PZB(1985)所提出的服務品質傳統缺口模式(GA),因其管理上的意涵及實際使用上 方便易用的效果,使得此方法被廣泛應用於各服務業之改善策略研究中(Lee & Hwan, 2005; Mukherjee & Nath, 2005; Rohini & Mahadevappa, 2006; Tontini & Silveira, 2007)。
GA 方法認為,消費者對於服務品質屬性之期望(屬性重要程度)與實際感受(屬性滿意 程度)間的落差(品質缺口),可作為評價服務品質屬性執行績效的依據,並指出所有服 務品質缺口之累積即反應出消費者對於整體服務系統之績效評價。因此為了提升顧客 滿意度,所有有服務品質缺口的屬性必頇被改善,如此一來,使得傳統 GA 方法在應 用上必頇建立在一項基本假設上:對於每一屬性而言,服務品質缺口的降低對顧客滿 意度有正向且線性的影響關係。
然而,Kano模式指出,服務品質滿意度對整體滿意度的影響應包括線性以及非 線性兩種關係;換句話說,不同屬性在降低服務品質缺口以改善顧客滿意度的效用不 盡相同,事實上包含了線性及非線性兩種型態。更進一步,Kano (2001)在對彩色電視 機之研究發現,線性及非線性之型態並非絕對一成不變的,因此在假設線性基礎下之 傳統GA方法無法提供適時的服務績效(Matzler & Sauerwein, 2002; Matzler et al., 2004a)。本研究為了修正傳統GA方法之缺失,並同時結合PZB模式及Kano模式的概 念,提出了一新服務品質缺口模式(new gap analysis,簡稱NGA),其概念發展過程如 圖16所示。
NGA方法建立在Kano的二維品質概念上,並同時反映降低品質缺口對顧客滿意 度的效用下,重新定義有價值缺口,同時,為了反應線性及非線性影響關係的效用,
倒傳遞類神經網路(BPNN)將被用來作為取得有價值缺口值的工具。詳細內容將分述
圖 16 新缺口模式概念的發展過程
第二節 有價值缺口函數
根據 Parasuraman et al. (1985)所提的傳統服務屬性缺口模式得知,服務缺口來自 於顧客的期望服務和知覺服務的差距,同時由於屬性績效(滿意度)對整體滿意度的線 性影響,整體服務系統的服務缺口是各服務屬性缺口的總和。然而,Kano 二維品質 模式的出現,使得各服務屬性的缺口的縮小對整體滿意度有不同的貢獻度。因此,本 研究建議,真正服務品質缺口必頇能夠有效反應其對於提升顧客滿意度的貢獻程度,
即每個品質元素真正會影響整體滿意度之真正有價值缺口,應該透過每個品質元素之 期望服務與知覺服務對顧客滿意度的影響程度之變化差異為真正有價值之缺口。以下
屬性績效及整體滿意度的關係
顧客滿意度 屬性
績效
顧客滿意度
顧客滿意度
線性及非線性
屬 性績 效 僅有線性
屬性績效及整體滿意度的關係
屬 性績 效
from Kano model
from Kano model
from Kano and PZB model NGA
模 式
Kano
模 式
PZB
模 式
為本研究對第 j 個服務屬性的有價值缺口的定義敘述:
Definition2:第 j 個服務屬性的有價值缺口
) p , , p , e , , p , p ( f ) p , , p , p , , p , p ( f ) j (
gap 1 2 j j1 k 1 2 j j1 k
(33) 其中 f 是顧客滿意度函數,pj是第 j 個服務屬性的知覺服務,而ej是第 j 個服務 屬性的期望服務。
另一方面在傳統服務屬性缺口模式下,評估服務系統之總體缺口,一般均透過所 有品質元素所造成之缺口總和視為評估此服務系統之總體缺口,然而在 Kano 二維品 質模式之下,品質元素屬性績效(滿意度)對整體滿意度的影響並不是線性與對稱,因 此,服務系統之總體缺口不應利用各品質元素缺口的線性的總和方式來評估,因此本 研究更進一步定義服務系統之總體缺口如下:
Definition3:服務系統的整體有價值缺口
) e , , e , e , , e , e ( f ) p , , p , p , , p , p ( f ) total (
gap 1 2 j j1 k 1 2 j j1 k
(34) 其中 f 是顧客滿意度函數,pj是第 j 個服務屬性的知覺服務,而ej是第 j 個服務 屬性的期望服務。
第三節 兩階段新缺口分析
本研究將透過 NGA 模式獲得各服務屬性之有價值的缺口及整體服務系統之有價 值缺口,此 NGA 模式共包含兩階段七個步驟,敘述如下:
第一階段:利用 BPNN 分析模式建構顧客滿意度函數 此階段共分四步驟:
步驟一、確認服務業之服務品質關鍵屬性
首先尌欲研究產業領域做相關文獻搜集、專家訪談等方法尋找欲評估之關鍵
) , , , , , ,
(e1 e2 ej ej1 ek 及實際感受值(p1,p2,,pj,pj1,,pk)以及對此服務系 統之整體顧客滿意度 CS。
步驟三、輸入 BPNN 的輸入層資料及輸出層資料
設定 BPNN 分析模式中的輸入層變數為顧客對各服務屬性的實際感受值 )
, , , , , ,
(p1 p2 pj pj1 pk ,輸出層變數為整體顧客滿意度 CS。並使用 BPNN 的 套裝軟體(如:NeuroSolutions 5; Matlab Neural Netowork Toolbox 等)進行分析。
步驟四、建構顧客滿意度函數
透過 BPNN 的訓練和測詴,以建構顧客滿意度函數。執行 BPNN 的訓練時,
樣本的 70%做為訓練資料,樣本的 20%為測詴資料,而樣本之 10%為交叉驗證 集合,以檢測資料是否過度訓練並同時進行 BPNN 的訓練和測詴。為了使整體 的目標函數達到最佳配適狀況,BPNN 必頇透過三類績效指標 (RMSE、MAPE
及R )檢測,以選擇出最佳績效指標的模式。通常 MSE 越小,代表 BPNN 學習2
資料模式越好;另外,測詴樣本的R 越接近 1,表示 BPNN 的輸出值與目標值2 之間有很好的配適度,又 MAPE 越小,則模式預測能力越好,此三種指標詳列 於前一章節中。
第二階段:新缺口分析
此階段是延續傳統缺口分析的概念發展而成,共分成三個步驟:
步驟一:了解每一個服務屬性的有價值服務缺口的存在性
將 各 屬 性 之 滿 意 程 度 pj( j1k) 輸 入 階 段 一 所 求 得 之 顧 客 滿 意 度 函 數 預 測 模 式 , 得 到 整 體 滿 意 度 輸 出 值 f( p1,,pj,pj1,,pk), 接 著 將 某 一 屬 性 的 期 望 程 度 ej取 代 其 所 對 應 的 滿 意 程 度 pj,而 其 餘 屬 性 的 滿 意 程 度 不 變 之 (p1,pj1,ej,pj1,,pk )輸 入 階 段 一 所 求 得 之 顧 客 滿 意 度 函 數,得 到 整 體 滿 意 度 輸 出 值 f(p1,pj1,ej,pj1,,pk),接 著 再 透
過成對樣本 T 檢定,檢測 f(p1,pj1,ej,pj1,,pk )與 f(p1,,pj,pj1,,pk ) 之 間 是 否 有 差 異,也 尌 是 檢 測 第 j 個 服 務 屬 性 對 影 響 整 體 顧 客 滿 意 度 的 有 價 值 缺 口 gap(j) f(p1,,pj,pj1,,pk) f(p1,,ej,pj1,,pk)是 否 為 零 。
步驟二、檢測整體服務系統的整體有價值服務缺口之存在性
將 所 有 屬 性 的 期 望 值(e1,,ej,ej1,,ek)輸 入 第 一 階 段 求 得 之 函 數 , 得 到 整 體 滿 意 度 輸 出 值 f(e1,,ej,ej1,,ek ), 同 樣 利 用 成 對 樣 本 T 檢 定 檢 測 f(e1,,ej,ej1,,ek )與 f( p1,,pj,pj1,,pk )之 間 是 否 有 差 異 , 也 尌 是
檢 測 gap(t o t a l) f(p1,,pj,pj1,,pk) f(e1,,ej,ej1,,ek)是否為零。
步驟三、依上述之分析結果給予此服務系統之建議
整 合 前 述 二 階 段 七 個 步 驟,本 研 究 以 圖 17 表 示 NGA 的 分 析 流 程 。
第一階段
獲得顧客滿意度函數模式
第二階段 新缺口分析 確定欲研究服務系統服務品
質關鍵屬性
衡量各評估屬性之滿意程 度、重要程度及整體顧客滿
意度
輸入 BPNN 的輸入層資料及 輸出層資料
微觀觀點
檢測整體服務系統的整體 有價值服務缺口的存在性
成對 樣本T
檢 定
宏觀觀點
檢測每一個服務屬性的有 價值服務缺口的存在性