如何分析用户满意度？京东设计师常用这四个经典模型！

我想应该多数人都赞同「以用户或客户为中心是公司/企业的立基之本」这个观点吧。 近年来，随着公司/企业之间竞争的加剧，以及产品、系统、功能、服务内容的同质化加剧，用户体验已逐渐成为企业之间竞争的重要筹码，而用户满意度作为衡量用户体验的重要指标，在企业具体的用户体验实践中得到了较大范围的应用。

在京东，满意度调查不仅应用于 APP 产品体验的评估，用以帮助 APP 各产品线周期性监控用户满意度变化，发现各产品线的体验优化点；而且应用于商家店铺运营各环节的满意度评估，用以评估京东与商家合作过程中各环节的系统、规则、服务体验；甚至在衡量京东大厦餐厅的就餐体验时也发挥着重要的指导作用。满意度已然成为京东相关产品、系统、功能、服务体验的「温度计」。通过满意度调查我们可以追踪产品、系统、功能、服务的「绩效」表现，直观地了解用户或客户的体验状况，可以对比与竞品的满意度水平差距，可以评估满意度改进措施的实际效果。

在满意度的实际应用当中，我们常用四种满意度模型来帮助我们完成满意度体系的搭建或满意度数据的分析：

四分图模型

四分图模型，满意度的一种分析诊断模型，主要根据各指标的权重得分及满意度得分构建二维坐标，通过划分四象限来分析目前哪些指标需要重点改善；

在实际工作中应用四分图模型时需要重点完成以下几方面的工作：

根据研究对象确定反映用户满意度的指标。获取满意度指标可以参考现有的理论资料，也可以针对研究对象进行相应的用户调研，了解用户在与研究对象进行交互的过程中所重点关注的内容有哪些，以此来提炼出满意度指标。举个简单的例子，如用户对电商平台某类商品的满意度，可以分别从商品质量、商品价格、商品丰富度三个方面进行满意度评估

根据满意度指标设计满意度量表和指标权重量表。关于量表的设计有比较系统的方法，在此不做赘述，需要注意的是在项目时间允许的情况下，对量表进行信度和效度检验是必要的。但是，在实际的工作中，本着快速发现改善用户满意度切入点的目的，即使没有资源或时间来进行严格信效度检验，直接应用量表或问卷进行用户调查也是可以的。

满意度 & 权重数据收集及分析。满意度及权重量表数据收集之后，需要分别计算各指标的满意度得分及权重得分，得分的计算方式可以是算术平均，也可以是加权平均。根据各指标的满意度得分和权重得分，则可将其绘制到由满意度和权重两个维度构成的坐标系中，再利用满意度得分和权重得分的平均值或中位值则可划分出四部分区域（修补区、机会区、优势区、维持区），结合各指标在坐标系中的分布，即可判断各个指标分别落入哪个区域中。

KANO模型

KANO 模型，以分析用户需求对用户满意度的影响为基础，利用用户需求与用户满意度之间的非线性关系，对用户需求进行分类和优先级排序；

KANO 模型并非满意度的计算模型，主要通过结构化的问卷和分析方法来对相关功能、需求进行分类和定位。可通过计算特定功能/需求在各个属性上的用户比例来判断功能/需求属于 KANO 模型中的哪种属性，也可通过 Better-Worse 系数进一步对功能/需求进行分析和优先级排序。

接下来将以「京东店铺评分是否应该包含商品质量考核」为例（京东店铺评分是店铺商品质量、店铺售后服务质量、店铺物流速度等多个维度的综合指数，目前店铺评分已修改为店铺星级，如下图所示），简要说明 KANO 模型的具体应用方法。

设计问卷。针对「店铺评分包含商品质量考核」设计正反向问题，分别收集用户对店铺评分包含商品质量考核时的态度和不包含商品质量评分时的态度。

问卷调查及数据分析。针对目标用户投放问卷并回收，对数据进行清洗后，数据分析时主要利用交叉表来统计不同选项上的用户比例。根据交叉表中各个单元格的属性定义来统计计算「商品质量考核」在各个属性上的用户选择比例，交叉表及各个单元格的属性定义具体实例如图所示。其中S（A）、S（I）、S（O）、S（M）、S（Q）、S（R）分别表示所调研的功能/需求在魅力属性、无差异属性、期望属性、必备属性、可疑属性、反向属性上的用户比例之和。从案例中可以得出，「商品质量考核」在S（M）上的用户比例最高，因此属于必备属性。由此，我们可以得出如果店铺评分包含「商品质量考核」，用户满意度并不会明显提升，但如果店铺评分不包含「商品质量考核」，用户满意度会急剧下降。

计算 Better-Worse 系数。为了进一步验证功能/需求的增加或消除对满意度的影响程度，可以分别计算其 Better-Worse 系数来进行分析。Better 系数可以理解为增加功能/需求后的满意度系数，数值通常为正，代表如果提供某种功能的话，用户满意度会提升；正值越大或越接近 1，表示对用户满意度的影响越大，用户满意度提升得也就越快。Worse 系数可以理解为消除功能/需求后的不满意度系数，其数值通常为负，代表如果不提供某种功能的话，用户的满意度会降低；值越接近 -1，表示对用户不满意度的影响越大，满意度下降得越快。

在本例中，商品质量考核的 Better 系数为 0.40，Worse 系数为 0.63。由此可见，如果店铺评分不包含商品质量考核，会导致用户满意度快速的下降

Kano 模型深度解析：

层次分析模型

层次分析模型，借鉴运筹学的层次权重决策分析方法，对满意度指标进行层级划分，并构造判断矩阵来计算各层级指标的权重，以此构建满意度指标体系。

层次分析并不能告诉大家怎么来构建满意度的层级结构，层次分析的作用是在我们对满意度完成了层次结构的构建之后，帮助我们设定各层级指标元素的权重。

满意度层次分析模型构建的主要工作有：

满意度层次结构构建。层次分析满意度模型的层级结构创建可参考现有的理论或资料，也可以通过探索性的研究或利益相关人的调研来梳理满意度的层级结构。

构造判断矩阵。判断矩阵是对某一指标 C 的子指标 B1，B2，……Bn两两对比得到的矩阵，其中 bij 表示对于指标 C 来说，子指标 Bi 与子指标 Bj 相比，其重要程度等级。Bij 的值是根据资料数据、专家意见或评价人经验确定的。另外，因判断矩阵为正互反矩阵（Bij>0,且Bij=1/Bji），所以在实际构造判断矩阵的过程中，只需对比得出矩阵对角线上半部分的重要程度等级，然后对上半部分数据依此取倒数填写至矩阵下半部分对应位置即可。

计算指标权重。指标权重的计算方法有两种：和积法和方根法。为了方便理解具体的计算方法，此处结合实际的案例来进行说明。假设京东支付的满意度包含四个指标：支付安全性、支付便捷性、支付方式多样性、支付页面美观性，判断矩阵及和积法、方根法的计算过程如下图所示。

一致性检验。之所以需要进行一致性检验，是因为在构造判断矩阵时可能会出现指标重要性的排序矛盾存在。例如三个指标 B1、B2、B3，重要性依次递减，但我们在填写重要程度时可能会出现如下图所示的错误，这是不符合逻辑的。

进行一致性检验需要计算判断矩阵的最大特征根 λmax，并以此计算一致性指标 CI 和一致性比值 CR，CR<0.1，即认为矩阵具有一致性。相关的计算方法如下：

仍以京东支付的满意度研究为例，对其进行一致性检验的计算过程如下：

如果判断矩阵不能通过一致性检验，则需返回判断矩阵构造阶段，对矩阵进行进行调整。整体的计算过程较为复杂，因此为了提高工作效率，也可以寻找一些层次分析的计算软件来辅助进行权重计算和一致性的检验。

结构方程模型

结构方程模型，一种借助于既有理论进行假设检验的统计建模技术，在满意度的应用中需要通过现有的理论或经验构建满意度模型，并利用统计检验方法对模型进行检验，以此构建满意度模型，并得到满意度各指标的权重。

结构方程模型在满意度研究中的最典型的应用案例便是 CSI，顾客满意度指数模型；在顾客满意度指数模型中，最有影响的三个模型分别为瑞典顾客满意度指数模型 SCSB，美国顾客满意度指数模型 ACSI，欧洲顾客满意度模型 ECSI，都是用来监测国家宏观经济情况的经济学模型，与 GDP、GNP 属于同一类型的宏观经济指标，而不是针对企业的诊断指导，不涉及企业产品/服务的具体绩效指标，因此在企业层面进行满意度调查时很少使用这些满意度指数模型。但可以借鉴结构方程的高阶验证性因素分析来进行指标权重的计算。

结构方程模型的计算分析工具主要有 LISREL、AMOS、Mplus 等，其中 LISREL 和 Mplus 都是语法为主的分析工具，AMOS 则提供图形化操作界面。

使用 AMOS 软件进行满意度权重分析的主要步骤可以分为：

绘制结构模型，依据已有的经验或理论绘制满意度结构模型，在下图中绘制的是购物体验的满意度验证性因素分析模型

选取数据和变量，在AMOS中打开对应的满意度数据，并将数据文件中的变量对应到上一步绘制的模型中的观察变量上，建立对应关系

使用AMOS进行数据计算分析，得出相应的模型拟合结果以及标准化结构系数，从而得到相应的权重。

最后，需要说明的是满意度模型只是一种用户体验的监测工具，一种了解用户感受的方法，对于实际的产品、系统、功能、服务来讲，即使我们不使用任何模型，单纯地去收集用户的满意度反馈，也能为产品、系统、功能、服务提供有效的用户体验信息。拥有「以客户/用户为中心」的用户体验先行意识，这是有效应用各种研究方法/模型的重要前提。

欢迎关注「JellyDesign」的小程序：