第二章 文獻探討
第三節 IPA 分析法 (Importance-Performance Analysis)
第三節 IPA 分析法 (Importance-Performance Analysis)
IPA 分析，中文稱「重要性-績效分析」，是 Martilla and James (1977)於研究 中提出，由重要性和績效表現來表現各種品質屬性對於顧客滿意的影響，由於 實務上操作難度低且容易理解，是學界及業界都很常使用的分析方法，尤其在 觀光業及餐飲業，IPA 分析法已然行之有年。IPA 分析法通常是用來分析顧客購 買決策中的重要屬性(Oh, 2001)，可以藉由分析結果進行企業改善項目的排序，
有利於企業改善服務流程中的缺失，提升顧客滿意度(Matzler, Bailom,
Hinterhuber, Renzl, & Pichler, 2004)，當時 Martilla and James (1977)蒐集了對於汽 車經銷商服務品質的14 個重要屬性，以 IPA 分析法進行分析，做出汽車經銷商 服務上的管理建議。
一、 傳統 IPA 分析法
傳統IPA 分析法是由重要性(重要度)以及績效表現(表現度)兩個維度所組成 的二維座標，Martilla and James (1977)的原圖如圖 6，中間切分四個區域的兩條 虛線是由兩個維度的平均值(Mean)繪製而成，四個區域分別為「concentrate here」、「keep up the good work」、「lower priority」以及「possible overkill」，以下 進行說明。
「concentrate here」集中關注區：
在此區中的屬性具有高重要性但低績效，表示顧客認為此區內的屬性重要
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
在同樣水準上，就能持續對顧客造成好感，屬於「優勢區域」。
「lower priority」低順位區：
此區中的屬性是相對低表現度但重要度也相對低，低表現度即是企業需要 被改善的部分，但由於資源有限，在優先順序上不如「concentrate here」區域，
也因此稱為低順位區。
「possible overkill」過度努力區：
此區中的屬性是顧客認為較不重要但卻表現優秀的，這表示此區的屬性雖 然表現度較高，但卻並非主要打動消費者的屬性，也稱為企業的「過度在意 區」，花費過多的成本在顧客較不在意的屬性上，需要企業於資源分配上的再評 估。
圖6：IPA 分析圖
資料來源：Martilla and James (1977)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
二、 對角線 IPA 分析法(Diagonal IPA)
傳統IPA 分析法的雖具易操作性，但同時也可能造成企業錯失市場機會。
Hawes and Rao(1985)認為在屬性的重要度高於表現度時就是市場的機會，在
「繼續保持區」、「低順位區」中有部分的屬性重要度高於表現度，但在分析後 因為其所在區域，在傳統IPA 的定義裡，企業將不對其進行改善的行動(Hawes
& Rao, 1985)。因此，他們將一條 45 度線導入原先的 IPA 分析圖中，認為在對 角線左上方的區域都是企業可以進行改善的屬性(market opportunities)，而在對 角線右下方的區域都是已被滿足的屬性(satiated needs)。
後來Abalo et al. (2007)結合傳統 IPA 的分類，將對角線 IPA 的區域重新劃分 (圖?)，認為對角線左上方區域皆為「concentrate here」集中關注區，而對角線右下 方則同樣切分為「keep up the good work」繼續保持區、「lower priority」低順位區 以及「possible overkill」過度努力區(Abalo, Varela, & Manzano, 2007)。簡而言之，
對角線IPA 分析法相較傳統 IPA 分析法，擴大了企業需進行改善的屬性之範圍。
圖7：對角線 IPA 分析圖 資料來源：Hawes and Rao (1985)
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
圖8：Abalo 對角線 IPA 分析圖 資料來源：Abalo et al. (2007)
三、 對 IPA 分析法的批判以及後續模型發展
1.
分析圖劃分方式及量表填寫的議題無論是傳統IPA 或是對角線 IPA 都以重要度及表現度兩個維度的平均值 (mean)來進行區域的劃分，有些則使用中位數(median)或直接使用量表中間點 (scale center)來劃分。但無論使用何種劃分方式，不同的劃分方式將對分析結果 產生劇烈的變化(Oh, 2001)，於企業的後續行動會造成極大的分歧。
另外，傳統IPA 及對角線 IPA 以 Likert 五點量表(1 分-5 分)進行重要度及表 現度的量化及評分，再由各個受訪者所填寫的得分進行平均，從而得到該屬性 的數值。此量表的測量方法雖具簡單操作的特性，但卻假設顧客的對於重要度
‧
(2015)提出了 SBIPA(similarity-based IPA)，利用直觀模糊集(intuitionistic fuzzy set)理論，將 IPA 的問題轉化成「意識形態」，避免了量表「等距」的問題；同 時以相似性測度(similarity measure)來決定每一種屬性的標準形態，解決了因為 不同劃分方式造成分析結果大不同的問題(Chu & Guo, 2015)。2.
屬性表現度與顧客滿意度並非線性關係在傳統IPA 及對角線 IPA 的分類中，都認為企業應將注意力放在
「concentrate here」集中關注區，也就是認為顧客認為的重要度高且表現度差的 屬性，是企業需要進行改善的部分。此一邏輯隱含了「改善缺點會使顧客滿意 度提升」的假設，但事實上屬性的表現度與顧客滿意度並非呈現線性關係 (Noriaki, 2001)，換句話說，改善屬性的表現度並不一定會使顧客滿意度更高，
或許顧客更樂見原本就表現良好的屬性更上一層樓，那麼增加原先就表現良好 的屬性表現度將會是更好的做法。這造成了IPA 分析法所得出的結果與最後的 公司績效可能無法產生掛勾，錯誤指導企業改進的方向。
Kano et al. (1984)將 Herzberg et al.(1959)所提出的二因子理論與產品的品質 相結合，提出了Kano model(Noriaki, 2001)，將產品品質屬性分為五種，分別為 魅力品質(attractive quality element)、一元品質(one-dimensional quality element)、
必需品質(must-be quality element)、無差異品質(indifferent quality element)以及 反轉品質(reverse quality element)，分別代表五種品質表現度與顧客滿意度的關 係。
目前在學界內已經有相當多學者將IPA 分析法與 Kano Model 相結合(Kuo, Chen, & Deng, 2012; Pai, Yeh, & Tang, 2018; Tontini & Dagostin Picolo, 2013; Yin, Cao, Huang, & Cao, 2016)，使得 IPA 分析能做出更準確的管理建議，解決改進
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
方向與企業績效無法掛勾的問題。
圖9：Kano model 之二為模式及五類品質屬性示意圖 資料來源：Tontini & Dagostin Picolo (2013)
3.
各IPA 分析法模型整理
以下整理上述提及的各種IPA 模型：
表4：IPA 模型整理
模型名稱 解決問題 提出者
傳統IPA - (Martilla & James, 1977) 對角線IPA 避免錯失屬性之重要度大於表現度
之市場機會。
(Hawes & Rao, 1985)
SBIPA 解決劃分方式對IPA 分析結果造成 的極大差異以及五點等距量表所造 成的錯誤評估
(Chu & Guo, 2015)
IPA-Kano Model IPA 分析結果與企業績效無 (Kuo et al., 2012)