论文部分内容阅读
关于满意度的研究常常发现，具有同样满意度的客户可能会有不同的忠诚意愿。原因是不同的客户可能有不同的满意度阈。只有当客户的满意度分数超过其推荐阈和重购阈时，客户才会产生推荐和重购的意愿或行为。满意度调查只能测量客户的满意程度，但是不了解具体什么程度的满意度可以导致客户忠诚。而以往研究发现，高满意度不一定能导致客户忠诚，因此单纯测得客户满意度是不够的。满意度阈能够反映客户的内在忠诚性，如果能够测量出每位客户的推荐阈和重购阈，企业就可以根据不同客户的特点设计具有针对性的客户忠诚计划。但是满意度阈指标是一个隐性的指标，难以被直接观测，因而需要通过可靠和先进的数据分析技术来进行估算。本研究采用分层Bayes方法联合估算客户个体层次的推荐阈和重购阈。
本文首先用联合异质性模型对客户的推荐阈和重购阈联合建模，然后用MCMC(Markov chain Monte Carlo)模拟方法对模型参数进行估计。本研究使用Gibbs抽样算法和Metropolis-Hastings算法相结合的算法来实现MCMC模拟抽样。本研究首先用模拟数据对模型进行了检验，结果显示本研究提出的方法可以较好地拟合数据和估计模型参数。
本文对模型进行了两个实证应用：一个是针对单一品牌的汽车满意度数据，另一个是针对多品牌的汽车满意度数据。本文对联合异质性模型、双变量分层模型、单变量分层模型和binary probit模型进行了模型比较，结果显示在两个实证研究中本研究模型在内部效度和外部效度上都优于其它备选模型。本研究估计出客户个体层次的推荐阈和重购阈取值及分布情况。研究发现，推荐阈和重购阈呈现不同的分布。客户的推荐阈低于重购阈，表明推荐意愿比重购意愿更容易产生。研究还发现，很大一部分客户的推荐或重购意愿与他们的满意度水平没有关系，他们的推荐或重购意愿并不随着满意水平的提高而提升。
本文分析了产品消费经历和人口统计因素等客户特征变量对推荐阈和重购阈的影响。研究结果表明，这些因素对推荐阈和重购阈有不同的影响。影响推荐阈的因素包括：车的主要用途(公用/私用)、性别、所在地区和职业。而影响重购阈的因素则包括：前车档次、性别、年龄、所在地区和职业。
本研究还分别根据推荐阈和重购阈对客户进行了细分，并考察了不同细分客户的满意度和忠诚意愿之间的关系。本研究结果发现，致力于将“比较满意”提升至“非常满意”的“非常满意”策略实际上对提高客户推荐意愿作用不大。按推荐阈细分客户后发现，“非常满意”策略对低推荐阈和高推荐阈客户没有作用，对中推荐阈的作用也很小。因此，在提高客户推荐意愿上，与其关注所有“比较满意”的客户，致力于将他们的满意水平提升至“非常满意”，不如关注那些“不太满意”的推荐阈客户，努力将他们的满意水平提升至“一般”满意或以上。本研究还发现，如果不做客户细分，企业将低估“非常满意”策略对部分中等重购阈客户的重购意愿的提升作用。而对于大量高重购阈的客户，满意水平的提升无助于提高其重购意愿。本研究的两个实证研究都支持了上述结论。
总之，企业应当针对不同的客户细分，制定更有效率的客户忠诚计划。本研究启示，企业首先应当识别出高满意度阈和低满意度阈的客户。其次，对于中等满意度阈的客户，应当将提高客户推荐意愿的重点放在将“不太满意”的客户提升为“一般”满意方面，而将提高客户重购意愿的重点放在将“比较满意”客户提升为“非常满意”方面。