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?
© Copyright 2024