有價值的績效函數

第五章整合 IPA 及 Kano 之資源重整分析模式

第二節有價值的績效函數

圖 20 新 IPSM 模式的概念發展過程

其中 f 是顧客滿意度函數，_p_j是第 j 個服務屬性的知覺服務，而_e_j是第 j 個服務屬性的期望服務

第三節二階段新重要-績效策略矩陣分析過程

本章節將敘述新重要-績效策略矩陣(importance performance strategy matrix, IPSM) 的分析過程，其中屬性績效的衡量為有價值的績效值，而屬性重要性的衡量來自於整體顧客滿意度函數(見第三章定義)及 BPNN-IPA 模式(Deng et al., 2008)的計算方法。

一、IPSM 的分析步驟：

整個 IPSM2k7 分析過程分二階段進行，分述如下：

第一階段：建構顧客滿意度函數CS及計算有價值績效這一階段共有五個步驟：

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屬性。

步驟二、衡量消費者對各服務屬性之期望服務、知覺服務及整體滿意度

此部分是以問卷調查方式進行，由消費者自行評估而得各屬性之期望服務 )

, , , , , ,

(e₁ e₂  e_j e_j_₁  e_k 及實際感受值(p₁,p₂,,p_j,p_j_₁,,p_k)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 )

p , , p , p , , p , p

( ₁ ₂  _j _j_₁  _k ，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。

集，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 )² 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 的輸出值與目標值之間有² 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。

步驟五：計算每一個屬性的有價值績效Va_Per( j) 其計算公式如下所述：

) p , , p , e , , p ( f ) ,p , ,p ,p ...

, f(p j) ( Per _

Va  ₁ _j _j_₁ _k  ₁  _j _j_₁  _k (36)

其中 f 是顧客滿意度函數，p_j是第 j 個服務屬性的知覺服務，而e_j是第 j 個服務屬性的期望服務。

第二階段：新重要績效策略矩陣(IPSM) 新 IPSM 共有四個分析步驟：

步驟一：發展每一屬性的複合重要性(Composite importance)CI_i：

w , CI w

j j





 其中 _, _j _I_,

) w w

w_j ^j ^H( ^jh  ^ho  

 (37)

其中 H 是隱藏層神經元集合，^H 是隱藏層神經元個數，w_jh是輸入層和隱藏層的聯結權重，w_ho是隱藏層和輸出層的聯結權重。

步驟二：發展每一屬性的複合績效值(Composite Performance)CP_j

^CP^j ^^va^_^{p e r}⁽ ^j⁾ (38) 步驟三：繪製 IPSM 矩陣(如圖 22)。

步驟四：將欲評估屬性的屬性績效值CP_j及屬性重要值所對應的位置(_CP_j,CI_j)標在 IPSM 的象限中，企業管理者可依據各屬性在新 IPSM 所在的位置對企業提出資源重整計畫。

整合上述二階段九步驟，本研究以圖 21 表示二階段新 IPSM 的分析流程如下：

圖 21 二階段新重要-績效策略矩陣分析過程

二、IPSM 各象限的策略意義：

IPSM 為二維度矩陣(如圖 22)，其中水帄軸為屬性的複合績效值(CP)，鉛垂軸為屬性 第一階段

定義及建構顧客滿意度函數

定義顧客滿意度函數

確定欲研究服務系統服務品質關鍵屬性

衡量各評估屬性滿意程度、

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經由 BPNN 的訓練及測詴過程獲得顧客滿意度函數模式

BPNN 模式

第二階段 新重要績效策略矩陣

各評估屬性的有價值缺口

度函數

計算各評估屬性的複合重要性

計算各評估屬性的複合績效值

建構 2×2 重要績效策略矩陣

根據各屬性在策略矩陣所在位置對企業提出資源重

整分析計畫及做決策

CI_j 為第 j 個服務屬性的複合重要程度，k 為服務屬性個數。兩軸將 IPSM 分成四個象限，

其管理上的意涵分述如下。

圖 22 新 IPSM

第一象限：位於 IPA 矩陣右上方區域，代表高 CI 及正 CP，坐落於此象限內之服 務屬性，消費者重視度高且有價值績效為正值，顯示企業在此屬性上的表現對整體滿意度有正向提升作用，因此企業針對此象限內的服務屬性之策略為「持續投資」

(Continuous Investment)。

第二象限：位於 IPA 矩陣左上方區域，代表高 CI 及負 CP，坐落於此象限內之服 務屬性，消費者重視度高但是卻有負的有價值績效，顯示企業在此屬性上的表現會降低整體顧客滿意度，企業必頇積極加強此部分的改善，方能提升整體顧客滿意度，因此企業針對此象限內的服務屬性之策略為「正面積極投資」(Proactive Investment)。

第三象限：位於 IPA 矩陣左下方區域，代表低 CI 及負 CP，坐落於此象限內之服 務屬性而言，企業的表現雖然讓消費者不滿意，請對提升整體滿意度是負向效果，但是由於消費者較不重視此服務屬性，因此企業針對此象限內的服務屬性之策略為「低優先順序」(Low priority)。

第四象限：位於 IPA 矩陣右下方區域，為低重視程度卻有正的有價值績效，顯示負複合績效正

Composite performance

高

複合重

要性

低

Composite Importance

Quadrant II

Quadrant IV Continuous Investment

繼續投資 Proactive Investment

正面積極投資

Low priority 低優先順序

(₀_,_CI) Quadrant III

Reactive Monitoring 反向監控 Quadrant I

坐落於此象限內之服務屬性消費者較不重視，然而企業的表現已經超過消費者原有的期待而對提升整體顧客滿意度有正像效果，因此企業在此象限內的服務策略為「反向監控」(Reactive Monitoring)，即資源過剩，在資源分配有限情況下，必頇將此處的投資轉移到第二象限。

為了驗證 NGA 及 IPSM 優於傳統 GA 及 IPA，如果只是說明“NGA 及 IPSM 方法可同時處理服務品質屬性之滿意度對整體滿意度具有線性及非線性關係之狀況，而傳統 GA 及 IPA 的運用卻僅能建立在線性之影響關係”，則驗證之理由不夠堅實，畢竟傳統 GA 及 IPA 方法行之已久，並被證實為有實務管理效益之分析方法且被廣泛應用於各服務業之改善策略研究中(Hansen & Bush, 1999; Lee & Hwan, 2005; Mukherjee &

Nath, 2005; Rohini & Mahadevappa, 2006; Tontini & Silveira, 2007)。因此，如果能驗證線性對應關係之下，傳統 GA 與 NGA、IPA 與 IPSM 應有相同的分析結果，同時，

NGA 及 IPSM 亦可實際應用於服務品質的管理中，如此一來，將更能凸顯 NGA 及 IPSM 的有效性。於是，接下來本研究將在第六章利用模擬方式生成一組屬性績效對整體滿意度皆呈線性影響關係的資料作傳統 GA 及 NGA 的比較分析，IPA 的修正模式 PC-GA-IPA (以偏相關係數及 GA 作為重要程度及績效值之 IPA 修正模式)及 IPSM 的比較分析。第七章將藉由本土銀行業在服務品質上的實證研究分析，驗證本研究所提出之整合性分析模式在應用上的有效性。

第六章 NGA及IPSM在線性關係下之有效性(模擬驗證)

本章節將以一份所有服務屬性滿意度對整體滿意度為線性之模擬資料作傳統 GA 與 NGA 及 IPA 的修正模式與 IPSM 的比較分析。由於 IPSM 的重要程度是建立在“提升服務屬性滿意度時，其所能提升績效(整體滿意度)的程度” (Sampson and Showalter, 1999) ，而滿意度則是缺口分析之概念；所以，欲拿來與 IPSM 比較之模式也應建立在同樣的觀點上。是以，本研究選取結合 PC-IPA(Matzler et al., 2004) 及 GA-IPA(Lambert & Sharma, 1990; Lambert & Stock, 1993)而得之 IPA 修正模式，稱為 PC-GA-IPA，因其重要性是透過個別屬性對整體滿意度之偏相關分析，以偏相關係數作為屬性重要程度之評估值，並以服務品質之期望與認知間的缺口作為績效值。在模擬資料的選取上，由於 PC-GA-IPA 模式，不僅假設屬性滿意度對整體滿意度為線性影響關係，並且假設屬性重要度與屬性滿意度之間並非互相獨立，因此資料之選取必頇符合 PC-GA-IPA 模式之特性。故本研究以某一服務業服務品質回收問卷(每一題項皆包括消費者自我評估之屬性重要程度及屬性滿意程度)中服務屬性對整體滿意度為線性之所有構面(非線性之構面予以刪除)模擬整體顧客滿意度。

首先，選取一份某服務業服務品質回收問卷(共 400 份)，此問卷資料原來共包含八大服務品質評估構面，每項評估指標皆有檢測顧客之重要程度及滿意程度，而評估尺度則採用李克特(Likert)五點尺度予以衡量。在重要程度方面，1 到 5 分別代表「非常不重要」、「不重要」、「沒意見」、「重要」及「非常重要」，在滿意度方面則是「非常不滿意」、「不滿意」、「沒意見」、「滿意」及「非常滿意」。本研究對此資料作 Kano 分析，得知八大服務品質評估構面中有三項服務服務屬性的滿意度對整體滿意度為線性影響關係，其餘五項則為非線性關係，刪除非線性之五項服務屬性，僅保留聖下之三項符合線性關係的服務屬性(以下稱為屬性 A、屬性 B、屬性 C)之滿意程度，以 EXCEL 軟體模擬生成線性影響關係的整體顧客滿意度，作為本研究之驗證資料。接著利用此生成之資料作比較分析。其比較分析過程分三階段進行：

一、建構整體顧客滿意度函數

NGA 與 IPSM 都是先建構整體顧客滿意度函數，並據此滿意度函數計算有價值缺口值及有價值績效值、重要程度值，因此，本研究以屬性 A、B、C 等三項服務屬性的滿意程度為輸入變數，整體顧客滿意度 CS 為輸出變數，以進行 BPNN 的分析過程，並以樣本的 70%做為訓練資料，樣本的 20%為測詴資料，而樣本 10%則為交叉驗證集合檢測 BPNN 訓練過程是否過度訓練(Bloom, 2004)，最後依檢測結果，設定學習停止規則為 10000 世代而容忍值為 0.001；再經由嘗詴錯誤法(Try and Error Method) 選取最適參數，其中活化函數為雙曲線函數(hyperbolic tangent)，隱藏層神經元個數為 8 個，學習率 0.3，慣性因子 0.7，以建構服務品質顧客滿意度最佳預測模式。在訓練 過程中，MSE (RMSE)值為 0.00823 (0.09)，MAPE 值為 7.101%，R²值則為 0.927；在測 詴過程中，MSE (RMSE)值為 0.0162 (0.13)，MAPE 值為 6.7387%，R²值則為 0.917，因 為 MSE (RMSE)最接近 0 及 MAPE 值小於 10%，表示 BPNN 預測模式有高準確預測，

而 R²值最接近 1，則資料有最好的配適狀況。

經由以上過程，顧客滿意度預測模式CS  f(p₁,p₂,p₃)於是建構完成，以下將據此模式作分析比較。

二、NGA 與 GA 比較分析

將線性模擬資料進行 NGA 及傳統 GA 分析，其分析結果列於表 9 中。由表 9 可知，NGA 及傳統 GA 在各服務屬性皆有顯著負向缺口，且兩種方法的缺口排序相同，

依序為(1)屬性 B，(2)屬性 C，(3)屬性 A；在整體服務系統方面，NGA 及傳統 GA 皆為顯著負向缺口。由此可知，在屬性滿意度對整體顧客滿意為線性關係下，NGA 與傳統 GA 有相同結果。

表 9

模擬線性資料各服務品質評估構面的傳統缺口分析與新缺口分析結果服務品質評估構面

傳統缺口分析 (t-value)

新缺口分析 (t-value)

缺口排序缺口排序

屬性A (滿-重) -4.974** 3 -5.600** 3 屬性B (滿-重) -9.148** 1 -8.743** 1 屬性C (滿-重) -8.060** 2 -7.852** 2

整體服務品質(滿-重) -8.624** -8.7533**

註：** p < 0.01, * p < 0.05，„滿‟表滿意度，‘重‟表重要度

三、IPSM 與 PC-GA-IPA 比較分析

將線性模擬資料進行IPSM及PC-GA-IPA分析，其中IPSM之重要程度取自於 BPNN 測詴模式的權重 ( 如表 10 所示 ) ，績效值則為各服務屬性的有價值績效， PC-GA-IPA之重要程度為屬性滿意度對整體滿意度之偏相關係數，績效值為各屬性之缺口值，其結果列於表11中。

表 10

模擬資料 BPNN 之輸入層及輸出層神經元與隱藏層神經元間的聯結權重 隱藏層神經元

輸入層神經元 1 2 3 4 5 6 7 8

屬性 A -0.0788 -1.2318 0.3095 1.1647 -0.2614 0.4234 0.2018 -1.1081

屬性 B -0.0448 -0.5122 0.0693 -0.1470 0.1359 0.6538 -0.3528 0.7995

屬性 C -0.1638 -0.6277 -0.6277 0.1264 -0.3018 -0.2813 0.0756 0.4997

輸出層神經元

整體顧客滿意度 -0.2021 -1.2383 0.4154 1.0635 -0.1400 -0.1967 -0.1020 0.6055

表 11

模擬線性資料各服務品質評估構面的 IPSM 與 PC-GA-IPA 結果 服務品質

評估構面

IPSM PC-GA-IPA

CI CP PRI GP

屬性A 0.396 -5.600 0.552 -4.974 屬性B 0.302 -8.743 0.518 -9.148 屬性C 0.302 -7.852 0.518 -8.060 Total mean 0.333 --- 0.529 --- 註：PRI(Partial-related Importance)：表由偏相關分析所得之相對重要性； GP(GA Performance)：表由缺口分析所得之滿意程度(績效)；CI(Composite Importance)：表由 BPNN分析所得之相對重要性；CP(Composite performance)：由BPNN分析所得之有價 值績效.

PC-GA-IPA 矩陣的橫軸為由缺口分析所得之滿意程度 GP，縱軸表屬性對整體顧 客滿意度偏相關分析所得之相對重要性 PRI，矩陣中心座標為(0,PRI )，其中 0 表無缺口，PRI則為每一屬性 PRI 之帄均值，PC-GA-IPA 矩陣如圖 23 所示。IPSM 矩陣 的橫軸為由 BPNN 分析所得之有價值績效 CP (其計算公式如方程式 37 所示)，縱軸則 為 BPNN 分析所得之相對重要性 CI (其計算公式如方程式 38 所示)，矩陣中心座標為 (0,CI)，其中 0 表無績效，CI則為每一屬性 CI 之帄均值，IPSM 矩陣如圖 24 所示。

屬性B 屬性A 屬性C

0.25 0.5 0.75 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2

Partial-related importance

GA performance

圖 24 模擬資料之 IPSM

由圖 20 及圖 21 可知，屬性 B、C 皆位於 PC-GA-IPA 與 IPSM 矩陣的第三象限，

而屬性 A 也同列兩矩陣之第二象限，因此在 PC-GA-IPA 及 IPSM 模式下，屬性 A、

B、C 的個別策略是相同的。透過此模擬驗證結果得知，在屬性滿意度對整體滿意度為線性影響關係之下，PC-GA-IPA 模式及 IPSM 模式有相同的結果，而 IPSM 又能處理非線性影響關係，此部分對 PC-GA-IPA 模式則有限制，因此 IPSM 模式明顯優於 PC-GA-IPA 模式。

屬性A 屬性B

屬性C

0 0.25 0.5 0.75 -10 -9 -8 -7 -6 -5 -4 -3 -2 -1 0 1 2

Composite importance

Composite performance

在文檔中中華大學 (頁 69-80)

第五章 整合 IPA 及 Kano 之資源重整分析模式

第二節 有價值的績效函數

第三節 二階段新重要-績效策略矩陣分析過程