ग्राहक समाधानी काय आहे?

सर्वोत्तम ग्राहक संतुष्टि सर्वेक्षण संशोधन कसे तयार करावे

ग्राहकांची संवेदना एक सतत वैरिएबल आहे जी एक सातत्य म्हणून प्रस्तुत केली जाऊ शकते.

या सातत्यच्या शेवटच्या टोकांना " पूर्ण समाधानाने एन ओ टी " असे लेबल केले जाईल आणि "सी पूर्णपणे कंटाळवाण" केले जाईल. या कमाल दरम्यान काही मूल्य एका विशिष्ट ग्राहकासाठी समाधानाचे स्तर दर्शविते. साधारणपणे, बाजार संशोधक ग्राहक समाधानाच्या मोजमापातील बिंदू आणि ग्राहकाची वास्तविक मतं त्यांच्या समाधानकारक असायला सांगतात .

तथापि, हे व्यवहार्य आहे आणि ते शक्य तितके संभाव्य प्रमाणात ग्राहकाच्या समाधानाचे अंदाज लावेल. ही एक अंदाजे किंमत असल्याने, बाजार संशोधक थोड्या प्रमाणात त्रुटीची अनुमती देईल. या लहान अंदाजेच्या त्रुटीमुळे, बाजार संशोधक ग्राहक समाधानाकडे सुप्त वैरिएबल म्हणून विचार करेल.

गोंधळ व्हेरिएबल्स आणि मॅनिफेस्ट वेरिएबल्स मधील फरक काय आहे?

सुस्पष्ट वेरिएबल्स हे मनोविज्ञान, समाजशास्त्र, अर्थशास्त्र आणि इतर सामाजिक विज्ञान या संकल्पना आहेत जे स्पष्टपणे मोजले जाऊ शकत नाहीत. उदाहरणार्थ, बाजार संशोधकांना ग्राहकांच्या प्रेरणा किंवा वर्तणुकीमध्ये सहसा रस असतो. परंतु ही संकल्पना, समाधानाच्या संकल्पनेसारखीच म्हणते, जसे वय, वजन, किंवा शिक्षणाच्या पातळीवर थेट मोजता येत नाही. हे लोकसांख्यिकीय गुणधर्मांना मॅनिफेस्ट वेरिएबल्स असे संबोधले जाते आणि त्यास स्पष्टपणे मोजता येते; ते मूर्त स्वरूपात प्रकट होतात.

सैद्धांतिकदृष्ट्या, शास्त्रज्ञ सर्वसाधारणपणे सहमत आहेत की प्रत्येक गुप्त वेगाअील मोजले जाण्यासाठी, काही मॅनिफेस्ट वेरिएबल्स सुस्पित व्हेरिएबल्सशी संबंधित असावेत. अशा प्रकारे, बाजार संशोधक एक गुप्त वेरियेबलमधील संबंधांचे अन्वेषण करणे शक्य आहे जे थेटपणे मोजले जाऊ शकतील अशा अनेक मॅनिफेस्ट व्हेरिएबल्सशी थेट मोजले जाऊ शकत नाही.

ग्राहक समाधानी सर्वेक्षण प्रश्न विकसित करणे

सर्वेक्षण प्रश्नावलीच्या उपयोगाद्वारे ग्राहकांचे समाधान मोजले जाऊ शकते. प्रमाणावरील उपभोक्ताने अनुभवलेल्या समाधान किंवा असंतोषचे प्रमाण मोजण्यासाठी अनेक प्रश्नांची आखणी उपयुक्त ठरते. समाधान हे असंख्य प्रचलित असलं तरी, व्यावहारिक कारणांसाठी, समाधानाचे प्रमाण मर्यादित असले पाहिजे. ग्राहकाला त्याच्या प्रतिसादात पुरेशी लवचिकता पुरवली पाहिजे की ग्राहक अनुभव आणि प्रमाणावरील प्रतिसादामधील जुळणी आरामदायक आहे.

ग्राहकांची संतोष भिती - ग्राहकांची समाधाने दर्शविण्याकरता वापरल्या जाणा-या स्कल्स म्हणजे 5-बिंदू, 7-बिंदू, किंवा 10-बिंदू असतात, जसे की शून्य नेहमीच सर्वाधिक असमाधान असण्याची शक्यता असते. 5-पॉइंट स्केलवर, पुढील पर्यायांच्या पर्यायांमधून एका प्रश्नावलीच्या आयटमवर एक ग्राहक निवडण्यासाठी विचारले जाईल: 1 अत्यंत असमाधानी, 2 मध्यम असमाधानी, 3 तटस्थ, 4 मध्यम प्रमाणात समाधानी, 5 खूप समाधानी

समाधानकारक सर्वेक्षणाचे प्रत्येक घटक लक्षात घेण्याकरिता उत्तरकर्त्यांना विचार करण्यास सांगितले जाते, तीन संबंधित प्रश्न असावेत. हे प्रश्न मॅनिफेस्ट वेरीयेबल आहेत. प्रश्नांची लिहायला हवी की जेणेकरुन प्रश्नावलीतील गुणविशेषला सर्वेक्षण घटकांच्या तुलनेत सोप्या करणे सोपे होईल.

उदाहरणार्थ, जर बाजार संशोधक एखाद्या कंपनीसह व्यवसायातील घटक सुलभपणे मोजण्यास इच्छुक असेल तर प्रश्न व्यवहाराची गती, वेबसाइटची उपयोगिता आणि लाइव्ह-चॅट ग्राहक सेवा अनुभव सांगू शकतात.

समाधान सर्वेक्षणाची लांबी- सर्वेक्षण प्रश्नांची किंमत 15 ते 35 वस्तूंपर्यंत असणे आवश्यक आहे, त्यातील प्रत्येक श्रेणीची मोजमाप ग्राहक सेवेच्या घटकांच्या काही पैलूंना मोजता येते. हे महत्त्वपूर्ण आहे की प्रश्नावलीच्या काही गोष्टी ग्राहकांना स्वतःच नव्हे तर त्यांच्या मते जाणून घेण्याच्या मार्गावर असतात, जेणेकरून बाजार विभाजन विश्लेषणास समर्थन मिळते.

ग्राहकांची समाधानकारक माहिती SEM सह विश्लेषित करणे

ग्राहकांच्या समाधानाचे कठोर विश्लेषणात गणिती व डेटा विश्लेषणाच्या सांख्यिकीय पद्धतींचा समावेश असेल. विश्लेषणाचा उद्देश मॅनिफेस्ट वेरिएबल्स आणि लुप्त व्हेरिएबल्स आणि गुप्त वेरिएबल्समधील संबंधांचा अंदाज करणे आहे.

या प्रकारचे विश्लेषण करण्यासाठी एक सामान्यतः वापरली जाणारी पद्धत म्हणजे एक संरचित समीकरण मॉडेल (SEM) . मॉडेल आणि डेटा यांच्यातील तंदुरुस्ती काही निकषांवर किंवा एका कसौटीवर, जसे वास्तविक साजरा केलेल्या डेटामधून विचलना कमी करण्याची क्षमता कमी केली जाईल, कमी केली जाईल. संख्याशास्त्रीय पद्धतीने स्वतः बाजार संशोधकांच्या व्यक्तिमत्वाचा विचार करण्याऐवजी, लुटीतील परिवर्तनांदरम्यानच्या संबंधाचे महत्व ओळखते. मॅनिफेस्ट वेरीयेबलची प्रत्येक विश्वासार्हतेची गणना केली जाते, गुप्त गटातील सामग्री तयार केली जाते, आणि गुप्त चिरबचांमधील संबंध मोजले जातात. या टप्प्यावर, बाजार संशोधक हे पाहण्यास सक्षम आहे की अंदाजे मॉडेल प्रत्यक्षात स्वीकार्य प्रमाणात डेटा फिट करते , विशेषत: दृढ संकटाचा गुणांक वापरून ज्याला R2 म्हणून नियुक्त केले जाते आणि योग्यतेचा चांगुलपणाचा एक उपाय आहे.