基于结构方程模型的客户满意度建模及参数估计方法精Word文件下载.docx

基于结构方程模型的客户满意度建模及参数估计方法精Word文件下载.docx

《基于结构方程模型的客户满意度建模及参数估计方法精Word文件下载.docx》由会员分享，可在线阅读，更多相关《基于结构方程模型的客户满意度建模及参数估计方法精Word文件下载.docx（8页珍藏版）》请在冰豆网上搜索。

摘　要　客户满意度是客户关系管理研究的重要内容之一.客户满意度模型和模型参数估计是客户满意度研究的重点和难点问题.从客户关系管理视角结合结构方程模型理论,提出了一种新的客户满意度结构方程模型并进行了实证检验,并对模型常用参数估计方法进行了探讨.

关键词　客户关系管理;

客户满意度;

结构方程模型;

参数估计

中图分类号　F830　　　　文献标识码　A　　　　文章编号　100022537（20090220031206

ResearchonCustomerSatisfactionMolingPaemationMethodBasedonStructuon

GJian1,2,21

.CentralUniversity,Changsha410083,China;

Education,HunanNormalUniversity,Changsha410081,China

Abstract　Customersatisfactionisoneoftheimportantfieldsofcustomerrelationshipmanagementresearch.Customersatisfactionmodelandthemodelparametersestimationaretwoimportantanddifficultproblemsforcus2tomersatisfactionstudy.Fromtheperspectiveofcustomerrelationshipmanagement,combinedwithstructuralequa2tionmodelingtheory,anewcustomersatisfactionstructuralequationmodelispresentedandtested,thencommonlyusedofparameterestimationmethodsformodelsisstudied.

Keywords　customerrelationshipmanagement;

customersatisfaction;

structuralequationmodel;

parameterestimation

著名管理大师彼德・德鲁克（PeterDrucker说过:

“企业经营的真谛是获得并留住顾客”.客户是企业最重要的资源,客户关系管理（CustomerRelationshipManagement,CRM已成为企业获取竞争优势的法宝.客户满意度研究是客户关系管理研究的重要内容之一,提高客户满意度也是客户关系管理的重要目标之一.客户满意度研究兴起于20世纪70年代,最早的文献可追溯到1965年Cardozo发表的“顾客的投入、期望和满意的实验研究”[1].客户满意度理论被誉为20世纪90年代现代管理科学的最新发展之一,它抓住了管理科学以人为本的本质.很多企业需要定期进行客户满意度调研,并将其结果作为客户关系管理和全面质量管理的重要信息来源,以获取市场竞争优势.客户满意度研究最重要的工作是建立科学的客户满意度模型,并对模型进行准确地估计后,才能进一步研究模型中影响客户满意度各因素之间的关系,并准确地计算出客户满意度指数.其中模型的创建和模型的参数估计是研究的关键问题,但是,从文献检索情况来看,目前

3收稿日期:

2009201212

基金项目:

湖南省科技厅科研资助项目（2008FJ3055

作者简介:

向坚持（19712,男,湖南桑植人,湖南师范大学副教授,中南大学商学院博士研究生,主要研究方向为管理信息系统,客户关系管理,WEB挖掘等.

就需要对模型进行修正,模型修正后,再对修正的模型进行检验,根据检验结果判断是否还需要进一步调整模型.模型修正包括提出先验模型,建立测量方程模型,并对

模型检查标准误差、标准化残差、修正指数、参数期望改变值、χ2及各种拟合指数等.

本文拟在结构方程模型理论基础上,重点对客户满意度的理论模型构建和模型参数估计方法进行深入探讨.

23　　　　　　　　　　　　　　　湖南师范大学自然科学学报　　　　　　　　　　　　　　　　　第32卷

2　客户满意度结构方程模型

学者对客户满意度进行了广泛研究,提出了不同的客户满意度模型.OliverRichard（1980提出的“期望

-不一致（Expectation2Disconfirmation”模型[4],该模型认为,客户在消费过程中或结束后,会根据自身的期

望,以及所感知到的产品或服务的实际表现与期望的不一致情况进行评价.如果产品或服务的实际表现超过

期望,客户就会满意,反之客户就会不满意.Churchill（1982等人[5]在此基础上进一步提出,客户的感知表现

也将直接影响客户满意度.OliverRichard（1993[6]在此前研究基础上进一步将客户的情感因素纳入到客户满意度模型,提出了“联合认知和增补情感的客户满意/不一致（CombinedCognitiveandAffect2AugmentedCS/DModel”模型.

在对客户满意度理论模型定性研究的基础上,学者开始对客户满意度模型进行定量研究,其主要研究影响客户满意度的因素,即通过构建客户满意度模型,选择合适的定量方法,生成客户满意度指数（CustomerSatisfactionIndex,CSI.1989年,瑞典建立了世界上第1个客户满意度模型:

瑞典客户满意度指数模型（SCSB.该模型将客户期望、质量感知、客户满意度、客户抱怨和客户忠诚5模型[7].之后,美国、德国、加拿大、日本、.

美国客户满意度指数模型（ACSI研究中心和美国质量协会共同研究并于1994[8].14个观测变量

（显变量组成,6个潜变量分别为:

、、客户抱怨和客户忠诚.14个观测变量如下:

3个观测变量测量;

3个观测变量测量;

价值感知由给定价格下对质量2个观测变量测量;

客户满意度有3个观测变量:

总体满意度、对预期的满足和与理想的差距;

客户抱怨由客户投诉或客户抱怨测量;

客户忠诚包含2个观测变量即对价格的承受能力和再购买意愿.ACSI模型各组成变量之间的联系呈现因果关系,不仅可以总结客户对以往消费经历的满意程度,还可以通过评价客户的购买态度,预测企业长期的经营业绩

.

图1　美国客户满意度指数模型

根据客户满意度测评的基本原理和客户关系管理基本理论,结合国内外客户满意度指数模型,本文提出了如图2所示的客户满意度结构方程模型.本模型由6个潜变量和18个观测变量构成.6个潜变量即客户期望、客户感知、客户细分、客户满意度、客户忠诚和客户流失.客户细分为外生潜变量,客户价值可分为高价值客户、中价值客户、低价值客户和负价值客户4个观测变量;

客户期望、客户感知、客户满意度、客户忠诚和客户流失均为内生潜变量.减低客户期望,提高客户感知可以有效提高客户满意度.影响客户期望的因素除了客户细分结果外,还有客户经验、竞争者水平、口碑效应和突发事件影响,将这4个因素作为潜变量“客户期望”的观测变量;

客户感知包括客户感知利得和客户感知成本2个观测变量,当客户感知利得大于客户感知成本时,会提高客户满意度;

客户满意度包括3个观测变量即单项满意度、总体满意度和理想的差距;

客户流失由客户挽回率和客户流失率2个观测变量测量;

客户忠诚包括重复购买、价格承受能力和口碑推荐3个观测变量.

33第2期　　　　　　　　　　向坚持等:

基于结构方程模型的客户满意度建模及参数估计方法　　　　　　　　

图2　客户满意度结构方程模型

本模型引入客户细分潜变量,大量的实践表明不同类型的客户对客户期望有着显著的区别,不同类型的客户对客户感知同样有着显著的差异,客户细分的结果对客户感知、客户期望和客户满意度有着直接的影响.客户满意度直接影响客户忠诚和客户流失,高满意度的客户更有可能成为忠诚的客户,不满意的客户更有可能导致客户抱怨或者客户投诉,导致客户流失.忠诚的客户具有更高的价格忍耐力和客户保持,有效降低客户流失.

3　客户满意度模型参数估计方法

3.1　结构方程模型的参数估计

3:

.,为保证模型是可识别的,通常尽量减少自由参数,,过程设定固定参数以减少自由参数的个数.限制参数是未知的,,以减少自由参数的个数,使模型可以识别.

结构方程模型的参数估计过程与传统统计方法有所不同.传统统计方法进行参数估计时,是以实际观测值与模型估计值之间的差值最小化为目标;

结构方程模型参数估计是从∑=∑（θ出发,∑是观测变量之间的总体协方差矩阵,∑（θ是假设含有参数θ的协方差矩阵.被观测的协方差（即样本协方差减去被预测的协方差,得到残差,参数估计过程就是使用特殊的拟合函数使该残差很小.以样本协方差S代替总体协方差∑,使由假设模型得到的协方差矩阵∑（θ与S尽可能接近,其接近程度可以用拟合函数F（S,∑（θ表示.选择不同的参数估计方法,其使用的拟合函数不同,得到的结果也可能不一样.

3.2　结构方程模型常用的参数估计方法

结构方程模型的参数估计方法很多,在实际应用中可以借助一些软件来实现,目前流行的结构方程软件有AMOS、LISREL等.AMOS提供的参数估计方法有最大似然估计法（MaximumLikelihood,ML、非加权最小二乘法（UnweightedLeastSquares,ULS、广义最小二乘法（GeneralizedLeastSquares,GLS、渐进自由分布（AsymptoticallyDistribution2Free,ADF标准法和自由尺度最小二乘法（Scale2FreeLeastSquares,SFLS.LISREL提供了最大似然估计法（ML、非加权最小二乘法（ULS、广义最小二乘法（GLS、广义加权最小二乘法（WeightedLeastSquares,WLS和对角加权最小二乘法（DiagonallyWeightedLeastSquares,DWLS.在实际应用中,很多人选择如AMOS软件默认的最大似然估计法（ML进行参数估计,对于不同方法的优劣缺乏研究.本文对AMOS和LISREL软件中最常用的3种方法:

最大似然估计法（ML、非加权最小二乘法（ULS和广义最小二乘法（GLS进行探讨,研究不同估计方法优缺点和适用性,以得到使拟合函数值最优的参数估计,提高模型的拟合度.

（1最大似然估计法（ML

最大似然估计法的拟合函数为:

　　F

ML

=log|∑（θ|+tr[S∑-1（θ]-log|S|-（p+q,（2其中,tr[S∑-1（θ]是矩阵[S∑-1（θ]的对角线元素之和;

log|∑（θ|是矩阵∑（θ的行列式的对43　　　　　　　　　　　　　　　湖南师范大学自然科学学报　　　　　　　　　　　　　　　　　第32卷

数;

log|S|是矩阵S的行列式的对数;

p、q分别是内生和外生观测变量的个数.矩阵

∑（θ和S越接近,则log|∑（θ|和log|S|越接近,tr[S∑-1（θ]则越接近tr[I],即越接近p+q,从而使FML逼近最小.

采用最大似然估计法要求观测变量为连续变量且服从正态分布,偏态分布会导致参数估计效果很差以及错误的标准误差和偏高的值.要使矩阵∑（θ和S更接近,需要大样本且∑（θ存在逆矩阵,如果∑（θ不存在则无法求解.

（2非加权最小二乘法（ULS

非加权最小二乘估计法的拟合函数为:

　　FULS=2

tr[（S-∑（θ2],（3其中,S-

∑（θ为残差矩阵.使FULS达到最小的估计称为非加权最小二乘估计.要使FULS达到最小,必须使（S-∑（θ2最小,也就是使矩阵∑（θ中的每一个元素与矩阵S中对应的元素差距最小.

非加权最小二乘估计对观测变量的分布不作限定,不要求观测变量总体服从正态分布因而一般情况下得不到参数估计的标准误差,无法进行参数的显著性检验.ULS,并非总体真值的渐近有效估计,有的软件给出ULS估计的误差,.

（3广义最小二乘法（GLS　　FGLS2

]-1}2（4　　FG2

[I-∑（θS-1]2,（5其中,S-

∑（θ为残差矩阵,W是一个加权矩阵,是一个正定矩阵或依概率收敛于正定矩阵的随机矩阵.使FGLS达到最小的估计称为广义最小二乘估计.实际应用中通常取W

-1=S-1（S-1为样本协方差矩阵,使广义最小二乘估计法的拟合函数变为如式（5所示,即FGLS以S-1为加权矩阵.

广义最小二乘法的观测变量服从多元正态分布,具有量纲不变性.在大样本下,GLS估计是一致估计,且渐近有效,当加权矩阵W=I,ML估计成为GLS估计的特例,FGLS与FML很接近,估计的结果也很接近.

3种参数估计方法都是通过构造一个模型估计协方差与样本协方差的拟合函数,然后采用迭代方法得到使拟合函数值最优的参数估计.3种方法的估计都具有一致性,但不同的方法适用于不同的情况.当多元正态性假设不成立或变量分布具有偏度时,ML和GLS方法的估计是近似有效的.可以采用2种处理方法,一是首先对观测变量的抽样数据进行变换,使其近似于正态分布,然后用ML和GLS方法处理;

二是采用有偏参数估计方法,如ULS方法,但需要大样本以得到一致估计.也可采用偏最小二乘法（PartialLeast2SquaresMethod,PLS处理.偏最小二乘法（PLS也是一种流行的结构方程模型参数估计方法,具有收敛速度快,可以

处理非线性关系、非正态分布、小样本指标[9],是将主成分分析与多元回归相结合进行迭代估计的一种多元

数据分析方法.

4　应用案例

本文以某小型零售企业为实证对象,通过在该企业网站上发放客户满意度调查问卷表采集数据.共收集问卷248份,通过有效性筛选,确定样本数据231份.采用AMOS7进行模型设定、模型估计和模型评价,建立了图3所示的模型路径图.

从信度检验来看,各潜变量Cronbachα系数的值均大于0.7,模型的整体Cronbachα系数的值为0.926,说明模型中各结构变量的观测变量具有很好的一致性,模型具有可靠性.从效度分析来看,样本充分性KMO测试系数为0.718,样本额分布的Bartlett球形检验卡方值为224.252,显著性水平为0,表明适合做因子分析.

由于观测变量为连续变量且数据分布近似正态分布,模型参数估计方法选择最大似然估计.从客户满意度结构方程模型的拟合指数来看,拟合优度指数GFI的值是0.952,大于参考值0.9;

调整的拟合优度指数53第2期　　　　　　　　　　向坚持等:

36　　　　　　　　　　　　　　　湖南师范大学自然科学学报　　　　　　　　　　　　　　　　　32卷第AGFI的值是0.937,远高于0.8的最低要求;

规范拟合指数NFI为0.975,大于参考指数0.9,比较拟合指数CFI是0.985,高于参考值0.9;

近似误差均方根RMSEA为0.039,小于0.05的标准值.以上各项指标显示,该模型拟合程度较好.图3　客户满意度结构方程模型路径图5　结束语本文根据客户满意度基本原理和客户关系管理基本理论,结合国内外客户满意度指数模型研究,提出了由客户细分、客户期望、客户感知、客户满意度、客户忠诚和客户流失6个潜变量18个观测变量构成的客户满意度结构方程模型.在对客户满意度模型进行检验时,需要选择相关软件进行模型参数估计、模型评价和模型修正等数据分析工作.参数估计方法的选择对模型检验影响很大,通过对常用模型参数估计方法的探讨,提出应针对实际问题和数据特征,选用合适的参数估计方法或方法组合,提高模型拟合的精度,为企业提高客户满意度战略提供更准确、科学的有价值信息.本文最后将该结构方程模型进行一个实例验证,证明该模型是可行的.参考文献:

[1]　DIMANTAOPOULOSA,SIGUAWJA.IntroducingLISREL:

aguidefortheuninitiated[M].London:

SagePublications（CA,2000.[2]　柯惠新,沈　.调查研究中的统计分析方法[M].北京:

中国传媒大学出版社,2005.浩[3]　易丹辉.结构方程模型方法与应用[M].北京:

中国人民大学出版社,2008.[4]　OLIERRL.Acognitivemodeloftheantecedentsandconsequencesofsatisfactiondecisions[J].JournalofMarketingRe2V[5]　CHURCHILGA,SURPRENANTC.Aninvestigationintothedeterminantsofcustomersatisfaction[J].JournalofMarketingL[6]　OLIERRL.Cognitive,affectiveandattributebasesofthesatisfactionresponse[J].JournalofConsumerSatisfaction,1993,V20（Dec:

4182430.Research,1982,XIX,4912504.1992,56（Jan:

6221.[7]　FORNELLC,JOHNSONMD.Anationalcustomersatisfactionbarometer:

theSwedishexperience[J].JournalofMarketing,[8]　FORNELLC,MICHAELD,JOHNSONEW,etalTheamericancustomersatisfactionindex:

nature,purposeandfindings.[9]　　.结构方程模型构建方法比较[J].统计与决策,2007,（9:

1372张军139.[J].JournalofMarketing,1996,60:

7218.search,1980,XVⅡ,4602469.