重要-績效分析

重要-績效分析(Importance-Performance Analysis, IPA)是一種可以協助管理者探 索待改善的關鍵服務品質屬性以提升顧客滿意度的方法，不僅因為此方法具備容易解 釋與使用的特性，更被證實為一項具有實務管理效益之分析方法(Hansen & Bush, 1999)，因此常被企業用來做為內部資源分配之輔助分析工具。然而，IPA 模式在應用 上頇具備兩項基本假設(Matzler et al., 2004)，使得在實際應用上會產生偏誤現象，因 此，為了使用上能更精準，有許多學者致力於此模式的修正與延伸。本研究將先介紹 傳統 IPA 模式，其後再針對 IPA 的修正及延伸模式加以探討說明。

一、傳統重要-績效分析模式

Martilla and James 在 1977 年分析汽車產業績效研究時提出了重要-績效分析模式，

不僅可以協助管理者了解企業之優劣勢，探索待改善的關鍵服務品質屬性，並在資源 有限的情況下，擬定適合的資源重整策略，進而提升顧客滿意度(Matzler et al., 2004)。

因為 IPA 模式方便使用及解釋容易，於是企業管理者將此模式視為提升企業績效的有 效管理工具。IPA 模式主要是由二維座標所建構之策略矩陣，其中縱軸為消費者所認 知之「重要程度」，橫軸則為消費者實際體驗過後之「滿意程度」，而重要程度與滿意 程度之個別之帄均數作為此策略矩陣之中心座標，並將座標矩陣劃分為四個象限(如 圖 9 所示)，接著將消費者對各屬性的重要程度與滿意程度的直接評價描繪在所屬象

限中，管理者可依據其服務屬性坐落位置而進行不同之策略行為，以下分別尌傳統 IPA 的詳細分析步驟及此策略矩陣各象限所代表的意義詳述如下：

(一)傳統 IPA 模式分析步驟： 步驟一：尋找欲評估之關鍵屬性

首先尌欲研究產業做相關文獻搜集、專家訪談等方法尋找欲評估之關鍵屬性。

步驟二：衡量受訪者對各評估屬性之滿意程度及重要程度

此部分是以問卷調查方式進行，首先衡量第

i

位消費者對第 j 項評估屬性的滿意 程度P_ij及重視程度I_ij(i 1n, j1m)，並計算各評估屬性之帄均滿意程度P 及_.j

帄均重要程度 I ，其中 _.j





 ⁿ

1 i

ij j

. P /n

P ， (8)





 ⁿ

1 i

ij j

. I / n

I (9) 步驟三：建構 IPA 矩陣(如圖 9)

IPA 矩陣的橫軸表屬性的帄均滿意程度，縱軸表屬性的帄均重要程度，矩陣中 心座標為(P,I)，其中





 ^m

1 j

j

. /n

P

P ， (10)





 ^m

1 j

j . /n I

I (11) 步驟四：各屬性描繪於 IPA 矩陣中

將各評估屬性的 帄均滿意程度P_.j 及帄均重要程度 I 所 代表 的座 標位置_.j

(P_.j,I_.j)標示於 IPA 矩陣中。

步驟五：依據評估屬性所在象限之策略意義決定各評估屬性在資源分配的優先順序。

圖 9 重要-績效分析矩陣

Note: From “Importance-Performance Analysis,” by J. A. Martilla, and J. C. James, 1997.

Journal of Marketing, 41(1), p. 77-79.

(二) IPA 矩陣各象限的策略意義：

各屬性在 IPA 矩陣所在位置不同有其不同的管理意涵，分述如下：

第一象限：位於 IPA 矩陣右上方區域，代表高重要程度及高滿意程度，坐落於此 象限內之服務屬性消費者較為重視，而企業的表現也讓消費者滿意，因此企業針對此 象限內的服務屬性之策略為「繼續保持」(Keep up the good work)。

第二象限：位於 IPA 矩陣左上方區域，代表高重要程度卻是低滿意程度，坐落於 此象限內之服務屬性為消費者所重視，而企業的表現卻尚未讓消費者滿意，企業針對 此象限內的服務屬性之策略為「加強改善」(Concentrate here)。

第三象限：位於 IPA 矩陣左下方區域，代表低重要程度及低滿意程度，坐落於此 象限內之服務屬性消費者較不重視，而企業的表現也讓消費者不滿意，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，代表低重要程度及高滿意程度，坐落於此 象限內之服務屬性消費者較不重視，而企業的表現已經超過消費者原有的期待，表示 此象限內的服務屬性「供過於求」(Possible overkill)。

低 滿意程度 高

高

重要

程度

低

Quadrant I Quadrant II

Quadrant III Quadrant IV Keep up the good work

繼續保持 Concentrate here

加強改善

Low priority 低優先順序

Possible overkill 供過於求

(P,I)

位於第一象限及第二象限之服務屬性都是消費者所重視的，針對第一象限之服務 屬性而言，企業表現符合消費者期待，是企業競爭優勢所在，企業如能持續投入資源 將有助於穩固企業成長；至於位於第二象限之服務屬性，企業表現不理想，讓消費者 不滿意，是企業劣勢所在，對此部分服務屬性資源投入是當務之急。另一方面，位於 第三象限及第四象限的服務屬性是消費者較不重視的，而對位於第三象限之服務屬性 而言，企業表現也不盡理想，針對此部分並不是影響企業績效關鍵，企業資源無頇立 即投入；第四象限之服務屬性企業表現超過消費者期待，顯然供過於求，企業在資源 有限的情況下，不妨將此部分的資源轉移到第二象限才是最佳的資源分配策略。

IPA 模式是藉由重要程度及滿意程度的相對位置繪圖方式了解各服務屬性的優 劣勢，做為企業擬定資源重整策略時的依據，使用上簡單方便且解釋容易，因此 IPA 模式已被廣泛應用在各相關領域中，如教育、飯店業、觀光旅遊業、金融服務業、醫 療服務業、交通運輸業及資訊系統等，茲將 IPA 相關應用文獻彙整於表 6 中。

表 6

IPA 模式之應用領域及其文獻

IPA 模式之應用領域 文獻

教育 Voss, Gruber and Szmigin (2007); O'Neill and Palmer (2004) 飯店業 Kuo (2009); Chu and Choi (2000); Weber (2000);

觀光旅遊業 Lee and Lee (2009); Deng (2007); Pritchard and Havitz (2006);

Duke and Mont (1996)

醫療服務業 Yavas and Shemwell (2001); Hawes and Rao, (1985) 交通運輸業

Shieh and Wu, (2009); Wu, Shieh, and Pan (2008); Chen and Chang (2005); Chang and Yeh (2002); Martilla and James (1977); 盧右梅與吳信宏(2010)

金融服務業 Bei and Shang (2006); Yeo (2003); Yavas and Shemwell (1997);

鄧維兆、廖明宗與馬郁淇 (2007)

資訊系統(IS) Magal and Levenburg (2005); Shaw, Delone, and Niederman

二、IPA 模式的修正與延伸

傳統 IPA 是以顧客自我評估之重要程度與滿意程度所形成之二維策略矩陣，然而 過去文獻(Matzler et al., 2004)指出，IPA 模式在使用時必頇建立在兩個基本假設上：

其一，評估屬性滿意度與整體顧客滿意度之間的關係為線性及對稱之影響關係；其二，

屬性重要程度與滿意程度為相互獨立的變數。然而，近來相關文獻卻指出，IPA 的基 本假設與實務上之應用存在著衝突性：如評估屬性之重要程度為滿意程度的函數，因 此屬性重要程度與滿意程度並不是相互獨立的(Deng et al., 2008; Matzler et et al., 2004;

Oh, 2001; Sampson & Showalter, 1999)。又 Kano 二維顧客滿意度模式(Kano, 1984;

Matzler et al., 2004)指出，對基礎因子(basic factor)及激勵因子(excite factor)等的滿意度 提升並不會正向且線性影響整體顧客滿意度。因此傳統 IPA 模式中重要程度及滿意程 度的評估引發後來學者爭相討論，如 Sampson and Showalter(1999)指出各服務屬性的 實際重要性應該是”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”，

由顧客自我評估的重要程度並不能確實衡量各服務屬性的重要性 ；另一方面，

Parasuraman 等學者(1988)指出，績效應是顧客對服務品質之期望與認知滿意度間的 差距，如此一來，顧客自我評估的滿意程度並不能確實衡量各服務屬性的績效。綜合 以上學者的觀點，傳統 IPA 模式必頇加以重新修正及延伸，以發展出更完善的評估模 式。本研究整理以往的相關文獻，將 IPA 主要的修正及延伸模式彙整，並說明如下：

(一)屬性重要性的修正

在重要性的評估方面，學者們提出了修正的方法，主要分成兩類：其一，延續傳 統 IPA “服務屬性滿意度與整體顧客滿意度(績效)間為線性且對稱＂的基本假設：

Matzler and Sauerwein (2002)透過迴歸分析方法評估屬性滿意度在整體顧客滿意度上 之影響程度作為重要性的評估，然而當各屬性之間共線性較高時(Kano et al., 1984)，

迴歸係數的敏感性尌降低 (Danaher, 1997)，因此對重要性的評估會產生偏誤現象，

Matzler et al. (2004)為排除屬性間之共線性問題而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; Simpson et al. (2002)透過結構方

程模式的分析，將各屬性對整體顧客滿意度的總效果(直接效果及間接效果的總和)作 為屬性重要性的評估值。其二，整合 Kano (1984) “服務屬性之滿意度並非皆線性影響 整體滿意度，也存在著非線性關係” 的概念：包括 Deng (2007)透過整體滿意度的自 然對數轉換及偏相關係數分析以評估其重要性. Deng et al.(2008)透過倒傳遞類神經 (BPNN)方法評估屬性滿意度在整體顧客滿意度上之影響程度，即為重要性。以下尌 各種修正方法的施行步驟一一說明。

１.建立在線性關係之修正模式：

(1) Matzler and Sauerwein (2002)透過迴歸分析方法評估屬性滿意度在整體顧客滿 意度上之影響程度作為重要性的評估。以下為其詳細分析步驟：

步驟一：衡量受訪者對各評估屬性之滿意程度及整體顧客滿意程度

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滿意度 P_j ，j=1,2…k，以及對此服務系統之整體顧客滿意度 CS。

步驟二：建立迴歸模式

將各評估屬性之滿意度 P_j , j=1,2…k.做為模式中的自變數，整體顧客滿意 度 CS 作為因變數，建立如下的迴歸模式

) P ( CS

k 1 j

j

 j







  (12)

步驟三：屬性重要性之評估

以上一步驟所得之迴歸係數



_j做為第 j 個服務屬性重要性的評估值。

然而，當各屬性之共線性較高時，迴歸係數的敏感性尌降低 (Danaher, 1997)，

如採用迴歸係數做為重要性的評估易造成偏誤現象，於是有如下的修正模式。

(2) PC-IPA (Partial Correlated IPA)：Matzler et al. (2004)為排除屬性間之共線性問 題而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

步驟一：衡量受訪者對各評估屬性之滿意程度及整體顧客滿意程度

此部分是以問卷調查方式進行，首先衡量第

i

位消費者對第 j 項評估屬性 的滿意程度 P_ij及第 i 位受訪者的整體顧客滿意度 CS_i ( i=1,2,3…n， j=1, 2, 3…, k)。

步驟二：將步驟一所得各評估屬性之滿意程度 P_j及整體顧客滿意程度 CS 做偏 相關(Partial Coefficient of Correlation)分析。

若屬性 Pm 與屬性 Pj 存在著共線性，則先以 Pj 對 Pm 做迴歸分析，並 求其殘差值 e_i ,其中

n ...., 3 , 2 , 1 i , p p

e_i  _ji ^_ji  (13) 再以 CS 對 Pm 做迴歸分析，並求其殘差值 fi，其中

n ...., 3 , 2 , 1 i , CS CS

f_i  _i  ^_i  (14) 最後計算 ei 及 fi 兩殘差項的相關係數，此即 Pj 與 CS 的偏相關係數。

步驟三：屬性重要性之評估

以上一步驟所得之偏相關係數



_j做為第 j 個服務屬性之重要性的評估值。

(3) Simpson et al. (2002)透過結構方程模式的分析，計算屬性重要性的評估值，其 分析步驟如下：

步驟一：衡量各評估屬性之滿意程度 P_j及整體顧客滿意程度 CS

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滿意度 P_j ，j=1,2…k，以及對此服務系統之整體顧客滿意度 CS。

步驟二：做結構方程模式分析

做 P_j ，j=1,2,…., k 及 CS 的相關係數矩陣，並以此矩陣做結構方程模式分 析，其中 Pj ，j=1,2,…., k 為外因變項，CS 為內因變項，透過結構方程模式，

產生變數之間的交互關係。

步驟三：屬性重要性之評估

以 P_j對 CS 的總效果(直接效果及間接效果的總和)作為屬性重要性的評估 值。

2.整合 Kano (1984)非線性影響關係的修正模式

(1) Deng (2007)為了增加變數的敏感性，採用 Anderson and Sullivan (1993)的研究 建議，將各屬性績效值轉換成自然對數型式，再透過偏相關係數分析(Ting &

Chen, 2002)以評估屬性的重要性。其分析步驟如下：

步驟一：衡量受訪者對各評估屬性之滿意程度及整體顧客滿意程度

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滿意度 Pj ， j=1,2…k，以及對此服務系統之整體顧客滿意度 CS。

步驟二：透過以下的轉換函數將每一屬性績效值轉換成自然對數形式 k

,..., 2 , 1 j , ), P ln(

P :

f _j  _j  (15) 步驟三： 設定ln(P_j ), j 1,2,...,k及 CS 為相關分析中的變數

步驟四：屬性重要性之評估

將某一ln(P_j ), j 1,2,...,k在其他ln(P_m ),m1,2,..j1,j1,...,k固定

下 與 CS 做 偏 相 關 分 析，將 其 所 得 偏 相 關 係 數



_{j,1,2..,j1,j1,...k}做 為 各 屬 性的重要性評估值，其中

k ,...

1 j , 1 j .., 2 , 1 , CS k ,...

1 j , 1 j .., 2 , 1 , j

k ,...

1 j , 1 j .., 2 , 1 , CS , j k

,...

1 j , 1 j .., 2 , 1 , j















 





  (16)

(2) BPNN-IPA：Deng et al. (2008)延續 Garver (2002)、Tsaur, Chiu and Huang (2002) 及 Anderson and Sullivan (1993)的研究，透過倒傳遞類神經網路模式(BPNN) 評估屬性滿意度在整體顧客滿意度上之影響程度，即為重要性。其分析步驟 如下：

在文檔中 中 華 大 學 (頁 35-48)