顾客满意度模型的研究方法

三、顾客满意度模型的研究方法

顾客满意度模型的研究和构建采用了结构方程式模型的方法进行。结构方程式模型是一种建立、估计和检验因果关系模型的多元统计分析技术。其基本方法是根据有关理论基础，先设计出要研究的一些理论模型，再检验和证实这些模型具有统计意义，从某种意义上讲，结构方程式模型是一种证实性技术而不是一种探索性技术。^[4]

表5－3　顾客满意度调查展开

采用结构方程式的方法研究顾客满意度模型，主要也是基于以下两点考虑:

首先，在理论研究基础上进行了顾客满意度模型的建构。而该模型的主体则是度量潜在变量之间的因果结构关系模型。顾客满意度的关系模型可以描述为顾客在使用产品和消费服务的过程中形成一种感受和认知，在综合考虑价格的前提下，如果产品和服务的感知质量超过预期质量，顾客就感到满意;反之，顾客就感到不满意;顾客满意又与顾客忠诚和顾客抱怨有关，顾客忠诚和顾客抱怨是顾客满意指数的结果变量。

其次，消费者模型中的满意度、忠诚度等因素均为无法直接测量的潜在变量。而且在用可度量的观测变量表示时，大部分的调查数据存在着测量误差。

顾客满意度理论认为，满意度是消费者对产品/服务累积经历(体验)的总体评价，本身属于潜在变量，不能直接测量出来，但可以通过以下三个方面显在变量的测评来反映:

(1)总体满意度，测量消费者总体消费经历(体验)。

(2)确认/非确认的期望，即期望满足的程度，满意度CS=实际表现—期望值。

(3)是否是消费者心目中的理想产品/服务，基于满意度的理想点理论。

仅仅用“总体满意度”一个指标的测量无法得到准确的满意度数值，如果用真实的满意度数值作为真值，而“总体满意度”测出的数值作为测量值，那么它们之间存在这样的关系，即真值=测量值+测量误差，见图5－2。

图5－2　测量值与真值示意图

因此，从多个方面进行满意度的测量，有助于减小测量误差。同“满意度”一样，“忠诚度”等因素也是不能直接测量的潜在变量。这些特点都决定了我们适合选用结构方程式(SEM)的方法来进行顾客满意度模型的研究。

在结构方程式模型中，能够度量的量叫观测变量或指示变量，而不能直接测量但可以用观测变量线性表示的变量，称之为潜在变量。结构方程式模型就是在我们能够测量的观测变量的基础上，得出我们不能够度量的潜在变量之间的关系。^[5]

消费者满意度模型中，顾客的预期质量、感知质量、感知价值、顾客满意程度、顾客的忠诚度(顾客保持率)和顾客抱怨(投诉)等六个变量是不能直接被测量的潜在变量，它们也是构成模型的结构变量，彼此之间存在着一定的因果结构关系。

这些潜在变量都能通过观测变量而得以反映。比如，顾客满意度理论认为，满意度可以通过总体满意度、期望满足的程度和接近理想产品的程度三个方面的显在变量的测评来反映。

在SEM中，所假设的潜在变量之间的关系模型，称之为结构模型;而那些在统计显著的观测变量之间的线性关系模型，则称之为度量模型，见图5－3。

结构方程式模型假定在一组潜在变量中存在因果关系，同时，这些潜在变量可以分别用一组可观测的变量表示。因此，假设的模型中通常包括了某个基本的线性回归模型和很多的观测变量，这个基本的线性回归模型是表示一组潜在变量关系的结构关系模型，也就是结构模型部分。而每一个潜在变量都分别是那些观测变量中某几个的线性组合，也就构成了度量模型部分。例如，在顾客满意度模型的结构模型中，满意度变量可以通过质量认知变量、顾客期待变量和价值认知变量的矩阵方程式表示。如果用ξ₁代表“质量认知”变量，ξ₂代表“顾客期待”变量，ξ₃代表“价值认知”变量，η代表“满意度”，ζ代表残差项构成的向量，则满意度与其他三个潜在变量的关系可表示为:

η=βξ+ζ

同样，度量模型中，潜在变量和可测变量的关系也可通过结构方程式得以表现。

用路径图的形式可以直接和明了地将变量之间的关系以图形的方式表现出来。AMOS3.6软件可以直接利用路径图方法对模型的设定进行估计和分析，并将分析结果直接标示在图5－3中。其中潜在变量用圆形表示，观测变量用方形表示;因果关系的潜在变量用指向结果变量的单箭头连接。如果一个潜在变量可以由若干观测变量表示，则用单箭头联系潜在变量和每一个观测变量，箭头指向观测变量。用AMOS3.6软件直观表示美国消费者满意度模型诸变量的路径图如图5－3:

图5－3　消费者满意度模型路径图

模型中，X1、X2、X3，Y1…Y11是显在变量;X变量即显在外生变量，Y变量为显在内生变量。相应的，“顾客期待”是潜在外生变量，其影响因素处于模型之外;而“质量认知”、“价值认知”、“满意度”、“忠诚度”、“抱怨”则属于潜在内生变量，受到模型内变量作用的影响。

t1、t2、t3和e1…e11、ee1…ee5是与观测变量和潜在变量相联系的残差项，也是模型的重要组成部分。

在按照理论设定基础模型之后，根据模型构造出因果关系路径图，接下来的工作就是将路径图转换为度量模型和结构模型方程式。

设定好度量模型和结构模型，确定输入AMOS的矩阵的类型后，就可以采用AMOS软件进行模型估计拟合。

在模型估计的过程中，经常遇到计算机程序出现“溢出”或者产生不合逻辑的结果，也就是模型识别问题。而解决模型识别问题，应该从模型设定的初期就减少自由参数，尽量拟合简约模型。

一旦AMOS进行模型估计获得了结果，就需要对整个模型和结构模型、度量模型进行拟合指标评价。对于模型的总体拟合，最常用的评价指标是拟合优度的卡方检验;度量模型的评价主要是评估观测变量对潜在变量测量的可靠性和有效性程度;结构模型的评价主要是对模型估计得到的路径系数进行显著性检验。最后，可以利用模型修正指数改进模型的拟合程度。但模型的设定和修正必须以理论假设作为基础，不能仅以统计意义上的最优拟合为标准。^[6]

在技术上，通过验证观测变量之间的协方差，可以估计出这个基本线性回归模型的系数值，从而在统计上检验所假设的模型对所研究过程是否合适。如果证实所假设的模型合适，就可以得出结论:我们所假设的潜在变量之间的关系是合理的。例如，在顾客满意度模型的研究中，我们也同时得出计算某类产品满意度指数的基本线性回归模型:

CSI=0.02(期望)+0.65(质量)+0.28(价值)

美国顾客满意度模型的构建就采用了结构方程式的方法。在理论研究的基础上，利用结构方程式方法，建立起顾客满意模型。