¿Cómo medir la importancia? Cap 1 - Alter Análisis

TE
AY U D A M O S
A
INVESTIGAR…
¿CÓMO MEDIR LA IMPORTANCIA EN LOS ESTUDIOS
DE CALIDAD DE SERVICIO?
(CAP 1)
A
L
T
E
R
A
N
A
L
I
S
I
S
¿Por qué es necesario medir la importancia en los estudios de calidad
de servicio?
El objetivo final de cualquier sistema de calidad de servicio es aumentar el grado de
satisfacción de los clientes.
Pero como los recursos disponibles para ello no son ilimitados, es necesario establecer unas
prioridades de actuación claras
Satisfacción
Y, para ello, es imprescindible conocer, no sólo, como perciben nuestros clientes el nivel de
servicio que estamos prestando actualmente, sino también cómo de importante es cada
uno de los aspectos considerados
Examinar costes /
beneficios
Mantener / mejorar
Baja prioridad
Prioridad de mejora
la posición
Importancia
¿Qué formas existen para medir la importancia?
Desde un punto de vista operativo, existen diversas formas de poder medir la importancia:
Preguntarlo directamente
Hacer un ranking
Método: se pregunta de forma
directa a los entrevistados la
importancia de cada atributo
Ventajas: Es una tarea muy sencilla
para el entrevistado
Desventajas:
• Menor poder de discriminación.
Casi todos los aspectos tienen un
nivel de importancia similar.
• Atención a los atributos
“políticamente correctos”
Método: se muestra un listado de
atributos y se le pide que los ordene
según su importancia
Ventajas:
• Fácil de hacerlo.
• Se introduce el concepto de coste
de oportunidad. Mayor poder de
discriminación
Desventajas:
• No se puede hacer por teléfono.
• Sigue existiendo el problema de lo
“políticamente correcto”
Estimarla estadísticamente
Método: Se calcula empleando
diversas técnicas estadísticas
Ventajas:
• Fácil de hacerlo.
• Cuestionarios más cortos
• Mayor poder de discriminación que
los métodos directos
• Ya no hay atributos “políticamente
correctos”
Desventajas:
• Requieren más trabajo de análisis e
interpretación de los resultados
• Requieren unas bases de análisis
mayores
Antes de entrar en detalle, queremos destacar que no existe un método que sea
claramente mejor que los otros sino que hay que elegir aquél que mejor se adapte a
las características del sector analizado y a los objetivos específicos de la
investigación.
¿Por qué se produce esa falta de discriminación?
A la hora de realizar un estudio de satisfacción se incluyen únicamente aspectos de
servicios que la experiencia demuestra que son importantes. Por ese motivo, cuando se
pregunta a los entrevistados cómo de importantes les parecen es habitual que nos digan
que todos tienen una importancia bastante similar.
Métodos directos
Métodos estimados
Resolución de
errores
Gestor único
Trato del personal
al cliente
Acceso al gestor
Tiempo que
dedican a atenderme
El problema que plantea este tipo de situaciones es que a la hora de establecer cuáles son
los aspectos de servicio sobre los que hay que actuar de forma prioritaria es más sencillo
hacerlo si existen diferencias claras en la importancia de los atributos.
¿Qué son los atributos “políticamente correctos”?
La existencia de atributos políticamente correctos tiene una doble vertiente:
• Hay aspectos que se declaran importantes pero, realmente no inciden en la satisfacción de los
clientes (señalados en rojo en el ejemplo)
• Hay aspectos que, al tener un componente emocional, no se declaran como importantes y,
sin embargo, si inciden en la satisfacción de los clientes. (señalados en azul en el ejemplo)
Buen precio
Seguridad
instalaciones
Dchos consumidores
Preocupada por medio
ambiente
Facturas claras
Fácil contacto
Ahorro de energía
Inversión en redes
Mantenimiento instalaciones
Personal amable
Amplia red de centros
Importancia
Facturas ajustadas a consumo
Suministro fiable
Personal competentes,
experiencia
Calidad de vida en hogar
Bienestar a mi hogar
Con experiencia
Sólida
Innovadora
Financiar instalaciones
Apoya causas sociales
Preocupado por mi y familia
Moderna, dinámica
Me gusta ser cliente
Sum. Conjunto
Facilidades en el pago
Gestiones internet
Hogareña
Simpática
Preferencia
Tradicional
Y, ¿cómo se puede medir la importancia de forma estadística?
Existen distintas técnicas estadísticas que nos permitirían obtener el grado de
importancia que tiene cada uno de los atributos de servicio considerados. En este
primer capítulo nos vamos a centrar en las dos primeras que son las más utilizadas:
Veamos cómo funcionan de forma sencilla
¿cómo funcionan las correlaciones y regresiones?
La base que hay detrás de ambos métodos es similar. Para poder estimar la
importancia que tiene cada uno de los aspectos en la satisfacción final se analizan
los patrones de respuesta de los que se declaran satisfechos y de los que no lo están,
tratando de identificar qué aspectos del servicio son los que más satisfacción
generan.
Veámoslo con un ejemplo: si analizamos las respuestas dadas por el cliente satisfecho
en comparación con las del cliente insatisfecho.
Aspectos con una alta valoración pero
Valoraciones
del cliente
satisfecho
Valoraciones
del cliente
insatisfecho
Identificación del personal autorizado
4
4
Manipulación con pulcritud y limpieza
5
3
Frecuencia revisiones de instalaciones
4
2
Notificación por adelantado de la revisión
3
3
Rigor y eficacia de las revisiones
5
2
Las explicaciones sobre actuación técnico
3
5
Servicio telefónico para atender pedidos
3
3
Veamos las ventajas e inconvenientes de ambos modelos
igual
en amboscon
clientes
no tienen
Aspectos
una=>
alta
unavaloración
gran influencia
enigual
la fidelidad
pero
en ambos
clientes => no tienen una gran
influencia en la satisfacción
Aspectos con buena valoración entre
los Aspectos
fieles y mala
entre
los infieles
=>
con
buena
valoración
generan
entrefidelidad
los satisfechos y mala entre
los insatisfechos => generan
satisfacción
Aspectos con buena valoración entre
los Aspectos
infieles y buena
losvaloración
fieles =>
con entre
buena
no entre
generan
losfidelidad
insatisfechos y mala
entre los satisfechos => no
generan satisfacción
¿cómo funcionan las correlaciones y regresiones?
Como ya se ha mencionado, ambos análisis están íntimamente relacionados y
suponen el análisis de los datos obtenidos de dos o más variables para conocer
hasta qué punto están relacionadas estadísticamente:
• El análisis de correlación produce un número, el coeficiente de correlación,
que muestra hasta qué punto están relacionadas dos variables.
• Por su parte, el análisis de regresión da lugar a una ecuación matemática
que describe la estructura de dicha relación. Existen, por tanto, distintos tipos
de regresiones:
• Regresión Lineal: y = A + Bx
• Regresión Logarítmica: y = A + BLn(x)
• Regresión Exponencial: y = Abx
• Regresión Cuadrática: y = A + Bx +Cx2
• Regresión logística: y = 1/(1+e(-A+Bx))
•La “y” es la variables que se
quiere explicar
•La “x” es la variable/s que la
explican
¿Qué obtenemos del análisis de correlaciones?
•
Dependiendo de los distintos tipos de variables que se quieran relacionar,
existen distintos tipo de análisis de correlación:
• Variables cuantitativas
• Variables ordinales o de ranking
• Variables dicotómicas,
•
En todos ellos, el análisis de correlaciones entre varias variables da como
resultado una matriz similar a la de las distancias kilométricas:
Satisfacción
Var 2
Var 3
Var 4
Var 5
Var 6
Satisfac Var 2 Var 3
1
-0,54 0,25
1
-0,57
1
Var 4
0,12
0,84
-0,25
1
Var 5
0,23
0,34
0,56
0,74
1
Var 6
0,78
0,54
0,16
0,22
0,35
1
9
¿Qué obtenemos del análisis de correlaciones?
•
En el que cada casilla nos muestra la relación que existe entre esas variables.
•
La interpretación del número sería la siguiente:
•
Si el signo es positivo la relación entre ambas variables es directa y si es
negativo la relación es inversa.
•
El valor absoluto del número nos indica la mayor o menor relación entre
ambas variables.
En nuestro ejemplo:
la variable 6 es la que mayor incidencia tiene en la satisfacción de los clientes.
la variable 2 muestra una relación inversa con la satisfacción es decir, cuando
crece esta variable decrece la satisfacción de los clientes.
10
¿Qué obtenemos del análisis de regresiones?
•
El análisis de regresión da como resultado una ecuación que expresa la relación que
existe entre las variables. Por ejemplo en el caso de una regresión lineal múltiple el
resultado sería una ecuación del tipo:
Satisfacción = 0,54 var1 + 0,15var2 – 0,27 var3 + 0,84 var4
•
En este caso, lo que se interpreta es el coeficiente que multiplica a cada una de las
variables. La interpretación del número sería similar a la del análisis de correlaciones:
•
Si el signo es positivo la relación entre ambas variables es directa y si es
negativo la relación es inversa.
•
El valor absoluto del número nos indica la mayor o menor relación entre ambas
variables.
En nuestro caso, vemos que la variable que más incide en la satisfacción
es la cuarta y que la tercera incide de forma negativa en la satisfacción.
11
¿Qué debemos tener en cuenta al considerar un análisis de regresiones?
•
El hecho de emplear una determinada función matemática tiene tres implicaciones:
1.
Antes de empezar el análisis de regresión propiamente dicho, hay que
seleccionar el tipo de regresión que queremos realizar (es decir, el tipo de
función matemática que creemos que mejor expresa la relación existente
entre las variables). La elección del tipo de regresión a emplear es, por tanto,
muy importante.
2.
Al tratarse de una ecuación podemos calcular para cada uno de los individuos
el valor de la satisfacción y comparar los resultados obtenidos con la
declaración que ellos nos han dado.
Satisfacción = 0,54 var1 + 0,15var2 – 0,27 var3 + 0,84 var4
Individuo 1
Individuo 2
Individuo 3
Individuo 4
Individuo 5
Individuo 6
Satisfacción
Satisfacción
declarada Var1 Var2 Var3 Var4 estimada
5
5
4
3
5
6,7
4
3
4
5
4
4,2
5
5
5
5
5
6,3
3
2
4
3
5
5,1
2
1
2
4
5
4,0
4
3
4
5
4
4,2
Diferencia de
satisfacc
1,7
0,2
1,3
2,1
2,0
0,2
Esto se conoce como la bondad de ajuste del modelo y se resume en un
indicador conocido como R2 (Cuanto más se acerque a 1 mejor será la
capacidad de estimar la satisfacción o lealtad de los clientes)
12
¿Qué debemos tener en cuenta al considerar un análisis de regresiones?
Hay que tener presente que en situaciones en las que la variable que queremos
explicar tiene muy poca variación en las respuestas, pese a obtener una R2
elevada la capacidad de ajuste del modelo puede no ser muy buena.
Muy satisfecho
Bastante satisfecho
Indiferente
Bastante insatisfecho
Muy insatisfecho
Frecuencia Capacidad
real de la
de acierto
variable
del modelo
400
95%
300
92%
37
80%
10
3
0%
0%
La R2 del modelo es del 0.92. Es decir una muy buena capacidad de ajuste. Sin
embargo, vemos que la capacidad para explicar la insatisfacción es muy baja (pero al
ser tan poco frecuente no tiene impacto en una medida agregada como es la R 2)
3.
Permite que se puedan realizar predicciones sobre el valor que tendrá la
variable que se quiere explicar en función de las respuestas obtenidas en las
variables explicativas. Es decir, nos permitiría conocer el grado de satisfacción
de un cliente en función de sus respuestas al resto de las variables. Pero, hay
que tener en cuenta que para que la predicción sea fiable el modelo tiene que
tener una R2 muy elevada
13
¿Qué debemos tener en cuenta al considerar un análisis de regresiones?
4. Al estar basados en una determinada función matemática, la mayor parte
de los modelos de regresión están pensados para usarlos con variables
(tanto explicativas como explicadas) de carácter continuo. Por ese motivo, la
mayor parte de ellos “funcionan” peor cuando tienen que trabajar con
variables que no lo son. Esta limitación no está presente en los modelos de
correlación.
5. Algunos tipos de análisis de regresión (logística, probit) requieren que la
variable que se quiere explicar sea dicotómica (lo que puede requerir una
transformación de los datos recogidos, simplificando las escalas, y eso puede
suponer una posible reducción de la base de análisis y de la “riqueza” de
información que hay en los matices de las respuestas). Sin embargo, los
modelos de correlación no requieren esa transformación ya que permiten
emplear toda la escala de respuestas.
14
¿Qué debemos tener en cuenta al considerar ambos análisis?
Otro aspecto importante a la hora de realizar tanto un análisis de correlación como de regresión
es la multicolinealidad.
La multicolinealidad es un problema que se produce debido a la relación que puede existir entre
las variables explicativas.
Veamos un ejemplo: En este caso tenemos una variable que queremos explicar, la satisfacción
general y dos variables que la podrían explicar: las explicaciones que da el técnico y el rigor en las
revisiones:
• La zona A indica la influencia de las explicaciones en la satisfacción general
• La zona B indica la influencia del rigor en la satisfacción global.
• La zona C indica la influencia de ambas variables en la satisfacción global
SATISFACCIÓN
GENERAL
A
Explicaciones
de lo que hace
el técnico
durante la
revisión
C
B
Rigor y eficacia
en las
revisiones
De esta forma vemos gráficamente que la zona C se contabilizaría dos veces. Ese el problema de
la multicolinealidad que puede llegar a ser muy importante si el tamaño de C también lo es.
¿Qué debemos tener en cuenta al considerar ambos análisis?
La multicolinealidad añade inestabilidad a ambos modelos ya que puede tener
unos importantes efectos sobre ellos (*):
• El cálculo de la importancia que cada uno de los aspectos tiene sobre la
satisfacción general se puede ver muy afectado.
• Pueden variar los signos de la relación de cada variable con la variable
que se quiere explicar (es decir, si se trata de una relación directa o
inversa) dando lugar a situaciones contrarias al sentido común.
• El cálculo de la importancia puede sufrir importantes cambios de un año
para otro.
¿Cómo podemos evitar los problemas de multicolinealidad?
La forma de eliminar el problema es distinto en uno u otro método.
Métodos de regresión
Métodos de correlación
Método: Analizar la correlación entre las
variables y eliminar del análisis aquellas
que muestren alta grado de correlación
Método: Emplear el método de
correlaciones parciales desarrollado por
Kruskal.
Desventaja:
• Al eliminar las variables con altas
correlaciones no podremos obtener la
importancia que tienen todos y cada uno
de los elementos de servicio considerados
Ventaja:
• No es necesario eliminar ninguna de las
variables. Por lo tanto, tendremos una
valoración de la importancia de todos los
aspectos de servicio considerados tengan o
no una fuerte correlación entre ellos.
Entonces, ¿qué método de estimación es mejor?
No existe un método que sea claramente superior a los demás, ya que, como
hemos visto, todos tienen sus puntos fuertes y sus debilidades.
Realmente, lo que se debe buscar es el método que mejor se adapta a las
características y necesidades de la investigación:
• ¿Es realmente relevante conocer el grado de importancia en profundidad
o con una simple aproximación es suficiente?.
• ¿Qué métodos de entrevista se pueden llevar a cabo?
• ¿Existen restricciones presupuestarias?
• ¿Se trata de un sector con amplio o bajo nivel de implicación por parte
de los usuarios?
• ¿Existe un histórico que se quiere mantener?