回归在客户满意度分析中合理使用教材 零点公司技术部制作 理论界对于多元回归分析的否定与质疑 否定回归的观点： 1992年威廉姆麦可兰博士对多元回归分析在客户满意度模型的应用提出了批评，他认为，使用回归研究满意度的决定因素“充满了数学和哲学危险”，而极力推崇的是因素自赋重要性推导方法。 肯定回归的观点： 只要合理地应用，回归分析是进行客户满意度研究(CSM)的绝佳工具。 麦可兰博士假设数据中的不合理性 因素B没有变化，但在一个真正的CSM数据系统中发现这样一个因素的可能性很小。 与整个满意度测量的相关性相比，因素C与另一个因素A更相关。 原始假设数据因素取值的同一性 因素之间的强效相关性 相关性测试 麦可兰博士否定回归的理由 否定回归的理由： 麦可兰博士揭示了被称为“压抑网”的现象，一个特殊种类的压抑效果。当一个自变量与另一个自变量相关程度较高，但是与模型中的预测因变量相关程度较低时，“压抑网”现象发生。这一现象将产生一个有错误标志的回归系数，压抑效果很可能发生在回归分析中。 否定理由中的不恰当性 对否定理由的驳斥： 统计输出结果仅仅是对输入的原始数据的另一种形式的再现。麦可兰博士描述的这些问题可能只是发生在，如果一个CSM研究者要使用在此之后的统计“筛选”去发现正确的回归模型（如：逐步回归），特别是如果建模涉及到大量像上述自变量这样的多余因素时。但是，如果一个回归模型已经被正确地说明，一套相对独立的决定因素，每一个预测变量都应当与它所决定的而不是其他预测变量有更多联系。如果有这种完善的研究实践，压抑效果可以避免。 麦可兰博士自赋因素重要性的误区 误区：具有高重要性的不重要因素 麦可兰博士应用假设数据讨论一个有高重要性的因素，应当注意到，他武断地对例子中的因素赋予重要性。它们与假设数据是没有实质性联系的。 自赋因素重要性的误区实例 看看“飞行安全“这个经典实例。当被问及时，大多数消费者可能赋予”安全”很高的分值。但是，它可能不是选择航线的重要指标。它更可能是最低的要求，某种被希望的、重要的，但是对于预言的选择并不是很重要。难道我们要把资源从安全中抽离吗？不，它最好保持现在的表现水平，要知道，资源少，表现水平就会降低。（对于不同的航空公司而言，“安全问题”是最基本的，如果连“安全”都保证不了，总体的竞争实力肯定会降低） 自赋因素重要性与回归推演重要性的矛盾 四种自赋重要性与推演重要性的组合 表中“2”和“3”这两个数据单元显示出两个方法之间的一致，“1”和“4”两个数据单元显示方法之间缺乏同一。“飞行安全”实例即属于单元格4的情况，“高自赋重要性低推演重要性”。而单元格1则为自赋的重要性低而回归的推演影响高。 低自赋重要性与高推演重要性 例如，看一个例子，对年轻的城市职业者购买宝马产品后的满意度进行评分。假设，影响他们满意度的因素之一是他们在驾驶汽车过程中所带来的心理感受。在一个自赋重要性的任务中，可能许多人不会承认这一因素对于他们的购买决定和接下来的满意度有很大贡献。但是，在一个正确说明的回归分析中，很可能这样一个因素会有一个大而显著的回归系数。（这就是所谓的低自赋重要性和高推演重要性） CSM的理论 核心理论 CSM研究的核心观点之一是客户的忠诚度，以及接下来的财务表现，与特定的全球态度、对产品和服务的感觉（总体质量，总体满意度等）相关。 CSM基本概念框架 特定的因素感觉整体感觉客户忠诚度财务体现 CSM理论的管理目标 管理目标 基于这个基本框架，CSM研究者旨在发现增加整体测量分值的方法。较高的整体分值意味着用户更满意于产品和服务，这样，更可能保持忠诚度，产生收入。许多公司理解这些原理，并且严格遵循，结果，他们通过CSM的测量过程在财务上回报那些能带来大量收益的雇员。 提高总体测量精度的有效方法 CSM的直接目的 发现在总体测量中贡献最大的因素，通过在那些有最大影响的因素上取得进展，可以使整体测量中的收益达到最优化。 达到目的的有效方法 多元回归正是所需要的。这个技术提供了因素如何整合的模型。回归方程式将所有因素结合进一个单独的新测量中，它对尽量接近总体的偏好进行测量。因此，在既定的理论框架和管理目标下，多元回归的概念逻辑使得它作为一个模型化整体CSM测量的统计技术非常合适。 回归的益处—举例 假设数据序列如下：