1、回归在客户满意度分析中的合理使用,零点公司技术部制作,理论界对于多元回归分析的否定与质疑,否定回归的观点： 1992年威廉姆麦可兰博士对多元回归分析在客户满意度模型的应用提出了批评，他认为，使用回归研究满意度的决定因素“充满了数学和哲学危险”，而极力推崇的是因素自赋重要性推导方法 。,肯定回归的观点： 只要合理地应用，回归分析是进行客户满意度研究(CSM)的绝佳工具。,麦可兰博士假设数据中的不合理性,因素B没有变化，但在一个真正的CSM数据系统中发现这样一个因素的可能性很小。与整个满意度测量的相关性相比，因素C与另一个因素A更相关。,原始假设数据因素取值的同一性,因素之间的强效相关性,相关性测
2、试,麦可兰博士否定回归的理由,否定回归的理由： 麦可兰博士揭示了被称为“压抑网”的现象，一个特殊种类的压抑效果。当一个自变量与另一个自变量相关程度较高，但是与模型中的预测因变量相关程度较低时，“压抑网”现象发生。这一现象将产生一个有错误标志的回归系数，压抑效果很可能发生在回归分析中。,否定理由中的不恰当性,对否定理由的驳斥： 统计输出结果仅仅是对输入的原始数据的另一种形式的再现。麦可兰博士描述的这些问题可能只是发生在，如果一个CSM研究者要使用在此之后的统计“筛选”去发现正确的回归模型（如：逐步回归），特别是如果建模涉及到大量像上述自变量这样的多余因素时。但是，如果一个回归模型已经被正确地说明
3、，一套相对独立的决定因素，每一个预测变量都应当与它所决定的而不是其他预测变量有更多联系。如果有这种完善的研究实践，压抑效果可以避免。,麦可兰博士自赋因素重要性的误区,误区：具有高重要性的不重要因素麦可兰博士应用假设数据讨论一个有高重要性的因素，应当注意到，他武断地对例子中的因素赋予重要性。它们与假设数据是没有实质性联系的。,自赋因素重要性的误区实例,看看“飞行安全“这个经典实例。当被问及时，大多数消费者可能赋予”安全”很高的分值。但是，它可能不是选择航线的重要指标。它更可能是最低的要求，某种被希望的、重要的，但是对于预言的选择并不是很重要。难道我们要把资源从安全中抽离吗？不，它最好保持现在的表
4、现水平，要知道，资源少，表现水平就会降低。（对于不同的航空公司而言，“安全问题”是最基本的，如果连“安全”都保证不了，总体的竞争实力肯定会降低）,自赋因素重要性与回归推演重要性的矛盾,四种自赋重要性与推演重要性的组合,表中“2”和“3”这两个数据单元显示出两个方法之间的一致，“1”和“4”两个数据单元显示方法之间缺乏同一。“飞行安全”实例即属于单元格4的情况，“高自赋重要性低推演重要性”。而单元格1则为自赋的重要性低而回归的推演影响高 。,低自赋重要性与高推演重要性,例如，看一个例子，对年轻的城市职业者购买宝马产品后的满意度进行评分。假设，影响他们满意度的因素之一是他们在驾驶汽车过程中所带来的
5、心理感受。在一个自赋重要性的任务中，可能许多人不会承认这一因素对于他们的购买决定和接下来的满意度有很大贡献。但是，在一个正确说明的回归分析中，很可能这样一个因素会有一个大而显著的回归系数。（这就是所谓的低自赋重要性和高推演重要性）,CSM的理论,核心理论 CSM研究的核心观点之一是客户的忠诚度，以及接下来的财务表现，与特定的全球态度、对产品和服务的感觉（总体质量，总体满意度等）相关。,CSM基本概念框架 特定的因素感觉 整体感觉 客户忠诚度 财务体现,CSM理论的管理目标,管理目标 基于这个基本框架，CSM研究者旨在发现增加整体测量分值的方法。较高的整体分值意味着用户更满意于产品和服务，这样，
6、更可能保持忠诚度，产生收入。许多公司理解这些原理，并且严格遵循，结果，他们通过CSM的测量过程在财务上回报那些能带来大量收益的雇员。,提高总体测量精度的有效方法,CSM的直接目的 发现在总体测量中贡献最大的因素，通过在那些有最大影响的因素上取得进展，可以使整体测量中的收益达到最优化。,达到目的的有效方法 多元回归正是所需要的。这个技术提供了因素如何整合的模型。回归方程式将所有因素结合进一个单独的新测量中，它对尽量接近总体的偏好进行测量。因此，在既定的理论框架和管理目标下，多元回归的概念逻辑使得它作为一个模型化整体CSM测量的统计技术非常合适。,回归的益处举例,假设数据序列如下：,三种不同形式的
7、模型,模型一 各因素权重相等 Y=0.33* A1+0.33* A2+0.33* A3,模型二 不同的加权：因素1的影响两倍于其他两个因素 Y=0.50* A1+0.25* A2+0.25* A3,模型三 回归模型 Y=2.61+0.14* A1+0.07* A2+0.20* A3,三种模型预测准确性比较,权重预测误差情况统计 ：,结论：没有哪个整合因素的方法比多元回归方程好使。进一步讲，一旦方程 式被正确说明了，改进具有最大回归权重的因素数值会为企业产生最大的整体收益。,自赋重要性研究方法的缺陷,自赋的重要性没有提供任何整体的评分如何由被访者得出的模型 任何基于自赋重要性的权重系统都会对于我
8、们可能关心的影响整体测量提供更多的预言错误 没有绝对的保证，增加具有最高的自赋重要性的因素得分会促成整体测量上最大化的增加,回归和因果关系,相关与因果并不是同义的，但因果当然暗含着相关 实例 关于吸烟和肺癌的关系。如果抽烟真的导致肺癌，那么癌症就会和吸烟共同发生（相关性）。这种联系需要从概念和理论上来看，这样我们不会通过说“肺癌导致吸烟”错误地解释相关性。但是，鉴于吸烟是导致肺癌的一个重要原因，我们可以发现二者之间的相关性。基于正确的因果推演，我们可以适宜地使用多元回归来估计在决定肺癌的发病机率方面吸烟的影响程度 ，回归可以在研究因果过程时使用 。,利用回归对因果关系推演的有效性,虽然回归分析
9、并不产生因果模型，但是因果关系不在于分析技术的选择。简单地使用回归作为统计程序对于因果关系是没有意义的。但是，一旦符合了推演因果关系的情况，回归分析当然更多地用于估计因果模型中的影响的重要性。事实上，被称为“路径分析”的社会学和心理学技术提供了使用多元回归估计因果模型中影响深度的丰富广阔的历史。并且，多元回归可能被用于从传统的实验设计中对因果影响进行估计。这些估计可能与那些更为标准的变化分析（一个经常在因果研究中使用的工具）所产生的结果正好一样。,多重共线性与R2 值,多重共线性 多元回归方程古典假设之一：回归元之间不存在线性关系，即：任何一个解释变量不能写成其他解释变量的线性组合。在一个回归
10、模型中，如果某一个解释变量与其他解释变量线性相关，即某个解释变量可以写成其他解释变量的线性组合，则称这个回归模型中存在多重共线性。显然，多重共线性违反了古典假设 。R2 值R2 值表示所有自变量总共解释多少方差，即用此值来确定回归方程拟合程度的好与坏，数值越小，表示模型拟合得越差 。,良好的设计导致良好的回归,麦可兰博士认为在客户满意度测评中使用回归存在着极大风险，即多重共线性和低R2值。 对麦可兰博士错误观点的解释： 如果有许多个预言因素，发现多重共线性一点都不奇怪。好的回归模型来自于好的设计。测量许多多余的因素当然产生 多重共线性。基于良好的定性或二手研究和对于研究背景的深度理解的合适的问
11、卷设计，是抵御R2 值和多重共线性的最好方法。好的设计工作，即正确的回归基于合理的管理推理和客户的声音，而不是统计筛选。这个思考成熟的模型的所有系数可能被标准的多元回归估计。系数揭示了被看作重要的因素间的相关影响。以这种方式，在进行回归工作之前，一个人已经在处理有高度重要性的事项了。,结束语,回归的复杂性并不妨碍它在CSM中的使用，一个分析技术应当根据它是否是解答研究问题的最合适的工具而被选择 ，而不是由于复杂而被抛弃，任何复杂的因素在实际处理过程中都可以调和并得以解决。 关注CSM的公司需要有一个记分卡，记录对于客户对于关键的商业过程和因素的感知表现。这些进入与客户忠诚度相关的更为全球化的总体测量，以及财务结果。这种对于关键项目的表现测量可能通过有效的研究设计实现。然后，这些测量可能被应用到通过思考周密推演出有意义的回归信息，确定出那些可能通过改善得到对于全球偏好衡量最大化的影响的领域。 与回归技术的科学性和完善性相比较，自赋重要性的不确定性导致的错误结果是不可取的，CSM工作的研究问题和管理目标使得回归及其结果成为较聪敏、较有力的分析技术 ，而通过回归分析的整合，企业可以取得质量完善和客户满意的收益 ，增加许多策略和竞争的商业结果 。,The End,
