用户满意度调查是用户体验工作中重要一项活动。在了解整体满意度、一级指标满意度、二级指标满意度外,还需要了解下一级指标对上一级指标的权重,帮助确定各个方面的工作优先级,为产品优化改进方向提供决策依据。下文将简单介绍一下几种满意度指标权重的计算方法。
指标权重可以更合理的评分用户满意度,指导用户体验优化方向。
满意度调查的主要作用有:
不同评价指标对整体满意度的影响力是不一样的,但之前我们基本上默认不同指标的影响力是相同。
在计算满意度时,在多级指标结构的满意度评价中,采用算术平均方法来使用二级指标计算一级指标、使用一级指标计算整体满意度是。这样的计算方法是存在不合理性。
在计算用户满意度改进优先级时:
在确定满意度指标改进优先级时,不但考虑满意度指标的提升空间,同时考虑指标权重(即影响力),这样满意度指标改进优先级更加合理。
权重计算方法分为直接赋权和间接推理这2类;
最常用的方法是采用李斯特量表对各指标的重要程度进行评价,所得的重要性得分称之为声称重要性,以此作为权重计算的数据。
使用得分均值作为原始相对影响力系数。
直接比较法
将同集的指标按重要程度最小的指标设为 “1”,其它指标与之比较,作出其多少倍的重要程度的判断,然后逐一分析,得出各指标的权重。
使用评分均值作为原始相对影响力系数。
排序法
将同集的指标按重要程度进行排序。
使用正向化后的排序得分均值作为原始相对影响力系数。
采用背对背的通信方式征询专家小组成员的预测意见,经过几轮征询,使专家小组的预测意见趋于集中,最后做出符合市场未来发挥在那趋势的预测结论。
使用专家评分均值作为原始相对影响力系数。
层次分析法是将与决策总是有关的元素分解成目标、准则、方案等层次,在此基础之上进行定性和定量分析的决策方法。层次分析法将同集下的不同指标进行两两对比。
使用层次分析软件计算原始相对影响力系数。
线性回归是利用数理统计中的回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法之一,运用十分广泛。
使用回归系数作为原始相对影响力系数。
因子分析的基本目的就是用少数几个因子去描述许多指标或因素之间的联系,即将相关比较密切的几个变量归在同一类中,每一类变量就成为一个因子(之所以称其为因子,是因为它是不可观测的,即不是具体的变量),以较少的几个因子反映原资料的大部分信息。
使用因子得分系数(Factor Score Coefficient)作为原始相对影响力系数。
结构方程式模型假定在一组潜在变量中存在因果关系,这些潜在变量可以分别用一组可观测的变量表示,是一种建立、估计和检验因果关系模型的方法。模型中既包含有可观测的显在变量,也包含无法直接观测的潜在变量。
使用成份得分系数(Factor Score Weights)作为原始相对影响力系数。
权重计算过程分为3步:
step 1:根据项目情况,选择合适的方法,获得原始调研数值。
step 2:根据所获得的原始调研数值计算指标影响力系数。
step 3:归1处理。同一指标集(不同一级指标为一个指标集、某个一级指标下的不同二级指标为一个指标集)下不同指标的权重之和为1。
W(i)=X(i)/(X(1)+X(2) +X(3) +……+X(n))
注:X(i)原始影响力系数,W(i)归1处理后的权重。
由于篇幅有限,这里只是简单介绍了各个方法及过程。本文只是抛转引玉,需要查看更多资料才能有所了解。
对于层次分析法、线性回归、因子分析、结构方程这4种方法,收集到原始满意度评分数值后,使用相应的统计软件进行计算。层次分析法使用AHP相关软件进行计算,线性回归、因子分析使用SPSS软件进行计算,结构方程需要使用相关软件(推荐AMOS)进行计算。
用户满意度调查是用户体验工作中重要一项活动。在了解整体满意度、一级指标满意度、二级指标满意度外,还需要了解下一级指标对上一级指标的权重,帮助确定各个方面的工作优先级,为产品优化改进方向提供决策依据。