從上世紀80年代開始,多樣化的產品與服務在全球範圍快速發展,取代了早期以大量普通日用品為主的經濟環境。90年代以後,電子與網路行業高速成長,各類高科技產品日新月異,在生活中無處不在。
面對這些變化,我們需要更科學的方法去評測新經濟環境下行業、公司以及產品和服務的實際效益,而不能只看傳統的大規模生產指標。於是從90年代起,研究者開始針對不同行業、不同領域、不同產品做更科學有效的評估,並越來越重視消費者反饋——無論企業、行業、部門還是產品,都有直接面對的「顧客」,而顧客滿意度(Customer Satisfaction)成為一種無形資產,能直接或間接反映實際效益,顧客滿意度指數(CSI)也隨之成為新的衡量標準。
CSI模型指的並不是某一個具體的滿意度模型,而是一類方法論,是一系列評估顧客滿意度的模型集合。反映滿意度總體概念的集合可稱為「宏觀模型」,例如價值、感知品質、顧客期望、抱怨行為、品牌或產品印象、顧客忠誠度等。這些概念在模型中叫做「潛在變量」(LV, Latent Variable)。下圖是一個簡單的宏觀模型示例,箭頭給出了各概念的關係。

(來源:C. O'Loughlin and G. Coenders, 2002)
針對不同應用,各家研究給出了不同結構。例如1996年Woodruff與Gardial提出,在產品選擇與滿意度的關係中,把價值視為驅動力並作為一種簡單的心理反應,形成價值鏈,並據此建立了從顧客價值鏈到滿意度的層級模型。
文獻中指出,宏觀概念比較模糊而感性,通常無法直接計算,需要更細節的因子去支撐。每個宏觀概念都可以分解成不同因子,稱為「微觀模型」,例如感知品質可以由可靠性、購買後總體評價、功能需求滿足情況等衡量,這些在模型中也叫「測量變量」(MV, Manifest Variable)。

(來源:C. O'Loughlin and G. Coenders, 2002)
從90年代起,研究者開始依各國實際情況收集數據、建立模型,其中較著名的有瑞典顧客滿意度指標(SCSB)、美國顧客滿意度指數(ACSI)與歐洲顧客滿意度指數(ECSI)。這裡以ACSI為例。
ACSI的前提有兩點:一、滿意度來源於顧客評價,無法直接觀測,因此作為潛在變量,用多重指標(測量變量)衡量;二、ACSI不只考慮實際消費經驗,更注重對未來前景的預測。

(來源:Fornell, et al, 1996)
由於ACSI及各潛在變量不能直接測量,需要依多個可測量變量計算,下表說明了模型中的測量變量。

(來源:Fornell, et al, 1996)
ACSI的建立基於「結構方程建模」(SEM),也就是建立各測量變量與潛在變量之間的結構關係方程,透過可測量的因素推得潛在變量,進而算出總體滿意度。量化數據來自調查問卷,模型結構與關係同樣來自實際數據,透過偏最小二乘法等算法擬合與估計。
建模之前,我們先假設所有潛在變量與測量變量都存在關係,再用實際數據挑選出有效變量。不同測量變量對應不同題目,起初並不確定有效的題目數量與內容,常用做法是透過相關性分析,找出與潛在變量最相關的題目作為測量變量來源——這種方法稱為驗證性因子分析(CFA),透過不斷驗證模型與數據的配適度來逐步定稿。

(參考:Ref.【2,3】)
科學的滿意度模型能帶來實際效果。以ACSI為例,為了讓經濟產出的測量更精確全面、能預測經濟利潤並為政策提供有用資訊,模型必須滿足一些標準:精確性、有效性、可靠性、預測性、覆蓋性、簡易性、診斷性與可比較性。
這些標準在產品滿意度評估中同樣可以借鑑,但需要依具體產品特性與所屬行業改良。整個建模過程必須在變量選取、數據收集、數據處理、算法應用、結論分析與方案萃取等環節全面細緻地思考,並讓模型在長期的橫向(不同產品、不同行業)與縱向(不同時間)累積中持續優化,結果才更具可比較性。
問卷是測量變量數據的來源,數據直接決定模型的有效度,所以前期定性階段的問卷設計格外重要。題目應在模型的大結構下依產品具體情況調整,避免直接套用過於通用的範本;長短則由測量變量數量決定。對每個測量變量,選幾個精准且相關的題目就已足夠——即使放了過多不夠相關的題目,分析階段也可能被剔除。題目冗長不僅未必提高精確度,還可能推高放棄率、拉低效度。
1. 對象是「用戶」,不是「顧客」。Oliver在1997年將滿意度定義為消費者滿意情況的反映,是產品或服務在消費相關滿足感上令人愉悅的程度。做產品滿意度建模時,目標人群應該是使用者而非購買者——顧客未必是產品或服務的直接使用者。有意識地剔除不合適的「顧客」,能提高資料的資訊噪聲比與可靠性。
2. 滿意度有上下門檻。當用戶獲得「太多的好東西」時,滿意度反而可能下降。許多企業只盯著下門檻,卻忽略了上門檻。
3. 滿意度是一種會變的感覺。建模能讓它盡量可量化、可衡量,但它終究是一種相對短期的態度,會隨環境與時間改變。因此產品滿意度需要根據評測建議持續改善,模型本身也要不斷優化。