从上世纪80年代开始，多样化的产品和服务开始在世界范围内发展起来，替代了早期的以大量的普通日常用品为主的经济和市场环境。在90年代以后电子以及互联网行业开始高速发展起来，各种高科技产品日新月异，在人们的日常生活中无处不在。对于这些巨大的变化，我们需要更加科学的方法对新经济环境下行业、公司以及产品和服务的实际效益进行评测，而不只是考虑传统的大规模生产指标。

所以，在90年代科学家们开始针对在新的经济环境中的不同行业、不同领域、不同产品和服务进行更科学有效的评估，开始重视消费者或用户的反馈，因为无论是企业、行业、部门或者是产品，都是有其直接面对的“顾客”的，而顾客满意度（Customer Satisfaction）成为这些内容的无形资产，可以直接或间接反映出实际效益，所以顾客满意度指数（CSI, Customer Satisfaction Index）也成为一个新的衡量标准。下面简单介绍一下CSI模型：

CSI模型：
CSI模型指的并不是某一个具体的实际的满意度模型，而是一个衡量满意度的一种方法论，是一系列评估顾客满意度的模型集合。对于反映顾客满意度在总体概念上的集合，可以称为“宏观模型”（Macro-Model），比如说价值、感知质量、顾客期望、顾客抱怨行为、品牌/产品印象、顾客忠诚度等等，这些概念都可以是衡量顾客总体满意度的“宏观”指标，在模型中叫做“潜在变量”（LV, Latent Variable）。下图是一个简单的CSI模型举例，单向箭头给出了各概念的关系。

(来源：C. O’Loughlin and G. Coenders, 2002)

针对不同的应用，不同的研究给出了各样的模型结构。比方说在1996年，Woodruff和Gardial提出在产品选择和满意度的关系中把价值的概念作为驱动力，且作为简单的心理反应，形成一种价值链。根据这样一个目的，他们建立了关于顾客价值链到顾客满意度的层级模型。

市场研究的文献中指出对于不同的宏观概念，需要更加细节的因子（或元素）去支撑，因为宏观概念是比较模糊而感性的定义，通常是不能直接计算得出的。所以，每一个宏观概念是可以分解成不同的因子的，称为“微观模型”（Micro-Model），比如说产品的感知质量可以由可靠性、购买后的总体评价、功能需求满足情况等进行衡量，在模型中也叫做“测量变量”（MV, Manifest Variable）。一个简单的微观模型可以表示如下：

（来源：C. O’Loughlin and G. Coenders, 2002）

各国（区域）的顾客满意度指数模型：

从上世纪90年代开始，研究员开始根据对各国（区域）的实际情况收集数据，进行满意度模型的研究和建立。其中比较有名的是瑞典顾客满意度指标（SCSB, Swedish Customer Satisfaction Barometer）、美国顾客满意度指数（ACSI, American Satisfaction Index）和欧洲顾客满意度指数（ECSI, European Customer Satisfaction Index）。这里以ACSI作为例子介绍。

ACSI模型建立的前提包括：1. 满意度是来源于顾客的评价，不能被直接观测，所以是作为潜在变量用多重指标（测量变量）进行衡量的；2. ACSI不仅考虑实际消费经验，更注重对未来前景的预测。具体宏观结构模型如下图：

（来源：Fornell, et al, 1996）

由于ACSI以及各宏观潜变量是不能直接测量，需要根据多个可测量的变量进行计算的，以下表格说明了模型中的测量变量。（来源：Fornell, et al, 1996）

模型的建立：

ACSI模型的建立是基于“结构方程建模”（SEM, Structural Equation Modeling）的方法，建立一个关于各个不同的测量变量和潜在变量的结构关系方程，关于SEM方法，可以参考【5】。也就是说，通过各可测量的因素来得到潜在变量，进而计算出总体顾客满意度。不同的模型是根据不同的实际数据建立起来的。量化的数据是通过调查问卷获取的。模型的结构和关系的确定也是来源于实际数据，通过一些数学算法拟合和估计得出的（如偏最小二乘法PLS等）。如下图所示，模型确定之前，我们先是假设所有潜在变量和测量变量都存在着关系，然后通过实际数据来挑选出有效的变量进行建模的。此外，不同的测量变量是对应不同的问卷的，起初我们是并不确定有效的问卷数量以及内容，常用的确定方法是通过相关性分析，找出与潜在变量最为相关的问卷数据，作为测量变量的来源。这种分析方法也称为验证性因子分析（CFA, Confirmatory Factor Analysis），通过不断的验证模型与数据的相配度来逐步确定模型。详细内容可参考【5】。

（参考：Ref.【2,3】）

模型的特性和效果分析：

科学的满意度模型可以带来好的效果。同样是拿ACSI模型作为例子。ACSI模型中为了对经济产出的测量变得更加精确和全面，并能预测经济利润，为经济政策提供有用信息，成为经济健康程度的指示剂，就必须满足一些标准：精确性、有效性、可靠性、预测性、覆盖性、简易性、诊断性和可比较性。

这些内容在产品满意度评估中也是可以借鉴的，但需要对具体产品特性和所属行业进行改良。所以，在建模的整个过程中，必须在潜在变量/测量变量选取、数据收集、数据处理、算法应用、结论分析和解决方案萃取等方面进行全面而细致的思考，并使得模型在长期的横向（不同产品间、不同行业间）和纵向（不同的时间）积累中得以持续的优化，使得结果更具可比较性。所以，在建模的过程中，我们对每一个环节都需要具体的进行分析调查。

问卷设计：

这里特别提一下问卷设计。问卷是测量变量数据的来源，数据直接决定了模型的有效度，所以在前期定性的时候，问卷的设计就显得十分的重要。应该在模型建立的大结构下，进行必要调整，根据产品本身的具体情况进行设计，而避免使用过于通用的范例。问卷的长短也是由测量变量的数量决定的。对于模型的测量变量，选取尽量精准而相关的问题就已经足够了，因为即使是过多的不十分相关的问题，也可能在分析中被去除掉。这就要求在设计问卷的过程中，根据研究员自身的经验以及实际的情况，来进行筛选。如果问卷中问题冗长，不仅未必能提高分析结果的精确度，也可能造成顾客在回答问题过程中放弃率的增加，以及信度的降低。

另外，在讨论满意度指标的时候，需要提出几个注意点：

1.  根据Oliver在1997年定义：“满意度是消费者（或者用户）的满意情况的反映。它是一个产品或服务提供给消费者在消费相关的满足感上的使人愉悦的级别，包括低于满足感或高于满足感……”。在对产品的用户满意度指标建模的时候，我们的目标人群应该是用户，而不是顾客。因为用户是产品或服务的使用者，而顾客是购买者，顾客未必是产品或服务的直接使用者。所以，在选取目标人群的时候，应该有意识的剔除不合适的“顾客”，这样才能提高数据的信息与噪声比，提高数据的可靠性。

2.  满意度通常有着上水平阀值（超出用户心理满意度的水平）和下水平阀值（低于用户心理满意度的水平）。也就是说，当用户获得“太多的好东西”的时候，用户满意度可能会下降，许多用户是注重下水平阀值而忽略了上水平阀值的。

3.  满意度是一种感觉，虽然在建模的时候，通过各种方法可以尽量的让这种感觉变得可以量化，可以衡量，且使得衡量的更加精确，但这始终是一种相对短期的态度，并且可能随着环境和时间改变的，所以产品的满意度需要不断的根据评测结果给出的建议进行提高，且其模型也要不断优化。

Reference：

【1】Fornell, C. (1992), A National　Customer Satisfaction Barometer, the Swedish Experience, Journal of Marketing 56, 6-21.

【2】Fornell, C., Johnson, M.D., Anderson, E.W., Cha, J., and Bryant, B.E. (1996), The American Customer Satisfaction Index, Nature, Purpose and Findings, Journal of Marketing 60, 7-18.

【3】O’Loughlin C., (2002), Application of the European Customer Satisfaction Index to Postal Services Structural Equation Models versus Partial Least Square, Universitat de Dirona, Departament d’Economia.

【4】Woodruff, R.B. and Gardial, S.F., (1996), Know Your Customer: New Approaches to Understanding Customer Value and Satisfaction, Cambridge, Massachusetts: Blackwell.

【5】Ullman, J.B., (2006), Structural Equation Modeling: Review the Basics and Moving Forward, Journal of Personality Assessment, 87(1), 35-50.

【6】Oliver, R., (1997), Satisfaction: A Behavioral Perspective on the Customer, Boston, McGraw-Hill.
(本文出自Tencent CDC Blog，转载时请注明出处)