IV Ogólnopolski Kongres Badaczy Rynku i Opinii Analiza satysfakcji i lojalności klientów z zastosowaniem Modelu Równań Strukturalnych Roman Konarski Michał Skrzywanek PBS PTK Centertel IV Ogólnopolski Kongres Badaczy Rynku i Opinii

Plan prezentacji Satysfakcja i lojalność klientów Zadowolenie z OBSZARÓW i wpływ na LOJALNOŚĆ Analiza regresji Model równań strukturalnych (SEM) Zastosowania SEM w branży telekomunikacyjnej Oprogramowanie do SEM

Satysfakcja i lojalność Lojalni klienci kosztują mniej, konsumują więcej, oraz polecają usługi/produkty innym potencjalnym klientom Krytyczne jest utrzymywanie stałej bazy lojalnych klientów raczej niż kosztowne zdobywanie nowych klientów Satysfakcja jest jednym z najważniejszych prekursorów lojalności Analiza lojalności jest szczególnie ważna dla przedsiębiorstw telekomunikacyjnych Proces satysfakcji i lojalności może być sformułowany w postaci modelu teoretycznego, który może być poddany empirycznej weryfikacji

TO KAŻDY Z NAS WIE JAK ZMIERZYĆ ALE JAK DOWIEDZIEĆ SIĘ TEGO? ZADOWOLENIE Z OBSZARÓW A ICH WPŁYW NA LOJALNOŚĆ KLIENTA TO KAŻDY Z NAS WIE JAK ZMIERZYĆ OBSZAR 1 OBSZAR 2 OBSZAR 3 OBSZAR 4 OBSZAR 5 ZADOWOLENIE Z OBSZARU ALE JAK DOWIEDZIEĆ SIĘ TEGO? WPŁYW NA LOJALNOŚĆ

ALE JAK DOWIEDZIEĆ SIĘ TEGO? ZADOWOLENIE Z OBSZARÓW A ICH WPŁYW NA LOJALNOŚĆ KLIENTA WPŁYW NA LOJALNOŚĆ ALE JAK DOWIEDZIEĆ SIĘ TEGO? PYTANIE BEZPOŚREDNIE Przecenia wiedzę klientów o czynnikach, które powodują ich zadowolenie (bądź niezadowolenie) MODELOWANIE STRUKTURALNE KORELACJA Przecenia wpływ niektórych czynników (wynikający z ich współzmienności)

Model predykcyjny Pozwala na oszacowanie wpływu ZADOWOLENIA z poszczególnych obszarów na LOJALNOŚĆ Najszerzej stosowanym modelem predykcyjnym jest model regresji Model regresji pozwala na oszacowanie „wpływu” zmiennych wyjaśniających na zmienną wyjaśnianą

Regresja wielokrotna Co otrzymujemy z AR: Y = 1X1 + 2X2 + 3X3 +  Wpływy () obszarów (X) na lojalność (Y) Procent wariancji (R2) w lojalności tłumaczony przez zadowolenie z obszarów Wartości przewidywane (Y`) dla lojalności na różnych poziomach zadowolenia z obszarów X1 1 2  X2 Y 3 X3 Y = 1X1 + 2X2 + 3X3 + 

Ograniczenia analizy regresji Może istnieć zależność strukturalna pomiędzy zmiennymi wyjaśniającymi (zadowolenie z obszarów) Zmienna wyjaśniana (LOJALNOŚĆ) i zmienne wyjaśniające (zadowolenie z OBSZARÓW ) są zbyt ogólne aby mieć praktyczne znaczenie dla OPERATORA Zmienna wyjaśniana (LOJALNOŚĆ) i zmienne wyjaśniające (OBSZARY) są obciążone błędem pomiarowym (rtt < 1) co narusza fundamentalne założenie AR odnośnie braku błędu pomiarowego Konsekwencją błędu pomiarowego są obciążone (nieprawidłowe) szacunki wpływu () poszczególnych OBSZARÓW i zaniżone R2

Model równań strukturalnych (SEM) Model równań strukturalnych (structural equation model, SEM) przezwycięża ograniczenia regresji SEM jest ogólnym modelem statystycznym integrującym dwie tradycje: modele ekonometryczne (modele strukturalne) i modele psychometryczne (modele pomiarowe) Fundamentalną hipotezą SEM jest to, że macierz kowariancji zmiennych losowych jest funkcją parametrów modelu:  = (), gdzie  jest macierzą kowariancji zmiennych losowych,  jest wektorem parametrów modelu, i () jest macierzą kowariancji wyrażoną jako funkcja parametryczna wektora 

Modele strukturalne (wielorównaniowe) Model Rekursywny Model Nierekursywny 1 1 1 1 X1 X3 X1 X3 2 2 1 1 2 3 2 3 2 X2 Y X2 Y x3 = 1x1 + 2x2 + 1 y = 3x2 + 1x3+ 2 x3 = 1x1 + 2x2 + 2y+ 1 y = 3x2 + 1x3+ 2

Model pomiarowy (CFA) x1 = 111 + 1 x4 = 422 + 4 x2 = 211 + 2  1 2 czynniki wspólne 11 21 31 42 52 62 ładunki czynnikowe X1 X2 X3 X4 X5 X6 zmienne obserwowalne 1 2 3 4 5 6 błąd pomiarowy x1 = 111 + 1 x2 = 211 + 2 x3 = 311 + 3 x4 = 422 + 4 x5 = 522 + 5 x6 = 622 + 6

Ogólny model strukturalny (SEM) 1 X1 2 1 X2 1 3 X3 4 Y4 2 2 Y5 5 1 6 Y1  Y6 2 2 Y2 1 3 Y3 1

Wartość dodana SEM Pozwala na modelowanie zależności strukturalnej pomiędzy zmiennymi wyjaśniającymi (OBSZARAMI) Pozwala na jednoczesne szacowanie parametrów modelu pomiarowego i strukturalnego Pozwala na szacowanie „prawdziwego” (pozbawionego błędu pomiarowego) wpływu SATYSFAKCJI i OBSZARÓW na LOJALNOŚĆ Pozwala na szacowanie wpływu bezpośredniego oraz wpływu pośredniego danego OBSZARU na LOJALNOŚĆ

Charakterystyka badania Badanie przeprowadziła Pracownia Badań Społecznych na zlecenie PTK Centertel operatora sieci Idea Przebadano 3000 respondentów metodą wywiadów telefonicznych (CATI) Badano poziom LOJALNOŚCI i SATYSFAKCJI, oraz ZADOWOLENIA z ośmiu OBSZARÓW usługi świadczonej przez OPERATORA CEL BADANIA: określenie relatywnej wagi ZADOWOLENIA z poszczególnych OBSZARÓW na SATYSFAKCJĘ i LOJALNOŚĆ abonentów OPERATORA

Lojalność i Satysfakcja Ogólna

Zadowolenie z Obszarów Usługi - „Obsz1 pozycja 1?” - „Obsz1 pozycja 2?” - „Obsz1 pozycja 3?” Obszar 2 - „Obsz2 pozycja 1?” - „Obsz2 pozycja 2?” - „Obsz2 pozycja 3?” Obszar 8 - „Obsz8 pozycja 1?” - „Obsz8 pozycja 2?” - „Obsz8 pozycja 3?”

Model regresji satysfakcji i lojalności 1 OBSZAR   Może istnieć zależność strukturalna pomiędzy OBSZAREM i SATYSFAKCJĄ  LOJALNOŚĆ 2 SATYSFAKCJA

Model strukturalny satysfakcji i lojalności  Wpływy OBSZARU i SATYSFAKCJI na LJALNOŚĆ: OBSZAR   bezpośredni  pośredni  ogólny 2 1 LOJALNOŚĆ 2 1 SATYSFAKCJA  Koncepty OBSZARU i SATYSFAKCJI są zbyt ogólne  Obecność błędu pomiarowego

Model strukturalny satysfakcji i lojalności  Koncepty LOJALNOŚCI, SATYSFAKCJI i OBSZARÓW są zbyt ogólne 1 OBSZAR 1 2 1 SATYSFAKCJA OBSZAR 2 3  1 OBSZAR 3  Obecność błędu pomiarowego: 2 1 LOJALNOŚĆ  obciążone szacunki wpływów ( i )  zaniżone R2 OBSZAR 4

SEM procesu satysfakcji i lojalności 1  1 OB11 1  OBSZAR 1 1 2  Sat1 OB21  Specyfika 2 SATYSFAK  3  OB32 2 Sat2  OBSZAR 2 3 4 OB42   Nieobciążone: 5  OB53 4    i   R2 OBSZAR 3 6 3  OB63 Loj1 5 LOJALNOŚĆ  7  OB74 4  OBSZAR 4 Loj2 8 OB84 2

Efekt Ogólny = efekt bezpośredni + efekt pośredni Szacunki wpływów ZASIĘG .03 .06 OBSZR 2 SATYSFAK .24 Efekt Ogólny = efekt bezpośredni + efekt pośredni OBSZAR 3 .11 .?? .16 OBSZAR 4 LOJALNOŚĆ Efekty Ogólne Zasięg Obszar 2 Obszar 3 Obszar 4 Obszar 5 Satysfakcja .03 .06 .24 - - - - Lojalność .01 .19 .38 .16 .11 .11 OBSZAR 5

ZADOWOLENIE VS WPŁYW NA LOJALNOŚĆ MAPA PERCEPCYJNA ZADOWOLENIE VS WPŁYW NA LOJALNOŚĆ WYSOKIE OBSZAR 1 OBSZAR 2 OBSZAR 3 OBSZAR 4 OBSZAR 5 ZADOWOLENIE Z OBSZARU NISKIE NISKI WYSOKI WPŁYW NA LOJALNOŚĆ

Oprogramowanie do SEM LISREL/PRELIS/SIMPLIS AMOS pierwszy komercyjny program do SEM najbardziej elastyczny AMOS relatywnie łatwy w użyciu SAS: PROC CALIS/PROC SYSLIN część dużego i elastycznego oprogramowania statystycznego MPLUS wyspecjalizowany do analizy danych dyskretnych

Serdecznie dziękujemy za Państwa uwagę