我想應該多數人都贊同「以用戶或客戶為中心是公司/企業的立基之本」這個觀點吧。 近年來，隨着公司/企業之間競爭的加劇，以及產品、系統、功能、服務內容的同質化加劇，用戶體驗已逐漸成為企業之間競爭的重要籌碼，而用戶滿意度作為衡量用戶體驗的重要指標，在企業具體的用戶體驗實踐中得到了較大範圍的應用。

在京東，滿意度調查不僅應用於 APP 產品體驗的評估，用以幫助 APP 各產品線周期性監控用戶滿意度變化，發現各產品線的體驗優化點；而且應用於商家店鋪運營各環節的滿意度評估，用以評估京東與商家合作過程中各環節的系統、規則、服務體驗；甚至在衡量京東大廈餐廳的就餐體驗時也發揮着重要的指導作用。滿意度已然成為京東相關產品、系統、功能、服務體驗的「溫度計」。通過滿意度調查我們可以追蹤產品、系統、功能、服務的「績效」表現，直觀地了解用戶或客戶的體驗狀況，可以對比與競品的滿意度水平差距，可以評估滿意度改進措施的實際效果。

在滿意度的實際應用當中，我們常用四種滿意度模型來幫助我們完成滿意度體系的搭建或滿意度數據的分析：

四分圖模型

四分圖模型，滿意度的一種分析診斷模型，主要根據各指標的權重得分及滿意度得分構建二維坐標，通過劃分四象限來分析目前哪些指標需要重點改善；

在實際工作中應用四分圖模型時需要重點完成以下幾方面的工作：

根據研究對象確定反映用戶滿意度的指標。獲取滿意度指標可以參考現有的理論資料，也可以針對研究對象進行相應的用戶調研，了解用戶在與研究對象進行交互的過程中所重點關注的內容有哪些，以此來提煉出滿意度指標。舉個簡單的例子，如用戶對電商平台某類商品的滿意度，可以分別從商品質量、商品價格、商品豐富度三個方面進行滿意度評估

根據滿意度指標設計滿意度量表和指標權重量表。關於量表的設計有比較系統的方法，在此不做贅述，需要注意的是在項目時間允許的情況下，對量表進行信度和效度檢驗是必要的。但是，在實際的工作中，本着快速發現改善用戶滿意度切入點的目的，即使沒有資源或時間來進行嚴格信效度檢驗，直接應用量表或問卷進行用戶調查也是可以的。

滿意度 & 權重數據收集及分析。滿意度及權重量表數據收集之後，需要分別計算各指標的滿意度得分及權重得分，得分的計算方式可以是算術平均，也可以是加權平均。根據各指標的滿意度得分和權重得分，則可將其繪製到由滿意度和權重兩個維度構成的坐標系中，再利用滿意度得分和權重得分的平均值或中位值則可劃分出四部分區域（修補區、機會區、優勢區、維持區），結合各指標在坐標系中的分佈，即可判斷各個指標分別落入哪個區域中。

KANO模型

KANO 模型，以分析用戶需求對用戶滿意度的影響為基礎，利用用戶需求與用戶滿意度之間的非線性關係，對用戶需求進行分類和優先級排序；

KANO 模型並非滿意度的計算模型，主要通過結構化的問卷和分析方法來對相關功能、需求進行分類和定位。可通過計算特定功能/需求在各個屬性上的用戶比例來判斷功能/需求屬於 KANO 模型中的哪種屬性，也可通過 Better-Worse 係數進一步對功能/需求進行分析和優先級排序。

接下來將以「京東店鋪評分是否應該包含商品質量考核」為例（京東店鋪評分是店鋪商品質量、店鋪售後服務質量、店鋪物流速度等多個維度的綜合指數，目前店鋪評分已修改為店鋪星級，如下圖所示），簡要說明 KANO 模型的具體應用方法。

設計問卷。針對「店鋪評分包含商品質量考核」設計正反向問題，分別收集用戶對店鋪評分包含商品質量考核時的態度和不包含商品質量評分時的態度。

問卷調查及數據分析。針對目標用戶投放問卷並回收，對數據進行清洗后，數據分析時主要利用交叉表來統計不同選項上的用戶比例。根據交叉表中各個單元格的屬性定義來統計計算「商品質量考核」在各個屬性上的用戶選擇比例，交叉表及各個單元格的屬性定義具體實例如圖所示。其中S（A）、S（I）、S（O）、S（M）、S（Q）、S（R）分別表示所調研的功能/需求在魅力屬性、無差異屬性、期望屬性、必備屬性、可疑屬性、反向屬性上的用戶比例之和。從案例中可以得出，「商品質量考核」在S（M）上的用戶比例最高，因此屬於必備屬性。由此，我們可以得出如果店鋪評分包含「商品質量考核」，用戶滿意度並不會明顯提升，但如果店鋪評分不包含「商品質量考核」，用戶滿意度會急劇下降。

計算 Better-Worse 係數。為了進一步驗證功能/需求的增加或消除對滿意度的影響程度，可以分別計算其 Better-Worse 係數來進行分析。Better 係數可以理解為增加功能/需求后的滿意度係數，數值通常為正，代表如果提供某種功能的話，用戶滿意度會提升；正值越大或越接近 1，表示對用戶滿意度的影響越大，用戶滿意度提升得也就越快。Worse 係數可以理解為消除功能/需求后的不滿意度係數，其數值通常為負，代表如果不提供某種功能的話，用戶的滿意度會降低；值越接近 -1，表示對用戶不滿意度的影響越大，滿意度下降得越快。

在本例中，商品質量考核的 Better 係數為 0.40，Worse 係數為 0.63。由此可見，如果店鋪評分不包含商品質量考核，會導致用戶滿意度快速的下降

Kano 模型深度解析：

閱讀文章 >>

層次分析模型

層次分析模型，借鑒運籌學的層次權重決策分析方法，對滿意度指標進行層級劃分，並構造判斷矩陣來計算各層級指標的權重，以此構建滿意度指標體系。

層次分析並不能告訴大家怎麼來構建滿意度的層級結構，層次分析的作用是在我們對滿意度完成了層次結構的構建之後，幫助我們設定各層級指標元素的權重。

滿意度層次分析模型構建的主要工作有：

滿意度層次結構構建。層次分析滿意度模型的層級結構創建可參考現有的理論或資料，也可以通過探索性的研究或利益相關人的調研來梳理滿意度的層級結構。

構造判斷矩陣。判斷矩陣是對某一指標 C 的子指標 B1，B2，……Bn兩兩對比得到的矩陣，其中 bij 表示對於指標 C 來說，子指標 Bi 與子指標 Bj 相比，其重要程度等級。Bij 的值是根據資料數據、專家意見或評價人經驗確定的。另外，因判斷矩陣為正互反矩陣（Bij>0,且Bij=1/Bji），所以在實際構造判斷矩陣的過程中，只需對比得出矩陣對角線上半部分的重要程度等級，然後對上半部分數據依此取倒數填寫至矩陣下半部分對應位置即可。

計算指標權重。指標權重的計算方法有兩種：和積法和方根法。為了方便理解具體的計算方法，此處結合實際的案例來進行說明。假設京東支付的滿意度包含四個指標：支付安全性、支付便捷性、支付方式多樣性、支付頁面美觀性，判斷矩陣及和積法、方根法的計算過程如下圖所示。

一致性檢驗。之所以需要進行一致性檢驗，是因為在構造判斷矩陣時可能會出現指標重要性的排序矛盾存在。例如三個指標 B1、B2、B3，重要性依次遞減，但我們在填寫重要程度時可能會出現如下圖所示的錯誤，這是不符合邏輯的。

進行一致性檢驗需要計算判斷矩陣的最大特徵根 λmax，並以此計算一致性指標 CI 和一致性比值 CR，CR<0.1，即認為矩陣具有一致性。相關的計算方法如下：

仍以京東支付的滿意度研究為例，對其進行一致性檢驗的計算過程如下：

如果判斷矩陣不能通過一致性檢驗，則需返回判斷矩陣構造階段，對矩陣進行進行調整。整體的計算過程較為複雜，因此為了提高工作效率，也可以尋找一些層次分析的計算軟件來輔助進行權重計算和一致性的檢驗。

結構方程模型

結構方程模型，一種藉助於既有理論進行假設檢驗的統計建模技術，在滿意度的應用中需要通過現有的理論或經驗構建滿意度模型，並利用統計檢驗方法對模型進行檢驗，以此構建滿意度模型，並得到滿意度各指標的權重。

結構方程模型在滿意度研究中的最典型的應用案例便是 CSI，顧客滿意度指數模型；在顧客滿意度指數模型中，最有影響的三個模型分別為瑞典顧客滿意度指數模型 SCSB，美國顧客滿意度指數模型 ACSI，歐洲顧客滿意度模型 ECSI，都是用來監測國家宏觀經濟情況的經濟學模型，與 GDP、GNP 屬於同一類型的宏觀經濟指標，而不是針對企業的診斷指導，不涉及企業產品/服務的具體績效指標，因此在企業層面進行滿意度調查時很少使用這些滿意度指數模型。但可以借鑒結構方程的高階驗證性因素分析來進行指標權重的計算。

結構方程模型的計算分析工具主要有 LISREL、AMOS、Mplus 等，其中 LISREL 和 Mplus 都是語法為主的分析工具，AMOS 則提供圖形化操作界面。

使用 AMOS 軟件進行滿意度權重分析的主要步驟可以分為：

繪製結構模型，依據已有的經驗或理論繪製滿意度結構模型，在下圖中繪製的是購物體驗的滿意度驗證性因素分析模型

選取數據和變量，在AMOS中打開對應的滿意度數據，並將數據文件中的變量對應到上一步繪製的模型中的觀察變量上，建立對應關係

使用AMOS進行數據計算分析，得出相應的模型擬合結果以及標準化結構係數，從而得到相應的權重。

最後，需要說明的是滿意度模型只是一種用戶體驗的監測工具，一種了解用戶感受的方法，對於實際的產品、系統、功能、服務來講，即使我們不使用任何模型，單純地去收集用戶的滿意度反饋，也能為產品、系統、功能、服務提供有效的用戶體驗信息。擁有「以客戶/用戶為中心」的用戶體驗先行意識，這是有效應用各種研究方法/模型的重要前提。

歡迎關注「JellyDesign」的小程序：

未经-摩登3注册-摩登3测速官网-允许不得转载：摩登3注册-摩登3测速官网 » 無極五註冊平台_如何分析用戶滿意度？京東設計師常用這四個經典模型！