论文部分内容阅读
在顾客满意度测评中，尤其是顾客满意度数据的分析过程主要面临如下三方面的挑战: 克服解释变量和被解释变量的多重相关性问题; 克服解释变量对被解释变量具有最大解释能力的问题; 克服样本量较小的问题。 偏最小二乘回归(partial least-squares regression)的工作目标与计算方法从理论上说明，可以应用PLSR进行顾客满意度数据的探测性分析。PLSR是集典型相关分析、主成分分析和多元线性回归分析于一体的现代分析技术与方法。设在顾客满意度测评中有q个因变量Y={y1,y2,…,yq}和p个自变量X={x1,x2,…,xp}，样本量为n。PLSR分别在因变量Y和自变量X中提取成分u1和t1，其中u1是y1，y2，…，yq的线性组合，t1是x1，x2，…，xp的线性组合，这两个成分的提取同时满足如下两个要求: 1.u1和t1尽可能大的携带它们各自数据表中的变异信息; 2.u1和t1的线性相关程度尽可能达到最大。 在第一组成分u1和t1被提取后，PLSR将分别实施X对t1的回归以及Y对t1的回归。如果模型已达到满意的精度要求，则算法终止;否则，将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息按照同样原则进行第二轮的成分提取。如此循环，直到能够达到一个较满意的精度为止。若最终对X共提取了m个成分t1，t2，…，tm，PLSR将通过施行yk对t1，t2，…，tm的回归，然后再表达成yk关于x1，x2，…，xp的回归方程，k=1，2，…，q.该方程就是用于顾客满意度测评和分析的度量模型。 在顾客满意度理论和实践研究方面具有权威地位的ACSI模型，它的建立分为两个大的步骤，首先是通过PLSR方法回归并抽取主要的潜在变量，最后通过LISREL方法构建结构方程并求解。也就是说，PLSR是ACSI模型的数学基础。ACSI模型的建立从实践上说明了PLSR方法在顾客满意度测评中的应用意义。 本文通过对一个实际案例的研究，给出PLSR的SAS软件实现和结果分析过程。该案例数据来源于某市场研究机构关于某品牌客车产品的全国用户满意度调查，样本量为99。本文通过PLSR模型的建立以及各种辅助分析技术的应用，进一步证明了PLSR在顾客满意度测评中的应用意义;同时，本文通过案例分析，总结出PLSR方法在顾客满意度测评中可做如下的探测性研究: 1.建立满意度模型。这里是指顾客满意度的PLSR模型，该模型具有良好的顾客满意度预测能力和测评能力，有利于企业对顾客满意度的量化把握与控制。 2.成分命名。可为建立结构方程模型提取隐变量，据此结合结构方程模型可建立适合本企业或行业的CSI结构模型和顾客满意度测评指标体系。本案例研究中，根据99名用户的满意度数据提取了四个成分:t1—感知内在性能价格比，综合了顾客对价格与产品内在质量的感知与要求。t2—感知服务，体现顾客对服务质量的感知与要求。t3—感知外在质量，与内在质量相对应，主要是对客车外形、内部装饰等这些外在质量的感知与要求。t4—感知竞争力。体现顾客对产品的发展前景、未来走势等的感知与要求，体现出顾客对产品未来的信心。 3.顾客满意度重要影响因素分析。根据VIP值的大小，确定各个自变量对满意度(Y)的作用重要性。 4.问卷优化。结合模型分析结果，通过顾客满意度影响因素的分析，可发现问卷问题设置是否合理，为以后提高调查数据的质量提供依据。 另外，在案例分析中，本文应用PCR方法与PLSR方法进行比较分析，指出PCR方法在应用中要受到更多的限制。 当然，与其他任何方法一样，PLSR在应用中也存在其局限性和不足之处，例如PLSR假定模型中的变量关系都是线性的，使得PLSR不能反映和解决顾客满意度测评中的非线性关系。