牌间隔x13与期望之间隔x12质量价钱比x10价

7、钱接受度x16总体预期质量x1自定义预期质量x2效力预期x4中国耐用消费品顾客称心度指数模型中国耐用消费品顾客称心度指数模型感知质量顾客称心度顾客忠实感知价值品牌笼统中国非耐用消费品顾客称心度指数框图中国非耐用消费品顾客称心度指数框图总体感知质量感知质量目的1感知质量目的2感知质量目的n品牌总体印象品牌特征显著度价钱质量比再购能够性与理想之间隔总体称心度与其他品牌间隔质量价钱比价钱接受度中国非耐用消费品顾客称心度指数模型中国非耐用消费品顾客称心度指数模型感知质量预期质量顾客称心度顾客忠实感知价值品牌笼统中国效力行业顾客称心度指数框图中国效力行业顾客称心度指数框图总体感知质量呼应性感知质量可靠性

8、感知质量保证性感知质量移情性感知质量有形性感知质量总体预期质量品牌总体印象品牌特征显著度价钱质量比回头能够性与理想之间隔总体称心度与其他品牌间隔与期望之间隔质量价钱比价钱接受度中国效力行业顾客称心度指数模型中国效力行业顾客称心度指数模型中国非耐用消费品顾客称心度模型的数中国非耐用消费品顾客称心度模型的数学模型学模型感知质量h2预期质量h1顾客称心度h4顾客忠实度h5感知价值h3品牌笼统h6中国耐用消费品称心度指数框图中国耐用消费品称心度指数框图总体感知质量x5自定义感知质量x6可靠性感知质量x7效力感知质量x8可靠性期质量x3品牌总体印象x17品牌特征显著度x18价钱质量比x9 (Price

9、given quality)再购能够性x15与理想之间隔x14总体称心度x11与其他品牌间隔x13与期望之间隔x12质量价钱比x10(Quality given price)价钱接受度x16总体预期质量x1自定义预期质量x2效力预期x4中国耐用消费品顾客称心度指数模型中国耐用消费品顾客称心度指数模型这里，包含有这里，包含有b的的B矩阵、矩阵、h及及z是未知的。而是未知的。而B矩矩阵的方式完全被图模型所确定。阵的方式完全被图模型所确定。这里，包含有这里，包含有l的的L矩阵、矩阵、h是未知的，而是未知的，而x是可观是可观测的。而测的。而L矩阵的方式完全被图模型所确定。矩阵的方式完全被图模型所确定。

10、我们的目的是我们的目的是. 找出这些方程的未知系数，即找出这些方程的未知系数，即 包含有包含有b的的B矩阵及包含有矩阵及包含有l的的L矩阵矩阵 这里一共有这里一共有18个个l，代表隐含变量，代表隐含变量h和与其相关的显和与其相关的显变量变量x之间的关系图中隐变量和显变量之间箭头之间的关系图中隐变量和显变量之间箭头所定义所定义 这里还有这里还有11个个b代表隐变量之间的关系图中隐变代表隐变量之间的关系图中隐变量之间箭头所定义量之间箭头所定义我们用我们用PLS估计方法估计方法 第一步：用迭代得到隐变量第一步：用迭代得到隐变量h的表示式的表示式 它们是显变量它们是显变量x的线性组合的线性组合(经过权

11、经过权w) 第二步：用通常的最小二乘法得到第二步：用通常的最小二乘法得到b 也就是隐变量之间的关系也就是隐变量之间的关系 第三步：用通常的最小二乘法得到第三步：用通常的最小二乘法得到l 也就是隐变量和显变量之间的关系也就是隐变量和显变量之间的关系 最后得到各种指数最后得到各种指数这些指数的公式为这些指数的公式为对模型和问卷的数学对模型和问卷的数学 问卷各问题不应该相关问卷各问题不应该相关(实践不一定实践不一定) 模型不能有封锁圈模型不能有封锁圈 各个回答可以用各个回答可以用10分制分制(百分制也可百分制也可 留意系数留意系数l和和b的正负号的解释的正负号的解释 留意：各个品牌商品或同品牌但不同

12、时期的商品只留意：各个品牌商品或同品牌但不同时期的商品只需在同样或类似的问卷调查才可以比较需在同样或类似的问卷调查才可以比较问卷调查的学问问卷调查的学问 问卷的问题个数问卷的问题个数 问卷问题的次序问卷问题的次序 问卷的言语问卷的言语 问卷的题型问卷的题型 问卷人的素质问卷人的素质 问什么人，如何抽样？问什么人，如何抽样？问卷中有什么信息问卷中有什么信息 问卷的数据可以构成一个方阵的数据方式问卷的数据可以构成一个方阵的数据方式除了自在回答以下问题之外的选择题都除了自在回答以下问题之外的选择题都行行 每个观测值为一行，而每个问题变量每个观测值为一行，而每个问题变量为一列为一列 例如例如在许多讲座

13、中，教师运用诸如在许多讲座中，教师运用诸如 “动态分析动态分析 “交叉分析交叉分析 “战略战略 等时髦名词等时髦名词 这些都不是统计这些都不是统计“行话行话 有招徕顾客的广告的意思有招徕顾客的广告的意思问卷的信息如何分析问卷的信息如何分析 对于记分式的称心度问卷，可用对于记分式的称心度问卷，可用 典型相关分析、回归分析、因子分析、主典型相关分析、回归分析、因子分析、主成分分析等多元分析内容成分分析等多元分析内容问卷的信息如何分析问卷的信息如何分析 其他问卷调查有些主要是定性变量，可用列联表分析其他问卷调查有些主要是定性变量，可用列联表分析每每n个变量个变量/问题可以构成一个问题可以构成一个n维

14、列联表维列联表 然后可以利用列联表的各种统计方法来建立所涉及变量然后可以利用列联表的各种统计方法来建立所涉及变量之间关系的模型，如对数线性模型、之间关系的模型，如对数线性模型、Logistic回归模型回归模型等等 也可以检验各个变量之间的相关性，如也可以检验各个变量之间的相关性，如c2检验检验(卡方卡方Pearson或似然比检验或似然比检验) 可以利用多元分析方法，比如对应分析来看各个变量的可以利用多元分析方法，比如对应分析来看各个变量的各程度之间的关系各程度之间的关系除除PLS还有别的方法来计算称心度吗？还有别的方法来计算称心度吗？ 有些人用最大似然法假定正态分布来解构造方有些人用最大似然法

15、假定正态分布来解构造方程模型程模型 利用诸如利用诸如AMOS这样的软件这样的软件 但是无法解我们的称心度模型但是无法解我们的称心度模型 他们的方法必需对模型添加约束他们的方法必需对模型添加约束 在系数的解释上有类似点不一样在系数的解释上有类似点不一样QualityValueNameCCSIExpectationsLoyaltyV8V7V6V5V1V2V3V4V17V18V10V9V11V14V13V12V15V1611111111R6111111111111111111111111利用最大似然法的利用最大似然法的(关于耐用消费品称心度的关于耐用消费品称心度的)图模型要复杂一些图模型要复杂一些可

16、以看出可以看出 这个模型远远比这个模型远远比PLS模型更加复杂，而且模型更加复杂，而且无法给出指数的估计值无法给出指数的估计值 但对于两者均不能用于未经考验的模型但对于两者均不能用于未经考验的模型 只需事先完全知道确定关系的模型才可以只需事先完全知道确定关系的模型才可以计算无论什么方法计算无论什么方法数据分析例子数据分析例子 按照中国耐用消费品的模型对某产品进展按照中国耐用消费品的模型对某产品进展了问卷收回了问卷收回126份份 可观测变量是可观测变量是20个个 问卷每个从问卷每个从1到到10打分打分和预期质量和预期质量h1有关部分的打分有关部分的打分V1:买之前他对该空调质量的总期望买之前他对

17、该空调质量的总期望(总体预期质总体预期质量量) (期望越大分越高期望越大分越高)V2:买之前他对该空调的省电的预期买之前他对该空调的省电的预期(预期质量预期质量1)V3:买之前他对该空调的制冷性能的预期买之前他对该空调的制冷性能的预期(预期质预期质量量2)V4:买之前他对该空调耐用性的预期买之前他对该空调耐用性的预期(可靠性预期可靠性预期质量质量)V5:买之前他对于售后效力的期望买之前他对于售后效力的期望(预期效力质量预期效力质量)和感知质量和感知质量h2有关部分的打分有关部分的打分V6:运用后他对该空调质量的总评价运用后他对该空调质量的总评价(总体感知质总体感知质量量) (评价越高分越高评价

18、越高分越高)V7:运用后他对该空调的省电的评价运用后他对该空调的省电的评价(感知质量感知质量1)V8:运用后他对该空调的制冷性能的评价运用后他对该空调的制冷性能的评价(感知期感知期质量质量2)V9:他对该空调耐用性的评价他对该空调耐用性的评价(可靠性感知质量可靠性感知质量)V10:他对于售后效力的评价他对于售后效力的评价(感知效力质量感知效力质量)和感知价值和感知价值h3有关部分的打分有关部分的打分 V11:对于这个空调价钱贵了吗对于这个空调价钱贵了吗(价钱贵分价钱贵分越高越高) V12:对于这个价钱觉得质量如何对于这个价钱觉得质量如何(质量好质量好分越高分越高)和顾客称心度和顾客称心度h4有

19、关部分的打分有关部分的打分 V13:对于买这个空调总体称心度对于买这个空调总体称心度 (越称心越称心分越高分越高) V14:该空调和他买前预期的差距该空调和他买前预期的差距(差距越差距越大分越高大分越高) V15:该空调和其他品牌间隔该空调和其他品牌间隔 (差距越大分差距越大分越高越高) V16:该空调和他理想的间隔该空调和他理想的间隔 (差距越大分差距越大分越高越高)和顾客忠实度和顾客忠实度h5有关部分的打分有关部分的打分 V17:他假设还买空调，会再买这个牌子他假设还买空调，会再买这个牌子吗吗 (越想买分越高越想买分越高) V18:他可以接受这个价钱吗他可以接受这个价钱吗(越可以接受越可以

20、接受分越高分越高)和品牌笼统和品牌笼统h6有关部分的打分有关部分的打分 V19:对该空调品牌的总体印象对该空调品牌的总体印象 (越印象越越印象越好分越高好分越高) V20:在各种品牌中该品牌很突出吗在各种品牌中该品牌很突出吗 (越突越突出分越高出分越高)这里，包含有这里，包含有b的的B矩阵、矩阵、h及及z是未知的。而是未知的。而B矩矩阵的方式完全被图模型所确定。阵的方式完全被图模型所确定。外部关系外部关系 INNER COEFFICIENTS 0.00000000 0.0000000 0.00000000 0.0000000 0 0.1207411 -0.15494711 0.0000000

21、0.00000000 0.0000000 0 0.1624237 0.07224679 0.1101644 0.00000000 0.0000000 0 0.2352963 0.21051016 0.1828536 0.09222482 0.0000000 0 0.1093813 0.00000000 0.0000000 0.00000000 0.1110749 0 0.0000000 0.00000000 0.0000000 0.00000000 0.0000000 0 1.0000000 OUTER COEFFICIENT= -0.01444489 0.1546771 -0.2698626

22、 0.8956838 0.2573217 0.7034 0.1067854 -0.4807694 0.2805985 0.569299 -0.7865894 0.6994937 0.460694 -0.6675273 0.6168276 -0.2285175 0.9193968 0.4153352 0.6150738 0.8142129 Expectation Index= 51.49044 Quality Index= 49.58987 Value Index= 51.49912 Satisfaction Index= 45.59083 Loyalty Index= 48.25555 Bra

23、nd Index= 51.84263下面的六个数字分别为关于预期质下面的六个数字分别为关于预期质量量(Expectation Index), 感知质量感知质量(Quality Index), 感知价值感知价值(Value Index), 顾客称心度顾客称心度(Satisfaction Index), 顾客忠实度顾客忠实度(Loyalty Index)和品牌笼统和品牌笼统(Brand Index)等六个指等六个指数数.如何解释结果？如何解释结果？ 比如比如X11和和X12系数为系数为-0.7865894，0.6994937 阐明贵了和价阐明贵了和价值不符值不符(-),而性能和价值相符而性能和价值

24、相符(+) 但但X1-X5的符号有正有负的符号有正有负(-0.01444489 0.1546771 -0.2698626 0.8956838 0.2573217) 这应该看成各种系数的相对意义，应该按相对大小了解。否那这应该看成各种系数的相对意义，应该按相对大小了解。否那么不合情理么不合情理 有的，如有的，如X13-X16为为0.460694 -0.6675273 0.6168276 -0.2285175，常理应该后三个是负值，但有一个为，常理应该后三个是负值，但有一个为正。当然，按照相对意义后三个总的是负值，但也能够对问题正。当然，按照相对意义后三个总的是负值，但也能够对问题X15有两种误解

25、正面差距和负面差距。有两种误解正面差距和负面差距。如何解释结果？如何解释结果？ 能否问题明确、样天性否足够、模型能否合能否问题明确、样天性否足够、模型能否合理，都影响结果理，都影响结果 对于胡乱编造的数据或没有阅历的模型，很对于胡乱编造的数据或没有阅历的模型，很能够得到无法解释的结果，甚至根本算不出能够得到无法解释的结果，甚至根本算不出任何结果任何结果 即使是合理的问卷或模型，答卷人的误解，即使是合理的问卷或模型，答卷人的误解，思想逻辑问题，也会呵斥各种问题思想逻辑问题，也会呵斥各种问题其他分析举例：聚类分析其他分析举例：聚类分析其他分析：相关分析其他分析：相关分析C Co or rr re

26、el la at ti io on ns s1.098-.013.028-.110-.020-.145.005.019.095-.085.012.020.022-.056.156.007.019.012.028.276.885.759.219.825.105.958.833.290.343.894.827.803.532.082.940.836.893.757126126126126126126126126126126126126126126126126126126126126.0981.064-.054.117-.071-.026.059-.026.074-.016.026.067-.018

27、-.002-.007.070.003-.024.016.276.480.547.193.427.770.512.770.412.861.770.453.844.980.941.433.978.793.859126126126126126126126126126126126126126126126126126126126126-.013.0641-.068.117.104-.068.205*-.086-.168-.138-.179*-.028.205*-.052-.019.001.078-.079-.025.885.480.452.192.247.449.021.336.060.123.044.

28、758.021.563.830.993.386.378.782126126126126126126126126126126126126126126126126126126126126.028-.054-.0681-.057-.103-.068.106-.033-.044-.059.040-.084-.092.111-.111-.020-.035.162.070.759.547.452.526.251.447.236.716.623.511.656.349.306.217.215.826.701.069.4361261261261261261261261261261261261261261261

29、26126126126126126-.110.117.117-.0571.067-.148.116-.152-.099.098.208*.018.035.216*-.002.085.090-.031-.101.219.193.192.526.453.098.197.090.270.273.020.842.694.015.985.344.317.732.262126126126126126126126126126126126126126126126126126126126126-.020-.071.104-.103.0671-.038-.076-.013.057-.132-.003.110.01

30、0.212*-.113.059.095.033.051.825.427.247.251.453.669.398.885.528.141.976.221.915.017.209.513.291.718.571126126126126126126126126126126126126126126126126126126126126-.145-.026-.068-.068-.148-.0381-.066.162.111.002-.099-.071.010-.049-.069-.075.016-.022.031.105.770.449.447.098.669.464.069.216.986.270.42

31、9.910.589.443.403.855.809.729126126126126126126126126126126126126126126126126126126126126.005.059.205*.106.116-.076-.0661.098-.221*-.014-.177*.084.107.013-.050.047-.053.067-.073.958.512.021.236.197.398.464.276.013.875.047.348.232.885.580.600.552.456.41412612612612612612612612612612612612612612612612

32、6126126126126.019-.026-.086-.033-.152-.013.162.0981-.029-.105.071-.088-.018-.016.046-.014-.040.066.048.833.770.336.716.090.885.069.276.745.241.431.326.842.862.610.874.655.461.595126126126126126126126126126126126126126126126126126126126126.095.074-.168-.044-.099.057.111-.221*-.0291-.026-.041.103-.210

33、*-.081-.110-.055-.096.086.135.290.412.060.623.270.528.216.013.745.774.650.251.018.365.218.542.286.341.130126126126126126126126126126126126126126126126126126126126126-.085-.016-.138-.059.098-.132.002-.014-.105-.0261-.118-.201*.006-.071-.075.070-.039-.167-.275*.343.861.123.511.273.141.986.875.241.774.

34、189.024.948.426.405.435.662.061.002126126126126126126126126126126126126126126126126126126126126.012.026-.179*.040.208*-.003-.099-.177*.071-.041-.1181-.025-.198*.064.006-.199*.152-.003.075.894.770.044.656.020.976.270.047.431.650.189.779.026.477.944.026.089.972.4041261261261261261261261261261261261261

35、26126126126126126126126.020.067-.028-.084.018.110-.071.084-.088.103-.201*-.0251-.045.268*-.037.003-.040-.053.181*.827.453.758.349.842.221.429.348.326.251.024.779.616.002.679.975.654.556.042126126126126126126126126126126126126126126126126126126126126.022-.018.205*-.092.035.010.010.107-.018-.210*.006-

36、.198*-.0451.065.084-.016-.086-.131-.124.803.844.021.306.694.915.910.232.842.018.948.026.616.469.351.855.336.144.168126126126126126126126126126126126126126126126126126126126126-.056-.002-.052.111.216*.212*-.049.013-.016-.081-.071.064.268*.0651.067.121.006.046.054.532.980.563.217.015.017.589.885.862.3

37、65.426.477.002.469.453.178.947.609.547126126126126126126126126126126126126126126126126126126126126.156-.007-.019-.111-.002-.113-.069-.050.046-.110-.075.006-.037.084.0671-.090.040.024.008.082.941.830.215.985.209.443.580.610.218.405.944.679.351.453.315.659.792.93312612612612612612612612612612612612612

38、6126126126126126126126.007.070.001-.020.085.059-.075.047-.014-.055.070-.199*.003-.016.121-.0901.035.069-.044.940.433.993.826.344.513.403.600.874.542.435.026.975.855.178.315.695.442.625126126126126126126126126126126126126126126126126126126126126.019.003.078-.035.090.095.016-.053-.040-.096-.039.152-.0

39、40-.086.006.040.0351-.038-.087.836.978.386.701.317.291.855.552.655.286.662.089.654.336.947.659.695.674.333126126126126126126126126126126126126126126126126126126126126.012-.024-.079.162-.031.033-.022.067.066.086-.167-.003-.053-.131.046.024.069-.0381.052.893.793.378.069.732.718.809.456.461.341.061.972

40、.556.144.609.792.442.674.565126126126126126126126126126126126126126126126126126126126126.028.016-.025.070-.101.051.031-.073.048.135-.275*.075.181*-.124.054.008-.044-.087.0521.757.859.782.436.262.571.729.414.595.130.002.404.042.168.547.933.625.333.56512612612612612612612612612612612612612612612612612

41、6126126126Pearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson Co

42、rrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NPearson CorrelationSig. (2-tailed)NV1V2V3V4V5V6V7V8V9V10