• 沒有找到結果。

資料分析方法

在文檔中 中 華 大 學 (頁 31-41)

第三章 研究設計

第四節 資料分析方法

一、敘述統計分析

首先以敘述性統計分析呈現樣本結構以及網路電視品質構面各題項重視程度及

22

滿意程度,以瞭解消費者期望網路電視之關鍵因素指標為何。另外,樣本結構包括性 別、婚姻狀況、年齡、教育程度、職業、帄均月收入與已使用中華電信 MOD時間七 項人口統計變數與消費者是否願意嘗詴手機結合網路電視服務之統計,分別以次數統 計與百分比表示分佈狀況。

二、信效度分析

本文使用信度分析檢測問卷之一致性,本研究以Cronbach’s α作為其判定準則。

關於問卷信度值頇達多少才可接受,依據Guilford(1965)表示,信度係數若大於0.7 表 示具有高度信度; 0.35-0.7 則表示尚可;小於0.35 則信度偏低。如表12所示。但事實上 目前信度尚無公定標準,需佐以該領域相關研究而定。

而效度反應著該測驗使否有效地且正確地檢測到欲探尋的研究目的,可謂是所有 後續分析的關鍵步驟。藉由驗證式因素分析概念,用以探討潛在外衍變項或潛在內衍 變項與其觀察變項間關係。評估收斂效度在檢視相同特質中其分數間是否具顯著相 關,因此本研究以各題項與構面間之標準化後因素負荷量有無顯著大於 0.4,各潛在 變項的建構信度皆大於 0.5,來判定是否收斂效度。

表 12

信度參考範圍

數值範圍 接受程度

< 0.35 信度偏低

0.35-0.7 信度尚可

> 0.7 高度信度

Note. From: Fundamental Statistics in Psychology and Education, Guilford, J.P., Fruchter, B.(1965). New York: McGraw-Hill.

三、T 檢定及變異數分析

T 檢定及變異數分析主要用於探討各種變異來源且加以比較,以瞭解不同變數對 探討主題是否具顯著差異。因此本研究以T檢定分析方法檢定不同性別、婚姻,表現

23

在網路服務品質有無顯著差異;另採用變異數分析方法檢定不同年齡、不同教育程 度、不同職業、不同帄均月收入與不同使用中華電信 MOD時間進行分析。

四、IPGA

IPGA 模式乃 Lin, et al.(2009)延伸缺口分析模式的概念,並透過傳統 IPA 矩陣之 資源分配的概念,整合發展之一資源重整分析模式(Importance-Performance And Gap Analysis;IPGA)。IPGA 模式所繪製的二維矩陣以相對重要程度(RI)為縱軸,相對滿意 程度(RP)為橫軸。

相對重要程度(RI)係取一評估因素的重要程度除以全部評估因素之帄均重要程 度所得的值,因此相對重要程度之函數值範圍為 0 至∞。相對重要程度座落在二維矩 陣第一、二象限的因素代表顧客認為相對比較不重要的因素。

相對滿意程度(RP)的轉換結合了缺口分析模式的概念,先針對評估因素的重要性 與滿意程度以 t-test 進行缺口分析,當存有落差缺口時,按表 13 之計算規則取其 RP 值;

當不存在缺口時,則 RP 值取 0;因此相對滿意程度之函數值範圍為-∞至∞。座落在二 維矩陣第一、四象限的因素代表顧客的感受已超越事先的期望,座落在二維矩陣第 二、三象限的因素則代表尚未滿足顧客期望的因素,座落在縱軸上的要素則代表顧客 對該因素在感受及期望之間並沒有缺口的存在。

IPGA 策略矩陣以相對重要程度(RI)為縱軸,相對滿意程度(RP)為橫軸,因此橫 軸與縱軸將會固定交會於(0,1),這有別於傳統 IPA 矩陣的橫軸與縱軸沒有固定的交會 點。當眾多評估因素均落於同一象限時,如何進一步找尋各因素之資源分配優先順序 顯然成為傳統 IPA 矩陣的一大缺失;而座落於 IPGA 矩陣第二象限的因素距離(0,1)愈遠 代表其需接受資源調整之優先程度愈高(詹雅慧,2007),所以 IPGA 策略矩陣可以找 出資源分配的優先順序;除此之外,IPGA 矩陣因為以相對的概念繪製,因此不同樣本 資料所產生的 IPGA 矩陣亦可以互相比較分析,改進了傳統 IPA 矩陣的限制。

IPGA 模式之分析過程包括下列 6 個步驟:

步驟一:蒐集使用者對網路電視服務品質項目之重視度及滿意度。

24

步驟二:計算所有受訪者對網路電視服務品質每個項目之帄均重視度(I.j )及帄均滿

意度(P.j ),以及所有題項之帄均重視度(I )及帄均滿意度( P )。

步驟三: 利用成對樣本 T 檢定以了解使用者對各項網路電視服務品質項目之期望與 實際感受是否存在正向缺口(亦即滿意度大於重視度)、負向缺口(亦即滿意 度小於重視度)或無缺口(亦即滿意度等於重視度)。

步驟四:分別計算各項網路電視服務品質項目之相對重要程度(RI)與相對績效(RP),

其中,相對重要程度(RI)係取一評估因素的重要程度除以全部評估因素之帄 均重要程度所得的值,其公式為 Ij/ , 另外,相對績效(RP)則是結合了缺I 口分析模式的概念,轉換受訪者對各項目所評估之帄均滿意度為績效之意 涵,亦即先針對評估因素的重要程度與滿意程度以成對樣本 t-test 進行缺口 分析後,再利用表 13 之轉換公式以獲得各項網路電視服務品質項目之相對 績效 RP 值。

表 13

因素相對績效(RP)計算規則表

因素 j 之缺口分析結果 t-test 因素 j 的 RP 值

j j

P

I 顯著 P P j/

j j

P

I 顯著

(P Pj/ )1

j j

P

I

j j

P

I

不顯著 0

註:評估因素 j 的滿意程度為P 、重要程度為j I ;全部評估因素的滿意程度為 P j

步驟五:繪製 IPGA 策略矩陣圖(如圖 2),以相對重要度(RI)為縱軸,相對績效(RP)

25

為橫軸,橫軸與縱軸固定交會於(0,1)。其中,IPGA 策略矩陣圖各象限所代 表資源分配之策略意義及管理意涵如下:

1. 第一象限係屬高相對績效與高相對重要程度所構成的象限,座落於二維矩陣的右 上方區域,此區域的因素應「持續維持」(keep up the good work)。

2. 第二象限係屬低相對績效與高相對重要程度所構成的象限,座落在二維矩陣的左 上方區域,此區域的因素應「加強改善」(concentrate here),且因素座落座標距離 中心座標(0,1)越遠,改善的急迫性越高。

3. 第三象限係屬低相對績效與低相對重要程度所構成的象限,座落在二維矩陣的左 下方區域,此區域的因素為「低優先順序」(low priority)。

4. 第四象限係屬高相對績效與低重要程度所構成的象限,座落在二維矩陣的左下方 區域,此區域的因素為「供過於求」(possible overkill),且因素座落座標距離中心 座標(0,1)越遠,則接受資源移轉之程度越高。

圖 3 IPGA 策略矩陣

步驟六:針對第二象限之加強改善項目中,找出資源分配的優先順序,亦即當

D

q

( j )

愈大表示需改善之順序愈高,其公式為:

. 2 2 .

. ] [( 1)/max( 1)]

( max / [ )

(

   

r

q r r j

q j r

q j P p I I

D

(1)

標與原點距離

代表落於第二限象之指 其中, D

q

( j )

低優先順序

相對重要 (RI) (0,1) 持續維持 加強改善

供過於求 相

對 滿 意

(RP )

26

五、重要-績效策略矩陣(IPSM)

重要-績效策略矩陣(importance-performance strategy matrix, IPSM)依據 Sampson and Showalter (1999)之修正建議,認為 IPA 屬性之重要性評估應是以「當提升單一服 務屬性滿意度時,其所能提升整體顧客滿意度(績效)之程度」,亦認為整合 Kano 之二 維服務品質模式較能貼切於實務上之應用精神(屬性滿意度非全然以線性影響顧客滿 意度/績效),故在重要程度評估方面,採 Deng, et al.(2008)之建議,利用具有線性與 非線性映射能力之倒傳遞類神經網路建構屬性滿意度與整體顧客滿意度間之有價值 績效函數,並藉此萃取服務屬性之實際重要性;同時,亦認為服務屬性之滿意度與實 際績效必為一致,根據相關研究顯示,屬性重要性與滿意度間具有因果關係(Deng, 2007; Deng, et al., 2008; Matzler and Sauerwein, 2002; Matzler, Sauerwein, & Heischmidt, 2003),因此當屬性重要程度之衡量方法改變時,滿意程度之衡量亦頇進行適度修正,

才得以建構一完善模式。

IPA:

Kano:

圖 4 IPA 與 Kano 之影響模式

Note. From “Application of IPA and back-propagation Neural network to build a new service quality decision making model,” by S. P. Lin, 2010(forthcoming), International Journal of Information and Management Sciences, 21(3).

因此,本研究在屬性滿意度評估方面亦進行衡量上之轉換,其是依據 Parasuraman, et al.(1988)之服務缺口概念,認為服務品質存在於消費者對服務之期望與實際感受 間,並且服務績效應視服務缺口大小與方向而論,故透過屬性滿意度與整體滿意度間 之價值績效函數轉換以評估服務缺口之績效值;其分析步驟分為兩階段式探究:第一

屬性滿意度 整體滿意度/績效

線性影響

屬性滿意度 整體滿意度/績效

線性與

非線性影響

27

階段為重要-績效策略矩陣(IPSM)之整體分析步驟;第二階段則為透過倒傳遞類神經網 路建構屬性滿意度與整體滿意度之價值函數,並萃取實際重要度與滿意度之分析流程 且如下所示:

第一階段

步驟一:透過文獻蒐集或專家訪談等方法決定受評估單位之服務屬性。

步驟二:以問卷蒐集方式衡量各評估屬性之滿意程度

( P

ij

)

及重要程度

( I

ij

)

;其中,

I

ij亦 可 表 示 為 消 費 者 接 受 服 務 前 之 期 望 品 質 , 且

i

表 示 受 訪 者 人 數 (

i

=1,2,3,…,

n

), j 則表評估屬性之總個數( j =1,2,3,…, k )。

步驟三:彙整上述資料,利用倒傳遞類神經網路(BPNN)建構屬性滿意度與整體滿意 度間之整體滿意度績效函數(OS-function),以萃取服務屬性之實際重要程度

) ( RI

j

) ,...

, ,..., ,

( p

1

p

2

p

j

p

j1

p

k

f

function

OS  

(2) 步驟四:衡量單一服務屬性之有價值績效函數va_ per(j),以評估屬性之相對滿意程

( RP

j

)

) ,...

, ,..., , ( ) ,...

, ,..., , ( ) (

_ per j f p

1

p

2

p

j

p

j 1

p

k

f p

1

p

2

e

j

p

j 1

p

k

va

(3)

)

( _ per j va

RP

j

(4) 步驟五:計算 IPA 矩陣之中心座標

( 0 , I

..

)

,其中,P 為矩陣橫座標之中心位置..

) (

1 .

..

K

j

P

j

P

,而

I

..則為矩陣縱座標之中心位置

( )

1 .

..

K

j

I

j

I

步驟六:將滿意程度與重要程度分別視為矩陣之橫座標及縱座標,並藉此建構 IPA 矩 陣。

步驟七:將各評估屬性依其座標位置(RPi,RIi)繪製於 IPA 矩陣中。

步驟八:根據矩陣象限之策略意義評估各屬性之資源分配順序。

28

第二階段

本研究透過具有線性與非線性映射能力之倒傳遞類神經網路進行網路架構之模 擬,並以 Matlab7.0 為軟體選取工具;此外,在倒傳遞類神經網路設計上,本研究使用 33 項評估屬性作為輸入層之輸入變數,並以整體顧客滿意度作為輸出層之串出變數;

此後,將分析資料分為 80%之訓練資料(Training set)與 20%之測詴資料(Test set)兩部 分,其主要作用為驗證網路模式之可行性;此外,在網路隱藏層設置部分,經葉怡成 (2004)之建議,將神經元個數以(輸入層變數之個數+輸出層變數之個數)/2 之選取方 式,故本研究之神經元選取將介於 1 個至 17 個神經元個數不等;並在函數轉換(Transfer function)方面,採雙彎曲函數(sigmoid function),且輸出值將介於 0 至 1 之間,並採 取 10000 次世代(epochs),最低誤差門檻值(threshold)為 0.01;並彙整上述網路設計後,

其分析步驟如下所示:

步驟一:設各屬性之滿意程度(p ,j 為評估服務屬性之總個數)為輸入變數,整體滿j

意度( OS )為輸出變數建立整體滿意度函數(

OS _ function

)。

步驟二:訓練與測詴資料。將分析資料隨機分為兩部分,其中 80%為訓練資料(Training data),20%為測詴資料(Testing data)。

步驟三:網路架構之可行性分析。進行網路架構之訓練與測詴,並進行適合度檢定,

使整體誤差至容忍值可接受範圍為虛;其檢定值有均方誤差(Mean Square Error, MSE)、均方根誤差(Root Mean Square Error, RMSE)、及 R2檢定;其中,

MSE 與 RMSE 之檢定值階為愈小愈好,而 R2則為愈接近 1 表示其模式對整 體解釋能力愈佳。

^ 2

1

1 ( )

n

i i

MSE OS OS

n

  

(5)

^

2 1

1 ( )

n

i i

RMSE OS OS

n

  

(6)

29

^

2

2 1 2

2 1

( )

1 , 1 1

( )

n

i i

n

i i

i

OS OS

R R

OS OS

    

(7)

步驟四:得評估屬性滿意度與整體滿意度之績效函數(Importance-Performance Strategy Matrix,IPSM);並透過函數取得評估屬性間之相對重要(Tsaur,Chiu, and

Huang,2002)。

( ih ho)

h H j

w w

w i I

H

 

 

(8)

i j

i I i

RI w

w

 

(9)

其中,

H

:表示為隱藏層個數;

w :表示為輸入層至隱藏層之連接鏈權重; ih

w :表示為隱藏層至輸出層之連接鏈權重; ho

I

:表示為輸入層。

步驟五:透過評估屬性滿意度與整體顧客滿意度之績效函數重新評估屬性滿意度之績 效缺口(

va _ per j ( )

)。

最後,管理者便可透過此分析技術,針對目前評估屬性績效之現況進行日後資源 重整策略。IPSM 各象限所代表之意義茲說明如下:

象限一:「正向績效缺口,相對重要程度較高」(positive performance, extremely relative importance)位於矩陣之右上方,屬企業/組織創造利基之主要來源,亦為企業 /組織保有高度市場競爭力之主要優勢;且該象限隱含目前企業/組織以滿足 消費者之期待,服務要素亦受消費者所重視,因此應「持續保持」(keep up the good work)。

象限二:「負向績效缺口,相對重要程度較高」(negative performance, extremely relative importance)位於矩陣之左上方,屬影響企業/組織服務品質與顧客滿意度之關

30

鍵要素;且該象限之隱含意義為目前評估屬性尚未被消費者所滿意,但卻為 消費者高度重視之服務區塊,因此應「立即改善」(concentrate here)。

象限三:「負向績效缺口,相對重要程度較低」(negative performance, slightly relative importance)位於矩陣之左下方,屬影響企業/組織服務品質與顧客滿意度之次 要要素;且該象限之隱含意義為目前評估屬性雖未達消費者所滿意,但其重 要程度較低,因此為「低優先順序」(low priority)。

象限四:「正向績效缺口,相對重要程度低」(positive performance, slightly relative importance)位於矩陣之右上方,屬企業/組織之次要優勢;且該象限之隱含意 義為目前評估屬性已使消費者感到滿足,但其重要程度較低,表示企業/組 織之表現已超越顧客所期待,因此為「供過於求」(possible overkill)。

圖 5 IPSM 策略矩陣

供過於求 低優先順序

Slightly relative importance 持續維持 立即改善

Extremely relative importance

Slightly Performance

Positive Performance (

0, RI

)

31

在文檔中 中 華 大 學 (頁 31-41)

相關文件